CN112597838A - 一种基于脑电波的多维情绪语义识别系统及其处理方法 - Google Patents
一种基于脑电波的多维情绪语义识别系统及其处理方法 Download PDFInfo
- Publication number
- CN112597838A CN112597838A CN202011462452.3A CN202011462452A CN112597838A CN 112597838 A CN112597838 A CN 112597838A CN 202011462452 A CN202011462452 A CN 202011462452A CN 112597838 A CN112597838 A CN 112597838A
- Authority
- CN
- China
- Prior art keywords
- emotion
- wave
- brain wave
- data
- dimensional
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 230000008451 emotion Effects 0.000 title claims abstract description 449
- 210000004556 brain Anatomy 0.000 title claims abstract description 122
- 238000003672 processing method Methods 0.000 title claims abstract description 17
- 230000008909 emotion recognition Effects 0.000 claims abstract description 65
- 238000004458 analytical method Methods 0.000 claims abstract description 35
- 238000007781 pre-processing Methods 0.000 claims abstract description 10
- 238000005065 mining Methods 0.000 claims abstract description 9
- 238000013139 quantization Methods 0.000 claims description 52
- 239000012634 fragment Substances 0.000 claims description 23
- 238000013507 mapping Methods 0.000 claims description 21
- 238000011002 quantification Methods 0.000 claims description 17
- 230000037007 arousal Effects 0.000 claims description 12
- 238000004364 calculation method Methods 0.000 claims description 11
- 238000007726 management method Methods 0.000 claims description 11
- 238000005516 engineering process Methods 0.000 claims description 10
- 238000005070 sampling Methods 0.000 claims description 8
- 238000001514 detection method Methods 0.000 claims description 7
- 230000002996 emotional effect Effects 0.000 claims description 7
- 238000000354 decomposition reaction Methods 0.000 claims description 6
- 238000012549 training Methods 0.000 claims description 3
- 238000009412 basement excavation Methods 0.000 claims description 2
- 238000013480 data collection Methods 0.000 claims 1
- 238000000034 method Methods 0.000 abstract description 11
- 230000008859 change Effects 0.000 abstract description 5
- 230000036651 mood Effects 0.000 description 6
- 238000012545 processing Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 3
- 238000000605 extraction Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013499 data model Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000007935 neutral effect Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000000844 transformation Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/08—Feature extraction
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/16—Devices for psychotechnics; Testing reaction times ; Devices for evaluating the psychological state
- A61B5/165—Evaluating the state of mind, e.g. depression, anxiety
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/20—Natural language analysis
- G06F40/237—Lexical tools
- G06F40/242—Dictionaries
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/30—Semantic analysis
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H20/00—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance
- G16H20/70—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance relating to mental therapies, e.g. psychological therapy or autogenous training
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
Abstract
本发明提供了一种基于脑电波的多维情绪语义识别系统及其处理方法,该系统包括:数据采集和数据库管理模块,进行数据采集、数据分类和数据预处理,构建情绪识别本体数据库;情绪分析模块,分析脑电波的波峰波谷组合片段特征,挖掘脑电波下不同情绪的识别规则集;情绪识别模块,将所述情绪识别规则集与使用者数据中识别的波动特征进行综合分析,准确识别用户情绪。该系统和方法涉及的情感类别广,具有普适性,深入考量了脑电波的波形相似性以及波段中波峰波谷变化的明显特征,强化了情绪识别规则之间的关联性,分析了不同情感的脑电波变化规律,深入挖掘脑电波各波段之间的显著特征,实现对使用者情感状况的识别,其精确度高,识别速度快。
Description
技术领域
本发明涉及人工智能中的情绪识别领域,特别是涉及一种基于脑电波的情绪识别系统及其处理方法。
背景技术
基于脑电波的情绪识别是脑电波识别应用中重要的一部分,该情绪识别方法是以脑电波信号数据为数据源进行处理,识别与分析出目标情绪状态。
主流的基于脑电波的情绪分析以信号波形通用特征作为识别的依据,其核心在于对波形进行整体式分析,而噪声波段易对特征提取造成影响;同时,个体情绪的产生存在瞬时性与差异性,其波形变化应与普通波形分析方法相区别。
目前,基于脑电波的情绪分析研究依然局限于:仅针对情绪极性进行分析处理,如正面情绪、负面情绪和中性情绪;或仅针对少量情绪类别进行分析处理,如开心、难过、惊讶、恐惧等,使得其应用场景受限。而对于需要多维度的情绪分析而言,所达到的层次不足以支撑后续的研究,因此现阶段的基于脑电波的情绪分析技术仍无法实现高精度的分析与处理。
发明内容
本发明的目的在于提出一种基于脑电波的多维情绪语义识别系统及其处理方法,解决目前基于脑电波的情绪识别分析技术中特征提取的片面性以及情绪分析中情绪类别低维度的局限性等问题。该系统和处理方法全面考虑情绪类别的多样性,深度挖掘不同情绪类别下脑电波变化的规律性,为情绪识别提供较好的解决方案;同时,基于脑电波的情绪识别方法通过构建不同情绪下脑电波信号在不同波段下的波峰波谷组合片段的量化强度,强度波动变换之间的关联程度,实现基于脑电波的情绪识别分析,更快速识别使用者的实时情绪状态。
为达到上述目的,本发明是通过下述技术方案实现的:
一种基于脑电波的多维情绪语义识别系统,其特征在于,包括:
数据采集和数据库管理模块,进行数据采集、数据分类和数据预处理,构建情绪识别本体数据库,该模块包括数据采集装置、数据分类装置、数据预处理装置;
情绪分析模块,分析脑电波的波峰波谷组合片段特征,挖掘脑电波下不同情绪的识别规则集,该模块包括情绪量化装置、脑电波情绪识别规则挖掘装置和关键属性分析计算装置;
情绪识别模块,将数据采集装置中获取的使用者脑电波数据,通过数据预处理以及关键属性分析计算后,与所述情绪识别规则集进行综合分析,准确识别用户情绪。
所述的一种基于脑电波的多维情绪语义识别系统,数据采集装置,采集基于使用者的脑电波数据、情绪词典和基于情绪标签的脑电波数据。
所述的一种基于脑电波的多维情绪语义识别系统,数据分类装置,对所述采集装置采集的数据进行类别划分,类别分为:
1)基于使用者的脑电波数据U,包括使用者ID、使用者年龄、使用者性别、脑电波信号采样率、脑电波信号振幅;
2)情绪词典L:包括情绪类别、情绪词、情绪相似度;
3)基于情绪标签的脑电波数据E:包括脑电波信号采样率、脑电波信号振幅、情绪标签。
所述的一种基于脑电波的多维情绪语义识别系统,数据预处理装置设置为:
1)构建情绪字典L={EC,EW,ES},其中EC是情绪类别,EW是情绪词,ES是情绪相似度;
2)根据脑电波数据,对脑电信号进行波段分解,获取α波、β波、γ波、δ波和θ波的波段集合WF={α,β,γ,δ,θ};
3)根据波段集合WF,定义波峰波谷组合片段集F={AML{WF,W,T,R}},其中W是检测标注的波峰,T是检测标注的波谷,R是基于振幅范围的波动等级识别指标,AML是振幅等级。
所述的一种基于脑电波的多维情绪语义识别系统,情绪量化装置设置为:
1)根据所述情绪词典L={EC,EW,ES},将情绪量化定义为:基于情绪效价V、情绪唤醒度A、基本情绪BE和基本情绪对应角度BA的二维情绪量化坐标系;
2)设定情绪量化角度Ang={BAmin,Ci,BEm,BEn},其中Ci是i个情绪类别中某一个情绪类别,BEm是情绪类别Ci与某个基本情绪之间最大的情绪相似度,BEn是情绪类别Ci与某个基本情绪之间第二大的情绪相似度,BAmin是BEm与BEn对应基本情绪角度中最小值,Ang是情绪类别Ci在二维情绪量化坐标系中的角度,采用公式Angi=BAmin+45/(BEm/BEn+1);
3)设定情绪参考坐标(Xm,Ym)={Angi,Def,BEm},其中Def是二维情绪量化坐标最大值,Xm是情绪类别Ci基于情绪相似度BEm的情绪效价坐标,Ym是情绪类别Ci基于情绪相似度BEm的情绪唤醒度坐标,采用公式(Xm,Ym)=(Def•BEm,Def•BEm•tan(Angi/180•π));
4)设定情绪参考坐标(Xn,Yn)={Angi,Def,BEn},其中Xn是情绪类别Ci基于情绪相似度BEn的情绪效价坐标,Yn是情绪类别Ci基于情绪相似度BEn的情绪唤醒度坐标,采用公示(Xn,Yn)=(Def•BEn/cos((45-Angi)/180•π)• cos(Angi/180•π),Def•BEn/cos((45-Angi)/180•π)•sin(Angi/180•π));
5)设定情绪坐标(Xi,Yi)={Xm,Ym,Xn,Yn,Xmin,Ymin},其中Xi是情绪类别Ci的情绪效价坐标,Yi是情绪类别Ci的情绪唤醒度坐标,Xmin是Xm和Xn中的最小值,Ymin是Ym和Yn中的最小值,采用公示(Xi,Yi)=(∣Xm-Xn∣+min(Xm,Xn),∣Ym-Yn∣+min(Ym,Yn));
6)设定扩展情绪EEd的情绪坐(Xe,Ye)={CSm,CSn,Cm,Cn,Xcm,Ycm,Xcn,Ycn},将扩展情绪EEd与现存情绪映射坐标中每个情绪进行遍历,其中CSm为EEd与现存情绪映射坐标中最大情绪相似度,Cm为CSm对应的情绪类别,CSn为EEd与现存情绪映射坐标中第二大情绪相似度,Cn为CSn对应的情绪类别,Xcm为情感类别Cm在情感量化坐标系中的X坐标,Ycm为情感类别Cm在情感量化坐标系中的Y坐标,Xcn为情感类别Cn在情感量化坐标系中的X坐标,Ycn为情感类别Cn在情感量化坐标系中的Y坐标,采用公式(Xe,Ye)=(∣Xcm•CSm-Xcn•CSn∣+min(Xcm•CSm,Xcn•CSn),∣Ycm•CSm -Ycn•CSn∣+min(Ycm•CSm,Ycn•CSn))。
所述的一种基于脑电波的多维情绪语义识别系统,脑电波情绪识别规则挖掘装置设置为:
1)根据所述基于情绪标签的脑电波数据E下的波峰波谷组合片段集F,将脑电波情绪识别规则定义为:基于特定情绪下波峰波谷组合片段的频繁项集拟合的情绪识别规则集;
2)定义脑电波情绪识别规则集R={ERj,RQj,RLj,LSj},其中,ERj是脑电波情绪识别规则集中某一个波峰波谷组合片段,RQj是ERj规则的识别强度,RLj是ERj规则对应的情绪标签集,LSj是RLj情绪标签集之间的相似程度。
所述的一种基于脑电波的多维情绪语义识别系统,关键属性分析计算装置设置为:
1)定义基于滑动窗口的波峰波谷拼接数量Jo={Ite,Mx},其中,Ite是基于所述使用者的脑电数据U下的波峰波谷片段数量,Mx是脑电波情绪识别规则集中规则的最大组合长度,采用公式Jo=(2•Ite-Mx)•(Ite-Mx+1)/2;
2)定义波峰波谷组合片段匹配率MN={Jo,MP},其中,MP是所述基于脑电波情绪识别规则集R下匹配的规则数量,采用公式MN=MP/Jo;
4)定义匹配的波峰波谷组合片段重复率Re={MN,Se},其中,Se是匹配的波峰波谷组合片段中只出现一次的规则数量,采用公式Re=(MN-Se)/MN;
5)定义匹配的波峰波谷组合片段中多项式比率Po={MN,Si},其中Si是匹配的波峰波谷组合片段中单波峰或波谷片段数量,采用公式Po=(MN-Si)/MN;
6)定义波峰波谷组合片段中的匹配密度De={Jo,MN},采用公式De=MN/Jo。
所述的一种基于脑电波的多维情绪语义识别系统,情绪识别模块包括情绪预测装置,该装置可以基于使用者的脑电波数据,通过关键属性进行分析计算,预测使用者的二维情绪量化值,根据情绪量化装置识别使用者当前的情绪类别。
一种基于脑电波的多维情绪语义识别系统的处理方法,步骤为:
步骤1:构建情绪词典L;
步骤2:对脑电信号进行波段分解,获取波段集合EWF;
步骤3:根据波段集合EWF,通过波峰波谷识别技术,标注波段集合中的波峰W和波谷T,通过波段的振幅范围R对每一段波峰波谷进行等级识别,包括A、B、C、D、E五个识别等级AML,每一个等级代表振幅范围的五分之一,提取出基于情绪标签的脑电波波峰波谷片段集;
步骤4:根据情绪词典L,通过基于情绪效价V、情绪唤醒度A、基本情绪BE和基本情绪对应角度BA的进行二维情绪量,计算出每个情绪类别的情绪量化角度Ang;
步骤5:计算情绪类别的参考坐标(Xm,Ym);
步骤6:计算情绪类别的参考坐标(Xn,Yn);
步骤7:计算情绪类别的坐标(Xi,Yi);
步骤8:基于情绪二维量化,对基于情绪标签的脑电波数据中二维情绪标签通过坐标映射为最邻近的情绪类别;
步骤9:基于情绪量化坐标系,对扩展情绪进行情感量化映射;
步骤10:根据基于情绪标签的脑电波波峰波谷片段集,进行不同情绪标签下的脑电波波峰波谷片段组合规则训练,挖掘出脑电波情绪识别规则集R;
步骤11:基于使用者的脑电波数据通过滑动窗口技术拼接波峰波谷组合片段,并与脑电波情绪识别规则集进行匹配分析,计算拼接数量Jo;
步骤12:计算波峰波谷组合片段匹配率MN;
步骤13:计算匹配的波峰波谷组合片段识别强度In;
步骤14:计算匹配的波峰波谷组合片段重复率Re;
步骤15:计算匹配的波峰波谷组合片段中多项式比率Po;
步骤16:计算波峰波谷组合片段中的匹配密度De;
步骤17:通过基于使用者的脑电波数据中提取的MN、In、Re、Po、De波峰波谷组合片段特征,识别用户的二维情绪量化值;
步骤18:通过识别的二维情绪量化值,通过二维情绪量化进行情绪类别的输出,对使用者的情绪状态进行实时识别。
综上所述,本发明的有益效果包括:
1)本发明的系统和处理方法主要应用于便携式脑电佩戴设备检测装置环境下,通过构建全新的脑电波情绪识别规则和数据本体,全面分析不同情绪下的脑电波信号中波峰波谷组合片段特征,挖掘特征之间的关联规律,实现情绪的实时识别。
2)本发明的系统和处理方法全面考虑了不同个体在情绪产生时脑电波信号变化的差异性,通过聚类算法深度挖掘波形之间的关联性。充分考虑情绪类别的多样性,通过科学的情绪量化指标,实现情绪的二维映射关系,挖掘出情绪之间的相似性与差异性,实现了更大范围的情绪识别。
3)本发明的系统和处理方法,使用关联规则挖掘算法来构建全新的基于脑电波的情绪识别规则,通过二维哈希查询算法实现了识别中规则匹配的效率,在搜索技术上实现了改进。
4)本发明的系统和处理方法,科学合理,适用性强。
前面所述的为本申请的概述,因此必然有简化、概括和细节省略的情况;本领域的技术人员应该认识到,概述部分仅是对本申请的说明,而不应看作是对本申请的任何限定。本说明书中描述的装置和/或方法和/或其他主题的其他方面、特征和优点将会由于本说明书的阐述而变得清晰。概述部分是用来以一种简化的方式导入多个将在以下具体实施方式部分进一步描述的概念。本概述部分既非用于确定所要求保护主题的关键特征或必要特征,也非用来作为确定所要求保护主题的范围的辅助手段。
附图说明
通过下面说明书和所附的权利要求书并与附图结合,就会更加充分地清楚理解本申请的上述和其他特征。应当理解,这些附图仅是对本申请若干实施方式的描述,不应认为是对本申请范围的限定,通过附图,本申请内容将会得到更加明确和详细地说明。
图1是本发明的基于脑电波的多维情绪语义识别系统及其处理方法的系统框图。
图2是本发明的基于脑电波的多维情绪语义识别系统及其处理方法的方法流程图。
具体实施方式
在下面的具体实施方式部分中,结合作为说明书一部分的附图进行说明。在附图中,相同/类似的标记通常表示相同/类似的部件,除非说明书中另有说明。具体实施方式、附图和权利要求书中描述的用来举例说明的实施方式不应认为是对本申请的限定。在不偏离本申请表述的主题的精神或范围的情况下,可以采用本申请的其他实施方式,并且可以对本申请做出其他变化。应该很容易理解,可以对本说明书中一般性描述的、附图中图解说明的本申请的各个方面进行各种不同构成的配置、替换、组合,设计,而所有这些改变都显然在预料之中,并构成本申请的一部分。
参照图1,本发明的一种基于脑电波的多维情绪语义识别系统,包括:数据采集和数据库管理模块、情绪分析模块和情绪识别模块。其中,所述的数据采集及数据库管理模块包括:该模块用于采集识别使用者情绪的脑电波数据、情绪词典、基于情绪标签的脑电波数据,并对采集的数据进行存储、管理和预处理。
该模块中采集的基于使用者的脑电波数据包括:包括使用者ID、使用者年龄、使用者性别、脑电波信号采样率、脑电波信号振幅。
该模块中采集的情绪词典包括:情绪类别、情绪词、情绪相似度。
该模块中采集的基于情绪标签的脑电波数据包括:脑电波信号采样率、脑电波信号振幅、情绪标签。
该模块中的数据库管理装置主要是数据本体的构建,为了实现数据的整体性,对分类的数据分别进行属性定义,所有的数据必须按照一个统一的数据模型进行组织,描述和存储。从而数据具有整体的结构话特征,面向全系统,实现数据的共享。
数据库管理装置将采集的原始数据分为三大类,基于使用者的脑电波数据(EEGofUser简称U):包括使用者ID、使用者年龄、使用者性别、脑电波信号采样率、脑电波信号振幅。情绪词典(Lexicon简称L):包括情绪类别、情绪词、情绪相似度。基于情绪标签的脑电波数据(EEG-basedEmotion简称E):包括脑电波信号采样率、脑电波信号振幅、情绪标签。数据库管理装置对于采集到的数据,进行属性定义,进行数据本体构建,根据数据来源类型,建立属性列表1。
属性列表1
该模块中的预处理装置,针对脑电数据以及情绪词典进行预处理操作,具体为:
(1)构建情绪字典L={EC,EW,ES},其中EC是情绪类别,EW是情绪词,ES是情绪相似度;
(2)根据脑电波数据对脑电信号进行波段分解,获取α波、β波、γ波、δ波和θ波的波段集合WF={α,β,γ,δ,θ};
(3)根据波段集合WF,定义波峰波谷组合片段集F={AML{WF,W,T,R}},其中W是检测标注的波峰,T是检测标注的波谷,R是基于振幅范围的波动等级识别指标,AML是振幅等级。
所述的情绪分析模块模块主要功能是分析不同情绪下的脑电变化规律。该模块包括:情绪量化装置、脑电波情绪识别规则挖掘装置和关键属性分析计算装置。
所述的情绪量化装置,根据情绪词典中的情绪类别,进行情绪的二维量化坐标映射。
所述的脑电波情绪识别规则挖掘装置,基于情绪的脑电波数据进行不同情绪下的脑电信号波峰波谷组合片段特征进行识别规则的挖掘。
所述的关键属性分析计算装置,基于使用者的脑电波数据进行脑电波情绪识别规则匹配,提取波峰波谷组合片段特征。
所述的情绪识别模块包括情绪预测装置,其功能是,基于使用者的脑电数据,通过关键属性的分析计算装置,预测该使用者的二维情绪量化值,根据情绪量化装置识别使用者当前的情绪类别。
具体地:所述的情绪量化装置用于:
1)根据所述情绪词典L={EC,EW,ES},将情绪量化定义为:基于情绪效价V、情绪唤醒度A、基本情绪BE和基本情绪对应角度BA的二维情绪量化坐标系;
2)设定情绪量化角度Ang={BAmin,Ci,BEm,BEn},其中Ci是i个情绪类别中某一个情绪类别,BEm是情绪类别Ci与某个基本情绪之间最大的情绪相似度,BEn是情绪类别Ci与某个基本情绪之间第二大的情绪相似度,BAmin是BEm与BEn对应基本情绪角度中最小值,Ang是情绪类别Ci在二维情绪量化坐标系中的角度,采用公式Angi=BAmin+45/(BEm/BEn+1);
3)设定情绪参考坐标(Xm,Ym)={Angi,Def,BEm},其中Def是二维情绪量化坐标最大值,Xm是情绪类别Ci基于情绪相似度BEm的情绪效价坐标,Ym是情绪类别Ci基于情绪相似度BEm的情绪唤醒度坐标,采用公式(Xm,Ym)=(Def•BEm,Def•BEm•tan(Angi/180•π));
4)设定情绪参考坐标(Xn,Yn)={Angi,Def,BEn},其中Xn是情绪类别Ci基于情绪相似度BEn的情绪效价坐标,Yn是情绪类别Ci基于情绪相似度BEn的情绪唤醒度坐标,采用公示(Xn,Yn)=(Def•BEn/cos((45-Angi)/180•π)• cos(Angi/180•π),Def•BEn/cos((45-Angi)/180•π)•sin(Angi/180•π));
5)设定情绪坐标(Xi,Yi)={Xm,Ym,Xn,Yn,Xmin,Ymin},其中Xi是情绪类别Ci的情绪效价坐标,Yi是情绪类别Ci的情绪唤醒度坐标,Xmin是Xm和Xn中的最小值,Ymin是Ym和Yn中的最小值,采用公示(Xi,Yi)=(∣Xm-Xn∣+min(Xm,Xn),∣Ym-Yn∣+min(Ym,Yn));
6)设定扩展情绪EEd的情绪坐(Xe,Ye)={CSm,CSn,Cm,Cn,Xcm,Ycm,Xcn,Ycn},将扩展情绪EEd与现存情绪映射坐标中每个情绪进行遍历,其中CSm为EEd与现存情绪映射坐标中最大情绪相似度,Cm为CSm对应的情绪类别,CSn为EEd与现存情绪映射坐标中第二大情绪相似度,Cn为CSn对应的情绪类别,Xcm为情感类别Cm在情感量化坐标系中的X坐标,Ycm为情感类别Cm在情感量化坐标系中的Y坐标,Xcn为情感类别Cn在情感量化坐标系中的X坐标,Ycn为情感类别Cn在情感量化坐标系中的Y坐标,采用公式(Xe,Ye)=(∣Xcm•CSm-Xcn•CSn∣+min(Xcm•CSm,Xcn•CSn),∣Ycm•CSm -Ycn•CSn∣+min(Ycm•CSm,Ycn•CSn))。
具体地:所述的脑电波情绪识别规则挖掘装置用于:
(1)根据基于情绪标签的脑电波数据E下的波峰波谷组合片段集F,将脑电波情绪识别规则定义为:基于特定情绪下波峰波谷组合片段的频繁项集拟合的情绪识别规则集;
(2)定义脑电波情绪识别规则集R={ERj,RQj,RLj,LSj},其中,ERj是脑电波情绪识别规则集中某一个波峰波谷组合片段,RQj是ERj规则的识别强度,RLj是ERj规则对应的情绪标签集,LSj是RLj情绪标签集之间的相似程度。
具体地,所述的关键属性分析计算装置用于:
1)定义基于滑动窗口的波峰波谷拼接数量Jo={Ite,Mx},其中,Ite是基于所述使用者的脑电数据U下的波峰波谷片段数量,Mx是脑电波情绪识别规则集中规则的最大组合长度,采用公式Jo=(2•Ite-Mx)•(Ite-Mx+1)/2;
2)定义波峰波谷组合片段匹配率MN={Jo,MP},其中,MP是所述基于脑电波情绪识别规则集R下匹配的规则数量,采用公式MN=MP/Jo;
4)定义匹配的波峰波谷组合片段重复率Re={MN,Se},其中,Se是匹配的波峰波谷组合片段中只出现一次的规则数量,采用公式Re=(MN-Se)/MN;
5)定义匹配的波峰波谷组合片段中多项式比率Po={MN,Si},其中Si是匹配的波峰波谷组合片段中单波峰或波谷片段数量,采用公式Po=(MN-Si)/MN;
6)定义波峰波谷组合片段中的匹配密度De={Jo,MN},采用公式De=MN/Jo。
参照图2, 一种基于脑电波的多维情绪语义识别系统的处理方法,具体如下:
步骤1:根据采集的情绪类别EC,情绪词EW,情绪相似度ES,构建情绪词典L={C,EW,ES}。
步骤2:根据基于情绪标签的脑电波数据,对脑电信号进行波段分解,获取α波、β波、γ波、δ波和θ波的波段集合EWF={α,β,γ,δ,θ}。
步骤3:根据波段集合EWF,通过波峰波谷识别技术,标注波段集合中的波峰W和波谷T,通过波段的振幅范围R对每一段波峰波谷进行等级识别,包括A、B、C、D、E五个识别等级AML,每一个等级代表振幅范围的五分之一,提取出基于情绪标签的脑电波波峰波谷片段集。
步骤4:根据情绪词典L={EC,EW,ES},通过基于情绪效价V、情绪唤醒度A、基本情绪BE和基本情绪对应角度BA的进行二维情绪量,计算出每个情绪类别的情绪量化角度Ang={BAmin,Ci,BEm,BEn},其中Ci是i个情绪类别中某一个情绪类别,BEm是情绪类别Ci与某个基本情绪之间最大的情绪相似度,BEn是情绪类别Ci与某个基本情绪之间第二大的情绪相似度,BAmin是BEm与BEn对应基本情绪角度中最小值,其中,采用公式公式Angi=BAmin+45/(BEm/BEn+1)计算量化角度。
步骤5:计算情绪类别的参考坐标(Xm,Ym)={Angi,Def,BEm},其中Def是二维情绪量化坐标最大值,Xm是情绪类别Ci基于情绪相似度BEm的情绪效价坐标,Ym是情绪类别Ci基于情绪相似度BEm的情绪唤醒度坐标,采用公式(Xm,Ym)=(Def•BEm,Def•BEm•tan(Angi/180•π))。
步骤6:计算情绪类别的参考坐标(Xn,Yn)={Angi,Def,BEn},其中Xn是情绪类别Ci基于情绪相似度BEn的情绪效价坐标,Yn是情绪类别Ci基于情绪相似度BEn的情绪唤醒度坐标,采用公示(Xn,Yn)=(Def•BEn/cos((45-Angi)/180•π)• cos(Angi/180•π),Def•BEn/cos((45-Angi)/180•π)•sin(Angi/180•π))。
步骤7:计算情绪类别的坐标(Xi,Yi)={Xm,Ym,Xn,Yn,Xmin,Ymin},其中Xi是情绪类别Ci的情绪效价坐标,Yi是情绪类别Ci的情绪唤醒度坐标,Xmin是Xm和Xn中的最小值,Ymin是Ym和Yn中的最小值,采用公示(Xi,Yi)=(∣Xm-Xn∣+min(Xm,Xn),∣Ym-Yn∣+min(Ym,Yn))。
步骤8:基于情绪二维量化,对基于情绪标签的脑电波数据中二维情绪标签通过坐标映射为最邻近的情绪类别。
步骤9:基于情绪量化坐标系,计算扩展情绪EEd的情感量化映射坐标(Xe,Ye)={CSm,CSn,Cm,Cn,Xcm,Ycm,Xcn,Ycn},将扩展情绪EEd与现存情绪映射坐标中每个情绪进行遍历,其中CSm为EEd与现存情绪映射坐标中最大情绪相似度,Cm为CSm对应的情绪类别,CSn为EEd与现存情绪映射坐标中第二大情绪相似度,Cn为CSn对应的情绪类别,Xcm为情感类别Cm在情感量化坐标系中的X坐标,Ycm为情感类别Cm在情感量化坐标系中的Y坐标,Xcn为情感类别Cn在情感量化坐标系中的X坐标,Ycn为情感类别Cn在情感量化坐标系中的Y坐标,采用公式(Xe,Ye)=(∣Xcm•CSm-Xcn•CSn∣+min(Xcm•CSm,Xcn•CSn),∣Ycm•CSm -Ycn•CSn∣+min(Ycm•CSm,Ycn•CSn))。
步骤10:根据基于情绪标签的脑电波波峰波谷片段集,进行不同情绪标签下的脑电波波峰波谷片段组合规则训练,挖掘出脑电波情绪识别规则集R={ERj,RQj,RLj,LSj},其中,ERj是脑电波情绪识别规则集中某一个波峰波谷组合片段,RQj是ERj规则的识别强度,RLj是ERj规则对应的情绪标签集,LSj是RLj情绪标签集之间的相似程度。
步骤11:基于使用者的脑电波数据通过滑动窗口技术拼接波峰波谷组合片段,并与脑电波情绪识别规则集进行匹配分析,计算拼接数量Jo={Ite,Mx},其中,Ite是基于使用者的脑电数据U下的波峰波谷片段数量,Mx是脑电波情绪识别规则集中规则的最大组合长度,采用公式Jo=(2•Ite-Mx)•(Ite-Mx+1)/2。
步骤12:计算波峰波谷组合片段匹配率MN={Jo,MP},其中,MP是基于脑电波情绪识别规则集R下匹配的规则数量,采用公式MN=MP/Jo。
步骤14:计算匹配的波峰波谷组合片段重复率Re={MN,Se},其中,Se是匹配的波峰波谷组合片段中只出现一次的规则数量,采用公式Re=(MN-Se)/MN。
步骤15:计算匹配的波峰波谷组合片段中多项式比率Po={MN,Si},其中Si是匹配的波峰波谷组合片段中单波峰或波谷片段数量,采用公式Po=(MN-Si)/MN。
步骤16:计算波峰波谷组合片段中的匹配密度De={Jo,MN},采用公式De=MN/Jo。
步骤17:通过基于使用者的脑电波数据中提取的MN、In、Re、Po、De波峰波谷组合片段特征,识别用户的二维情绪量化值。
步骤18:通过识别的二维情绪量化值,通过二维情绪量化进行情绪类别的输出,对使用者的情绪状态进行实时识别。
本发明的系统和处理方法通过构建全新的脑电波情绪识别规则和数据本体,全面分析不同情绪下的脑电波信号中波峰波谷组合片段特征,挖掘特征之间的关联规律,实现情绪的实时识别;全面考虑了不同个体在情绪产生时脑电波信号变化的差异性,通过聚类算法深度挖掘波形之间的关联性;充分考虑情绪类别的多样性,通过科学的情绪量化指标,实现情绪的二维映射关系,挖掘出情绪之间的相似性与差异性,实现了更大范围的情绪识别。该系统和处理方法,使用关联规则挖掘算法来构建全新的基于脑电波的情绪识别规则,通过二维哈希查询算法实现了识别中规则匹配的效率,在搜索技术上实现了改进,科学合理,适用性强。
前述已通过框图、流程图和/或实施例子进行了详细描述,阐明了本申请装置和/或方法的不同实施方式,当这些框图、流程图和/或实施例包含一个或多个功能和/或操作时,本领域的技术人员会明白,这些框图、流程图和/或实施例中的各功能和/或操作可以通过各种硬件、软件、固件或实质上它们的任意组合而单独地和/或共同地实施。本领域的技术人员会认识到,以本说明书中说明的方式描述装置和/或方法,然后进行工程实践以将所描述的装置和/或方法集成到数据处理系统中,在本领域里是很常见的,也就是说,本说明书中描述的装置和/或方法中的至少一部分,可通过合理数量的实验集成到数据处理系统中,对于本说明书中所用的基本上任何复数和/或单数术语,本领域的技术人员可以将复数解释为单数和/或将单数解释为复数,只要这样做从上下文和/或应用上看是合适的即可,为了清楚起见,在本说明书中可能将各种单数/复数组合明确地表述出来。
本申请中公开了本申请的多个方面和实施方式,本领域的技术人员会明白本申请的其它方面和实施方式,本申请中公开的多个方面和实施方式只是用于举例说明,并非是对本申请的限定,本申请的真正保护范围和精神应当以下面的权利要求书为准。
Claims (9)
1.一种基于脑电波的多维情绪语义识别系统,其特征在于,包括:
数据采集和数据库管理模块,进行数据采集、数据分类和数据预处理,构建情绪识别本体数据库,该模块包括数据采集装置、数据分类装置、数据预处理装置;
情绪分析模块,分析脑电波的波峰波谷组合片段特征,挖掘脑电波下不同情绪的识别规则集,该模块包括情绪量化装置、脑电波情绪识别规则挖掘装置和关键属性分析计算装置;
情绪识别模块,将数据采集装置中获取的使用者脑电波数据,通过数据预处理以及关键属性分析计算后,与所述情绪识别规则集进行综合分析,准确识别用户情绪。
2.如权利要求1所述的一种基于脑电波的多维情绪语义识别系统,其特征在于,所述数据采集装置,采集基于使用者的脑电波数据、情绪词典和基于情绪标签的脑电波数据。
3.如权利要求1所述的一种基于脑电波的多维情绪语义识别系统,其特征在于,所述数据分类装置,对所述采集装置采集的数据进行类别划分,类别分为:
1)基于使用者的脑电波数据U,包括使用者ID、使用者年龄、使用者性别、脑电波信号采样率、脑电波信号振幅;
2)情绪词典L:包括情绪类别、情绪词、情绪相似度;
3)基于情绪标签的脑电波数据E:包括脑电波信号采样率、脑电波信号振幅、情绪标签。
4.如权利要求1所述的一种基于脑电波的多维情绪语义识别系统,其特征在于,所述数据预处理装置设置为:
1)构建情绪字典L={EC,EW,ES},其中EC是情绪类别,EW是情绪词,ES是情绪相似度;
2)根据脑电波数据,对脑电信号进行波段分解,获取α波、β波、γ波、δ波和θ波的波段集合WF={α,β,γ,δ,θ};
3)根据波段集合WF,定义波峰波谷组合片段集F={AML{WF,W,T,R}},其中W是检测标注的波峰,T是检测标注的波谷,R是基于振幅范围的波动等级识别指标,AML是振幅等级。
5.如权利要求1所述的一种基于脑电波的多维情绪语义识别系统,其特征在于,所述情绪量化装置设置为:
1)根据所述情绪词典L={EC,EW,ES},将情绪量化定义为:基于情绪效价V、情绪唤醒度A、基本情绪BE和基本情绪对应角度BA的二维情绪量化坐标系;
2)设定情绪量化角度Ang={BAmin,Ci,BEm,BEn},其中Ci是i个情绪类别中某一个情绪类别,BEm是情绪类别Ci与某个基本情绪之间最大的情绪相似度,BEn是情绪类别Ci与某个基本情绪之间第二大的情绪相似度,BAmin是BEm与BEn对应基本情绪角度中最小值,Ang是情绪类别Ci在二维情绪量化坐标系中的角度,采用公式Angi=BAmin+45/(BEm/BEn+1);
3)设定情绪参考坐标(Xm,Ym)={Angi,Def,BEm},其中Def是二维情绪量化坐标最大值,Xm是情绪类别Ci基于情绪相似度BEm的情绪效价坐标,Ym是情绪类别Ci基于情绪相似度BEm的情绪唤醒度坐标,采用公式(Xm,Ym)=(Def•BEm,Def•BEm•tan(Angi/180•π));
4)设定情绪参考坐标(Xn,Yn)={Angi,Def,BEn},其中Xn是情绪类别Ci基于情绪相似度BEn的情绪效价坐标,Yn是情绪类别Ci基于情绪相似度BEn的情绪唤醒度坐标,采用公示(Xn,Yn)=(Def•BEn/cos((45-Angi)/180•π)• cos(Angi/180•π),Def•BEn/cos((45-Angi)/180•π)•sin(Angi/180•π));
5)设定情绪坐标(Xi,Yi)={Xm,Ym,Xn,Yn,Xmin,Ymin},其中Xi是情绪类别Ci的情绪效价坐标,Yi是情绪类别Ci的情绪唤醒度坐标,Xmin是Xm和Xn中的最小值,Ymin是Ym和Yn中的最小值,采用公示(Xi,Yi)=(∣Xm-Xn∣+min(Xm,Xn),∣Ym-Yn∣+min(Ym,Yn));
6)设定扩展情绪EEd的情绪坐(Xe,Ye)={CSm,CSn,Cm,Cn,Xcm,Ycm,Xcn,Ycn},将扩展情绪EEd与现存情绪映射坐标中每个情绪进行遍历,其中CSm为EEd与现存情绪映射坐标中最大情绪相似度,Cm为CSm对应的情绪类别,CSn为EEd与现存情绪映射坐标中第二大情绪相似度,Cn为CSn对应的情绪类别,Xcm为情感类别Cm在情感量化坐标系中的X坐标,Ycm为情感类别Cm在情感量化坐标系中的Y坐标,Xcn为情感类别Cn在情感量化坐标系中的X坐标,Ycn为情感类别Cn在情感量化坐标系中的Y坐标,采用公式(Xe,Ye)=(∣Xcm•CSm-Xcn•CSn∣+min(Xcm•CSm,Xcn•CSn),∣Ycm•CSm -Ycn•CSn∣+min(Ycm•CSm,Ycn•CSn))。
6.如权利要求1所述的一种基于脑电波的多维情绪语义识别系统,其特征在于,所述脑电波情绪识别规则挖掘装置设置为:
1)根据所述基于情绪标签的脑电波数据E下的波峰波谷组合片段集F,将脑电波情绪识别规则定义为:基于特定情绪下波峰波谷组合片段的频繁项集拟合的情绪识别规则集;
2)定义脑电波情绪识别规则集R={ERj,RQj,RLj,LSj},其中,ERj是脑电波情绪识别规则集中某一个波峰波谷组合片段,RQj是ERj规则的识别强度,RLj是ERj规则对应的情绪标签集,LSj是RLj情绪标签集之间的相似程度。
7.如权利要求1所述的一种基于脑电波的多维情绪语义识别系统,其特征在于,所述关键属性分析计算装置设置为:
1)定义基于滑动窗口的波峰波谷拼接数量Jo={Ite,Mx},其中,Ite是基于所述使用者的脑电数据U下的波峰波谷片段数量,Mx是脑电波情绪识别规则集中规则的最大组合长度,采用公式Jo=(2•Ite-Mx)•(Ite-Mx+1)/2;
2)定义波峰波谷组合片段匹配率MN={Jo,MP},其中,MP是所述基于脑电波情绪识别规则集R下匹配的规则数量,采用公式MN=MP/Jo;
4)定义匹配的波峰波谷组合片段重复率Re={MN,Se},其中,Se是匹配的波峰波谷组合片段中只出现一次的规则数量,采用公式Re=(MN-Se)/MN;
5)定义匹配的波峰波谷组合片段中多项式比率Po={MN,Si},其中Si是匹配的波峰波谷组合片段中单波峰或波谷片段数量,采用公式Po=(MN-Si)/MN;
6)定义波峰波谷组合片段中的匹配密度De={Jo,MN},采用公式De=MN/Jo。
8.如权利要求1所述的一种基于脑电波的多维情绪语义识别系统,其特征在于,所述情绪识别模块包括情绪预测装置,该装置可以基于使用者的脑电波数据,通过关键属性进行分析计算,预测使用者的二维情绪量化值,根据情绪量化装置识别使用者当前的情绪类别。
9.一种基于脑电波的多维情绪语义识别系统的处理方法,其特征在于,步骤为:
步骤1:构建情绪词典L;
步骤2:对脑电信号进行波段分解,获取波段集合EWF;
步骤3:根据波段集合EWF,通过波峰波谷识别技术,标注波段集合中的波峰W和波谷T,通过波段的振幅范围R对每一段波峰波谷进行等级识别,包括A、B、C、D、E五个识别等级AML,每一个等级代表振幅范围的五分之一,提取出基于情绪标签的脑电波波峰波谷片段集;
步骤4:根据情绪词典L,通过基于情绪效价V、情绪唤醒度A、基本情绪BE和基本情绪对应角度BA的进行二维情绪量,计算出每个情绪类别的情绪量化角度Ang;
步骤5:计算情绪类别的参考坐标(Xm,Ym);
步骤6:计算情绪类别的参考坐标(Xn,Yn);
步骤7:计算情绪类别的坐标(Xi,Yi);
步骤8:基于情绪二维量化,对基于情绪标签的脑电波数据中二维情绪标签通过坐标映射为最邻近的情绪类别;
步骤9:基于情绪量化坐标系,对扩展情绪进行情感量化映射;
步骤10:根据基于情绪标签的脑电波波峰波谷片段集,进行不同情绪标签下的脑电波波峰波谷片段组合规则训练,挖掘出脑电波情绪识别规则集R;
步骤11:基于使用者的脑电波数据通过滑动窗口技术拼接波峰波谷组合片段,并与脑电波情绪识别规则集进行匹配分析,计算拼接数量Jo;
步骤12:计算波峰波谷组合片段匹配率MN;
步骤13:计算匹配的波峰波谷组合片段识别强度In;
步骤14:计算匹配的波峰波谷组合片段重复率Re;
步骤15:计算匹配的波峰波谷组合片段中多项式比率Po;
步骤16:计算波峰波谷组合片段中的匹配密度De;
步骤17:通过基于使用者的脑电波数据中提取的MN、In、Re、Po、De波峰波谷组合片段特征,识别用户的二维情绪量化值;
步骤18:通过识别的二维情绪量化值,通过二维情绪量化进行情绪类别的输出,对使用者的情绪状态进行实时识别。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011462452.3A CN112597838A (zh) | 2020-12-14 | 2020-12-14 | 一种基于脑电波的多维情绪语义识别系统及其处理方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011462452.3A CN112597838A (zh) | 2020-12-14 | 2020-12-14 | 一种基于脑电波的多维情绪语义识别系统及其处理方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112597838A true CN112597838A (zh) | 2021-04-02 |
Family
ID=75192587
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011462452.3A Pending CN112597838A (zh) | 2020-12-14 | 2020-12-14 | 一种基于脑电波的多维情绪语义识别系统及其处理方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112597838A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113331840A (zh) * | 2021-06-01 | 2021-09-03 | 上海觉觉健康科技有限公司 | 一种抑郁情绪脑电波信号识别系统及方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103412646A (zh) * | 2013-08-07 | 2013-11-27 | 南京师范大学 | 基于脑机交互的音乐情绪化推荐方法 |
CN108073284A (zh) * | 2017-12-15 | 2018-05-25 | 南京信息工程大学 | 基于脑电波识别情绪的购物系统 |
CN108733838A (zh) * | 2018-05-29 | 2018-11-02 | 东北电力大学 | 基于多极情感分析的用户行为预测系统及其方法 |
CN110477914A (zh) * | 2019-08-09 | 2019-11-22 | 南京邮电大学 | 基于Android的情绪激励与脑电信号情绪识别系统 |
CN111466931A (zh) * | 2020-04-24 | 2020-07-31 | 云南大学 | 基于eeg和食物图片数据集的情感识别方法 |
US20200300972A1 (en) * | 2015-07-17 | 2020-09-24 | Origin Wireless, Inc. | Method, apparatus, and system for vital signs monitoring using high frequency wireless signals |
EP3739356A1 (en) * | 2019-05-12 | 2020-11-18 | Origin Wireless, Inc. | Method, apparatus, and system for wireless tracking, scanning and monitoring |
-
2020
- 2020-12-14 CN CN202011462452.3A patent/CN112597838A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103412646A (zh) * | 2013-08-07 | 2013-11-27 | 南京师范大学 | 基于脑机交互的音乐情绪化推荐方法 |
US20200300972A1 (en) * | 2015-07-17 | 2020-09-24 | Origin Wireless, Inc. | Method, apparatus, and system for vital signs monitoring using high frequency wireless signals |
CN108073284A (zh) * | 2017-12-15 | 2018-05-25 | 南京信息工程大学 | 基于脑电波识别情绪的购物系统 |
CN108733838A (zh) * | 2018-05-29 | 2018-11-02 | 东北电力大学 | 基于多极情感分析的用户行为预测系统及其方法 |
EP3739356A1 (en) * | 2019-05-12 | 2020-11-18 | Origin Wireless, Inc. | Method, apparatus, and system for wireless tracking, scanning and monitoring |
CN110477914A (zh) * | 2019-08-09 | 2019-11-22 | 南京邮电大学 | 基于Android的情绪激励与脑电信号情绪识别系统 |
CN111466931A (zh) * | 2020-04-24 | 2020-07-31 | 云南大学 | 基于eeg和食物图片数据集的情感识别方法 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113331840A (zh) * | 2021-06-01 | 2021-09-03 | 上海觉觉健康科技有限公司 | 一种抑郁情绪脑电波信号识别系统及方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Cui et al. | Multi-scale convolutional neural networks for time series classification | |
Li et al. | Performance evaluation of machine learning methods for breast cancer prediction | |
Zhang et al. | Integrated multi-omics analysis using variational autoencoders: application to pan-cancer classification | |
Yean et al. | Analysis of the distance metrics of KNN classifier for EEG signal in stroke patients | |
da Silva Lourenço et al. | Efficient use of clinical EEG data for deep learning in epilepsy | |
CN112999490A (zh) | 一种基于脑电波情绪识别的音乐疗愈系统及其处理方法 | |
Ordonez et al. | Using modified multivariate bag-of-words models to classify physiological data | |
Li et al. | FuzzyEn-based features in FrFT-WPT domain for epileptic seizure detection | |
CN111915024A (zh) | 一种序列预测模型训练方法、预测系统及预测方法和介质 | |
CN112597838A (zh) | 一种基于脑电波的多维情绪语义识别系统及其处理方法 | |
CN113069117A (zh) | 一种基于时间卷积神经网络的脑电情绪识别方法及系统 | |
Caicedo et al. | A semantic content-based retrieval method for histopathology images | |
Chao et al. | Extraction of local and global features by a convolutional neural network–long short-term memory network for diagnosing bearing faults | |
Ma et al. | An improved Bi-LSTM EEG emotion recognition algorithm | |
CN111312394B (zh) | 一种基于组合情感的心理健康状况评估系统及其处理方法 | |
Altay et al. | A new feature-based time series classification method by using scale-space extrema | |
Younis et al. | Multivariate time series analysis: An interpretable cnn-based model | |
CN115337026B (zh) | 一种基于卷积神经网络的eeg信号特征检索方法、装置 | |
CN108108184B (zh) | 一种基于深度信念网络的源代码作者识别方法 | |
Ordónez et al. | Classification of patients using novel multivariate time series representations of physiological data | |
Qureshi et al. | EEG-based seizure prediction with machine learning | |
CN113940638B (zh) | 基于频域双特征融合的脉搏波信号识别分类方法 | |
Hou et al. | An unsupervised deep-learning method for fingerprint classification: the ccae network and the hybrid clustering strategy | |
Tsitsipas et al. | Scotty: fast a priori structure-based extraction from time series | |
Nejad et al. | A novel image categorization strategy based on salp swarm algorithm to enhance efficiency of MRI images |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |