CN113191225A - 一种基于图注意力网络的情绪脑电识别方法及系统 - Google Patents
一种基于图注意力网络的情绪脑电识别方法及系统 Download PDFInfo
- Publication number
- CN113191225A CN113191225A CN202110417588.0A CN202110417588A CN113191225A CN 113191225 A CN113191225 A CN 113191225A CN 202110417588 A CN202110417588 A CN 202110417588A CN 113191225 A CN113191225 A CN 113191225A
- Authority
- CN
- China
- Prior art keywords
- electroencephalogram
- graph
- emotion
- data
- eeg
- 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.)
- Granted
Links
Images
Classifications
-
- 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
- A61B5/7235—Details of waveform analysis
- A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/02—Preprocessing
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Landscapes
- Health & Medical Sciences (AREA)
- Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Artificial Intelligence (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Evolutionary Computation (AREA)
- Mathematical Physics (AREA)
- Psychiatry (AREA)
- Animal Behavior & Ethology (AREA)
- Computing Systems (AREA)
- Medical Informatics (AREA)
- Pathology (AREA)
- Surgery (AREA)
- Software Systems (AREA)
- Heart & Thoracic Surgery (AREA)
- Public Health (AREA)
- Veterinary Medicine (AREA)
- General Physics & Mathematics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Psychology (AREA)
- Educational Technology (AREA)
- Hospice & Palliative Care (AREA)
- Developmental Disabilities (AREA)
- Social Psychology (AREA)
- Child & Adolescent Psychology (AREA)
- Fuzzy Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physiology (AREA)
- Signal Processing (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
本发明公开了一种基于图注意力网络的情绪脑电识别方法及系统,包括步骤S1,受不同情绪刺激材料的影响,实验被试者产生不同情绪状态;使用脑电仪获取被试者在情绪体验期间的脑电信号;将每一段的脑电信号标记为对应刺激材料的情绪标签;步骤S2,对数据进行预处理;首先,对脑电信号进行信号筛选,去除实验开始前3s内的低情绪反应数据,去除数据质量差和噪声干扰大的坏通道和坏样本;接着,分割脑电信号为固定4s的片段;最后,从EEG信号中提取微分熵特征,输出结果为特征信号,图卷积神经网络弥补了卷积神经网络的局限性,能够处理拓扑图结构的空间离散数据的特征提取问题,图卷积神经网络与情绪相关脑电通道的结合,使得网络的潜在性能得以发挥。
Description
技术领域
本发明属于脑机接口以及机器学习技术领域,具体涉及一种基于图注意力网络的情绪脑电识别方法及系统。
背景技术
人对客观世界事物的感情态度和相应的行为反应称为情绪。近年来脑成像和脑信号的相关研究表明:不同情绪及其生理反应主要源自于大脑皮层与皮层下脑区神经的特异性激活或失活。脑电信号是大量脑神经细胞的电生理活动在头皮上的汇总,常使用非侵入式电极对脑电信号进行采集。脑电信号包含了大量的生理信息,可以准确地表征大脑的神经活动,因此利用脑电信号研究情绪特征能够获得更多神经活动信息,进而提高情绪识别的准确率。
脑电领域是一个跨学科的研究领域,随着计算机、数学、物理等学科的加入,出现了很多使用机器学习和数学分析工具分析脑电信号的研究。Ruo-Nan Duan发现在情绪脑电分类任务中使用微分熵(Differential Entropy,DE)特征的分类效果比使用其他特征的分类效果更加好。相较于传统特征如能谱ES(energy spectrum),使用差分熵的效果准确性更高,稳定性更好。分析脑电信号的频域特征是常用的研究方法,一种被广泛使用的脑电信号频域特征提取方法是将EEG信号分解为几个频带,通常分为delta频带(1-3Hz),theta频带(4-7Hz),alpha频带(8-13Hz),beta频带(14-30Hz)以及gamma频带(>31Hz)。Mu Li andBao-Liang Lu发现使用情绪脑电信号的gamma频带进行情绪脑电分类任务有更高的准确性。
随着机器学习的广泛应用,把深度学习应用到情绪分类任务的研究也越来越多。传统的机器学习方法提取的特征冗余度非常高,导致识别的准确度下降,识别存在较大的时延。脑电信号的采集电极分布在脑部的不同部位,因此脑电信号是以图数据的形式存在的。而传统的卷积神经网络无法学习EEG电极组成的图的拓扑数据,进而无法获取通道之间的相关性信息。
图神经网络在处理图数据方面取得了瞩目的成果,本发明提出一种基于图神经网络的情绪识别框架,根据脑电信号采集节点在脑部的不同位置建模,形成拓扑图,能够充分发现EEG电极间的相关性,学习各个通道的联系,有很强的泛化能力。
发明内容
本发明的目的在于提供一种基于图注意力网络的情绪脑电识别方法及系统,以解决上述背景技术中提出的问题。
为实现上述目的,本发明提供如下技术方案:一种基于图注意力网络的情绪脑电识别方法,包括步骤S1,受不同情绪刺激材料的影响,实验被试者产生不同情绪状态;使用脑电仪获取被试者在情绪体验期间的脑电信号;将每一段的脑电信号标记为对应刺激材料的情绪标签,如积极,消极和自然;
步骤S2,对数据进行预处理;首先,对脑电信号进行信号筛选,去除实验开始前3s内的低情绪反应数据,去除数据质量差和噪声干扰大的坏通道和坏样本;接着,分割脑电信号为固定4s的片段;最后,从EEG信号中提取微分熵特征,输出结果为特征信号;
步骤S3,把脑电仪电极视为一个结点,将EEG电极对应的特征信号建模为图的结点;
步骤S4,把预处理数据输入到图神经网络,得到高维特征向量,最后通过全连接分类器得到相应的情绪标签并输出预测结果;
步骤S5,搭建Web服务器,上传训练模型到Web后端。
优选的,步骤S3中“将脑电仪电极视为一个结点,将EEG电极对应的特征信号建模为图的结点”,其方法为:
综上所述,EEG电极的信号被转化为一个无向图,其中EEG电极被表示为图的一个结点。
优选的,步骤S4中“把预处理数据输入到图神经网络,得到高维特征向量,最后通过分类器得到相应的情绪标签并输出预测结果”,其方法为:
1)使用二维卷积对EEG特征信号进行卷积;
2)使用二维池化层对EEG特征信号进行池化;
3)改变EEG特征信号的形状,使其能够输入图神经网络;
4)EEG特征信号输入图注意力网络,得到高维特征向量;
5)高维特征向量输入全连接分类器,输出经过Softmax函数后得到预测结果。
优选的,步骤S4中“搭建Web服务器,上传训练模型到Web后端”,其特征为:
1)以情绪识别为核心,使用云计算技术把系统部署在云服务器中;
2)用户通过Web前端界面使用本系统,获取情绪预测结果;
3)算法模型的更新可以立即被用户获取,不需要用户更新软件。
一种基于图注意力网络的情绪脑电识别系统,包括系统模块;系统模块主要由操作系统、数据库、Web组件组成,主要作为模型计算的基石,支撑模型算法的稳定运行;操作系统采用Linux的Ubuntu 18.04发行版本;Linux是一个稳定操作系统,被广泛用于服务器中;使用Mysql作为脑电信号的存储数据库;Web组件主要包括nginx、Django等,主要用于网站的搭建;
数据处理模块;本系统将通过脑电仪采集脑电信号,将采集到的数据通过HTTP协议发送到后端,提供脑电数据实时传输和上传数据文件两种选择,当用户访问网站的延迟较大时,可选择上传数据文件到服务器;服务器将用户的数据进行数据预处理、特征提取、模型预测等运算,然后将相关数据存储在数据库中;
人机交互模块;由于本系统采用Web技术,因此网站是人机交互模块的主要组成部分;本系统通过Vue框架构建前端页面。
与现有技术相比,本发明的有益效果是:EEG信号是一种经典的结构化数据,非常适合用图数据表示。
图卷积神经网络弥补了卷积神经网络的局限性,能够处理拓扑图结构的空间离散数据的特征提取问题,图卷积神经网络与情绪相关脑电通道的结合,使得网络的潜在性能得以发挥。
本发明中建模的图信号,还原了数据本身在空间和功能上的联系,能提取更具辨别力的情绪特征,可用于准确分类识别个体的情绪状态。
引入注意力机制,让模型权重更集中于情绪脑电图中激活的部分。
附图说明
图1为本发明的原理结构示意图;
图2为本发明的模型原理示意图
图3为本发明的系统组成示意图;
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
实施例1
请参阅图1至图2,本发明提供一种技术方案:实施例中,
进一步地,步骤S1中,受试者A的EEG脑电信号为XA,第n段样本为vn其样本标签为y,用公式可以表示为:
XA={(v1,y1),(v2,y2),(v3,y3),...(vn,yn)}
所述步骤S2的筛选脑电信号样本和脑电信号预处理步骤如下:
步骤S21:舍弃样本EEG信号的前3s时长信号,以排除实验初期的各种未知因素对实验结果的干扰;
步骤S22:将EEG信号分解为五个频带,即delta频带(1-3Hz),theta频带(4-7Hz),alpha频带(8-13Hz),beta频带(14-30Hz)以及gamma频带(>31Hz),进行研究;
步骤S23:从EEG信号中提取微分熵(Differential Entropy)特征,公式如下:
所述步骤S3的将EEG电极对应的特征信号建模为图的结点步骤如下:
步骤S31:不同通道的EEG信号是一种典型的非欧氏结构化数据,非常适合于定义成图数据;将EEG电极看作是图的结点,公式为:
综上所述,EEG电极的信号被转化为一个无向图,其中EEG电极被表示为图的一个结点。
所述步骤S4的建立基于图注意力网络的情绪脑电识别步骤如下:
步骤S41:构造一个卷积核大小为5*5的二维卷积层用于输入脑电样本的微分熵特征向量,以学习EEG通道间的相关性,输出为x1。再对特征序列x1进行一次卷积核为1*5的二维卷积得到输出x2,以获取EEG特征序列在时域的特征。
步骤S43:将图注意力网络输出特征向量H={h1,h2,h3,…,hn},hn表示第n个注意力特征;将H输入到线性分类器中,得到预测结果pn。
步骤S44:交叉熵Γ作为损失函数,采用Adam算法进行梯度下降。交叉熵公式如下:
具体实施中,本发明模型与其他模型在SEED数据集和SEED-IV数据集的平均识别精度和方差如下表:
尽管已经示出和描述了本发明的实施例,对于本领域的普通技术人员而言,可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型,本发明的范围由所附权利要求及其等同物限定。
Claims (5)
1.一种基于图注意力网络的情绪脑电识别方法,其特征在于:包括步骤S1,受不同情绪刺激材料的影响,实验被试者产生不同情绪状态;使用脑电仪获取被试者在情绪体验期间的脑电信号;将每一段的脑电信号标记为对应刺激材料的情绪标签,如积极,消极和自然;
步骤S2,对数据进行预处理;首先,对脑电信号进行信号筛选,去除实验开始前3s内的低情绪反应数据,去除数据质量差和噪声干扰大的坏通道和坏样本;接着,分割脑电信号为固定4s的片段;最后,从EEG信号中提取微分熵特征,输出结果为特征信号;
步骤S3,把脑电仪电极视为一个结点,将EEG电极对应的特征信号建模为图的结点;
步骤S4,把预处理数据输入到图神经网络,得到高维特征向量,最后通过全连接分类器得到相应的情绪标签并输出预测结果;
步骤S5,搭建Web服务器,上传训练模型到Web后端。
3.根据权利要求1所述的一种基于图注意力网络的情绪脑电识别方法,其特征在于:步骤S4中“把预处理数据输入到图神经网络,得到高维特征向量,最后通过分类器得到相应的情绪标签并输出预测结果”,其方法为:
1)使用二维卷积对EEG特征信号进行卷积;
2)使用二维池化层对EEG特征信号进行池化;
3)改变EEG特征信号的形状,使其能够输入图神经网络;
4)EEG特征信号输入图注意力网络,得到高维特征向量;
5)高维特征向量输入全连接分类器,输出经过Softmax函数后得到预测结果。
4.根据权利要求1所述的一种基于图注意力网络的情绪脑电识别方法,其特征在于:步骤S4中“搭建Web服务器,上传训练模型到Web后端”,其特征为:
1)以情绪识别为核心,使用云计算技术把系统部署在云服务器中;
2)用户通过Web前端界面使用本系统,获取情绪预测结果;
3)算法模型的更新可以立即被用户获取,不需要用户更新软件。
5.根据权利要求1所述的一种基于图注意力网络的情绪脑电识别系统,其特征在于:包括系统模块;系统模块主要由操作系统、数据库、Web组件组成。这部分模块主要作为模型计算的基石,支撑模型算法的稳定运行;操作系统采用Linux的Ubuntu 18.04发行版本;Linux是一个稳定操作系统,被广泛用于服务器中;使用Mysql作为脑电信号的存储数据库;Web组件主要包括nginx、Django等,主要用于网站的搭建;
数据处理模块;本系统将通过脑电仪采集脑电信号,然后将采集到的数据通过HTTP协议发送到后端,提供脑电数据实时传输和上传数据文件两种选择,当用户访问网站的延迟较大时,可选择上传数据文件到服务器;服务器将用户的数据进行数据预处理、特征提取、模型预测等运算,然后将相关数据存储在数据库中;
人机交互模块;由于本系统采用Web技术,因此网站是人机交互模块的主要组成部分;本系统通过Vue框架构建前端页面。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110417588.0A CN113191225B (zh) | 2021-04-19 | 2021-04-19 | 一种基于图注意力网络的情绪脑电识别方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110417588.0A CN113191225B (zh) | 2021-04-19 | 2021-04-19 | 一种基于图注意力网络的情绪脑电识别方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113191225A true CN113191225A (zh) | 2021-07-30 |
CN113191225B CN113191225B (zh) | 2023-07-04 |
Family
ID=76977450
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110417588.0A Active CN113191225B (zh) | 2021-04-19 | 2021-04-19 | 一种基于图注意力网络的情绪脑电识别方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113191225B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113951883A (zh) * | 2021-11-12 | 2022-01-21 | 上海交通大学 | 基于脑电信号情绪识别的性别差异性检测方法 |
CN113987179A (zh) * | 2021-10-27 | 2022-01-28 | 哈尔滨工业大学 | 基于知识增强和回溯损失的对话情绪识别网络模型、构建方法、电子设备及存储介质 |
CN114145744A (zh) * | 2021-11-22 | 2022-03-08 | 华南理工大学 | 基于跨设备前额脑电情绪识别的方法和系统 |
CN114343676A (zh) * | 2021-12-28 | 2022-04-15 | 东南大学 | 基于自适应层次图神经网络的脑电情感识别方法及装置 |
CN114601476A (zh) * | 2022-03-14 | 2022-06-10 | 哈尔滨理工大学 | 一种基于视频刺激下的eeg信号情感识别方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110353702A (zh) * | 2019-07-02 | 2019-10-22 | 华南理工大学 | 一种基于浅层卷积神经网络的情感识别方法及系统 |
CN110399857A (zh) * | 2019-08-01 | 2019-11-01 | 西安邮电大学 | 一种基于图卷积神经网络的脑电情感识别方法 |
CN110826527A (zh) * | 2019-11-20 | 2020-02-21 | 南京邮电大学 | 一种基于攻击性行为预测的脑电负性情绪识别方法及系统 |
CN111134667A (zh) * | 2020-01-19 | 2020-05-12 | 中国人民解放军战略支援部队信息工程大学 | 基于脑电信号的时间迁移情绪识别方法及系统 |
CN112488002A (zh) * | 2020-12-03 | 2021-03-12 | 重庆邮电大学 | 基于n170的情绪识别方法及识别系统 |
-
2021
- 2021-04-19 CN CN202110417588.0A patent/CN113191225B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110353702A (zh) * | 2019-07-02 | 2019-10-22 | 华南理工大学 | 一种基于浅层卷积神经网络的情感识别方法及系统 |
CN110399857A (zh) * | 2019-08-01 | 2019-11-01 | 西安邮电大学 | 一种基于图卷积神经网络的脑电情感识别方法 |
CN110826527A (zh) * | 2019-11-20 | 2020-02-21 | 南京邮电大学 | 一种基于攻击性行为预测的脑电负性情绪识别方法及系统 |
CN111134667A (zh) * | 2020-01-19 | 2020-05-12 | 中国人民解放军战略支援部队信息工程大学 | 基于脑电信号的时间迁移情绪识别方法及系统 |
CN112488002A (zh) * | 2020-12-03 | 2021-03-12 | 重庆邮电大学 | 基于n170的情绪识别方法及识别系统 |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113987179A (zh) * | 2021-10-27 | 2022-01-28 | 哈尔滨工业大学 | 基于知识增强和回溯损失的对话情绪识别网络模型、构建方法、电子设备及存储介质 |
CN113987179B (zh) * | 2021-10-27 | 2024-03-22 | 哈尔滨工业大学 | 基于知识增强和回溯损失的对话情绪识别网络模型、构建方法、电子设备及存储介质 |
CN113951883A (zh) * | 2021-11-12 | 2022-01-21 | 上海交通大学 | 基于脑电信号情绪识别的性别差异性检测方法 |
CN113951883B (zh) * | 2021-11-12 | 2022-08-12 | 吕宝粮 | 基于脑电信号情绪识别的性别差异性检测方法 |
CN114145744A (zh) * | 2021-11-22 | 2022-03-08 | 华南理工大学 | 基于跨设备前额脑电情绪识别的方法和系统 |
CN114145744B (zh) * | 2021-11-22 | 2024-03-29 | 华南理工大学 | 基于跨设备前额脑电情绪识别的方法和系统 |
CN114343676A (zh) * | 2021-12-28 | 2022-04-15 | 东南大学 | 基于自适应层次图神经网络的脑电情感识别方法及装置 |
CN114343676B (zh) * | 2021-12-28 | 2023-09-29 | 东南大学 | 基于自适应层次图神经网络的脑电情感识别方法及装置 |
CN114601476A (zh) * | 2022-03-14 | 2022-06-10 | 哈尔滨理工大学 | 一种基于视频刺激下的eeg信号情感识别方法 |
Also Published As
Publication number | Publication date |
---|---|
CN113191225B (zh) | 2023-07-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113191225B (zh) | 一种基于图注意力网络的情绪脑电识别方法及系统 | |
CN111134666B (zh) | 一种多通道脑电数据的情绪识别方法及电子装置 | |
CN111709267B (zh) | 深度卷积神经网络的脑电信号情感识别方法 | |
CN112244873A (zh) | 一种基于混合神经网络的脑电时空特征学习与情感分类方法 | |
CN112450947B (zh) | 一种针对情绪唤醒度的动态脑网络分析方法 | |
Yu et al. | Epileptic seizure prediction using deep neural networks via transfer learning and multi-feature fusion | |
Manjunath et al. | A low-power lstm processor for multi-channel brain eeg artifact detection | |
CN110367976B (zh) | 脑电波信号检测方法、相关设备和存储介质 | |
Jinliang et al. | EEG emotion recognition based on granger causality and capsnet neural network | |
CN111898526B (zh) | 基于多流卷积神经网络的肌电手势识别方法 | |
CN111428601B (zh) | 一种基于ms-cnn的p300信号识别方法、装置及存储介质 | |
CN115919330A (zh) | 基于多层次se注意力和图卷积的eeg情绪状态分类方法 | |
CN114595725B (zh) | 一种基于加法网络和监督对比学习的脑电信号分类方法 | |
Bi et al. | Multi-domain fusion deep graph convolution neural network for EEG emotion recognition | |
CN113476056B (zh) | 一种基于频域图卷积神经网络的运动想象脑电信号分类方法 | |
Nakra et al. | Motor imagery EEG signal classification using long short-term memory deep network and neighbourhood component analysis | |
CN112259228B (zh) | 一种动态注意力网络非负矩阵分解的抑郁症筛选方法 | |
CN116340825A (zh) | 一种基于迁移学习的跨被试rsvp脑电信号的分类方法 | |
Singh et al. | Application-specific discriminant analysis of cardiac anomalies using shift-invariant wavelet transform | |
CN112084935B (zh) | 一种基于扩充高质量脑电样本的情绪识别方法 | |
CN114305452A (zh) | 一种基于脑电和领域适配的跨任务认知负荷识别方法 | |
Lv et al. | Eeg recognition with adaptive noise reduction based on convolutional lstm network | |
Zhang et al. | Label consistent non-negative representation of ECG signals for automated recognition of cardiac arrhythmias | |
Hasib-Al-Rashid et al. | A low-power lstm processor for multi-channel brain EEG artifact detection | |
CN114266276B (zh) | 一种基于通道注意力和多尺度时域卷积的运动想象脑电信号分类方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |