CN113229818A - 一种基于脑电信号和迁移学习的跨被试人格预测系统 - Google Patents
一种基于脑电信号和迁移学习的跨被试人格预测系统 Download PDFInfo
- Publication number
- CN113229818A CN113229818A CN202110101392.0A CN202110101392A CN113229818A CN 113229818 A CN113229818 A CN 113229818A CN 202110101392 A CN202110101392 A CN 202110101392A CN 113229818 A CN113229818 A CN 113229818A
- Authority
- CN
- China
- Prior art keywords
- electroencephalogram signals
- electroencephalogram
- transfer learning
- data
- signals
- 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
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
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Psychiatry (AREA)
- Engineering & Computer Science (AREA)
- Pathology (AREA)
- Biomedical Technology (AREA)
- Hospice & Palliative Care (AREA)
- Psychology (AREA)
- Social Psychology (AREA)
- Physics & Mathematics (AREA)
- Developmental Disabilities (AREA)
- Biophysics (AREA)
- Child & Adolescent Psychology (AREA)
- Educational Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Medical Informatics (AREA)
- Molecular Biology (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- General Health & Medical Sciences (AREA)
- Public Health (AREA)
- Veterinary Medicine (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
Abstract
本发明公开了一种基于脑电信号和迁移学习的跨被试人格预测系统。属于工程心理学领域;具体操作步骤:1、脑电实验范式设计和数据采集,从而得到脑电信号;2、对采集到的脑电信号进行预处理,得到预处理后的脑电信号;3、对预处理后的脑电信号计算基于脑电信号的功能连接特征;4、利用迁移学习方法减少不同脑电信号之间功能连接特征的差异,从而得到转换后的功能连接特征;5、将转换后的功能连接特征输入到回归模型得到预测结果。本发明提出的基于脑电信号和迁移学习的跨被试人格预测系统,既利用了脑电信号在人格测量中的客观性,又通过迁移学习技术减小个体间脑电信号的差异,从而得到准确、客观的人格测量结果。
Description
技术领域
本发明涉及用于对脑电信号处理的工程心理学领域,具体涉及一种基于脑电 信号和迁移学习的跨被试人格预测系统。
背景技术
人格是一种心理结构,反映了一个人区别于其他人的相对稳定的思维、情感 和行为模式,对个人的生活和发展具有重要意义。人格识别一直是心理学家关注 的焦点,因为它在社会网络分析、推荐系统设计、求职面试和情绪分析等领域都 有重要的应用。在所有提出的人格描述方法中,最有前途、应用最广泛的是五大 人格。它从五个维度描述一个人的人格:神经质、外向性、开放性、宜人性、尽 责性。
现有的人格测量主要通过自陈量表和人格投射测试的方式进行。虽然自陈量 表具有很高的信效度,但在填写量表的过程中,被测者可以根据自己主观的想法 对自己的人格进行评价,因此当处于选拔竞争等环境中时,测量结果容易受到主 观掩饰的干扰,不能反应真实情况。人格投射测试需要被测者根据给出的材料进 行自由阐述,施测者根据被测者的反应推断其人格属性。但这一方式也缺乏明确 的客观标准,而且需要耗费较大的时间和人力成本。其它的人格测量方法通过社 交媒体记录、文本记录等进行,需要一定时间的累积数据,不能在短时间内得到 结果。
脑电信号是一种使用电生理指标记录大脑活动的方法,可以反映个体的脑功 能信息,且脑电信号不易伪造,具有很好的稳定性。因此可以通过脑电信号获取 可靠的大脑功能标记物,对个体人格特质进行预测。由于脑电信号容易受到年龄、 性别等因素的影响,表现出较强的个体差异性,直接基于已有数据得到的预测模 型往往不能在新的个体上得到很好的效果,即跨被试预测效果较差。但在实际生 活中,对新个体的跨被试预测是最为常见的应用场景。
目前的人格测量方法主要通过自陈量表和人格投射测试进行,容易受到主观 因素的影响,不能得到真实的结果;脑电信号可以较为真实、可靠的反映出个体 人格特质,但脑电信号具有较强的个体差异性,基于已有数据得到的模型往往不 能在新个体上得到很好的结果;现有的技术中,并没有一种人格测量方法同时解 决主观因素和个体差异对测量结果的影响;因此,如何更好地减小个体间脑电信 号的差异,从而快速、准确、客观地对新被测者的人格特质进行预测是一个尚待 解决的问题。
发明内容
针对上述问题,本发明提供了一种基于脑电信号和迁移学习的跨被试人格预 测系统。
本发明的技术方案是:一种基于脑电信号和迁移学习的跨被试人格预测系统, 具体操作步骤如下:
步骤(1.1)、脑电实验范式设计和数据采集,从而得到脑电信号;
步骤(1.2)、对采集到的脑电信号进行预处理,得到预处理后的脑电信号;
步骤(1.3)、通过对预处理后的脑电信号进行计算,计算其于脑电信号的功 能连接特征;
步骤(1.4)、利用迁移学习方法减少不同脑电信号之间功能连接特征的差异, 从而得到转换后的功能连接特征;
步骤(1.5)、将转换后的功能连接特征输入到回归模型得到预测结果。
进一步的,在步骤(1.1)中,所述的脑电实验范式设计包括设计情绪刺激 实验范式和设计静息态实验范式;
其中,所述的设计情绪刺激实验范式是指从已有的情绪视频、音频、图片素 材库中选取同等数量的正向、中性、负向情绪刺激素材作为情绪刺激材料,或自 己建立情绪素材库,并从中选取同等数量的正向、中性、负向情绪刺激素材作为 情绪刺激材料,
将选取到的情绪刺激素材按照确定的顺序,设置相同的展示时间和时间间隔, 依次使受试者接收到每个素材的情绪刺激,从而形成完整的情绪刺激实验范式;
所述的设计静息态实验范式是指设置受试者保持睁眼不动和闭眼不动的时 间,并使睁眼不动和闭眼不动的时间保持一致。
进一步的,在步骤(1.1)中,所述的数据采集是指利用已有的多通道脑电 设备,收集并记录上述两种实验范式下脑电设备输出的数据,并保存在可存储介 质中。
进一步的,在步骤(1.2)中,所述的对采集到的脑电信号进行预处理具体 包括:
(1.2.1)、通道定位与删除:将脑电设备通道与头皮上的具体位置对应,保 留后期会使用的通道;
(1.2.2)、信号滤波:采取某种信号滤波方法,对脑电信号滤波,去除伪迹 干扰,保留所需的频率范围;
(1.2.3)、重参考与降采样:根据参考点的位置对数据进行重参考,得到每 个电极和参考电极之间的电位差;
(1.2.4)、分段和基线校正:对于情绪刺激实验范式下采集到的的脑电数据, 根据数据的标签信息将数据分段,每段信号仅保留刺激发生前后一定范围内的数 据,然后对数据进行基线校正去除数据漂移的影响;
(1.2.5)、伪迹去除:包括下述三个步骤:插值坏导、进行独立成分分析去 除伪迹成分及剔除坏段。
进一步的,在步骤(1.3)中,所述的脑电功能连接的计算分为两种,一种 计算基于头皮脑电的电极通道间的功能连接,另一种计算经源定位后大脑皮层区 域之间的功能连接。
进一步的,在步骤(1.4)中,所述的迁移学习,是指利用数据、任务、或 模型之间的相似性,将在旧领域学习过的模型,应用于新领域的一种学习过程;
其基本方法包括四种:基于样本的迁移,基于模型的迁移,基于特征的迁移 及基于关系的迁移。
进一步的,在步骤(1.5)中,所述的回归模型预测结果是指将步骤(1.4) 中通过迁移学习方法输出的特征矩阵作为回归模型的输入,将方法中源域特征和 标签作为回归模型的训练集,将目标域特征和作为回归模型的测试集,将目标域 特征输入给经过训练集训练后的回归模型,回归模型给出基于目标域特征的预测 结果。
本发明的有益效果是:本发明提出的基于脑电信号和迁移学习的跨被试人格 预测系统,既利用了脑电信号在人格测量中的客观性,又通过迁移学习技术减小 个体间脑电信号的差异,从而得到准确、客观的人格测量结果。
附图说明
图1是本发明的结构流程图;
图2是本发明实施例中情绪刺激实验范式流程图;
图3是本发明实施例中42个被试二维样本分布图;
图4是本发明实施例中42个被试迁移学习方法处理后二维样本分布图。
具体实施方式
为了更清楚地说明本发明的技术方案,下面结合附图对本发明的技术方案做 进一步的详细说明:
如图1所述;一种基于脑电信号和迁移学习的跨被试人格预测系统,具体操 作步骤如下:
步骤(1.1)、脑电实验范式设计和数据采集,从而得到脑电信号;
具体的,所述的脑电实验范式设计包括设计情绪刺激实验范式和设计静息态 实验范式;
其中,所述的设计情绪刺激实验范式是指从已有的情绪视频、音频、图片素 材库中(例如国际情绪图片系统)选取同等数量的正向、中性、负向情绪刺激素 材作为情绪刺激材料,或自己建立情绪素材库,并从中选取同等数量的正向、中 性、负向情绪刺激素材作为情绪刺激材料,
将选取到的情绪刺激素材按照确定的顺序,设置相同的展示时间和时间间隔, 依次使受试者接收到每个素材的情绪刺激,形成完整的情绪刺激实验范式;
所述的设计静息态实验范式是指设置受试者保持睁眼不动和闭眼不动的时 间,并使睁眼不动和闭眼不动的时间保持一致;
另外,所述的数据采集是指利用已有的多通道脑电设备,收集并记录上述两 种实验范式下脑电设备输出的数据,并保存在可存储介质中;
步骤(1.2)、对采集到的脑电信号进行预处理,得到预处理后的脑电信号;
具体的,所述的预处理具体包括:
(1.2.1)、通道定位与删除:将脑电设备通道与头皮上的具体位置对应,保 留后期会使用的通道,删除后期不会用到的通道;
(1.2.2)、信号滤波:采取某种信号滤波方法,对脑电信号滤波,去除工频 及肌电等伪迹干扰,保留所需的频率范围;
(1.2.3)、重参考与降采样:根据参考点的位置对数据进行重参考,得到每 个电极和参考电极之间的电位差;同时为了减少数据量,提高计算速度,可以执 行降采样;
(1.2.4)、分段和基线校正:对于情绪刺激实验范式下采集到的的脑电数据, 根据数据的标签信息将数据分段,每段信号仅保留刺激发生前后一定范围(以情 绪刺激素材出现时刻前后的一段时间表示范围,例如从情绪刺激素材出现时刻的 前1秒,到情绪刺激素材出现时刻的后4秒为一个范围)内的数据,然后对数据 进行基线校正去除数据漂移的影响;
(1.2.5)、伪迹去除:包括下述三个步骤:为了保留最有用的数据,要依次 进行以下三步:插值坏导,即对数据不好的电极进行插值处理。进行独立成分分 析去除伪迹成分,该步骤可以去除眨眼、肌肉紧张等引起的噪声。剔除坏段,去 除由其它动作引起的波幅过大的数据段;
步骤(1.3)、通过对预处理后的脑电信号进行计算,计算其于脑电信号的功 能连接特征;
具体的,已有研究基于fMRI数据表明脑网络特征和人格特质有相关性,因 此基于脑电信号构建的功能连接可用于人格预测;所述的脑电功能连接的计算分 为两种,一种计算基于头皮脑电的电极通道间的功能连接,另一种计算经源定位 后大脑皮层区域之间的功能连接;
具体地说,计算基于头皮脑电电极通道间的功能连接是指,将预处理后的脑 电信号再次滤波,分成delta(1-4Hz)、theta(4-8Hz)、alpha(8-13Hz)、beta(13-30Hz)、 gamma(30-45Hz)五个频段,将每个频段的数据基于相干、皮尔森系数、相位 锁相值、互信息、同步似然等关系计算脑电各通道之间的功能连接特征,得到功 能连接矩阵,每条边的权值代表两个脑电通道之间的功能连接关系;以相干为例, 即根据相干关系公式:
其中,Pxy是两个通道信号x和y的互谱,Pxx和Pyy分别是信号x和y的功 率谱;计算经源定位后大脑皮层区域之间的功能连接指的是,将头皮脑电通道的 数据,利用源定位方法,例如低分辨率电磁断层扫描术(low resolution brain electromagnetictomography,LORETA),溯源到大脑皮层模型的各个脑区中,将每 个脑区的脑电信号再次滤波,分成delta(1-4Hz)、theta(4-8Hz)、alpha(8-13Hz)、 beta(13-30Hz)、gamma(30-45Hz)五个频段,将每个脑区的每个频段的数据基 于相干等关系计算脑电各脑区之间的功能连接特征,得到功能连接矩阵,每条边 的权值代表两个大脑皮层脑区之间的功能连接关系;
步骤(1.4)、利用迁移学习方法减少不同脑电信号之间功能连接特征的差异, 从而得到转换后的功能连接特征;
具体的,所述的迁移学习,是指利用数据、任务、或模型之间的相似性,将 在旧领域学习过的模型,应用于新领域的一种学习过程;
其基本方法包括四种:基于样本的迁移,基于模型的迁移,基于特征的迁移 及基于关系的迁移;
本系统利用上一步计算得到功能连接特征,使用基于特征的迁移学习方法减 小被试差异;具体地说,以情绪刺激下的脑电数据为例,基于经过预处理和构建 功能连接矩阵后的脑电数据,假设数据有N个被试,将其中N-1个被试作为源 域XS,剩余的一个被试作为目标域Xt,并假设目标域样本的标签信息未知,源 域样本的标签信息已知;将每个被试的每个样本五个频段的功能连接特征拉成一 个特征向量;以最大均值差异作为源域和目标域的距离度量,具体地说,将源域 和目标域的特征经过特征映射,映射到一个新的特征空间,在新的特征空间里最 小化源域和目标域的差异;对于源域和目标域的分布差异,可以分为边缘概率分 布差异和条件概率分布差异;对于边缘概率分布,直接求解特征映射后的最小化 距离;对于条件概率分布,由源域样本训练获得分类器的初始参数,生成目标域样本的初始标签,也称为伪标签,根据伪标签求解特征映射后条件概率分布的最 小化距离;并设置权重因子动态调整两个分布之间的重要性,为了防止初始分类 器给出的伪标签不够准确,影响源域和目标域类条件分布,在最小化条件分布距 离时,根据不同类的概率分布增加权重,以自适应的改变条件概率分布值;对于 一个新被试,将经过预处理和计算功能连接特征得到的特征矩阵输入给迁移学习 方法模型,迁移学习方法输出经过处理转换后的功能连接特征;
步骤(1.5)、将转换后的功能连接特征输入到回归模型得到预测结果;
具体的,所述的回归模型预测结果是指将步骤(1.4)中通过迁移学习方法 输出的特征矩阵作为回归模型的输入,将方法中源域特征和标签作为回归模型的 训练集,将目标域特征和作为回归模型的测试集,将目标域特征输入给经过训练 集训练后的回归模型,回归模型给出基于目标域特征的预测结果。
具体实施例:
1、实验数据:实验数据是根据情绪刺激实验范式采集脑电的数据,采集数 据用的脑电设备是博睿康的NeuSen W 64导无线脑电放大器;实验范式流程如图 2所示,采用中国情绪图片数据集,每张图片包含效价和唤醒度信息;从其中选 取3个情绪类型的图片各50张,即积极、中立、消极,其中积极和消极的图片 都为高唤醒图片,中性图片唤醒度一般都为中;在每个任务中,按照:十字页(2s) —情绪图片(4s)—空白页(2s)的顺序,150张图片随机出现一次,50张图片 为1组,每两组之间休息30s;实验共采集42个被试的脑电数据,并要求这42 个被试在脑电数据采集之前完成完整的中文大五人格问卷作为真实标签;
2、实验设定:
将42个被试分成42组,每组将41个被试作为训练集,剩余的1个被试作 为测试集,42组的训练集和测试集不重复,将训练集和测试集输入到基于脑电 信号和迁移学习的跨被试人格预测系统;最后计算42组测试集的所有被试预测 值和真实值的平均误差和皮尔森相关系数;
3、实验结果(如表1所示):
表1:基于脑电信号大五人格预测的平均误差
神经质 | 开放性 | 宜人性 | 外向性 | 尽责性 | |
脑电信号+LASSO+支持向量回归 | 0.4716 | 0.2794 | 0.3647 | 0.3309 | 0.3877 |
我们的系统 | 0.337 | 0.1671 | 0.2139 | 0.236 | 0.2507 |
表2:基于脑电信号大五人格预测的皮尔森相关系数
LASSO(Least absolute shrinkage and selection operator)是最小绝对收缩与 选择算子方法,该方法是采用了L1正则化的线性回归方法,采用了L1正则会 使得部分学习到的特征权值为0,从而达到稀疏化和特征选择的目的;该方法没 有涉及到针对跨被试回归问题的优化,因此在基于脑电数据的大五人格预测中, 平均误差和皮尔森相关系数两个指标上比我们基于迁移学习的系统性能差。
如图3所述,图3是从42个被试的数据使用T分布和随机近邻嵌入 (Stochasticneighbour Embedding,TSNE)方法将高维数据降维到二维的样本分 布图,其中每一种颜色代表一个被试;从图中可以看到每个被试之间的样本分布 差异较大,几乎没有交集;如图4所述,图4是在42个被试中任意选择一个被 试作为迁移学习的目标域(预测系统的测试集),其余44个被试作为迁移学习的 源域(预测系统的训练集),经过迁移学习处理之后,使用TSNE方法将高维数 据降维到二维的样本分布图,其中圆圈标记(○)代表源域被试样本,星号标记 (*)代表目标域被试样本,从图中可以看到目标域被试样本被转换到源域被试样本的分布空间中;从图3和4对比可以看到迁移学习显著地减小了源域和目标 域被试的个体差异,从而使得转换后的数据获得更好的预测结果。
最后,应当理解的是,本发明中所述实施例仅用以说明本发明实施例的原则; 其他的变形也可能属于本发明的范围;因此,作为示例而非限制,本发明实施例 的替代配置可视为与本发明的教导一致;相应地,本发明的实施例不限于本发明 明确介绍和描述的实施例。
Claims (7)
1.一种基于脑电信号和迁移学习的跨被试人格预测系统,其特征在于,具体操作步骤如下:
步骤(1.1)、脑电实验范式设计和数据采集,从而得到脑电信号;
步骤(1.2)、对采集到的脑电信号进行预处理,得到预处理后的脑电信号;
步骤(1.3)、对预处理后的脑电信号进行计算,计算基于脑电信号的功能连接特征;
步骤(1.4)、利用迁移学习方法减少不同脑电信号之间功能连接特征的差异,从而得到转换后的功能连接特征;
步骤(1.5)、将转换后的功能连接特征输入到回归模型得到预测结果。
2.根据权利要求1所述的一种基于脑电信号和迁移学习的跨被试人格预测系统,其特征在于,
在步骤(1.1)中,所述的脑电实验范式设计包括设计情绪刺激实验范式和设计静息态实验范式;
其中,所述的设计情绪刺激实验范式是指从已有的情绪视频、音频、图片素材库中选取同等数量的正向、中性、负向情绪刺激素材作为情绪刺激材料,或自己建立情绪素材库,并从中选取同等数量的正向、中性、负向情绪刺激素材作为情绪刺激材料,
将选取到的情绪刺激素材按照确定的顺序,设置相同的展示时间和时间间隔,依次使受试者接收到每个素材的情绪刺激,从而形成完整的情绪刺激实验范式;
所述的设计静息态实验范式是指设置受试者保持睁眼不动和闭眼不动的时间,并使睁眼不动和闭眼不动的时间保持一致。
3.根据权利要求1所述的一种基于脑电信号和迁移学习的跨被试人格预测系统,其特征在于,
在步骤(1.1)中,
所述的数据采集是指利用已有的多通道脑电设备,收集并记录上述两种实验范式下脑电设备输出的数据,并保存在可存储介质中。
4.根据权利要求1所述的一种基于脑电信号和迁移学习的跨被试人格预测系统,其特征在于,
在步骤(1.2)中,所述的对采集到的脑电信号进行预处理具体包括:
(1.2.1)、通道定位与删除:将脑电设备通道与头皮上的具体位置对应,保留后期会使用的通道;
(1.2.2)、信号滤波:采取某种信号滤波方法,对脑电信号滤波,去除伪迹干扰,保留所需的频率范围;
(1.2.3)、重参考与降采样:根据参考点的位置对数据进行重参考,得到每个电极和参考电极之间的电位差;
(1.2.4)、分段和基线校正:对于情绪刺激实验范式下采集到的的脑电数据,根据数据的标签信息将数据分段,每段信号仅保留刺激发生前后一定范围内的数据,然后对数据进行基线校正去除数据漂移的影响;
(1.2.5)、伪迹去除:包括下述三个步骤:插值坏导、进行独立成分分析去除伪迹成分及剔除坏段。
5.根据权利要求1所述的一种基于脑电信号和迁移学习的跨被试人格预测系统,其特征在于,
在步骤(1.3)中,所述的脑电功能连接的计算分为两种,一种计算基于头皮脑电的电极通道间的功能连接,另一种计算经源定位后大脑皮层区域之间的功能连接。
6.根据权利要求1所述的一种基于脑电信号和迁移学习的跨被试人格预测系统,其特征在于,
在步骤(1.4)中,所述的迁移学习,是指利用数据、任务、或模型之间的相似性,将在旧领域学习过的模型,应用于新领域的一种学习过程;
其基本方法包括四种:基于样本的迁移,基于模型的迁移,基于特征的迁移及基于关系的迁移。
7.根据权利要求1所述的一种基于脑电信号和迁移学习的跨被试人格预测系统,其特征在于,
在步骤(1.5)中,所述的回归模型预测结果是指将步骤(1.4)中通过迁移学习方法输出的特征矩阵作为回归模型的输入,将方法中源域特征和标签作为回归模型的训练集,将目标域特征和作为回归模型的测试集,将目标域特征输入给经过训练集训练后的回归模型,回归模型给出基于目标域特征的预测结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110101392.0A CN113229818A (zh) | 2021-01-26 | 2021-01-26 | 一种基于脑电信号和迁移学习的跨被试人格预测系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110101392.0A CN113229818A (zh) | 2021-01-26 | 2021-01-26 | 一种基于脑电信号和迁移学习的跨被试人格预测系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113229818A true CN113229818A (zh) | 2021-08-10 |
Family
ID=77130091
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110101392.0A Pending CN113229818A (zh) | 2021-01-26 | 2021-01-26 | 一种基于脑电信号和迁移学习的跨被试人格预测系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113229818A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114098765A (zh) * | 2021-11-23 | 2022-03-01 | 燕山大学 | 多通道高频脑电波耦合的脑网络参数特征提取方法及装置 |
CN114305452A (zh) * | 2021-12-15 | 2022-04-12 | 南京航空航天大学 | 一种基于脑电和领域适配的跨任务认知负荷识别方法 |
CN114601430A (zh) * | 2022-03-23 | 2022-06-10 | 浙江大学 | 一种基于近红外光刺激的皮层功能连接定位装置 |
CN115670463A (zh) * | 2022-10-26 | 2023-02-03 | 华南理工大学 | 一种基于脑电情绪神经反馈信号的抑郁检测系统 |
CN116098632A (zh) * | 2022-08-30 | 2023-05-12 | 北京机械设备研究所 | 一种基于大五人格的脑电特征信息分析方法以及装置 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102697493A (zh) * | 2012-05-03 | 2012-10-03 | 北京工业大学 | 一种快速的脑电信号中眼电伪迹自动识别和去除的方法 |
CN105956546A (zh) * | 2016-04-28 | 2016-09-21 | 杭州电子科技大学 | 一种基于脑电信号的情绪识别方法 |
US20180228419A1 (en) * | 2016-12-05 | 2018-08-16 | Faranak Farzan | Methods of Using Brain Temporal Dynamics |
CN109101994A (zh) * | 2018-07-05 | 2018-12-28 | 北京致远慧图科技有限公司 | 一种卷积神经网络迁移方法、装置、电子设备及存储介质 |
CN109567830A (zh) * | 2018-10-30 | 2019-04-05 | 清华大学 | 一种基于神经响应的人格测量方法及系统 |
CN109753566A (zh) * | 2019-01-09 | 2019-05-14 | 大连民族大学 | 基于卷积神经网络的跨领域情感分析的模型训练方法 |
CN110392549A (zh) * | 2017-05-03 | 2019-10-29 | 赫尔实验室有限公司 | 确定引起期望行为的最佳大脑刺激的方法和设备 |
CN111012340A (zh) * | 2020-01-07 | 2020-04-17 | 南京邮电大学 | 一种基于多层感知机的情绪分类方法 |
CN111182835A (zh) * | 2017-07-28 | 2020-05-19 | 国立大学法人大阪大学 | 舒适不舒适的判别 |
-
2021
- 2021-01-26 CN CN202110101392.0A patent/CN113229818A/zh active Pending
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102697493A (zh) * | 2012-05-03 | 2012-10-03 | 北京工业大学 | 一种快速的脑电信号中眼电伪迹自动识别和去除的方法 |
CN105956546A (zh) * | 2016-04-28 | 2016-09-21 | 杭州电子科技大学 | 一种基于脑电信号的情绪识别方法 |
US20180228419A1 (en) * | 2016-12-05 | 2018-08-16 | Faranak Farzan | Methods of Using Brain Temporal Dynamics |
CN110392549A (zh) * | 2017-05-03 | 2019-10-29 | 赫尔实验室有限公司 | 确定引起期望行为的最佳大脑刺激的方法和设备 |
CN111182835A (zh) * | 2017-07-28 | 2020-05-19 | 国立大学法人大阪大学 | 舒适不舒适的判别 |
CN109101994A (zh) * | 2018-07-05 | 2018-12-28 | 北京致远慧图科技有限公司 | 一种卷积神经网络迁移方法、装置、电子设备及存储介质 |
CN109567830A (zh) * | 2018-10-30 | 2019-04-05 | 清华大学 | 一种基于神经响应的人格测量方法及系统 |
CN109753566A (zh) * | 2019-01-09 | 2019-05-14 | 大连民族大学 | 基于卷积神经网络的跨领域情感分析的模型训练方法 |
CN111012340A (zh) * | 2020-01-07 | 2020-04-17 | 南京邮电大学 | 一种基于多层感知机的情绪分类方法 |
Non-Patent Citations (3)
Title |
---|
尹旺等: "深度学习在脑电情感识别方面的应用研究进展", 《计算机时代》 * |
张海勇: "基于脑电的视觉搜索分类方法研究", 《中国优秀硕士学位论文全文数据库 (医药卫生科技辑)》 * |
郑伟龙等: "用异质迁移学习构建跨被试脑电情感模型", 《计算机学报》 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114098765A (zh) * | 2021-11-23 | 2022-03-01 | 燕山大学 | 多通道高频脑电波耦合的脑网络参数特征提取方法及装置 |
CN114305452A (zh) * | 2021-12-15 | 2022-04-12 | 南京航空航天大学 | 一种基于脑电和领域适配的跨任务认知负荷识别方法 |
CN114601430A (zh) * | 2022-03-23 | 2022-06-10 | 浙江大学 | 一种基于近红外光刺激的皮层功能连接定位装置 |
CN114601430B (zh) * | 2022-03-23 | 2024-02-20 | 浙江大学 | 一种基于近红外光刺激的皮层功能连接定位装置 |
CN116098632A (zh) * | 2022-08-30 | 2023-05-12 | 北京机械设备研究所 | 一种基于大五人格的脑电特征信息分析方法以及装置 |
CN115670463A (zh) * | 2022-10-26 | 2023-02-03 | 华南理工大学 | 一种基于脑电情绪神经反馈信号的抑郁检测系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113229818A (zh) | 一种基于脑电信号和迁移学习的跨被试人格预测系统 | |
CN111134666B (zh) | 一种多通道脑电数据的情绪识别方法及电子装置 | |
Wu et al. | Bayesian Machine Learning: EEG\/MEG signal processing measurements | |
Ivanov et al. | Multifractality in human heartbeat dynamics | |
Wang et al. | Use of neural signals to evaluate the quality of generative adversarial network performance in facial image generation | |
CN113662545B (zh) | 一种基于情绪脑电信号和多任务学习的人格评估方法 | |
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 | |
Sun et al. | Remembered or forgotten?—An EEG-based computational prediction approach | |
Carlson et al. | An introduction to time-resolved decoding analysis for M/EEG | |
CN113191225B (zh) | 一种基于图注意力网络的情绪脑电识别方法及系统 | |
CN115414051A (zh) | 一种脑电信号自适应窗口的情绪分类识别方法 | |
Cleatus et al. | Epileptic seizure detection using spectral transformation and convolutional neural networks | |
Xu et al. | EEG emotion classification based on baseline strategy | |
Gandhi et al. | Denoising time series data using asymmetric generative adversarial networks | |
Mousavi et al. | Brain signatures of surprise in EEG and MEG data | |
Yue et al. | Intention recognition from spatio-temporal representation of EEG signals | |
Sun et al. | Sifnet: Electromagnetic source imaging framework using deep neural networks | |
CN115758118A (zh) | 一种基于脑电互信息的多源流形嵌入特征选择方法 | |
CN115670480A (zh) | 一种生物特征分析方法、装置、电子设备及存储介质 | |
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 | |
Huang et al. | Classification of EEG motion artifact signals using spatial ICA | |
Khan et al. | Dual tree complex wavelet transform based analysis of epileptiform discharges | |
Rosero-Rodríguez et al. | Automated preprocessing pipeline in visual imagery tasks | |
Liu et al. | Facial expression awareness based on multi-scale permutation entropy of EEG | |
Chao et al. | Mining Spatio-Spectro-Temporal Cortical Dynamics: A Guideline for Offline and Online Electrocorticographic Analyses: Mining Cortical Dynamics from ECoG Data |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210810 |