CN113486752A - 基于心电信号的情感识别方法及系统 - Google Patents

基于心电信号的情感识别方法及系统 Download PDF

Info

Publication number
CN113486752A
CN113486752A CN202110725903.6A CN202110725903A CN113486752A CN 113486752 A CN113486752 A CN 113486752A CN 202110725903 A CN202110725903 A CN 202110725903A CN 113486752 A CN113486752 A CN 113486752A
Authority
CN
China
Prior art keywords
emotion
matrix
feature
angular field
gram
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
Application number
CN202110725903.6A
Other languages
English (en)
Other versions
CN113486752B (zh
Inventor
司玉娟
周嵘嵘
魏媛
李美玲
刘淘涛
张耕搏
于永恒
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Zhuhai Institute Of Science And Technology
Jilin University
Original Assignee
Zhuhai Institute Of Science And Technology
Jilin University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Zhuhai Institute Of Science And Technology, Jilin University filed Critical Zhuhai Institute Of Science And Technology
Priority to CN202110725903.6A priority Critical patent/CN113486752B/zh
Publication of CN113486752A publication Critical patent/CN113486752A/zh
Application granted granted Critical
Publication of CN113486752B publication Critical patent/CN113486752B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06F2218/02—Preprocessing
    • G06F2218/04—Denoising
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
    • A61B5/316—Modalities, i.e. specific diagnostic methods
    • A61B5/318—Heart-related electrical modalities, e.g. electrocardiography [ECG]
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
    • A61B5/316—Modalities, i.e. specific diagnostic methods
    • A61B5/318—Heart-related electrical modalities, e.g. electrocardiography [ECG]
    • A61B5/346—Analysis of electrocardiograms
    • A61B5/349—Detecting specific parameters of the electrocardiograph cycle
    • A61B5/352—Detecting R peaks, e.g. for synchronising diagnostic apparatus; Estimating R-R interval
    • 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
    • A61B5/7203—Signal processing specially adapted for physiological signals or for diagnostic purposes for noise prevention, reduction or removal
    • 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
    • A61B5/7225—Details of analog processing, e.g. isolation amplifier, gain or sensitivity adjustment, filtering, baseline or drift compensation
    • 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
    • A61B5/725—Details of waveform analysis using specific filters therefor, e.g. Kalman or adaptive filters
    • 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
    • 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
    • A61B5/7267—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems involving training the classification device
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G06F18/254—Fusion techniques of classification results, e.g. of results related to same input data
    • 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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G06F18/259—Fusion by voting
    • 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
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Data Mining & Analysis (AREA)
  • Signal Processing (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • Biomedical Technology (AREA)
  • General Health & Medical Sciences (AREA)
  • Public Health (AREA)
  • Medical Informatics (AREA)
  • Surgery (AREA)
  • Animal Behavior & Ethology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Pathology (AREA)
  • Veterinary Medicine (AREA)
  • Evolutionary Computation (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Physiology (AREA)
  • Psychiatry (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Cardiology (AREA)
  • Mathematical Physics (AREA)
  • Fuzzy Systems (AREA)
  • Power Engineering (AREA)
  • Computational Linguistics (AREA)
  • Computing Systems (AREA)
  • Software Systems (AREA)
  • Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)

Abstract

本发明公开了基于心电信号的情感识别方法及系统，该方法包括：接收待检测的单通道心电信号，去除噪声，并基于R波峰值点划分为多个单周期心拍；对单周期心拍进行格拉姆角场图像化处理，输入至训练好的深度学习网络PCANet中，提取第一情感深度特征向量；并基于皮尔森相关系数对第一情感深度特征进行筛选，得到第二情感深度特征；以及，将第二情感深度特征输入训练好的向量分类器进行分类，得到单周期心拍的分类结果；将待检测的单通道心电信号对应的多个单周期心拍的分类结果，通过决策投票得到最终情感识别结果。本发明在保证识别准确率的前提下，减少了运算量，去除了冗余特征，避免维度灾难问题，从而加快分类速度，节约了计算成本。

Description

基于心电信号的情感识别方法及系统
技术领域
本发明涉及情感识别的技术领域，特别涉及一种基于心电信号的情感识别方法及系统。
背景技术
近些年，针对生理信号的情感识别技术备受关注，基于脑电信号的情感识别研究取得不错的进展，外围生理信号的情感识别研究愈加受到关注，挖掘外围生理信号与情感的深层关系成为了情感识别领域的新兴热潮。
特征提取和分类是情感识别的关键技术。由于情感特征尚未明确，无法直接准确提取到富含情感信息的特征，这成为了生理信号情感识别的一大难点。传统的提取特征的方式是人工提取，主要是基于经验提取时域、频域以及时频域特征，最后作为分类器的输入，完成情感识别。
随着人工智能的发展，深度学习逐渐受到亲睐，其情感识别效果优于传统人工提取方式。但是基于深度学习网络的特征提取，运算时间较长，且由于得到的深度特征维度高，容易引发维度灾难。
因此，在保证准确率的前提下，如何降低情感识别运算量从而节约计算成本成为一个关键问题。
发明内容
本发明旨在至少解决现有技术中存在的技术问题之一。为此，本发明提出一种基于心电信号的情感识别方法，能够有效降低特征冗余运算量，并保证一定的准确率。
本发明还提出一种用于执行上述基于心电信号的情感识别方法的基于心电信号的情感识别方法系统。
本发明还提出一种具有上述基于心电信号的情感识别方法的计算机可读存储介质。
根据本发明的第一方面实施例的基于心电信号的情感识别方法，包括以下步骤：接收待检测的单通道心电信号，去除噪声，并基于R波峰值点划分为多个单周期心拍；获取每个所述单周期心拍的分类结果，包括：对所述单周期心拍进行格拉姆角场图像化处理，获取到相应的格拉姆角场矩阵向量，输入至训练好的深度学习网络PCANet中，提取第一情感深度特征向量；基于皮尔森相关系数对所述第一情感深度特征进行筛选，提取相关系数排行前第一数量的情感深度特征，得到第二情感深度特征，所述第二情感深度特征的维度低于所述第一情感深度特征的维度；以及，将所述第二情感深度特征输入训练好的向量分类器进行分类，得到所述单周期心拍的分类结果；将待检测的所述单通道心电信号对应的多个所述单周期心拍的分类结果，通过决策投票得到最终情感识别结果。
根据本发明实施例的基于心电信号的情感识别方法，至少具有如下有益效果：通过深度学习网络PCANet以及皮尔森相关系数获取低维度的具有高度情感信息表征的特征向量，能保证识别准确率的前提下，减少了运算量，去除了冗余特征，避免现有的人工智能情感识别中的维度灾难问题，从而加快分类速度，节约了计算成本。
根据本发明的一些实施例，所述接收待检测的单通道心电信号，去除噪声包括：使用db7小波将所述单通道心电信号进行8层小波分解,并将分解的心电信号的8层的细节系数置零，以去除基线漂移；使用db7小波将所述单通道心电信号进行8层小波分解,将分解的心电信号的1和2层的细节系数置零，以去除高频干扰；小波重构信号得到去除了基线漂移与高频噪声后的纯净心电信号。
根据本发明的一些实施例，所述基于R波峰值点划分为多个单周期心拍包括：对所述纯净心电信号进行一阶微分运算，选取过零点，在每个周期中将一阶微分信号最大振幅点标记为R波峰值点；基于所述R波峰值点，沿时间轴向前取N个点、向后取M个点，完成单周期心拍分割；其中，N、M为正整数。
根据本发明的一些实施例，所述对所述单周期心拍进行格拉姆角场图像化处理，获取到相应的格拉姆角场矩阵包括：将直角坐标系下的所述单周期心拍映射到[0,1]，得到归一化矩阵；将所述单周期心拍在时间序列的一个点对应的时间、幅度转换为极坐标系下的半径、角度；将坐标转换为极坐标后，计算角度和的三角函数变换，即使用两角和的cos函数，生成所述单一格拉姆角场矩阵。
根据本发明的一些实施例，所述输入至训练好的深度学习网络PCANet中，提取第一情感深度特征向量包括：局部特征提取步骤，对于每个所述格拉姆角场矩阵，通过预设大小的滑动窗口提取局部特征，得到若干局部特征块，去平均，得到每个所述格拉姆角场矩阵的特征矩阵，并由每个所述格拉姆角场矩阵的特征矩阵得到所有所述格拉姆角场矩阵对应的特征数据矩阵
Figure BDA0003137611140000031
其中，每一列代表一个局部特征块，滑动窗口的预设大小为k1×k2，所述格拉姆角场矩阵的大小为m×n，格拉姆角场矩阵的总数为N，R表示实数集合；第一滤波卷积步骤，对X矩阵作PCA，取前L1个特征向量作为滤波器，得到
Figure BDA0003137611140000032
并将L1个特征向量的每一列重排列为一个局部特征块，用L1个特征向量所对应的窗口对每一个格拉姆角场矩阵作第一滤波卷积；第二滤波卷积步骤，计算所述第一滤波卷积后的PCA映射输出，得到映射输出矩阵
Figure BDA0003137611140000033
并对每个所述映射输出矩阵进行块采样、级联、零均值化，得到
Figure DA00031376111460495786
以及，得到所有映射输出矩阵相应的
Figure DA00031376111460550679
取前L2个特征向量作为滤波器，得到
Figure BDA0003137611140000036
完成卷积操作，得到卷积输出矩阵；二值化处理步骤，对所述卷积输出矩阵进行二值化处理，使得到到的结果只包含整数和零，并进行二值化哈希编码，其中，编码位数与第二滤波卷积步骤中的滤波器个数L2相同；所述二值化处理的过程为：
Figure BDA0003137611140000037
函数H()类似于一个单位阶跃函数；直方特征获取步骤，获取所述二值化处理步骤的输出矩阵，分为B块，统计每个特征块的直方图信息，并进行级联，得到块扩展直方图特征：
Figure BDA0003137611140000038
根据本发明的一些实施例，所述深度学习网络PCANet的网络层数配置为2层；其中，第一层PCA卷积层被配置为设置边长为2的像素正方形滑动窗口，滑动步长为1个单位长度，滤波器个数设置为3；第二层PCA卷积层设置边长为2的像素正方形滑动窗口，滑动步长为1个单位长度，滤波器个数设置为3；池化层设置边长为2的正方形采样窗口，滑动步长为2个单位长度。
根据本发明的第二方面实施例的基于心电信号的情感识别系统，包括：预处理模块，用于接收单通道心电信号的输入，对所述单通道心电信号进行分析及预处理，去除心电信号中的基线漂移及高频噪声，并检测出R波峰值点；心拍分割模块，用于接收去除基线漂移及高频噪声后的心电信号，根据心拍分割点，将心电信号分割成多个单周期心拍；格拉姆角场图像化模块，用于对所述单周期心拍进行格拉姆角场图像化处理，获取到相应的格拉姆角场矩阵向量；PCANet特征提取模块，用于接收输入的格拉姆角场矩阵，输入至训练好的深度学习网络PCANet中，提取第一情感深度特征向量；皮尔森相关系数特征选择模块，用于基于皮尔森相关系数对所述第一情感深度特征进行筛选，提取相关系数排行前第一数量的情感深度特征，得到第二情感深度特征，所述第二情感深度特征的维度低于所述第一情感深度特征的维度；以及，情感决策模块，用于接收所述第二情感深度特征，输入至训练好的向量分类器进行分类，得到所述单周期心拍的分类结果；并根据将待检测的所述单通道心电信号对应的多个所述单周期心拍的分类结果，通过决策投票得到最终情感识别结果。
根据本发明实施例的基于心电信号的情感识别系统，至少具有如下有益效果：通过深度学习网络PCANet以及皮尔森相关系数获取低维度的具有高度情感信息表征的特征向量，能保证识别准确率的前提下，减少了运算量，去除了冗余特征，避免现有的人工智能情感识别中的维度灾难问题，从而加快分类速度，节约了计算成本。
根据本发明的一些实施例，所述深度学习网络PCANet的网络层数配置为2层；其中，第一层PCA卷积层被配置为设置边长为2的像素正方形滑动窗口，滑动步长为1个单位长度，滤波器个数设置为3；第二层PCA卷积层设置边长为2的像素正方形滑动窗口，滑动步长为1个单位长度，滤波器个数设置为3；池化层设置边长为2的正方形采样窗口，滑动步长为2个单位长度。
根据本发明的第三方面实施例的计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现根据本发明的第一方面实施例的方法。
根据本发明实施例的计算机可读存储介质，至少具有与本发明的第一方面实施例的方法同样的有益效果。
本发明的附加方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。
附图说明
本发明的上述和/或附加的方面和优点从结合下面附图对实施例的描述中将变得明显和容易理解，其中：
图1为本发明实施例的方法的流程示意图；
图2为本发明实施例中预处理的流程示意图；
图3为本发明实施例中心拍分割的流程示意图；
图4为本发明实施例中格拉姆角场图像化的流程示意图；
图5为本发明实施例中皮尔森相关系数特征选择的流程示意图；
图6为本发明实施例中的总体流程及各流程中得到的结果的示意图；
图7表示本发明实施例的识别结果；
图8为本发明实施例的系统的模块示意框图。
附图标记：
预处理模块100、心拍分割模块200、格拉姆角场图像化模块300、PCANet特征提取模块400、皮尔森相关系数特征选择模块500以及情感决策模块600。
具体实施方式
下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，仅用于解释本发明，而不能理解为对本发明的限制。
在本发明的描述中，若干的含义是一个或者多个，多个的含义是两个及两个以上，大于、小于、超过等理解为不包括本数，以上、以下、以内等理解为包括本数。如果有描述到第一、第二只是用于区分技术特征为目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量或者隐含指明所指示的技术特征的先后关系。在本发明的描述中，步骤标号仅是为了描述的方便或者引述的方便所作出的标识，各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本发明实施例的实施过程构成任何限定。
参照图1，本发明的实施例的方法包括：
步骤1，接收待检测的单通道心电信号，去除噪声，并基于R波峰值点划分为多个单周期心拍；
步骤2，对于每个单周期心拍，通过格拉姆角场图像化算法对单周期心拍进行二维表征，得到相应的二维矩阵向量；通过深度学习网络PCANet提取二维矩阵向量中的深度特征，生成第一情感深度特征向量；基于皮尔森相关系数对第一情感深度特征进行筛选，提取相关系数排行前第一数量的情感深度特征，得到第二情感深度特征，该第二情感深度特征的维度低于第一情感深度特征的维度；以及，将第二情感深度特征输入训练好的向量分类器进行分类，得到该单周期心拍的分类结果；
步骤3，通过上述的步骤2，获取待检测的单通道心电信号对应的多个单周期心拍的分类结果，通过决策投票得到最终情感识别结果。
本发明的一个实施例中，使用的输入数据为：国际通行情感数据库AMIGOS。该数据库中包含40位实验者的V2和V3导联方式的各16条心电信号段，并通过实验者手动标记的情感评分作为情感评估依据。
本实施例中，情感识别的方法通过工作在计算机上的软件实现，但不限于此，相关技术人员可以通过计算机软件、工作在嵌入式设备上的软件等方式对本实施例的方法进行实现。
本实施例中，参照图8，包括：预处理模块100、心拍分割模块200、格拉姆角场图像化模块300、PCANet特征提取模块400、皮尔森相关系数特征选择模块500以及情感决策模块600。
各模块的具体设置及实施方式如下。
预处理模块100，用于接收采集到的任一单通道心电信号的输入，对该心电信号进行分析及预处理，去除心电信号中的基线漂移、高频噪声，并检测出R波峰值点。应理解的是，相关技术人员可根据具体情况灵活地选择去除基线漂移、消除高频噪声中的至少一项，也可以灵活地选择对于信号段检测的设备或者方法。在本实例中选用的是小波阈值法去除基线漂移、高频噪声以及一阶微分法检测R波峰值点。
本实例中，参照图2所示，预处理模块100的处理过程如S110至S120所示。
S110、使用db7小波将心电信号进行8层小波分解,分解的心电信号的8层的细节系数置零，以去除基线漂移；以及，将分解的心电信号的1和2层的细节系数置零，以去除高频干扰。信号小波重构得到去除了基线漂移与高频噪声后的纯净心电信号。此处给定的是本实例(心电信号的采样频率为256Hz)相应的参数。
S120、对纯净心电信号(该纯净心电信号为一维信号)进行一阶微分，选取过零点，在每个周期中将一阶微分信号最大振幅点标记为心电信号主波峰值点，即R点，完成R波检测。其中需要设置的参数为R波顶点检测最小时间限，对于采样频率为256Hz的心电信号，设置R波顶点检测最小时间限为120个采样点。以上R波顶点均在V2导联上生成。同理，此处参数的设置针对的是本发明实施例中的采样频率为256Hz的一维心电信号；对于其它采样频率的心电信号，可以选择其它合适的参数。
心拍分割模块200，用于接收输入的纯净心电信号以及分段标志点(即心拍分割点)，将纯净心电信号分割成多个单周期心拍。可基于R点沿时间轴向前、后各取N、M个点，完成单周期心拍分割；其中，N、M为正整数，可取相同的值。
参照图3所示，心拍分割模块200的具体处理过程如S210至S220所示。
S210、纯净信号按照检测到的心拍分割点，将心电图中每个心拍的信号进行单独提取。
S220、对于每一个心拍，心拍分割点时间被限为距离R波点前89个采样点，距离R波点后90个采样点以分割点时间线为分割标志，将心电信号段分割成多个单周期心拍。
格拉姆角场图像化模块300，用于接收通过心拍分割模块200得到的一维单周期心电信号。
参照图4所示，格拉姆角场图像化模块300的具体具体处理过程如S310至S330所示。
S310、对单周期心电信号进行归一化，将直角坐标系下的一维心电信号序列映射到[0,1]，得到归一化矩阵。单周期心电信号可以理解为对应于直角坐标系下的一维时间序列，其中x轴为时间，y轴为心电信号的幅度。
S330、将时间序列的每个点对应的时间、幅度转换到极坐标系下的半径、角度。
S320、将坐标转换为极坐标后，计算角度和的三角函数变换，即使用两角和的cos函数，生成28*28的格拉姆角场矩阵。
PCANet特征提取模块400，用于接收输入的格拉姆角场矩阵，提取第一情感深度特征向量。PCANet特征提取模块400中，PCANet的网络层数被设置为2，其中，第一层PCA卷积层设置边长为2的像素正方形窗口，滑动步长为1个单位长度，滤波器个数设置为3。第二层PCA卷积层设置边长为2的像素正方形窗口，滑动步长为1个单位长度，滤波器个数设置为3。池化层设置边长为2的正方形采样窗口，滑动步长为2个单位长度。
该模块的具体处理过程如S410至S470所示。
S410、选取一个k1×k2的窗口(本实例选边长为2的像素正方形窗口)来滑动选取图片的局部特征。每张m×n大小的图片经过滑动窗口提取局部特征之后，可以得到mn个k1×k2大小的局部特征块，得到
Figure BDA0003137611140000091
S420、对这mn个局部特征块去平均，完成对单个格拉姆角场矩阵的特征提取操作，得到
Figure BDA0003137611140000092
S430、对所有格拉姆角场矩阵完成以上操作，得到一个新的数据矩阵X，每一列代表一个局部特征块，得到
Figure BDA0003137611140000093
S440、对X矩阵作PCA(Principal Component Analysis，是一种常见的数据分析方式，常用于高维数据的降维，可用于提取数据的主要特征分量)，取前L1个向量作为滤波器，得到
Figure BDA0003137611140000094
将这L1个特征向量的每一列重排列为一个局部特征块，用这L1个窗口对每一个格拉姆角场矩阵做一次卷积。
S450、计算卷积后的PCA映射输出，得到
Figure BDA0003137611140000095
对映射输出进行块采样、级联、零均值化，得到
Figure BDA0003137611140000096
对每个映射输出矩阵都进行该操作，得到
Figure BDA0003137611140000097
取前L2个特征向量作为滤波器，得到
Figure BDA0003137611140000098
最后完成卷积操作。
S460、对S450得到的输出矩阵进行二值化处理，使得到的结果只包含整数和零，再对其进行二值化哈希编码，编码位数与步骤S450的滤波器L2个数相同。即
Figure BDA0003137611140000099
函数H()类似于一个单位阶跃函数。经过上述处理，每个像素值都被编码成为(0,255)之间的整数(在L2＝8的情况下)。
S470、对于步骤S460的输出矩阵，将其分为B块，计算统计每个特征块的直方图信息，然后再将各个块的直方图信息进行级联，最终得到块扩展的直方图特征，即
Figure BDA00031376111400000910
(相当于第一情感深度特征向量)。
皮尔森相关系数特征选择模块500，用于接收经过PCANet特征提取后所得到的直方图特征(相当于第一情感深度特征向量)，提取富情感特征，去除冗余特征，得到第二情感深度特征向量。该模块对训练集的具体处理过程，如图5所示，包括：输入样本训练集的特征样本和目标值，计算各个特征对目标值的皮尔森相关系数；选择K个相关系数最高的特征作为最终特征集合(相当于第二情感深度特征向量)。可以理解的是，该模块对测试集的处理与此类似，不同之处在于输入的是测试集的特征样本。
情感决策模块600，用于接收皮尔森相关系数特征选择模块500输出的第二情感深度特征向量，通过支持向量分类器进行分类，获取多段的心拍数据分类结果通过决策投票得到最终情感识别结果。
本发明的实施例的方法，参照图6，包括：获取样本数据集，并将该样本数据集划分为训练集和测试集，样本数据集中的心电信号数据通常为获取的原始数据，带有噪声；训练集和测试集中的心电信号数据处理过程相同，依次经过预处理、心拍分割、格拉姆角场图像化、PCANet特征提取、皮尔森相关系数特征选择、心拍分类以及决策投票。经过预处理进行去噪、去除基线漂移，得到纯净心电信号。对纯净心电信号基于R点进行心拍分割，得到多段心拍数据。对单个的心拍样本进行格拉姆角场图像化，再通过PCANet特征提取深度特征，得到散列直方图特征(相当于第一情感深度特征向量)。通过对散列直方图进行皮尔森相关系数特征选择，得到第二情感深度特征向量；显然，第二情感深度特征向量的维度低于第一情感深度特征向量的维度。然后建立支持向量分类器对输入的心拍样本进行分类，最后，多段的心拍数据分类结果通过决策投票得到最终情感识别结果。
首先对心电信号进行预处理和心拍分割，包括：
(1)获取一段待处理的待处理的一维心电信号段，例如，在本实例中，分别输入AMIGOS数据库中单个参与者的V2导联的一维心电信号段。各模块的参数配置如上所述。
(2)将该一维心电信号段输入预处理模块100，得到纯净信号，输出的纯净信号被输入心拍分割模块200，得到以心拍为单位的短序列。在本实例中，按照上述参数设置，每个短序列含180个采样点，V2导联的每一条心电信号段分割成51个心拍短序列。
然后，对单个心拍的心电信号进行格拉姆角场图像化，包括：
(1)选定包含多个心拍的一维心电信号集合，定义为训练集。相关技术人员可整理出一定规模的情感相关心电信号，亦可使用公开情感生理数据库中的心电信号作为训练集。无论采取哪种方式，本发明的技术要点为训练集需要包含至少400个各个情感类型的心拍，在本实例，针对每个参与者建立情感识别依赖模型，即每个参与者的心拍数据集至少包含400个心拍，各类别心拍比例为1:1。
(2)依次取出数据集中的一条心电信号段，执行操作：原始信号输入预处理模块，得到对应的纯净信号；纯净信号输入心拍分割模块，得到以心拍为单位的短序列。
(3)将单个心拍的短序列作为输入量，执行格拉姆角场图像化模块，得到格拉姆角场矩阵。在本实例中，格拉姆角场图像大小被设置为28*28。
接着，进行PCANet特征提取，设置PCANet网络层数为2层。其中，第一层PCA卷积层设置边长为2的像素正方形窗口，滑动步长为1个单位长度，滤波器个数设置为3。第二层PCA卷积层设置边长为2的像素正方形窗口，滑动步长为1个单位长度，滤波器个数设置为3。池化层设置边长为2的正方形采样窗口，滑动步长为2个单位长度。机器的，
针对每一个参与者，依次将其中一条心电信号段分割得到的51组心拍作为测试集，其余作为训练集。用训练集训练PCANet网络得到相应的网络参数，用已训练好的PCANet提取训练集、测试集的特征。
最后，进行皮尔森相关系数特征选择，包括：将PCANet提取得到的训练集的高维特征、相应的标签值输入特征选择模块；基于皮尔森相关系数原理选择相关性最高的K个特征，得到K个特征的索引号；依据索引号，得到测试集的最终特征集合，完成特征选择。
本实施例中，采用支持向量机分类器，使用训练集训练分类器，并对测试集任一待分类心拍样本进行分类；并在一组51个心拍的分类结果的基础上，采用决策层投票机制得到最终的结果作为该条心电信号段的情感识别结果。在本实例中，支持向量机分类器采用的核函数为高斯核函数。
支持向量机分类器的分类方法，其步骤包括：
S510、选定包含若干特征向量的一个分类器训练集，标注每个特征向量的类别；
S520、分类器训练集中的每一条特征向量和类别输入分类器算法，对分类器进行训练，寻找到支持向量的最优超平面。
S530、对于训练好的分类器，输入任一特征向量，计算类别标签，输出分类结果。
其中，分类器训练集可自行做情感诱导实验整理出若干参与者的心电信号，并由参与者对情感评分进行手动标注，亦可从公开情感生理数据库中获取心电信号数据集和情感标注。无论采取何种方式，本环节的技术要点为各个心拍类训练集样本数均大于150且均衡。本实例中的分类训练集为AMIGOS数据库中的心电信号数据集，按照参与者的数据集分布来确定样本数量，相关技术人员可采用相同的参数进行训练集设置，亦可参考该参数进行灵活选择。本实例中针对效价维度和唤醒维度的情感标签标注，基于参与者手动标注的1-9评分，小于5分记为标签0，大于或等于5分记为标签1。
训练好的分类器可对任一心拍进行分类，对于一条待分类的心电信号，依次执行预处理和心拍分割、格拉姆角场图像化、PCANet特征提取、皮尔森相关系数特征选择，提取其每个心拍的特征向量，输入分类器即可产生结果。本实例中，采用留一法进行训练集和测试集的划分，所有类别的训练、测试样本数量如表1、表2所示。所选的测试样本生成心拍类别标号，并与参与者的心拍情感标注进行本发明的效果评估。
表1效价维度训练样本和测试样本数量
类别 低效价 高效价
标签 0 1
训练样本数量 357/459/561/663/765 357/459/561/663/765
测试样本数量 51 51
表2唤醒维度训练样本和测试样本数量
类别 低唤醒 高唤醒
标签 0 1
训练样本数量 357/459/561/663/765 357/459/561/663/765
测试样本数量 51 51
本实施例的识别结果，如图7所示。由图7的结果可知，采用本实例的参数配置，采用支持向量分类器能够有效针对心电信号进行情感识别，总体平均情感识别准确率分别达到83.27％和83.62％。与此同时，由于采用了本发明的核心技术——PCANet与皮尔森相关系数特征选择的结合，使得输入分类器的特征向量维度远低于其它采用深度学习网络提取特征的方法和系统，从而避免了分类器上的维度灾难问题，大幅降低了运算量。在提高运算速率的前提下，有效提取到富情感特征，提高了识别准确率。
尽管本文描述了具体实施方案，但是本领域中的普通技术人员将认识到，许多其它修改或另选的实施方案同样处于本公开的范围内。例如，结合特定设备或组件描述的功能和/或处理能力中的任一项可以由任何其它设备或部件来执行。另外，虽然已根据本公开的实施方案描述了各种例示性具体实施和架构，但是本领域中的普通技术人员将认识到，对本文所述的例示性具体实施和架构的许多其它修改也处于本公开的范围内。
上文参考根据示例性实施方案所述的系统、方法、系统和/或计算机程序产品的框图和流程图描述了本公开的某些方面。应当理解，框图和流程图中的一个或多个块以及框图和流程图中的块的组合可分别通过执行计算机可执行程序指令来实现。同样，根据一些实施方案，框图和流程图中的一些块可能无需按示出的顺序执行，或者可以无需全部执行。另外，超出框图和流程图中的块所示的那些部件和/或操作以外的附加部件和/或操作可存在于某些实施方案中。
因此，框图和流程图中的块支持用于执行指定功能的装置的组合、用于执行指定功能的元件或步骤的组合以及用于执行指定功能的程序指令装置。还应当理解，框图和流程图中的每个块以及框图和流程图中的块的组合可以由执行特定功能、元件或步骤的专用硬件计算机系统或者专用硬件和计算机指令的组合来实现。
本文所述的程序模块、应用程序等可包括一个或多个软件组件，包括例如软件对象、方法、数据结构等。每个此类软件组件可包括计算机可执行指令，所述计算机可执行指令响应于执行而使本文所述的功能的至少一部分(例如，本文所述的例示性方法的一种或多种操作)被执行。
软件组件可以用各种编程语言中的任一种来编码。一种例示性编程语言可以为低级编程语言，诸如与特定硬件体系结构和/或操作系统平台相关联的汇编语言。包括汇编语言指令的软件组件可能需要在由硬件架构和/或平台执行之前由汇编程序转换为可执行的机器代码。另一种示例性编程语言可以为更高级的编程语言，其可以跨多种架构移植。包括更高级编程语言的软件组件在执行之前可能需要由解释器或编译器转换为中间表示。编程语言的其它示例包括但不限于宏语言、外壳或命令语言、作业控制语言、脚本语言、数据库查询或搜索语言、或报告编写语言。在一个或多个示例性实施方案中，包含上述编程语言示例中的一者的指令的软件组件可直接由操作系统或其它软件组件执行，而无需首先转换成另一种形式。
软件组件可存储为文件或其它数据存储构造。具有相似类型或相关功能的软件组件可一起存储在诸如特定的目录、文件夹或库中。软件组件可为静态的(例如，预设的或固定的)或动态的(例如，在执行时创建或修改的)。
上面结合附图对本发明实施例作了详细说明，但是本发明不限于上述实施例，在所属技术领域普通技术人员所具备的知识范围内，还可以在不脱离本发明宗旨的前提下作出各种变化。

Claims (9)

1.一种基于心电信号的情感识别方法，其特征在于，包括以下步骤：
接收待检测的单通道心电信号，去除噪声，并基于R波峰值点划分为多个单周期心拍；
获取每个所述单周期心拍的分类结果，包括：对所述单周期心拍进行格拉姆角场图像化处理，获取到相应的格拉姆角场矩阵向量，输入至训练好的深度学习网络PCANet中，提取第一情感深度特征向量；基于皮尔森相关系数对所述第一情感深度特征进行筛选，提取相关系数排行前第一数量的情感深度特征，得到第二情感深度特征，所述第二情感深度特征的维度低于所述第一情感深度特征的维度；以及，将所述第二情感深度特征输入训练好的向量分类器进行分类，得到所述单周期心拍的分类结果；
将待检测的所述单通道心电信号对应的多个所述单周期心拍的分类结果，通过决策投票得到最终情感识别结果。
2.根据权利要求1所述的基于心电信号的情感识别方法，其特征在于，所述接收待检测的单通道心电信号，去除噪声包括：
使用db7小波将所述单通道心电信号进行8层小波分解,并将分解的心电信号的8层的细节系数置零，以去除基线漂移；
使用db7小波将所述单通道心电信号进行8层小波分解,将分解的心电信号的1和2层的细节系数置零，以去除高频干扰；
小波重构信号得到去除了基线漂移与高频噪声后的纯净心电信号。
3.根据权利要求2所述的基于心电信号的情感识别方法，其特征在于，所述基于R波峰值点划分为多个单周期心拍包括：
对所述纯净心电信号进行一阶微分运算，选取过零点，在每个周期中将一阶微分信号最大振幅点标记为R波峰值点；
基于所述R波峰值点，沿时间轴向前取N个点、向后取M个点，完成单周期心拍分割；其中，N、M为正整数。
4.根据权利要求1所述的基于心电信号的情感识别方法，其特征在于，所述对所述单周期心拍进行格拉姆角场图像化处理，获取到相应的格拉姆角场矩阵包括：
将直角坐标系下的所述单周期心拍映射到[0,1]，得到归一化矩阵；
将所述单周期心拍在时间序列的一个点对应的时间、幅度转换为极坐标系下的半径、角度；
将坐标转换为极坐标后，根据角度和的三角函数变换，生成所述单一格拉姆角场矩阵。
5.根据权利要求1所述的基于心电信号的情感识别方法，其特征在于，所述输入至训练好的深度学习网络PCANet中，提取第一情感深度特征向量包括：
局部特征提取步骤，对于每个所述格拉姆角场矩阵，通过预设大小的滑动窗口提取局部特征，得到若干局部特征块，去平均，得到每个所述格拉姆角场矩阵的特征矩阵，并由每个所述格拉姆角场矩阵的特征矩阵得到所有所述格拉姆角场矩阵对应的特征数据矩阵
Figure FDA0003137611130000021
其中，每一列代表一个局部特征块，滑动窗口的预设大小为k1×k2，所述格拉姆角场矩阵的大小为m×n，格拉姆角场矩阵的总数为N，R表示实数集合；
第一滤波卷积步骤，对X矩阵作PCA，取前L1个特征向量作为滤波器，得到
Figure FDA0003137611130000022
并将L1个特征向量的每一列重排列为一个局部特征块，用L1个特征向量所对应的窗口对每一个格拉姆角场矩阵作第一滤波卷积；
第二滤波卷积步骤，计算所述第一滤波卷积后的PCA映射输出，得到映射输出矩阵
Figure FDA0003137611130000023
并对每个所述映射输出矩阵进行块采样、级联、零均值化，得到
Figure DA00031376111360278514
以及，得到所有映射输出柜阵相应的
Figure DA00031376111360321928
取前L2个特征向量作为滤波器，得到
Figure FDA0003137611130000025
完成卷积操作，得到卷积输出矩阵；
二值化处理步骤，对所述卷积输出矩阵进行二值化处理，使得到到的结果只包含整数和零，并进行二值化哈希编码，其中，编码位数与第二滤波卷积步骤中的滤波器个数L2相同，所述二值化处理的过程为：
Figure FDA0003137611130000031
函数H()类似于一个单位阶跃函数；
直方特征获取步骤，获取所述二值化处理步骤的输出矩阵，分为B块，统计每个特征块的直方图信息，并进行级联，得到块扩展直方图特征：
Figure FDA0003137611130000032
6.根据权利要求1所述的基于心电信号的情感识别方法，其特征在于，所述深度学习网络PCANet的网络层数配置为2层；其中，第一层PCA卷积层被配置为设置边长为2的像素正方形滑动窗口，滑动步长为1个单位长度，滤波器个数设置为3；第二层PCA卷积层设置边长为2的像素正方形滑动窗口，滑动步长为1个单位长度，滤波器个数设置为3；池化层设置边长为2的正方形采样窗口，滑动步长为2个单位长度。
7.一种基于心电信号的情感识别系统，使用权利要求1至6中任一项的方法，其特征在于，包括：
预处理模块，用于接收单通道心电信号的输入，对所述单通道心电信号进行分析及预处理，去除心电信号中的基线漂移及高频噪声，并检测出R波峰值点；
心拍分割模块，用于接收去除基线漂移及高频噪声后的心电信号，根据心拍分割点，将心电信号分割成多个单周期心拍；
格拉姆角场图像化模块，用于对所述单周期心拍进行格拉姆角场图像化处理，获取到相应的格拉姆角场矩阵向量；
PCANet特征提取模块，用于接收输入的格拉姆角场矩阵，输入至训练好的深度学习网络PCANet中，提取第一情感深度特征向量；
皮尔森相关系数特征选择模块，用于基于皮尔森相关系数对所述第一情感深度特征进行筛选，提取相关系数排行前第一数量的情感深度特征，得到第二情感深度特征，所述第二情感深度特征的维度低于所述第一情感深度特征的维度；以及，
情感决策模块，用于接收所述第二情感深度特征，输入至训练好的向量分类器进行分类，得到所述单周期心拍的分类结果；并根据将待检测的所述单通道心电信号对应的多个所述单周期心拍的分类结果，通过决策投票得到最终情感识别结果。
8.根据权利要求7所述的基于心电信号的情感识别系统，其特征在于，所述深度学习网络PCANet的网络层数配置为2层；其中，第一层PCA卷积层被配置为设置边长为2的像素正方形滑动窗口，滑动步长为1个单位长度，滤波器个数设置为3；第二层PCA卷积层设置边长为2的像素正方形滑动窗口，滑动步长为1个单位长度，滤波器个数设置为3；池化层设置边长为2的正方形采样窗口，滑动步长为2个单位长度。
9.一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现权利要求1至6中任一项的方法。
CN202110725903.6A 2021-06-29 2021-06-29 基于心电信号的情感识别方法及系统 Active CN113486752B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110725903.6A CN113486752B (zh) 2021-06-29 2021-06-29 基于心电信号的情感识别方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110725903.6A CN113486752B (zh) 2021-06-29 2021-06-29 基于心电信号的情感识别方法及系统

Publications (2)

Publication Number Publication Date
CN113486752A true CN113486752A (zh) 2021-10-08
CN113486752B CN113486752B (zh) 2023-06-16

Family

ID=77936596

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110725903.6A Active CN113486752B (zh) 2021-06-29 2021-06-29 基于心电信号的情感识别方法及系统

Country Status (1)

Country Link
CN (1) CN113486752B (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114166890A (zh) * 2021-11-05 2022-03-11 西南交通大学 一种车载epr电缆运行年龄的估算方法
CN115130509A (zh) * 2022-06-29 2022-09-30 哈尔滨工业大学（威海） 基于条件式变分自编码器的心电信号生成方法
CN115688028A (zh) * 2023-01-05 2023-02-03 杭州华得森生物技术有限公司 肿瘤细胞生长状态检测设备
CN118177806A (zh) * 2024-05-17 2024-06-14 中南民族大学 基于图像编码的心电信号精神压力检测方法及装置

Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104055529A (zh) * 2014-06-19 2014-09-24 西南大学 一种计算情感心电信号标度指数的方法
CN106599933A (zh) * 2016-12-26 2017-04-26 哈尔滨工业大学 一种基于联合深度学习模型的文本情感分类方法
CN107092895A (zh) * 2017-05-09 2017-08-25 重庆邮电大学 一种基于深度信念网络的多模态情感识别方法
CN107122788A (zh) * 2017-03-09 2017-09-01 吉林大学 一种基于心电信号的身份识别方法及装置
CN107247703A (zh) * 2017-06-08 2017-10-13 天津大学 基于卷积神经网络和集成学习的微博情感分析方法
CN108537100A (zh) * 2017-11-17 2018-09-14 吉林大学 一种基于pca和lda分析的心电信号身份识别方法及系统
CN108596142A (zh) * 2018-05-09 2018-09-28 吉林大学 一种基于PCANet的心电特征提取方法
CN109199414A (zh) * 2018-10-30 2019-01-15 武汉理工大学 一种基于脑电信号的视听诱发情绪识别方法及系统
CN109426858A (zh) * 2017-08-29 2019-03-05 京东方科技集团股份有限公司 神经网络、训练方法、图像处理方法及图像处理装置
CN110353675A (zh) * 2019-08-14 2019-10-22 东南大学 基于图片生成的脑电信号情感识别方法及装置
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
CN112370015A (zh) * 2020-10-30 2021-02-19 复旦大学 基于格拉姆角场的生理信号质量评估方法
CN112842348A (zh) * 2021-02-07 2021-05-28 山东省人工智能研究院 一种基于特征提取与深度学习的心电信号自动分类方法

Patent Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104055529A (zh) * 2014-06-19 2014-09-24 西南大学 一种计算情感心电信号标度指数的方法
CN106599933A (zh) * 2016-12-26 2017-04-26 哈尔滨工业大学 一种基于联合深度学习模型的文本情感分类方法
CN107122788A (zh) * 2017-03-09 2017-09-01 吉林大学 一种基于心电信号的身份识别方法及装置
CN107092895A (zh) * 2017-05-09 2017-08-25 重庆邮电大学 一种基于深度信念网络的多模态情感识别方法
CN107247703A (zh) * 2017-06-08 2017-10-13 天津大学 基于卷积神经网络和集成学习的微博情感分析方法
CN109426858A (zh) * 2017-08-29 2019-03-05 京东方科技集团股份有限公司 神经网络、训练方法、图像处理方法及图像处理装置
CN108537100A (zh) * 2017-11-17 2018-09-14 吉林大学 一种基于pca和lda分析的心电信号身份识别方法及系统
CN108596142A (zh) * 2018-05-09 2018-09-28 吉林大学 一种基于PCANet的心电特征提取方法
CN109199414A (zh) * 2018-10-30 2019-01-15 武汉理工大学 一种基于脑电信号的视听诱发情绪识别方法及系统
CN110353675A (zh) * 2019-08-14 2019-10-22 东南大学 基于图片生成的脑电信号情感识别方法及装置
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
CN112370015A (zh) * 2020-10-30 2021-02-19 复旦大学 基于格拉姆角场的生理信号质量评估方法
CN112842348A (zh) * 2021-02-07 2021-05-28 山东省人工智能研究院 一种基于特征提取与深度学习的心电信号自动分类方法

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114166890A (zh) * 2021-11-05 2022-03-11 西南交通大学 一种车载epr电缆运行年龄的估算方法
CN115130509A (zh) * 2022-06-29 2022-09-30 哈尔滨工业大学（威海） 基于条件式变分自编码器的心电信号生成方法
CN115688028A (zh) * 2023-01-05 2023-02-03 杭州华得森生物技术有限公司 肿瘤细胞生长状态检测设备
CN118177806A (zh) * 2024-05-17 2024-06-14 中南民族大学 基于图像编码的心电信号精神压力检测方法及装置

Also Published As

Publication number Publication date
CN113486752B (zh) 2023-06-16

Similar Documents

Publication Publication Date Title
CN109886273B (zh) 一种cmr图像分割分类系统
CN108596142B (zh) 一种基于PCANet的心电特征提取方法
CN113486752B (zh) 基于心电信号的情感识别方法及系统
Rani et al. Efficient 3D AlexNet architecture for object recognition using syntactic patterns from medical images
Chaurasiya et al. Binary DE-based channel selection and weighted ensemble of SVM classification for novel brain–computer interface using Devanagari script-based P300 speller paradigm
Burie et al. ICFHR2016 competition on the analysis of handwritten text in images of balinese palm leaf manuscripts
Zhang et al. Picking neural activations for fine-grained recognition
CN114224360B (zh) 一种基于改进emd-ica的eeg信号处理方法、设备及存储介质
Jothiraj et al. Classification of EEG signals for detection of epileptic seizure activities based on feature extraction from brain maps using image processing algorithms
CN105893941B (zh) 一种基于区域图像的人脸表情识别方法
Mohedano et al. Object segmentation in images using EEG signals
Das et al. An effect-size based channel selection algorithm for mental task classification in brain computer interface
Esmaeili et al. Spotting micro‐movements in image sequence by introducing intelligent cubic‐LBP
CN113963193A (zh) 车身颜色分类模型生成的方法、装置以及存储介质
Liu et al. Spatial-temporal convolutional attention for mapping functional brain networks
Jalali et al. VGA‐Net: Vessel graph based attentional U‐Net for retinal vessel segmentation
CN115105084A (zh) 基于深度学习的心搏定位分类方法、系统、介质及设备
KR20230096392A (ko) 심장 박동 분류 방법 및 장치, 그리고 심장 박동 분류 모델의 학습 방법
Nida et al. A Novel Region‐Extreme Convolutional Neural Network for Melanoma Malignancy Recognition
CN113780084A (zh) 基于生成式对抗网络的人脸数据扩增方法、电子设备和存储介质
Zhang et al. Facial expression recognition by analyzing features of conceptual regions
Ari An overview of the research work on multispectral imaging, hand gesture recognition, EEG and ECG signal processing
Hadavi et al. Classification of normal and abnormal lung ct-scan images using cellular learning automata
Gunawan et al. Classification of Japanese fagaceae wood based on microscopic image analysis
Kebriaee et al. Using an active learning semi-supervision algorithm for classifying of ECG signals and diagnosing heart diseases

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