CN113554073A - 一种融合稀疏学习和二分法的情绪状态特征选择优化方法 - Google Patents
一种融合稀疏学习和二分法的情绪状态特征选择优化方法 Download PDFInfo
- Publication number
- CN113554073A CN113554073A CN202110778531.3A CN202110778531A CN113554073A CN 113554073 A CN113554073 A CN 113554073A CN 202110778531 A CN202110778531 A CN 202110778531A CN 113554073 A CN113554073 A CN 113554073A
- Authority
- CN
- China
- Prior art keywords
- feature
- sparse
- emotional state
- optimal
- sparse learning
- 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
- 238000000034 method Methods 0.000 title claims abstract description 41
- 230000002996 emotional effect Effects 0.000 title claims abstract description 20
- 238000005457 optimization Methods 0.000 title claims abstract description 12
- 238000000605 extraction Methods 0.000 claims abstract description 8
- 238000012512 characterization method Methods 0.000 claims abstract description 7
- 238000012545 processing Methods 0.000 claims abstract description 6
- 238000012216 screening Methods 0.000 claims abstract description 6
- 230000000694 effects Effects 0.000 claims abstract description 5
- 238000010606 normalization Methods 0.000 claims abstract description 3
- 238000012163 sequencing technique Methods 0.000 claims abstract description 3
- 239000011159 matrix material Substances 0.000 claims description 14
- 238000009499 grossing Methods 0.000 claims description 6
- 238000005070 sampling Methods 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 claims description 2
- 230000008451 emotion Effects 0.000 abstract description 7
- 230000009286 beneficial effect Effects 0.000 abstract description 2
- 230000014509 gene expression Effects 0.000 description 4
- 230000008909 emotion recognition Effects 0.000 description 2
- 230000004927 fusion Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000029058 respiratory gaseous exchange Effects 0.000 description 2
- 238000010187 selection method Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000036772 blood pressure Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000000546 chi-square test Methods 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000002567 electromyography Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000007373 indentation Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000006996 mental state Effects 0.000 description 1
- 230000036544 posture Effects 0.000 description 1
- 230000035755 proliferation Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
Abstract
本发明公开了一种融合稀疏学习和二分法的情绪状态特征选择优化方法，包括获取特征集，并作归一化处理，所述特征集根据预处理生理信号特性，进行特征提取，初步筛选出表征效果好的单特征组建；利用稀疏学习算法，通过最小范数最小二乘方法求解稀疏学习系数以此判别每类信号下特征与目标类别间的相关性，并按每类特征的贡献度进行排序，结合二分法搜索出每类信号下不同的最优特征子集；把不同类生理信号下各自的最优特征子集进行融合，得到最优的情绪状态表征。本发明提出融合稀疏学习和二分法的方法，使每类信号下都具有各自不同的最优特征子集，有利于更客观的表征每类生理信号；融合不同生理信号下各自的最优特征子集，使得情绪的表征更加全面。
Description
技术领域
本发明涉及数据处理技术领域，尤其涉及一种融合稀疏学习和二分法的情绪状态特征选择优化方法。
背景技术
随人机交互的需求激增，情绪作为人的心理状态的内在反映，在许多领域已受到广泛关注。采用内在的生理信号来辨识微妙的情绪状态相比外在的表情、语音、姿势等信号源来说具有更客观的研究意义。
在生理信号特征的提取上，使用机器学习方法需要人为地提取特征。如何有效地判别所提特征的优劣，进行情绪状态表征，是研究情绪辨识的关键。常见的特征选择的方法包括方差选择法、卡方检验、互信息、稀疏学习等。特征选择的好坏直接关系到特征分类的效率。特征选择的方法应考虑每类信号下与类别目标的相关性，从而选出合适的特征。
一般认为，稀疏学习中权重系数的稀疏性与特征选择中所选择特征的稀疏性具有天然的相似性，通过适当的建模，稀疏学习的方法就可以很好的应用在特征选择的问题上。另外二分法在函数中作为一种快速求解近似值的方法，组合稀疏学习对用于搜索最优特征维度具有重要的研究价值。
发明内容
本发明的目的是提供一种融合稀疏学习和二分法的情绪状态特征选择优化方法，对生理信号特征进行了有效的选择和优化，提升状态表征效果，减少后期分类辨识的计算复杂度。
本发明为实现上述发明目的采用如下技术方案：
本发明提供了一种融合稀疏学习和二分法的情绪状态特征选择优化方法，包括：
获取情绪状态表征较好的初始特征集，并作归一化处理，所述特征集根据预处理生理信号特性，进行特征提取，初步筛选出表征效果好的单特征组建特征集；
利用稀疏学习算法，通过最小范数最小二乘方法求解稀疏学习系数以此来判别每类信号下的特征与目标类别间的相关性，并按每类特征的贡献度进行排序，结合二分法搜索出每类信号下不同的最优特征子集；
把不同类生理信号下各自的最优特征子集进行融合，得到最优的情绪状态表征。
进一步地，筛选最优特征子集包括：
进行稀疏学习，通过整理和分析特征集，构建特征矩阵D和类别信息矩阵S；
利用最小范数最小二乘法计算稀疏权重系数，并构建稀疏系数矩阵H；
依据稀疏系数矩阵H得出每个特征的特征分数F；
依据特征分数F得到有序的特征集ni，结合二分法进行特征选择优化；
对有序的特征集ni，依据缩进值δ拆分前向维度段nf和后向维度段nb，分别进行前向搜索和后向搜索，各自利用SVM分类器进行分类；
依据SVM分类器的分类结果，比较前向维度段nf和后向维度段nb的性能，性能高的特征段将作为下一次迭代的当前维度ni；
记录并比较多次迭代中最优的高性能特征段，挑出最优的高性能特征段np作为该信号下的最优特征子集。
进一步地，预处理生理信号的方法包括：
提取相关生理信号，降低采样频率，去除基线和眼电伪迹并对各类生理信号进行数据划分。
进一步地，提取的特征包括：
几何平均、调和平均、峭度、最大值、平均值、中值、最小值、阈值、斜度、标准差和方差。
进一步地，采用数据平滑处理和去趋势的方式进行特征提取。
进一步地，所述数据平滑处理和去趋势的方式包括：
移动标准差
移动方差
移动均值
移动中位数mmad＝median(|Ai-median(A)|)；
其中，A是一个移动的向量，向量的长度为N，Ai表示A中第i个向量值，μ表示均值。
本发明的有益效果如下：
本发明利用稀疏学习算法分析了特征与类别目标间的相关性，并依据每个特征对目标类别贡献度的大小对特征的重要性进行了排序；
通过最小范数最小二乘的方法求解稀疏学习系数，使其解具有唯一性；
提出融合稀疏学习和二分法的方法，使得每类信号下都具有各自不同的最优特征子集，有利于更客观的表征每类生理信号；
融合了不同生理信号下各自的最优特征子集，使得情绪的表征更加全面。
附图说明
图1为根据本发明实施例提供的一种融合稀疏学习和二分法的情绪状态特征选择优化方法的整体流程图；
图2为根据本发明实施例提供的一种融合稀疏学习和二分法的情绪状态特征选择优化方法中融合稀疏学习和二分法的原理示意图。
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。
本发明所涉及方法的整体流程图如图1所示，包括以下步骤：
步骤1：预处理相关生理信号。相关的生理信号包括：呼吸(RSP)、血压(BVP)、皮电(GSR)、肌电(EMG)及眼电(EOG)。降低采样频率至128Hz，每个训练样本去除眼电伪迹和前3秒的基线。对各类生理信号进行数据划分，6秒一段并作3秒的滑窗。
步骤2：特征提取及初步筛选。尽可能多地提取特征以便组建特征集。常见的提取的特征包括：最大值(max)、最小值(min)、方差(var)、标准差(std)、中值(median)、均值(mean)、范围(range)、几何平均(geometric mean)、调和平均(harmonic mean)。采用一些数据平滑处理和去趋势的方法，同样提取以上特征，可以获得更多不同类型下的特征值。数据平滑处理和去趋势的方法包括：
移动中位数(movmad)mmad＝median(|Ai-median(A)|)，A是一个移动的向量，向量的长度为N,Ai表示A中第i个向量值，μ表示均值。分析每个单特征的分类特征，最终从99维特征中初步筛选出54维较好的特征。
步骤3：如图2所示，利用融合稀疏学习和二分法的方法进行特征的选择和优化。首先，利用稀疏学习分析每类信号下特征与目标类别的相关性。其中，稀疏学习指为将含有稠密信息的样本找到合适的字典，将样本转化为合适的稀疏表达形式，从而使学习任务得以简化，模型复杂度得以降低。一般认为，稀疏学习中权重系数的稀疏性与特征选择中选择特征的稀疏性具有很大的关联性。因此，稀疏学习的方法可以很好的应用在特征选择的问题上。一个包含标签类别信息的类别矩阵S可以被如下定义：
S＝(s1,s2,...sk)
其中，k表示样本的类别数。si表示矩阵S中的列向量，i∈(1,2,...,k)。sil表示在当前列向量中的每一个样本值，l∈(1,2,...,m)。
已知稀疏类别矩阵si和特征矩阵D(D∈Rm×n),稀疏权重系数αi(αi∈Rn×1)可以通过表达式si＝Dαi求出。利用最小范数最小二乘法求解稀疏权重系数，使得稀疏权重系数的解具有惟一性。最终构成稀疏系数矩阵H,H＝(α1,α2,...,αk),矩阵H的第j行(j∈(1,2,...,n))表示第j个特征对于每个目标类别的贡献度。该行所有值的绝对值的和便是该特征对于k分类样本的总贡献度，每个特征的重要性用特征分数F表示，F表达式定义为
一般来说，Fj的值越高，表明该特征对于k分类样本的相关性越大。
其次，依据特征分数F对特征降序排序后得到有序的特征集ni，用二分法搜索出每类信号下不同的最优维度特征段。
二分法分前向搜索nf←δni和后向搜索nb←δni，其中i表示迭代的次数，ni表示当前的特征维度，δ表示缩进的系数，假设当前特征维度ni＝(1,...,mb,...,mf,...,mn)T，则nf表示前向的特征维度段(1,...,mb,...,mf)T，nb表示后向的特征维度段(mb,...,mf,...,mn)T，nf和nb分别依据缩进值δ(δ＝0.8)确定。
用SVM分类器分别测试并比较特征段nf和nb的性能，更高性能的特征段将被挑出作为下一次迭代中的当前特征维度ni,一共迭代8次。
记录并比较8次迭代中最优的特征子集np,所选出的特征段np便是当前信号下最优的特征子集。
最后，把多个生理信号下各自的最优特征子集进行融合，以便表征更多的同一情绪状态。最终得到的特征集便是融合稀疏学习和二分法进行特征选择优化后最优的特征维度。
为了验证本发明的有效性，本发明所用的一种基于生理信号的情绪辨识方法在国际公开的数据库DEAP(A Database for Emotion Analysis Using PhysiologicalSignals)上进行验证。随机选择一人来验证本发明方法的有效性，实验结果如表1所示。
表1本发明方法在单人s01上4分类情绪辨识的比较
注：标记*表示多路信号融合
在表1中可见本发明提出的融合稀疏学习和二分法的特征选择方法，不仅挑出各信号下最优的特征子集，减少了特征维度，而且所挑出的最优特征子集的精度明显要优于未经过特征选择的准确率，从而说明本发明特征选择方法的有效性。另外，多信号的特征融合对于同一情绪表征的效果，相比于任一单一信号都要显著提升。这亦反映了本发明的特征选择优化的方法具有不错的有效性和可靠性。
以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明技术原理的前提下，还可以做出若干改进和变形，这些改进和变形也应视为本发明的保护范围。
Claims (6)
1.一种融合稀疏学习和二分法的情绪状态特征选择优化方法，其特征在于，所述方法包括：
获取情绪状态表征较好的初始特征集，并作归一化处理，所述特征集根据预处理生理信号特性，进行特征提取，初步筛选出表征效果好的单特征组建特征集；
利用稀疏学习算法，通过最小范数最小二乘方法求解稀疏学习系数以此来判别每类信号下的特征与目标类别间的相关性，并按每类特征的贡献度进行排序，结合二分法搜索出每类信号下不同的最优特征子集；
把不同类生理信号下各自的最优特征子集进行融合，得到最优的情绪状态表征。
2.根据权利要求1所述的一种融合稀疏学习和二分法的情绪状态特征选择优化方法，其特征在于，搜索出最优特征子集包括：
进行稀疏学习，通过整理和分析特征集，构建特征矩阵D和类别信息矩阵S；
利用最小范数最小二乘法计算稀疏权重系数，并构建稀疏系数矩阵H；
依据稀疏系数矩阵H得出每个特征的特征分数F；
依据特征分数F得到有序的特征集ni，结合二分法进行特征选择优化；
对有序的特征集ni，依据缩进值δ拆分前向维度段nf和后向维度段nb，分别进行前向搜索和后向搜索，各自利用SVM分类器进行分类；
依据SVM分类器的分类结果，比较前向维度段nf和后向维度段nb的性能，性能高的特征段将作为下一次迭代的当前维度ni；
记录并比较多次迭代中最优的高性能特征段，挑出最优的高性能特征段np作为该信号下的最优特征子集。
3.根据权利要求1所述的一种融合稀疏学习和二分法的情绪状态特征选择优化方法，其特征在于，预处理生理信号的方法包括：
提取相关生理信号，降低采样频率，去除基线和眼电伪迹并对各类生理信号进行数据划分。
4.根据权利要求1所述的一种融合稀疏学习和二分法的情绪状态特征选择优化方法，其特征在于，提取的特征包括：
几何平均、调和平均、峭度、最大值、平均值、中值、最小值、阈值、斜度、标准差和方差。
5.根据权利要求4所述的一种融合稀疏学习和二分法的情绪状态特征选择优化方法，其特征在于，采用数据平滑处理和去趋势的方式进行特征提取。
6.根据权利要求5所述的一种融合稀疏学习和二分法的情绪状态特征选择优化方法，其特征在于，所述数据平滑处理和去趋势的方式包括：
移动标准差
移动方差
移动均值
移动中位数mmad＝median(|Ai-median(A)|)；
其中，A是一个移动的向量，向量的长度为N，Ai表示A中第i个向量值，μ表示均值。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110778531.3A CN113554073B (zh) | 2021-07-09 | 2021-07-09 | 一种融合稀疏学习和二分法的情绪状态特征选择优化方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110778531.3A CN113554073B (zh) | 2021-07-09 | 2021-07-09 | 一种融合稀疏学习和二分法的情绪状态特征选择优化方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113554073A true CN113554073A (zh) | 2021-10-26 |
| CN113554073B CN113554073B (zh) | 2024-03-15 |
Family
ID=78131507
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110778531.3A Active CN113554073B (zh) | 2021-07-09 | 2021-07-09 | 一种融合稀疏学习和二分法的情绪状态特征选择优化方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113554073B (zh) |
Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2012173795A (ja) * | 2011-02-17 | 2012-09-10 | Nippon Telegr & Teleph Corp <Ntt> | クラス分類装置、クラス分類方法、及びクラス分類プログラム |
| CN103413551A (zh) * | 2013-07-16 | 2013-11-27 | 清华大学 | 基于稀疏降维的说话人识别方法 |
| US20140272914A1 (en) * | 2013-03-15 | 2014-09-18 | William Marsh Rice University | Sparse Factor Analysis for Learning Analytics and Content Analytics |
| KR20160053749A (ko) * | 2014-11-05 | 2016-05-13 | 한국과학기술원 | 얼굴 영상의 다양성에 강인한 얼굴 표정 특징 분류 방법 및 시스템 |
| CN107612555A (zh) * | 2017-10-12 | 2018-01-19 | 江南大学 | 一种基于二分法的改进稀疏度自适应匹配追踪算法 |
| CN108122004A (zh) * | 2017-12-19 | 2018-06-05 | 杭州电子科技大学 | 基于Fisher判别稀疏超限学习机的脑电分类方法 |
| WO2018149133A1 (zh) * | 2017-02-17 | 2018-08-23 | 深圳大学 | 基于核非负矩阵分解的字典学习和稀疏特征表示的人脸识别方法及系统 |
| CN108836301A (zh) * | 2018-05-04 | 2018-11-20 | 江苏师范大学 | 一种基于奇异谱分析和稀疏表示的单次诱发电位提取方法 |
| CN110717418A (zh) * | 2019-09-25 | 2020-01-21 | 北京科技大学 | 一种喜好情感自动识别方法及系统 |
| CN110717547A (zh) * | 2019-10-15 | 2020-01-21 | 重庆大学 | 一种基于回归超图的学习算法 |
| CN112101401A (zh) * | 2020-07-10 | 2020-12-18 | 南京邮电大学 | 一种基于稀疏监督最小二乘多类核典型相关分析的多模态情感识别方法 |
| CN112818315A (zh) * | 2021-02-26 | 2021-05-18 | 山东大学 | 一种融合多特征信息的心电信号身份识别方法及系统 |
-
2021
- 2021-07-09 CN CN202110778531.3A patent/CN113554073B/zh active Active
Patent Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2012173795A (ja) * | 2011-02-17 | 2012-09-10 | Nippon Telegr & Teleph Corp <Ntt> | クラス分類装置、クラス分類方法、及びクラス分類プログラム |
| US20140272914A1 (en) * | 2013-03-15 | 2014-09-18 | William Marsh Rice University | Sparse Factor Analysis for Learning Analytics and Content Analytics |
| CN103413551A (zh) * | 2013-07-16 | 2013-11-27 | 清华大学 | 基于稀疏降维的说话人识别方法 |
| KR20160053749A (ko) * | 2014-11-05 | 2016-05-13 | 한국과학기술원 | 얼굴 영상의 다양성에 강인한 얼굴 표정 특징 분류 방법 및 시스템 |
| WO2018149133A1 (zh) * | 2017-02-17 | 2018-08-23 | 深圳大学 | 基于核非负矩阵分解的字典学习和稀疏特征表示的人脸识别方法及系统 |
| CN107612555A (zh) * | 2017-10-12 | 2018-01-19 | 江南大学 | 一种基于二分法的改进稀疏度自适应匹配追踪算法 |
| CN108122004A (zh) * | 2017-12-19 | 2018-06-05 | 杭州电子科技大学 | 基于Fisher判别稀疏超限学习机的脑电分类方法 |
| CN108836301A (zh) * | 2018-05-04 | 2018-11-20 | 江苏师范大学 | 一种基于奇异谱分析和稀疏表示的单次诱发电位提取方法 |
| CN110717418A (zh) * | 2019-09-25 | 2020-01-21 | 北京科技大学 | 一种喜好情感自动识别方法及系统 |
| CN110717547A (zh) * | 2019-10-15 | 2020-01-21 | 重庆大学 | 一种基于回归超图的学习算法 |
| CN112101401A (zh) * | 2020-07-10 | 2020-12-18 | 南京邮电大学 | 一种基于稀疏监督最小二乘多类核典型相关分析的多模态情感识别方法 |
| CN112818315A (zh) * | 2021-02-26 | 2021-05-18 | 山东大学 | 一种融合多特征信息的心电信号身份识别方法及系统 |
Non-Patent Citations (3)
| Title |
|---|
| 任迎春;王志成;陈宇飞;赵卫东;彭磊;: "基于流形学习和稀疏约束的快速特征提取算法", 计算机科学, no. 08, 15 August 2016 (2016-08-15) * |
| 潘礼正;尹泽明;佘世刚;袁峥峥;赵路;: "基于FCA-ReliefF的融合生理信号情绪识别研究", 计算机测量与控制, no. 02, 25 February 2020 (2020-02-25) * |
| 黄丽亚;苏义博;马捃凯;丁威威;宋传承;: "基于同步性脑网络的支持张量机情绪分类研究", 电子与信息学报, no. 10, 15 October 2020 (2020-10-15) * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113554073B (zh) | 2024-03-15 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108776788B (zh) | 一种基于脑电波的识别方法 | |
| CN111046731B (zh) | 基于表面肌电信号进行手势识别的迁移学习方法和识别方法 | |
| Uddin et al. | A guided random forest based feature selection approach for activity recognition | |
| CN111407243B (zh) | 一种基于深度学习的脉搏信号压力识别方法 | |
| CN111000553B (zh) | 一种基于投票集成学习的心电数据智能分类方法 | |
| CN110472649B (zh) | 基于多尺度分析和集成树模型的脑电情感分类方法及系统 | |
| CN112294341B (zh) | 一种基于轻量卷积神经网络的睡眠脑电纺锤波识别方法及系统 | |
| Guendil et al. | Emotion recognition from physiological signals using fusion of wavelet based features | |
| Kini et al. | Large margin mixture of AR models for time series classification | |
| CN113554110B (zh) | 一种基于二值胶囊网络的脑电情绪识别方法 | |
| CN111898526B (zh) | 基于多流卷积神经网络的肌电手势识别方法 | |
| CN111832438B (zh) | 一种面向情感识别的脑电信号通道选择方法、系统及应用 | |
| Jia et al. | The facial expression recognition method of random forest based on improved PCA extracting feature | |
| CN115359576A (zh) | 一种多模态情绪识别方法、装置、电子设备及存储介质 | |
| CN113768515A (zh) | 一种基于深度卷积神经网络的心电信号分类方法 | |
| CN113392918A (zh) | 一种基于多源信息融合的抑郁障碍相关因素识别方法 | |
| CN111053552B (zh) | 一种基于深度学习的qrs波检测方法 | |
| CN114239649B (zh) | 面向可穿戴设备光电容积脉搏波信号发现和识别新用户的身份识别方法 | |
| Wu et al. | Enhanced feature fusion through irrelevant redundancy elimination in intra-class and extra-class discriminative correlation analysis | |
| Huang et al. | Robust multi-feature collective non-negative matrix factorization for ECG biometrics | |
| CN113569924A (zh) | 一种基于支持向量机多核协作的情绪辨识分类方法 | |
| CN109033990B (zh) | 基于类内类间距离的cnn模型心拍分类方法 | |
| Jasm et al. | Deep image mining for convolution neural network | |
| Hashida et al. | Multi-channel mhlf: Lstm-fcn using macd-histogram with multi-channel input for time series classification | |
| CN113554073A (zh) | 一种融合稀疏学习和二分法的情绪状态特征选择优化方法 |
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 |