CN114305454A - 基于域对抗神经网络的疲劳状态识别方法及装置 - Google Patents
基于域对抗神经网络的疲劳状态识别方法及装置 Download PDFInfo
- Publication number
- CN114305454A CN114305454A CN202111398258.8A CN202111398258A CN114305454A CN 114305454 A CN114305454 A CN 114305454A CN 202111398258 A CN202111398258 A CN 202111398258A CN 114305454 A CN114305454 A CN 114305454A
- Authority
- CN
- China
- Prior art keywords
- domain
- electroencephalogram
- fatigue state
- feature
- fatigue
- 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
Landscapes
- 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域对抗神经网络的疲劳状态识别方法及装置,该方法包括:对原始脑电信号进行基线矫正和带通滤波处理,得到多个频段的脑电信号,对多个频段的脑电信号进行微分熵特征提取,获取多个频段的脑电微分熵特征,将多个频段的脑电微分熵特征进行拼接,构成脑电特征向量,将脑电特征向量输入域对抗迁移网络进行训练,生成疲劳状态识别模型,将待测脑电信号输入疲劳状态识别模型,输出疲劳状态识别结果。本发明通过更加鲁棒的特征提取,提高了疲劳状态识别的准确度。
Description
技术领域
本发明涉及脑电信号处理技术领域,尤其涉及一种基于域对抗神经网络的疲劳状态识别方法及装置。
背景技术
在高风险作业的领域,如航天航空、公共交通、高空作业等,需要准确的判断疲劳状态评估来确保可以承担重要任务,以此来降低人为因素带来的不可控的风险。当代社会随着工作压力和生活节奏的加快,越来越多的人无法保证良好的精神状态,从而给生产生活带来一定影响,因此,研究疲劳检测方法不仅具有学术意义,更具有实际应用价值。
常用的疲劳检测方法可分为两类:主观检测方法和客观检测方法。然而,现阶段对于疲劳的上述两种检测手段还不够成熟,在实际应用过程中存在诸多限制条件。主观检测方法如通过主观的自我评价或者引入问卷调查员,对被试进行疲劳问卷类的检测。此类问卷通过记录自评、他评、访谈、睡眠日记等多种形式内容,对过往精神状态和当前疲劳情况进行记录。然而,此类调查问卷检测方式不可证伪、不够客观,而且需要目的是记录较长时间的睡眠状态和精神状态,并不适用于即时的疲劳状态检测。
客观检测方法则通过基于被试的生理特征参数或基于被试的行为及面部特征的疲劳检测。在基于被试的生理信号疲劳状态检测系统中,系统会通过完整记录呼吸状态、肌肉运动情况、相对身体位置、血氧饱和浓度、心脏节律、皮肤阻抗、脑电信号以及心电信号等多种生理信号,交由医生进行完整地诊断和评判,较为完整地还原被试者整体精神情况,是国际公认的疲劳质量检测的金标准。此类客观检测方法检测结果较为精确,但是整体检测时间较长,而且设备复杂度较高,佩戴以及分析结果都需要多名专业人员进行配合。现阶段,在航天航空、外科手术、公共交通等诸多领域无法承担客观疲劳检测方法的代价,因此该种方法也无法在实际生产生活中得以应用。基于被试的行为及面部特征的疲劳检测方式是利用图像分析技术,识别结果一方面由于被试的特定活动会导致误差较大,不同被试疲劳表征不统一,不能根据被试进行个性化定制阈值,另一方面由于采集信息均为被试可控信息,结果的可靠性不佳。
发明内容
本发明的目的在于提供一种基于域对抗神经网络的疲劳状态识别方法及装置,以解决疲劳状态识别准确度低的问题。
为实现上述目的,本发明提供一种基于域对抗神经网络的疲劳状态识别方法,包括:
对原始脑电信号进行基线矫正和带通滤波处理,得到多个频段的脑电信号;
对多个频段所述的脑电信号进行微分熵特征提取,获取多个频段的脑电微分熵特征,将多个频段所述的脑电微分熵特征进行拼接,构成脑电特征向量;
将所述脑电特征向量输入域对抗迁移网络进行训练,生成疲劳状态识别模型,将待测脑电信号输入所述疲劳状态识别模型,输出疲劳状态识别结果。
优选地,所述脑电特征向量输入域对抗迁移网络进行训练,包括:
将所述脑电特征向量输入特征提取器,所述特征提取器根据sigmoid作为激活函数并将所述脑电特征向量映射至特征空间。
优选地,在所述特征提取器根据sigmoid作为激活函数并将所述脑电特征向量映射至特征空间之后,包括:
所述域对抗迁移网络包括标签预测器,所述标签预测器将sigmoid激活函数输出的所述脑电特征向量进行疲劳程度预测,获取疲劳程度预测结果。
优选地,在所述特征提取器根据sigmoid作为激活函数并将所述脑电特征向量映射至特征空间之后,还包括:
所述域对抗迁移网络包括域判别器,所述域判别器将sigmoid激活函数输出的所述脑电特征向量进行域分类,所述域包括源域和目标域。
优选地,所述生成疲劳状态识别模型,包括:
根据所述待测脑电信号输入所述特征提取器、所述标签预测器和所述域判别器进行训练,其中,根据训练所述标签预测器的损失和训练所述域判别器的损失,构建域对抗迁移网络的目标函数,通过最小化所述目标函数更新所述标签预测器的参数和最大化所述目标函数更新所述域判别器的参数,生成所述疲劳状态识别模型。
本发明还提供一种基于域对抗神经网络的疲劳状态识别装置,包括:
获取模块,用于对原始脑电信号进行基线矫正和带通滤波处理,得到多个频段的脑电信号;
特征提取模块,用于对多个频段所述的脑电信号进行微分熵特征提取,获取多个频段的脑电微分熵特征,将多个频段所述的脑电微分熵特征进行拼接,构成脑电特征向量;
检测模块,用于将所述脑电特征向量输入域对抗迁移网络进行训练,生成疲劳状态识别模型,将待测脑电信号输入所述疲劳状态识别模型,输出疲劳状态识别结果。
优选地,所述检测模块,还用于将所述脑电特征向量输入特征提取器,所述特征提取器根据sigmoid作为激活函数并将所述脑电特征向量映射至特征空间。
优选地,还包括第一检测模块,用于所述域对抗迁移网络包括标签预测器,所述标签预测器将sigmoid激活函数输出的所述脑电特征向量进行疲劳程度预测,获取疲劳程度预测结果。
优选地,还包括第二检测模块,用于所述域对抗迁移网络包括域判别器,所述域判别器将sigmoid激活函数输出的所述脑电特征向量进行域分类,所述域包括源域和目标域。
优选地,所述检测模块,还用于根据所述待测脑电信号输入所述特征提取器、所述标签预测器和所述域判别器进行训练,其中,根据训练所述标签预测器的损失和训练所述域判别器的损失,构建域对抗迁移网络的目标函数,通过最小化所述目标函数更新所述标签预测器的参数和最大化所述目标函数更新所述域判别器的参数,生成所述疲劳状态识别模型。
相对于现有技术,本发明的有益效果在于:
通过对获取到的原始脑电信号进行基线矫正和带通滤波处理获取多个频段的脑电信号,并对多个频段的脑电信号进行微分熵特征提取,获取多个频段的脑电微分熵特征,将多个频段的脑电微分熵特征进行拼接,构成脑电特征向量,将脑电特征向量输入域对抗迁移网络进行训练,生成疲劳状态识别模型,将待测脑电信号输入疲劳状态识别模型,输出疲劳状态识别结果。充分利用了脑电信号,消除了脑电信号个体差异性,提高了疲劳状态识别的准确度。
附图说明
为了更清楚地说明本发明的技术方案,下面将对实施方式中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施方式,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是本发明某一实施例提供的基于域对抗神经网络的疲劳状态识别方法的流程示意图;
图2是本发明某一实施例提供的基于域对抗神经网络的疲劳状态识别装置的结构示意图。
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作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。
应当理解,文中所使用的步骤编号仅是为了方便描述,不对作为对步骤执行先后顺序的限定。
应当理解,在本发明说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本发明。如在本发明说明书和所附权利要求书中所使用的那样,除非上下文清楚地指明其它情况,否则单数形式的“一”、“一个”及“该”意在包括复数形式。
术语“包括”和“包含”指示所描述特征、整体、步骤、操作、元素和/或组件的存在,但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合,并且包括这些组合。
请参阅图1,本发明某一实施例提供一种基于域对抗神经网络的疲劳状态识别方法。如图1所示,该基于域对抗神经网络的疲劳状态识别方法包括步骤S101至步骤S103。各步骤具体如下:
S101:对原始脑电信号进行基线矫正和带通滤波处理,得到多个频段的脑电信号。
具体的,对于采集到的原始脑电信号进行基线矫正和带通滤波,过滤为5个频段的脑电信号,分别为δ波(0.5-4Hz)、θ波(4-8Hz)、α波(8-12Hz)、β波(12-30Hz)和γ波(30-80Hz)。
δ波(0.5-4Hz):幅度10-20μv,常在额部出现,只在皮质内发生,常见于儿童和成年人的睡眠时,在正常清醒的成人脑波中很少见。
θ波(4-8Hz):幅度约20-150μv,散布于额区、中央区、颞区,顶区亦有少量,它们在睡眠期间加强,在婴幼儿和儿童的脑电活动中扮演了重要角色,在清醒的成年人中,高的节律被认为是异常的,并且与不同的脑部活动紊乱有关。
α波(8-12Hz):幅度约20-100μv,是大脑皮层处于清醒放松状态时电活动的主要表现,健康成年人以节律占优势,在眼睛闭合时看得最清楚,睁开眼睛或接受其他刺激时,波立即消失而呈现快波。波的频率、振幅和空域分布等因素是反应大脑机能状态的重要指标。
β波(12-30Hz):幅度约为5-20μv,以中央区和额区最为明显,波可以进一步分为和,波的频率约为13-20Hz,它与波一样受心理活动的影响,波的频率约为20-30Hz,它在中枢神经系统强烈活动或紧张时出现。
γ波(30-80Hz):幅度小于2μv,额区及中央最多,与波同属快波,是由注意或感觉刺激所引起的低幅高频波。快波增多,波幅增高是神经元兴奋性增高的表现。
S102:对多个频段所述的脑电信号进行微分熵特征提取,获取多个频段的脑电微分熵特征,将多个频段所述的脑电微分熵特征进行拼接,构成脑电特征向量。
具体的,对5个频段的脑电信号进行微分熵特征提取,微分熵(differentialentropy,DE)是香农信息熵-∑x p(x)log(p(x))在连续变量上的推广形式,如下:
对于5个频段的脑电微分熵特征进行拼接,构成预处理完毕的脑电特征向量x。
S103:将所述脑电特征向量输入域对抗迁移网络进行训练,生成疲劳状态识别模型,将待测脑电信号输入所述疲劳状态识别模型,输出疲劳状态识别结果。
具体的,域对抗迁移网络包括特征提取器、标签预测器和域判别器,脑电特征向量x,首先进入特征提取器,特征提取器目的在于将脑电特征向量映射到特定的特征空间。对于特征提取器,sigmoid作为激活函数,其输出为:
Gf(x;W,b)=sigm(Wx+b);
式中,W表示特征提取器神经网络的连接参数矩阵,b表示特征提取器神经元的偏置。
在特征提取器对脑电特征向量处理完毕后,标签预测器将sigmoid激活函数输出的脑电特征向量进行疲劳程度预测,获取疲劳程度预测结果。具体的,sigmoid激活函数首先输出到标签预测器,标签预测器目的是基于脑电信号的疲劳程度进行预测,尽可能分出正确的标签,即特征向量原始标签是疲劳还是不疲劳。对于标签预测器,softmax作为激活函数,其输出为:
Gy(Gf(x);V,c)=softmax(VGf(x)+c);
式中,V表示标签预测器神经网络的连接参数矩阵,c表示标签预测器神经元的偏置。
对于特征提取器的训练优化目标如下:
在特征提取器对脑电特征向量处理完毕后,域判别器将sigmoid激活函数输出的脑电特征向量进行域分类,域包括源域和目标域,具体的,sigmoid激活函数之后输出到域判别器,域判别器目的对是否来自源域的脑电特征向量进行分类,尽可能分出正确的标签,即特征向量来自源域还是目标域。对于域判别器,sigmoid作为激活函数,其输出为:
Gd(Gf(x);U,z)=sigm(UTGf(x)+z);
式中,U表示特征提取器神经网络的连接参数矩阵,z表示特征提取器神经元的偏置。
对于域判别器的训练优化目标为:
式中,di表示第i个样本的二元标签,表示样本属于源域或目标域。
域对抗迁移网络的总损失由两部分构成,网络的训练损失(标签预测器损失)和域判别损失。域对抗迁移网络目的是最小化源域分类误差项,最大化域分类误差项,整体目标函数是最小化问题,所以在域分类误差项前加了负号,并且引入超参数λ作为权重平衡参数。因此,域对抗迁移网络的目标函数为:
其中,通过最小化目标函数来更新标签预测器的参数,最大化目标函数来更新域判别器的参数。
式中,W表示特征提取器神经网络的连接参数矩阵,b表示特征提取器神经元的偏置,V表示标签预测器神经网络的连接参数矩阵,c表示标签预测器神经元的偏置,U表示特征提取器神经网络的连接参数矩阵,z表示特征提取器神经元的偏置。
在基于脑电的脑机接口系统中,个体差异性是将其推广至现实应用中的主要障碍之一。在跨被试脑机接口应用中,对新的未知被试数据直接使用传统方法基于已有被试数据训练的出的模型进行预测,往往会发生大幅度的精度损失。这是由于脑电数据不同于其他信号,不同被试脑电特征及分布不尽相同,即不同被试之间的数据分布差异(Inter-subject variability)所导致的现象。
域对抗神经网络通过特征提取器、标签预测器和域分类器,构建疲劳状态识别模型准确预测被试疲劳状态的同时,在脑电信号中提取了更加泛化的疲劳识别特征,建立了更加鲁棒的特征提取器模型,对原有被试的脑电信号进行了充分利用,可将源域脑电数据集有效地训练新被试的脑电数据集,解决了脑电信号采集困难,数据量不足的特点,消除了脑电信号的个体差异性。
请参阅图2,本发明另一实施例提供一种基于域对抗神经网络的疲劳状态识别装置,包括:
获取模块11,用于对原始脑电信号进行基线矫正和带通滤波处理,得到多个频段的脑电信号。
特征提取模块12,用于对多个频段所述的脑电信号进行微分熵特征提取,获取多个频段的脑电微分熵特征,将多个频段所述的脑电微分熵特征进行拼接,构成脑电特征向量。
检测模块13,用于将所述脑电特征向量输入域对抗迁移网络进行训练,生成疲劳状态识别模型,将待测脑电信号输入所述疲劳状态识别模型,输出疲劳状态识别结果。
关于基于域对抗神经网络的疲劳状态识别装置的具体限定可以参见上文中对于基于域对抗神经网络的疲劳状态识别方法的限定,在此不再赘述。上述基于域对抗神经网络的疲劳状态识别装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
以上所述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,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也视为本发明的保护范围。
Claims (10)
1.一种基于域对抗神经网络的疲劳状态识别方法,其特征在于,包括:
对原始脑电信号进行基线矫正和带通滤波处理,得到多个频段的脑电信号;
对多个频段所述的脑电信号进行微分熵特征提取,获取多个频段的脑电微分熵特征,将多个频段所述的脑电微分熵特征进行拼接,构成脑电特征向量;
将所述脑电特征向量输入域对抗迁移网络进行训练,生成疲劳状态识别模型,将待测脑电信号输入所述疲劳状态识别模型,输出疲劳状态识别结果。
2.根据权利要求1所述的基于域对抗神经网络的疲劳状态识别方法,其特征在于,所述脑电特征向量输入域对抗迁移网络进行训练,包括:
将所述脑电特征向量输入特征提取器,所述特征提取器根据sigmoid作为激活函数并将所述脑电特征向量映射至特征空间。
3.根据权利要求2所述的基于域对抗神经网络的疲劳状态识别方法,其特征在于,在所述特征提取器根据sigmoid作为激活函数并将所述脑电特征向量映射至特征空间之后,包括:
所述域对抗迁移网络包括标签预测器,所述标签预测器将sigmoid激活函数输出的所述脑电特征向量进行疲劳程度预测,获取疲劳程度预测结果。
4.根据权利要求3所述的基于域对抗神经网络的疲劳状态识别方法,其特征在于,在所述特征提取器根据sigmoid作为激活函数并将所述脑电特征向量映射至特征空间之后,还包括:
所述域对抗迁移网络包括域判别器,所述域判别器将sigmoid激活函数输出的所述脑电特征向量进行域分类,所述域包括源域和目标域。
5.根据权利要求4所述的基于域对抗神经网络的疲劳状态识别方法,其特征在于,所述生成疲劳状态识别模型,包括:
根据所述待测脑电信号输入所述特征提取器、所述标签预测器和所述域判别器进行训练,其中,根据训练所述标签预测器的损失和训练所述域判别器的损失,构建域对抗迁移网络的目标函数,通过最小化所述目标函数更新所述标签预测器的参数和最大化所述目标函数更新所述域判别器的参数,生成所述疲劳状态识别模型。
6.一种基于域对抗神经网络的疲劳状态识别装置,其特征在于,包括:
获取模块,用于对原始脑电信号进行基线矫正和带通滤波处理,得到多个频段的脑电信号;
特征提取模块,用于对多个频段所述的脑电信号进行微分熵特征提取,获取多个频段的脑电微分熵特征,将多个频段所述的脑电微分熵特征进行拼接,构成脑电特征向量;
检测模块,用于将所述脑电特征向量输入域对抗迁移网络进行训练,生成疲劳状态识别模型,将待测脑电信号输入所述疲劳状态识别模型,输出疲劳状态识别结果。
7.根据权利要求6所述的基于域对抗神经网络的疲劳状态识别装置,其特征在于,所述检测模块,还用于将所述脑电特征向量输入特征提取器,所述特征提取器根据sigmoid作为激活函数并将所述脑电特征向量映射至特征空间。
8.根据权利要求7所述的基于域对抗神经网络的疲劳状态识别装置,其特征在于,还包括第一检测模块,用于所述域对抗迁移网络包括标签预测器,所述标签预测器将sigmoid激活函数输出的所述脑电特征向量进行疲劳程度预测,获取疲劳程度预测结果。
9.根据权利要求8所述的基于域对抗神经网络的疲劳状态识别装置,其特征在于,还包括第二检测模块,用于所述域对抗迁移网络包括域判别器,所述域判别器将sigmoid激活函数输出的所述脑电特征向量进行域分类,所述域包括源域和目标域。
10.根据权利要求9所述的基于域对抗神经网络的疲劳状态识别装置,其特征在于,所述检测模块,还用于根据所述待测脑电信号输入所述特征提取器、所述标签预测器和所述域判别器进行训练,其中,根据训练所述标签预测器的损失和训练所述域判别器的损失,构建域对抗迁移网络的目标函数,通过最小化所述目标函数更新所述标签预测器的参数和最大化所述目标函数更新所述域判别器的参数,生成所述疲劳状态识别模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111398258.8A CN114305454A (zh) | 2021-11-22 | 2021-11-22 | 基于域对抗神经网络的疲劳状态识别方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111398258.8A CN114305454A (zh) | 2021-11-22 | 2021-11-22 | 基于域对抗神经网络的疲劳状态识别方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114305454A true CN114305454A (zh) | 2022-04-12 |
Family
ID=81046596
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111398258.8A Pending CN114305454A (zh) | 2021-11-22 | 2021-11-22 | 基于域对抗神经网络的疲劳状态识别方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114305454A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117493779A (zh) * | 2024-01-03 | 2024-02-02 | 小舟科技有限公司 | 一种降低视觉疲劳的ssvep信号处理方法、装置、设备及介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110772268A (zh) * | 2019-11-01 | 2020-02-11 | 哈尔滨理工大学 | 一种多模脑电信号及1dcnn迁移的驾驶疲劳状态识别方法 |
CN111626381A (zh) * | 2020-07-27 | 2020-09-04 | 北京淇瑀信息科技有限公司 | 一种基于对抗迁移的用户识别方法、装置及电子设备 |
CN112274162A (zh) * | 2020-09-18 | 2021-01-29 | 杭州电子科技大学 | 基于生成对抗域自适应的跨被试eeg疲劳状态分类方法 |
CN112426162A (zh) * | 2020-11-23 | 2021-03-02 | 重庆邮电大学 | 一种基于脑电信号节律熵的疲劳检测方法 |
-
2021
- 2021-11-22 CN CN202111398258.8A patent/CN114305454A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110772268A (zh) * | 2019-11-01 | 2020-02-11 | 哈尔滨理工大学 | 一种多模脑电信号及1dcnn迁移的驾驶疲劳状态识别方法 |
CN111626381A (zh) * | 2020-07-27 | 2020-09-04 | 北京淇瑀信息科技有限公司 | 一种基于对抗迁移的用户识别方法、装置及电子设备 |
CN112274162A (zh) * | 2020-09-18 | 2021-01-29 | 杭州电子科技大学 | 基于生成对抗域自适应的跨被试eeg疲劳状态分类方法 |
CN112426162A (zh) * | 2020-11-23 | 2021-03-02 | 重庆邮电大学 | 一种基于脑电信号节律熵的疲劳检测方法 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117493779A (zh) * | 2024-01-03 | 2024-02-02 | 小舟科技有限公司 | 一种降低视觉疲劳的ssvep信号处理方法、装置、设备及介质 |
CN117493779B (zh) * | 2024-01-03 | 2024-03-15 | 小舟科技有限公司 | 一种降低视觉疲劳的ssvep信号处理方法、装置、设备及介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Sheykhivand et al. | Recognizing emotions evoked by music using CNN-LSTM networks on EEG signals | |
Bano et al. | EEG-based brain computer interface for emotion recognition | |
Mazher et al. | An EEG-based cognitive load assessment in multimedia learning using feature extraction and partial directed coherence | |
Oweiss | Statistical signal processing for neuroscience and neurotechnology | |
Yuen et al. | Classification of human emotions from EEG signals using statistical features and neural network | |
Abbasi et al. | EEG-based neonatal sleep-wake classification using multilayer perceptron neural network | |
Zhang et al. | Children ASD evaluation through joint analysis of EEG and eye-tracking recordings with graph convolution network | |
Chang et al. | Emotion recognition with consideration of facial expression and physiological signals | |
Yudhana et al. | Human emotion recognition based on EEG signal using fast fourier transform and K-Nearest neighbor | |
CN113712507A (zh) | 评估意识障碍程度的系统、恢复倾向预测方法和存储介质 | |
Desai et al. | Electrodermal activity (EDA) for treatment of neurological and psychiatric disorder patients: a review | |
US20210374570A1 (en) | Subject-aware contrastive learning for biosignals | |
CN114305454A (zh) | 基于域对抗神经网络的疲劳状态识别方法及装置 | |
Li et al. | A segmentation-denoising network for artifact removal from single-channel EEG | |
CN111613338B (zh) | 棘慢复合波检测模型构建方法、系统 | |
Arora et al. | Unraveling depression using machine intelligence | |
Llanes-Jurado et al. | Automatic artifact recognition and correction for electrodermal activity in uncontrolled environments | |
Yauri et al. | Mental workload detection based on EEG analysis | |
Yan et al. | When do visual category representations emerge in infants’ brains? | |
Li et al. | Classification of coma/brain-death EEG dataset based on one-dimensional convolutional neural network | |
Bakheet | Complexity and synchronisation analysis of electroencephalogram signals for early prediction of neurodevelopmental disorders | |
Abdulrahman et al. | A survey of biometrics using electroencephalogram EEG | |
Singh et al. | Emotion recognition using deep convolutional neural network on temporal representations of physiological signals | |
Vadivu et al. | An Novel Versatile Inspiring Wavelet Transform and Resilient Direct Neural Network Classification Techniques for Monitoring Brain Activity System Based on EEG Signal | |
Rutkowski et al. | Mild Cognitive Impairment Detection with Machine Learning and Topological Data Analysis Applied to EEG Time-series in Facial Emotion Oddball Paradigm |
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 |