CN114403877A - 基于二维连续模型的多生理信号情绪定量评估方法 - Google Patents
基于二维连续模型的多生理信号情绪定量评估方法 Download PDFInfo
- Publication number
- CN114403877A CN114403877A CN202210069289.7A CN202210069289A CN114403877A CN 114403877 A CN114403877 A CN 114403877A CN 202210069289 A CN202210069289 A CN 202210069289A CN 114403877 A CN114403877 A CN 114403877A
- Authority
- CN
- China
- Prior art keywords
- signal
- emotion
- model
- multiple physiological
- dimensional continuous
- 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
- 230000008451 emotion Effects 0.000 title claims abstract description 41
- 238000000034 method Methods 0.000 title claims abstract description 41
- 238000011158 quantitative evaluation Methods 0.000 title claims abstract description 17
- 230000008909 emotion recognition Effects 0.000 claims abstract description 20
- 238000012549 training Methods 0.000 claims abstract description 14
- 238000011156 evaluation Methods 0.000 claims abstract description 7
- 238000007781 pre-processing Methods 0.000 claims abstract description 7
- 230000004044 response Effects 0.000 claims description 10
- 238000012545 processing Methods 0.000 claims description 9
- 238000005070 sampling Methods 0.000 claims description 8
- 230000004927 fusion Effects 0.000 claims description 5
- 230000009467 reduction Effects 0.000 claims description 5
- 238000010606 normalization Methods 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000000354 decomposition reaction Methods 0.000 claims description 3
- 125000004432 carbon atom Chemical group C* 0.000 claims description 2
- 230000008569 process Effects 0.000 claims description 2
- 238000011946 reduction process Methods 0.000 claims 1
- 238000013507 mapping Methods 0.000 description 9
- 230000006870 function Effects 0.000 description 7
- 230000000694 effects Effects 0.000 description 4
- 230000037007 arousal Effects 0.000 description 3
- 230000002996 emotional effect Effects 0.000 description 3
- 238000000605 extraction Methods 0.000 description 3
- 238000012417 linear regression Methods 0.000 description 3
- 230000036651 mood Effects 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 238000011002 quantification Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 125000006850 spacer group Chemical group 0.000 description 2
- 230000006399 behavior Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000012886 linear function Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000029058 respiratory gaseous exchange Effects 0.000 description 1
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
- A61B5/02—Detecting, measuring or recording pulse, heart rate, blood pressure or blood flow; Combined pulse/heart-rate/blood pressure determination; Evaluating a cardiovascular condition not otherwise provided for, e.g. using combinations of techniques provided for in this group with electrocardiography or electroauscultation; Heart catheters for measuring blood pressure
- A61B5/0205—Simultaneously evaluating both cardiovascular conditions and different types of body conditions, e.g. heart and respiratory condition
-
- 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
-
- 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]
- A61B5/33—Heart-related electrical modalities, e.g. electrocardiography [ECG] specially adapted for cooperation with other devices
-
- 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
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Pathology (AREA)
- Heart & Thoracic Surgery (AREA)
- Veterinary Medicine (AREA)
- Public Health (AREA)
- Animal Behavior & Ethology (AREA)
- Surgery (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Medical Informatics (AREA)
- Cardiology (AREA)
- Psychiatry (AREA)
- Artificial Intelligence (AREA)
- Physiology (AREA)
- Social Psychology (AREA)
- Psychology (AREA)
- Hospice & Palliative Care (AREA)
- Educational Technology (AREA)
- Developmental Disabilities (AREA)
- Pulmonology (AREA)
- Child & Adolescent Psychology (AREA)
- Evolutionary Computation (AREA)
- Fuzzy Systems (AREA)
- Mathematical Physics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Signal Processing (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二维连续模型的多生理信号情绪定量评估方法,该方法包括:采集多生理信号数据并进行预处理,得到预处理后的信号;对预处理后的信号进行时域特征、频域特征和非线性域特征提取处理,得到多生理信号特征;将多生理信号特征进行融合并训练支持向量回归模型,得到情绪识别模型;获取待测信号并输入至情绪识别模型,输出情绪评估结果。通过使用本发明,能够利用生理信号对情绪客观准确的分析,且具有一定的普适性。本发明作为一种基于二维连续模型的多生理信号情绪定量评估方法,可广泛应用于预测分析领域。
Description
技术领域
本发明涉及预测分析领域,尤其涉及一种基于二维连续模型的多生理信号情绪定量评估方法。
背景技术
个体由于内在因素和外在因素引起的心理变化、生理变化和行为举止上的变化都归咎于自身情绪的变化,情绪可以被感知,被识别。受试者之间的个体变异性极大地复杂化了情感自动识别模型的开发。为了达到对个体情绪状态定量的目的,需要有效的方法来定量评估情绪。到目前为止,临床上最常用的评估情绪状态的方法有量表问卷评估,该方法容易受到患者自身意识的影响,主观性强。
发明内容
为了解决上述技术问题,本发明的目的是提供一种基于二维连续模型的多生理信号情绪定量评估方法,能够利用生理信号对情绪客观准确的分析,且具有一定的普适性。
本发明所采用的技术方案是:一种基于二维连续模型的多生理信号情绪定量评估方法,包括以下步骤:
采集多生理信号数据并进行预处理,得到预处理后的信号;
对预处理后的信号进行时域特征、频域特征和非线性域特征提取处理,得到多生理信号特征;
将多生理信号特征进行融合并训练支持向量回归模型,得到情绪识别模型;
获取待测信号并输入至情绪识别模型,输出情绪评估结果。
进一步,还包括:
以均方误差、平均绝对误差和决定系数R方作为评估指标评价情绪识别模型。
进一步,所述多生理信号数据包括心电原始信号、脉搏波原始信号和皮肤电原始信号。
进一步,所述采集多生理信号数据并进行预处理,得到预处理后的信号这一步骤,其具体包括:
基于巴特沃斯滤波器对心电原始信号和脉搏波原始信号进行降噪处理,得到降噪后的心电信号和降噪后的脉搏波信号;
对皮肤电原始信号进行降采样和信号分解处理,得到分解后的皮肤电信号。
进一步,降噪处理的计算公式表示如下:
进一步,所述将多生理信号特征进行融合并训练支持向量回归模型,得到情绪识别模型这一步骤,其具体包括:
将多生理信号特征进行归一化处理,得到归一化后的特征;
将归一化后的特征进行串联级融合,得到融合后的多生理信号特征;
将融合后的多生理信号特征作为解释变量、预构建的真实标签作为响应变量,结合回归方程训练支持向量回归模型,得到情绪识别模型。
进一步,归一化处理的公式表示如下:
上式中,xi表示原始特征值,min{x}和max{x}分别表示原始特征集中的最小值和最大值。
进一步,回归方程的公式表示如下:
本发明方法的有益效果是:本发明通过多生理信号作为模型的输入,定量计算情绪效价和唤醒度,解决了线性回归中存在解释变量和响应变量之间的非线性映射关系问题,同时,利用支持向量回归预测方法实现情绪状态量化识别,提高了预测值和真实值之间的拟合效果,降低了个体差异对情绪量化评估的影响。
附图说明
图1是本发明一种基于二维连续模型的多生理信号情绪定量评估方法的步骤流程图;
图2是SVR基础模型示意图;
图3是本发明具体实施例选用SVR模型的特征映射示意图。
具体实施方式
下面结合附图和具体实施例对本发明做进一步的详细说明。对于以下实施例中的步骤编号,其仅为了便于阐述说明而设置,对步骤之间的顺序不做任何限定,实施例中的各步骤的执行顺序均可根据本领域技术人员的理解来进行适应性调整。
如图1所示,本发明提供了一种基于二维连续模型的多生理信号情绪定量评估方法,该方法包括以下步骤:
S1、采集多生理信号数据并进行预处理,得到预处理后的信号;
具体地,所述多生理信号数据包括心电原始信号、脉搏波原始信号和皮肤电原始信号,心电、脉搏波原始信号因受呼吸、肌电、工频干扰等噪声的影响,导致信号质量高低不齐,需要对信号进行降噪处理有利于后续的特征提取。皮肤电原始信号采样率比实际需要的高很多,因此对其进行降采样处理,又因皮肤电信号可根据波形对其分解,故利用cvxEDA算法对皮肤电信号进行分解,为特征提取提供了更多的选择。
S1.1、基于巴特沃斯滤波器对心电原始信号和脉搏波原始信号进行降噪处理,得到降噪后的心电信号和降噪后的脉搏波信号;
具体地,本发明采用巴特沃斯滤波器对心电和脉搏波原始信号进行降噪处理,它的原理是通频带内的频率响应曲线最大限度的平坦,没有起伏,而在阻频带则逐渐下降为零。巴特沃斯低通滤波器可用振幅的平方公式表示,计算公式如下:
S1.2、对皮肤电原始信号进行降采样和信号分解处理,得到分解后的皮肤电信号。
具体地,由于皮肤电原始信号采样率较高,可将采样率降低至4hz。又因皮肤电信号是由皮肤电导水平和皮肤电导反应组成,因此本发明使用CvxEDA算法分解皮肤电降采样后的信号。
S2、对预处理后的信号进行时域特征、频域特征和非线性域特征提取处理,得到多生理信号特征;
S3、将多生理信号特征进行融合并训练支持向量回归模型,得到情绪识别模型;
S3.1、将多生理信号特征进行归一化处理,得到归一化后的特征;
具体地,本发明利用各生理信号的特点提取相应的特征,其中包括了时域特征、频域特征以及非线性域特征。特征数据尺度不一致,会造成计算复杂度增加,因此需要对不同尺度的特征进行归一化处理,归一化是将样本的特征值变换到一个范围内,本研究方法中将三个尺度的所有特征归一化到[0,1]的范围,归一化方法如下:
上式中,xi表示原始特征值,min{x}和max{x}分别表示原始特征集中的最小值和最大值。
S3.2、将归一化后的特征进行串联级融合,得到融合后的多生理信号特征;
S3.3、将融合后的多生理信号特征作为解释变量、预构建的真实标签作为响应变量,结合回归方程训练支持向量回归模型,得到情绪识别模型。
具体地,对归一化后的特征进行串联级融合后输入到回归预测模块中,相关研究表明,生理特征与情绪的对应关系不只是简单的线性映射,其中还包括了非线性映射,对此我们将机器学习中支持向量回归(Support Vector Regression,SVR)作为本技术方法中模型的回归预测器,SVR中核函数包括了线性、高斯、径向基和多项式等。
在构建情绪回归预测模型之前,需要确立解释变量和响应变量,由上述步骤可得解释变量为融合后的多生理信号特征,响应变量(真实标签值)为情绪诱发材料每张图片的效价和唤醒度,两个维度的范围为[1,9],可取中间整数和小数。情绪效价和唤醒度对应的二维连续情绪模型横坐标和纵坐标,属于回归预测的部分,由于特征与情绪之间的映射存在线性和非线性关系,常用的多元线性回归方程已无法满足对情绪精确定量的目的,因此本发明选用支持向量回归模型(SVR)作为情绪定量的模型,该模型有大量的核函数可以使用,从而可以很灵活的来解决各种非线性的回归问题。SVR的样本点最终只有一类,它所寻求的最优超平面不是SVM那样使两类或多类样本点分的“最开”,而是使所有的样本点离着超平面的总偏差最小。SVR在线性函数两侧制造了一个“间隔带”,对于所有落入到间隔带内的样本,都不计算损失;只有间隔带之外的,才计入损失函数。之后再通过最小化间隔带的宽度与总损失来优化模型。如图2所示。实际中,我们会经常遇到线性不可分的样例,此时,我们的常用做法是把样例特征映射到高维空间中,解决非线性映射的问题,本发明中生理信号特征与情绪存在非线性映射关系,因此选用SVR模型,映射示意图参照图3。
SVR的线性方程公式如下:
f(x)=w·x+b
其中w是在SVR中求解的超平面,b为常数项。我们可以将此问题重写为凸优化问题:
其中位于边界内的点满足条件:
||yi-(w·xi+b))||≤ε
上式中,每个训练实例都有自己对应的ξi,用于确定训练实例是否超出了ε的范围,惩罚参数C>0权衡f(x)的平坦度和允许的偏差大于ε的程度。方程的优化问题可用拉格朗日乘子法和标准二次规划法求解,最后回归方程为:
S4、获取待测信号并输入至情绪识别模型,输出情绪评估结果。
进一步作为本方法的优选实施例,还包括:
S5、以均方误差、平均绝对误差和决定系数R方作为评估指标评价情绪识别模型。
具体地,预测值与真实值之间的均方误差(Mean Squared Error,MSE):
预测值和真实值之间的平均绝对误差(Mean Absolute Error,MAE):
以及预测值和真实值之间的决定系数R方(R Squared,R2):
本发明利用支持向量回归方法达到了情绪状态定量的目的,解决了线性回归中存在解释变量和响应变量之间的非线性映射关系的问题,提高了预测值和真实值之间的拟合效果,实现了对个体情绪的精准定位。
一种基于二维连续模型的多生理信号情绪定量评估系统,包括:
数据获取模块,用于采集多生理信号数据并进行预处理,得到预处理后的信号;
特征提取模块,用于对预处理后的信号进行时域特征、频域特征和非线性域特征提取处理,得到多生理信号特征;
训练模块,用于将多生理信号特征进行融合并训练支持向量回归模型,得到情绪识别模型;
情绪识别模块,用于获取待测信号并输入至情绪识别模型,输出情绪评估结果。
一种基于二维连续模型的多生理信号情绪定量评估装置:
至少一个处理器;
至少一个存储器,用于存储至少一个程序;
当所述至少一个程序被所述至少一个处理器执行,使得所述至少一个处理器实现如上所述一种基于二维连续模型的多生理信号情绪定量评估方法。
上述方法实施例中的内容均适用于本装置实施例中,本装置实施例所具体实现的功能与上述方法实施例相同,并且达到的有益效果与上述方法实施例所达到的有益效果也相同。
一种存储介质,其中存储有处理器可执行的指令,其特征在于:所述处理器可执行的指令在由处理器执行时用于实现如上所述一种基于二维连续模型的多生理信号情绪定量评估方法。
上述方法实施例中的内容均适用于本存储介质实施例中,本存储介质实施例所具体实现的功能与上述方法实施例相同,并且达到的有益效果与上述方法实施例所达到的有益效果也相同。
以上是对本发明的较佳实施进行了具体说明,但本发明创造并不限于所述实施例,熟悉本领域的技术人员在不违背本发明精神的前提下还可做作出种种的等同变形或替换,这些等同的变形或替换均包含在本申请权利要求所限定的范围内。
Claims (8)
1.基于二维连续模型的多生理信号情绪定量评估方法,其特征在于,包括以下步骤:
采集多生理信号数据并进行预处理,得到预处理后的信号;
对预处理后的信号进行时域特征、频域特征和非线性域特征提取处理,得到多生理信号特征;
将多生理信号特征进行融合并训练支持向量回归模型,得到情绪识别模型;
获取待测信号并输入至情绪识别模型,输出情绪评估结果。
2.根据权利要求1所述一种基于二维连续模型的多生理信号情绪定量评估方法,其特征在于,还包括:
以均方误差、平均绝对误差和决定系数R方作为评估指标评价情绪识别模型。
3.根据权利要求2所述一种基于二维连续模型的多生理信号情绪定量评估方法,其特征在于,所述多生理信号数据包括心电原始信号、脉搏波原始信号和皮肤电原始信号。
4.根据权利要求3所述一种基于二维连续模型的多生理信号情绪定量评估方法,其特征在于,所述采集多生理信号数据并进行预处理,得到预处理后的信号这一步骤,其具体包括:
基于巴特沃斯滤波器对心电原始信号和脉搏波原始信号进行降噪处理,得到降噪后的心电信号和降噪后的脉搏波信号;
对皮肤电原始信号进行降采样和信号分解处理,得到分解后的皮肤电信号。
6.根据权利要求5所述一种基于二维连续模型的多生理信号情绪定量评估方法,其特征在于,所述将多生理信号特征进行融合并训练支持向量回归模型,得到情绪识别模型这一步骤,其具体包括:
将多生理信号特征进行归一化处理,得到归一化后的特征;
将归一化后的特征进行串联级融合,得到融合后的多生理信号特征;
将融合后的多生理信号特征作为解释变量、预构建的真实标签作为响应变量,结合回归方程训练支持向量回归模型,得到情绪识别模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210069289.7A CN114403877A (zh) | 2022-01-21 | 2022-01-21 | 基于二维连续模型的多生理信号情绪定量评估方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210069289.7A CN114403877A (zh) | 2022-01-21 | 2022-01-21 | 基于二维连续模型的多生理信号情绪定量评估方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114403877A true CN114403877A (zh) | 2022-04-29 |
Family
ID=81275472
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210069289.7A Pending CN114403877A (zh) | 2022-01-21 | 2022-01-21 | 基于二维连续模型的多生理信号情绪定量评估方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114403877A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115429272A (zh) * | 2022-09-16 | 2022-12-06 | 济南大学 | 基于多模态生理信号的心理健康状态评估方法及系统 |
Citations (22)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106650037A (zh) * | 2016-11-30 | 2017-05-10 | 国网江苏省电力公司盐城供电公司 | 一种基于支持向量机回归的避雷器状态诊断方法 |
CN107007291A (zh) * | 2017-04-05 | 2017-08-04 | 天津大学 | 基于多生理参数的紧张情绪强度识别系统及信息处理方法 |
CN107239769A (zh) * | 2017-06-16 | 2017-10-10 | 西南大学 | 一种使用多通道信息融合的个人情感效价识别方法 |
CN108742660A (zh) * | 2018-07-02 | 2018-11-06 | 西北工业大学 | 一种基于可穿戴设备的情绪识别方法 |
CN109036466A (zh) * | 2018-08-01 | 2018-12-18 | 太原理工大学 | 面向情感语音识别的情感维度pad预测方法 |
CN109124619A (zh) * | 2017-06-16 | 2019-01-04 | 西南大学 | 一种使用多通道信息融合的个人情感唤醒度识别方法 |
CN109360629A (zh) * | 2018-09-30 | 2019-02-19 | 深圳个人数据管理服务有限公司 | 基于机器学习的情绪预测方法、装置、设备和存储介质 |
CN109389164A (zh) * | 2018-09-28 | 2019-02-26 | 浙江大学 | 基于支持向量回归模型的地区单位gdp能耗预测方法 |
CN109685366A (zh) * | 2018-12-24 | 2019-04-26 | 中国人民解放军32181部队 | 基于异变数据的装备健康状态评估方法 |
CN109871831A (zh) * | 2019-03-18 | 2019-06-11 | 太原理工大学 | 一种情感识别方法及系统 |
CN110558960A (zh) * | 2019-09-10 | 2019-12-13 | 重庆大学 | 一种基于ptt和miv-ga-svr的连续血压无创监测方法 |
CN110619301A (zh) * | 2019-09-13 | 2019-12-27 | 道和安邦(天津)安防科技有限公司 | 一种基于双模态信号的情绪自动识别方法 |
CN110946576A (zh) * | 2019-12-31 | 2020-04-03 | 西安科技大学 | 一种基于宽度学习的视觉诱发电位识别情绪方法 |
CN111419250A (zh) * | 2020-04-08 | 2020-07-17 | 恒爱高科(北京)科技有限公司 | 一种基于脉搏波的情绪识别方法 |
CN111832431A (zh) * | 2020-06-23 | 2020-10-27 | 杭州电子科技大学 | 一种基于cnn的情绪脑电分类方法 |
CN111881812A (zh) * | 2020-07-24 | 2020-11-03 | 中国中医科学院针灸研究所 | 用于针灸的基于深度学习的多模态情绪分析方法及系统 |
CN112597967A (zh) * | 2021-01-05 | 2021-04-02 | 沈阳工业大学 | 沉浸式虚拟环境、多模态生理信号的情绪识别方法及装置 |
CN112656427A (zh) * | 2020-11-26 | 2021-04-16 | 山西大学 | 一种基于维度模型的脑电信号情绪识别方法 |
CN113205233A (zh) * | 2021-06-10 | 2021-08-03 | 湖北东湖实验室 | 基于灰狼算法和多核支持向量回归的锂电池寿命预测方法 |
CN113197579A (zh) * | 2021-06-07 | 2021-08-03 | 山东大学 | 一种基于多模态信息融合的智能心理评估方法及系统 |
CN113743010A (zh) * | 2021-08-31 | 2021-12-03 | 三峡大学 | 基于eemd能量熵的滚动轴承运行状态评估方法 |
CN113837356A (zh) * | 2021-08-24 | 2021-12-24 | 华南师范大学 | 基于融合神经网络的污水处理智能预测方法 |
-
2022
- 2022-01-21 CN CN202210069289.7A patent/CN114403877A/zh active Pending
Patent Citations (22)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106650037A (zh) * | 2016-11-30 | 2017-05-10 | 国网江苏省电力公司盐城供电公司 | 一种基于支持向量机回归的避雷器状态诊断方法 |
CN107007291A (zh) * | 2017-04-05 | 2017-08-04 | 天津大学 | 基于多生理参数的紧张情绪强度识别系统及信息处理方法 |
CN107239769A (zh) * | 2017-06-16 | 2017-10-10 | 西南大学 | 一种使用多通道信息融合的个人情感效价识别方法 |
CN109124619A (zh) * | 2017-06-16 | 2019-01-04 | 西南大学 | 一种使用多通道信息融合的个人情感唤醒度识别方法 |
CN108742660A (zh) * | 2018-07-02 | 2018-11-06 | 西北工业大学 | 一种基于可穿戴设备的情绪识别方法 |
CN109036466A (zh) * | 2018-08-01 | 2018-12-18 | 太原理工大学 | 面向情感语音识别的情感维度pad预测方法 |
CN109389164A (zh) * | 2018-09-28 | 2019-02-26 | 浙江大学 | 基于支持向量回归模型的地区单位gdp能耗预测方法 |
CN109360629A (zh) * | 2018-09-30 | 2019-02-19 | 深圳个人数据管理服务有限公司 | 基于机器学习的情绪预测方法、装置、设备和存储介质 |
CN109685366A (zh) * | 2018-12-24 | 2019-04-26 | 中国人民解放军32181部队 | 基于异变数据的装备健康状态评估方法 |
CN109871831A (zh) * | 2019-03-18 | 2019-06-11 | 太原理工大学 | 一种情感识别方法及系统 |
CN110558960A (zh) * | 2019-09-10 | 2019-12-13 | 重庆大学 | 一种基于ptt和miv-ga-svr的连续血压无创监测方法 |
CN110619301A (zh) * | 2019-09-13 | 2019-12-27 | 道和安邦(天津)安防科技有限公司 | 一种基于双模态信号的情绪自动识别方法 |
CN110946576A (zh) * | 2019-12-31 | 2020-04-03 | 西安科技大学 | 一种基于宽度学习的视觉诱发电位识别情绪方法 |
CN111419250A (zh) * | 2020-04-08 | 2020-07-17 | 恒爱高科(北京)科技有限公司 | 一种基于脉搏波的情绪识别方法 |
CN111832431A (zh) * | 2020-06-23 | 2020-10-27 | 杭州电子科技大学 | 一种基于cnn的情绪脑电分类方法 |
CN111881812A (zh) * | 2020-07-24 | 2020-11-03 | 中国中医科学院针灸研究所 | 用于针灸的基于深度学习的多模态情绪分析方法及系统 |
CN112656427A (zh) * | 2020-11-26 | 2021-04-16 | 山西大学 | 一种基于维度模型的脑电信号情绪识别方法 |
CN112597967A (zh) * | 2021-01-05 | 2021-04-02 | 沈阳工业大学 | 沉浸式虚拟环境、多模态生理信号的情绪识别方法及装置 |
CN113197579A (zh) * | 2021-06-07 | 2021-08-03 | 山东大学 | 一种基于多模态信息融合的智能心理评估方法及系统 |
CN113205233A (zh) * | 2021-06-10 | 2021-08-03 | 湖北东湖实验室 | 基于灰狼算法和多核支持向量回归的锂电池寿命预测方法 |
CN113837356A (zh) * | 2021-08-24 | 2021-12-24 | 华南师范大学 | 基于融合神经网络的污水处理智能预测方法 |
CN113743010A (zh) * | 2021-08-31 | 2021-12-03 | 三峡大学 | 基于eemd能量熵的滚动轴承运行状态评估方法 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115429272A (zh) * | 2022-09-16 | 2022-12-06 | 济南大学 | 基于多模态生理信号的心理健康状态评估方法及系统 |
CN115429272B (zh) * | 2022-09-16 | 2024-04-30 | 济南大学 | 基于多模态生理信号的心理健康状态评估方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Seal et al. | DeprNet: A deep convolution neural network framework for detecting depression using EEG | |
Subasi | Epileptic seizure detection using dynamic wavelet network | |
Ghosh et al. | Automated eye blink artefact removal from EEG using support vector machine and autoencoder | |
Roy et al. | Image denoising by data adaptive and non-data adaptive transform domain denoising method using EEG signal | |
Li et al. | An improved sparse representation over learned dictionary method for seizure detection | |
Mohammadi et al. | Automatic seizure detection using a highly adaptive directional time–frequency distribution | |
CN114391846A (zh) | 一种基于过滤式特征选择的情绪识别方法及系统 | |
Artursson et al. | Wavelet transform of electronic tongue data | |
CN114403877A (zh) | 基于二维连续模型的多生理信号情绪定量评估方法 | |
Rasoulzadeh et al. | A comparative stationarity analysis of EEG signals | |
Jaleel et al. | Improved spindle detection through intuitive pre-processing of electroencephalogram | |
Wang et al. | Fatigue detection of vehicular driver through skin conductance, pulse oximetry and respiration: A random forest classifier | |
Sase et al. | Estimating the level of dynamical noise in time series by using fractal dimensions | |
CN116525063B (zh) | 基于时频分析的睡眠周期性检测及调节方法、系统和装置 | |
CN116392088A (zh) | 基于时频分析的睡眠趋稳性量化及调节方法、系统和装置 | |
Acır et al. | Automatic recognition of sleep spindles in EEG via radial basis support vector machine based on a modified feature selection algorithm | |
CN113143275B (zh) | 一种样本与特征质量联合量化评估的脑电疲劳检测方法 | |
CN113925495B (zh) | 结合统计学习和时频分析的动静脉瘘异常震颤信号识别系统及方法 | |
Costa | Estimation of the noise autocorrelation function in auditory evoked potential applications | |
Sianipar et al. | Performance Analysis of Classifier in Detecting Epileptic Seizure Based on Discrete Wavelet Transform | |
Übeyli | Detection of electrocardiogram beats using a fuzzy similarity index | |
CN111783857A (zh) | 基于非线性网络信息图的运动想象脑机接口 | |
Wȩsierski et al. | Rating by detection: an artifact detection protocol for rating EEG quality with average event duration | |
Abdou et al. | Neural networks for biomedical signals classification based on empirical mode decomposition and principal component analysis | |
Kim et al. | Revealing functional connectivity by learning graph Laplacian |
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 |