CN115192040A - 基于庞加莱图和二阶差分图的脑电情绪识别方法及装置 - Google Patents
基于庞加莱图和二阶差分图的脑电情绪识别方法及装置 Download PDFInfo
- Publication number
- CN115192040A CN115192040A CN202210839513.6A CN202210839513A CN115192040A CN 115192040 A CN115192040 A CN 115192040A CN 202210839513 A CN202210839513 A CN 202210839513A CN 115192040 A CN115192040 A CN 115192040A
- Authority
- CN
- China
- Prior art keywords
- electroencephalogram
- poincare
- order difference
- signal
- emotion recognition
- 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
Images
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
- A61B5/316—Modalities, i.e. specific diagnostic methods
- A61B5/369—Electroencephalography [EEG]
- A61B5/372—Analysis of electroencephalograms
-
- 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
- A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
- A61B5/316—Modalities, i.e. specific diagnostic methods
- A61B5/369—Electroencephalography [EEG]
- A61B5/372—Analysis of electroencephalograms
- A61B5/374—Detecting the frequency distribution of signals, e.g. detecting delta, theta, alpha, beta or gamma waves
-
- 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
- A61B5/7253—Details of waveform analysis characterised by using transforms
- A61B5/726—Details of waveform analysis characterised by using transforms using Wavelet transforms
-
- 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)
- Psychiatry (AREA)
- Physics & Mathematics (AREA)
- Medical Informatics (AREA)
- General Health & Medical Sciences (AREA)
- Veterinary Medicine (AREA)
- Public Health (AREA)
- Animal Behavior & Ethology (AREA)
- Biophysics (AREA)
- Pathology (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Surgery (AREA)
- Molecular Biology (AREA)
- Artificial Intelligence (AREA)
- Signal Processing (AREA)
- Psychology (AREA)
- Physiology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Power Engineering (AREA)
- Fuzzy Systems (AREA)
- Mathematical Physics (AREA)
- Child & Adolescent Psychology (AREA)
- Developmental Disabilities (AREA)
- Educational Technology (AREA)
- Hospice & Palliative Care (AREA)
- Social Psychology (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
本发明涉及信号处理、情绪识别技术领域,为实现情绪脑电信号更全面更深入的非线性分析,提高情绪识别的准确性,本发明,基于庞加莱图和二阶差分图的脑电情绪识别方法及装置,步骤如下:步骤S1:采集脑电信号;步骤S2:对脑电信号预处理;步骤S3:对所述预处理信号分解和重构;步骤S4:对预处理信号提取所有本征模函数;步骤S5:绘制各个频带脑电信号的庞加莱图;步骤S6:绘制各个本征模函数的二阶差分图;步骤S7:提取所述庞加莱图的特征;步骤S8:提取所述二阶差分图的特征;步骤S9:进行特征拼接、筛选和降维,得到特征子集;步骤S10:将特征子集输入至分类器中进行分类。本发明主要应用于情绪识别场合。
Description
技术领域
本发明涉及信号处理、情绪识别技术领域,尤其涉及一种基于庞加莱图和二阶差分图的脑电情绪识别方法及装置,具体涉及基于庞加莱图和二阶差分图的脑电情绪识别方法及装置。
背景技术
情绪与人类的生活密切相关,积极的情绪可以提高人们的生活质量,而负面情绪会对人的生活产生消极影响。情绪识别技术可以在医疗康复、交通、军事、教育、游戏娱乐等领域实现更自然的人机交互。脑电图(EEG)被认为是一种有效表征不同情绪的生理信号,因为脑电图可以客观地记录我们的大脑活动,而人脑是情绪处理的中枢神经系统。
应采取适当的方法从脑电图中提取有意义的信息。大量的研究人员基于线性信号处理进行脑电情绪识别研究,包括时域测量、统计特征、谱分析等方法。尽管使用这些技术获得了相对较好的结果,但它们忽略了脑电信号的非线性和非平稳性,例如傅里叶变换无法从非线性和非平稳的复杂生物信号中提取有意义的信息。因此又有一些研究人员使用非线性测量方法,包括近似熵、李雅普诺夫指数、相关维数和样本熵,以评估情绪过程中脑电信号的动态变化。现有技术大多只使用单一的非线性分析技术提取特征,没有对情绪脑电信号进行更全面更深入的非线性分析,情绪脑电信号中的细微变化和隐含特征没有被充分挖掘。一些现有技术使用深度模型包括深度信念网络(DBN)、双向长短时记忆网络(Bi-LSTM)模型、卷积神经网络(CNN)等对脑电信号非线性分析的计算复杂,不适用于便携式装置。
发明内容
为克服现有技术的不足,本发明旨在提出一种基于庞加莱图和二阶差分图的脑电情绪识别方法及装置,以实现情绪脑电信号更全面更深入的非线性分析,挖掘情绪脑电信号中的细微变化和隐含特征,提高情绪识别的准确性且更加适用于便携式装置。为此,本发明采取的技术方案是,基于庞加莱图和二阶差分图的脑电情绪识别方法,步骤如下:
步骤S1:基于用户头皮表面的传感器采集脑电信号;
步骤S2:对所述脑电信号预处理,得到预处理信号;
步骤S3:使用双树复小波包变换对所述预处理信号分解和重构,得到特定频带的脑电信号。
步骤S4:使用经验模态分解对所述预处理信号提取所有本征模函数;
步骤S5:绘制各个频带脑电信号的庞加莱图;
步骤S6:绘制各个本征模函数的二阶差分图;
步骤S7:提取所述庞加莱图的特征;
步骤S8:提取所述二阶差分图的特征;
步骤S9:将所述S7和S8得到的庞加莱图和二阶差分图的特征拼接、筛选和降维,得到特征子集;
步骤S10:将特征子集输入至分类器中进行分类,完成情绪识别。
进一步,还包括:
步骤S11:根据情绪识别结果,自适应地调整人机交互模式。如果用户长时间处于负性情绪状态(如悲伤、恐惧、愤怒、厌恶),提示专家进行心理状态干预。所述步骤S2详细步骤如下:
S2.1对脑电信号进行带通滤波和陷波滤波去除基线漂移、高频噪声和工频干扰;
S2.2对S2.1得到的脑电信号应用独立分量分析ICA(Independent ComponentAnalysis),去除眼电、肌电等伪迹,得到预处理信号。
所述步骤S3详细步骤如下:
S3.1基于双树复小波包变换方法对所述步骤S2的预处理信号进行n层双树复小波包分解,将预处理信号分解为2n个子频带,对于[0,fs]信号,各子频带的频率范围分别为[0,fs/2n]、 [fs/2n,2×fs/2n]、[2×fs/2n,3×fs/2n]……[(2n-1)×fs/2n,2n×fs/2n];
S3.2对2n个子频带信号进行双树复小波包逆变换重构,得到特定频带的脑电信号。
所述步骤S5具体包括:
S5.1将所述步骤S3得到的各个频带的脑电信号通过矩形窗分段;
S5.2对每个窗口的分频带脑电信号绘制庞加莱图:将每个窗口的脑电时间序列视为X1, X2,X3…,XN,以序列的当前值Xi作为x轴变量,下一时刻序列Xi+1为作为y轴变量在笛卡尔坐标系中绘制数据点(X1,X2)(X2,X3)(X3,X4)…,(Xi,Xi+1),得到序列Xi的庞加莱图,Xi是每个脑电信号采样点,其中i∈1,2,...,N-1,N是窗口中采样点的个数,共得到频带数×窗口数张庞加莱图。
所述步骤S6具体包括:
S6.1将所述步骤S4得到的各个本征模函数通过矩形窗分段;
S6.2对每个窗口的本征模函数绘制二阶差分图:将第k个本征模函数的时间序列视为 IMFk(1),IMFk(2),IMFk(3),…,IMFk(N),令Xi=IMFk(i+1)-IMFk(i), Yi=IMFk(i+2)-IMFk(i+1),以Xi作为x轴变量,Yi为作为y轴变量在笛卡尔坐标系中绘制数据点(X1,Y1),(X2,Y2),(X3,Y3),…,(Xi,Yi),得到序列IMFk的二阶差分图,Xi是每个脑电信号采样点,其中i∈1,2,...,N-2,N是窗口中采样点的个数,共得到本征模函数的个数×窗口数张二阶差分图。
所述步骤S7中提取的特征具体包括:
(1)位于恒等线y=x上的点数N
(2)庞加莱图拟合椭圆的短轴SD1垂直于恒等线y=x,长轴SD2沿着恒等线y=x方向, SD1表示信号的短期变异性,而SD2表示整体变异性:
γX(0)是lag0脑电时间序列的自相关函数,γX(1)是lag1脑电时间序列的自相关函数,X 是脑电信号片段的平均值;
(3)SD1/SD2比率SD12,表示时间序列区间的短期变异性和长期变异性之间的比例和平衡:
SD12=SD1/SD2
(4)庞加莱图拟合椭圆的面积S:
S=π×SD1×SD2
(5)整个时间序列的方差:SDXX
(6)复相关度量CCM:
其中是脑电时间序列每连续三个点(Xi,Xi+1)(Xi+1,Xi+2)(Xi+2,Xi+3)形成一个三角形区域。如果三个点在一条直线上对齐,A(i)=0;如果三个点在逆时针方向,A(i)>0;如果三个点在顺时针方向,A(i)<0。S是归一化常数,定义为S=π×SD1×SD2, 即拟合椭圆的面积。
所述步骤S8中提取的特征具体包括:
(1)椭圆区域的面积Aellipse=πab:
其中,a=椭圆半长轴,b=椭圆半短轴。
(2)平均距离:
(3)可变性度量r:
通过在原点周围选择一个半径为r的圆形区域,计算落在该半径内的点数,然后除以总点数。在小半径r内的点对应于较小的连续速率,反映了时间序列中函数的低频分量或缓慢上升、下降的部分,在大半径r内的点对应于较大的连续速率,反映了时间序列中函数的高频分量或快速上升、下降的部分。
对于每个半径r,集中趋势度量CTM提供位于圆形区域中的点的数量占总数的百分比,近似一阶导数平滑变化的时间序列将具有较低的CTM值,而不规则的时间序列将具有较高的 CTM值。
所述步骤S9具体包括:
S9.1通过最小-最大归一化方法实现特征归一化,使特征在(-1,1)范围内:
S9.2拼接所有经过S9.1归一化的各种特征,通过粒子群优化PSO、遗传算法GA、最小冗余最大相关性mRMR、ReliefF算法进行特征选择,再使用核-PCA非线性降维,得到新的特征子集。
所述步骤S10中的分类器包括但不限于支持向量机、K近邻、决策树、逻辑回归、随机森林,并根据情绪识别结果,自适应地调整人机交互模式,如果用户长时间处于负性情绪状态,提示专家进行心理状态干预。
基于同样的发明构思,本发明第二方面提供了一种基于庞加莱图和二阶差分图的脑电情绪识别装置,包括:
脑电信号采集模块,用于采集用户头皮表面的脑电信号;
脑电信号预处理模块,用于对脑电信号进行预处理,得到预处理信号,并将预处理后的脑电信号发送至脑电信号分解模块;
脑电信号分解模块,用于根据预处理信号使用双树复小波包变换以获得特定频带的脑电信号,并根据预处理信号使用经验模态分解提取所有本征模函数。
图绘制模块,用于根据分解后的脑电信号绘制各个频带的庞加莱图和各个本征模函数的二阶差分图;
图特征提取模块,用于根据庞加莱图和二阶差分图提取相应特征;
特征拼接及筛选降维模块,将所述庞加莱图和二阶差分图的特征拼接及筛选降维,得到新的特征子集;
情绪识别模块,用于将特征拼接及筛选降维模块得到的特征子集输入至分类器中进行分类,完成情绪识别。
进一步,还包括:
结果反馈模块,根据情绪识别结果,自适应地调整人机交互模式。如果用户长时间处于负性情绪状态(如悲伤、恐惧、愤怒、厌恶),提示专家进行心理状态干预。
本发明的特点及有益效果是:
1.本发明通过安装在用户头部的传感器,可以在各种场景中做到实时、准确、便捷和低成本收集脑电信号,对脑电信号进行预处理并基于预设的分类器进行信号分类,识别用户的情绪状态,实现情绪的远程监测。进一步可以根据情绪识别结果做出智能、灵敏、友好的反应,自适应地调整人机交互模式,提高人机交互的和谐性。如果用户长时间处于负性情绪状态(如悲伤、恐惧、愤怒、厌恶),提示专家进行心理状态干预。
2.脑电信号作为典型的非线性、非平稳和混沌信号,应采取适当的方法从脑电图中充分提取有意义的信息。本发明采用庞加莱图和二阶差分图对脑电信号进行非线性分析,提供衡量脑电信号变异性的综合信息,充分挖掘了情绪脑电信号中的细微变化和隐含特征,可以提高情绪识别的准确性。
3.本发明在绘制庞加莱图和二阶差分图之前先使用双树复小波包变换和经验模态分解对脑电信号分离节律,得到脑电中不同频率的震荡成分,可以更全面地表达脑电信号的特性,有助于更细致地提取情绪脑电信号非线性的变化特征,同时避免了使用传统线性滤波器分离节律带来的有用信息丢失问题,从而可以提高情绪脑电信号的分类正确率。
4.本发明通过庞加莱图和二阶差分图提取的特征计算简单,相比深度学习方法更加适用于便携式装置。
5.本发明针对特征提取过程中存在特征冗余、特征维度高的问题,使用最小冗余最大相关性(mRMR)等方法作为最优特征集合选入和剔除的策略,再使用核-PCA非线性降维,可以有效剔除冗余特征、降低特征维度,提高脑电信号的分类准确性。
附图说明:
图1为本发明一种基于庞加莱图和二阶差分图的脑电情绪识别方法的流程图。
图2为本发明实施例中,对预处理信号5层双树复小波包变换分解得到32个子频带信号示意图。
图3为本发明实施例中,双树复小波包逆变换重构后得到的δ,θ,α,β和γ节律脑电信号。
图4为本发明实施例中,预处理后的脑电信号的庞加莱图以及经过双树复小波包逆变换重构后所得δ,θ,α,β和γ节律脑电信号的庞加莱图。
图5为本发明实施例中,预处理后的脑电信号及其本征模函数。
图6为本发明实施例中,预处理后的脑电信号及其本征模函数的二阶差分图;
图7为本发明一种基于庞加莱图和二阶差分图的脑电情绪识别装置的结构组成框图。
具体实施方式
本发明第一方面提供了一种基于庞加莱图和二阶差分图的脑电情绪识别方法,包括以下步骤:
步骤S1:基于用户头皮表面的传感器采集脑电信号;
步骤S2:对所述脑电信号预处理,得到预处理信号;
步骤S3:使用双树复小波包变换对所述预处理信号分解和重构,得到特定频带的脑电信号。
步骤S4:使用经验模态分解对所述预处理信号提取所有本征模函数;
步骤S5:绘制各个频带脑电信号的庞加莱图;
步骤S6:绘制各个本征模函数的二阶差分图;
步骤S7:提取所述庞加莱图的特征;
步骤S8:提取所述二阶差分图的特征;
步骤S9:将所述S7和S8得到的庞加莱图和二阶差分图的特征拼接、筛选和降维,得到特征子集;
步骤S10:将特征子集输入至分类器中进行分类,完成情绪识别。
进一步,还包括:
步骤S11:根据情绪识别结果,自适应地调整人机交互模式。如果用户长时间处于负性情绪状态(如悲伤、恐惧、愤怒、厌恶),提示专家进行心理状态干预。
所述步骤S2具体包括:
S2.1对脑电信号进行带通滤波和陷波滤波去除基线漂移、高频噪声和工频干扰;
S2.2对S2.1得到的脑电信号应用独立分量分析(Independent ComponentAnalysis,ICA),去除眼电、肌电等伪迹,得到预处理信号。
所述步骤S3具体包括:
S3.1基于双树复小波包变换方法对所述步骤S2的预处理信号进行n层双树复小波包分解,将预处理信号分解为2n个子频带。对于[0,fs]信号,各子频带的频率范围分别为[0,fs/2n]、[fs/2n,2×fs/2n]、[2×fs/2n,3×fs/2n] ……[(2n-1)×fs/2n,2n×fs/2n]
S3.2对2n个子频带信号进行双树复小波包逆变换重构,得到特定频带的脑电信号。
所述步骤S5具体包括:
S5.1将所述步骤S3得到的各个频带的脑电信号通过矩形窗分段,特别地,每10秒的采样点分割为一个窗口;
S5.2对每个窗口的分频带脑电信号绘制庞加莱图:将每个窗口的脑电时间序列视为X1, X2,X3…,XN。以序列的当前值Xi作为x轴变量,下一时刻序列Xi+1为作为y轴变量在笛卡尔坐标系中绘制数据点(X1,X2)(X2,X3)(X3,X4)…,(Xi,Xi+1),得到序列Xi的庞加莱图。Xi是每个脑电信号采样点,其中i∈1,2,...,N-1,N是窗口中采样点的个数。共得到频带数×窗口数张庞加莱图。
所述步骤S6具体包括:
S6.1将所述步骤S4得到的各个本征模函数通过矩形窗分段,特别地,每10秒的采样点分割为一个窗口;
S6.2对每个窗口的本征模函数绘制二阶差分图:将第k个本征模函数的时间序列视为 IMFk(1),IMFk(2),IMFk(3),…,IMFk(N)。令Xi=IMFk(i+1)-IMFk(i), Yi=IMFk(i+2)-IMFk(i+1)。以Xi作为x轴变量,Yi为作为y轴变量在笛卡尔坐标系中绘制数据点(X1,Y1),(X2,Y2),(X3,Y3),…,(Xi,Yi),得到序列IMFk的二阶差分图。Xi是每个脑电信号采样点,其中i∈1,2,...,N-2,N是窗口中采样点的个数。共得到本征模函数的个数×窗口数张二阶差分图。
所述步骤S7中提取的特征具体包括:
(1)位于恒等线y=x上的点数N
(2)庞加莱图拟合椭圆的短轴SD1(垂直于恒等线y=x)和长轴SD2(沿着恒等线y=x),SD1表示信号的短期变异性,而SD2表示整体变异性。
(3)SD1/SD2比率SD12,表示时间序列区间的短期变异性和长期变异性之间的比例和平衡
SD12=SD1/SD2
(4)庞加莱图拟合椭圆的面积S:
S=π×SD1×SD2
(5)整个时间序列的方差:SDXX
(6)复相关度量CCM:
其中是脑电时间序列每连续三个点(Xi,Xi+1),(Xi+1,Xi+2),(Xi+2,Xi+3)形成一个三角形区域。如果三个点在一条直线上对齐,A(i)=0;如果三个点在逆时针方向,A(i)>0;如果三个点在顺时针方向,A(i)<0。S是归一化常数,定义为 S=π×SD1×SD2,即拟合椭圆的面积。
所述步骤S8中提取的特征具体包括:
(1)椭圆区域的面积Aellipse=πab:
其中,a=椭圆半长轴,b=椭圆半短轴。
(2)平均距离:
(3)可变性度量r:
通过在原点周围选择一个半径为r的圆形区域,计算落在该半径内的点数,然后除以总点数。在小半径r内的点对应于较小的连续速率,反映了时间序列中函数的低频分量或缓慢上升、下降的部分。在大半径r内的点对应于较大的连续速率,反映了时间序列中函数的高频分量或快速上升、下降的部分。
对于每个半径r,集中趋势度量(CTM)提供位于圆形区域中的点的数量占总数的百分比。近似一阶导数平滑变化的时间序列将具有较低的CTM值,而不规则的时间序列将具有较高的 CTM值。
特别地,令CTM为0.90,此时半径r即为时间序列可变性的度量。
所述步骤S9具体包括:
S9.1通过最小-最大归一化方法实现特征归一化,使特征在(-1,1)范围内。
S9.2拼接所有经过S9.1归一化的各种特征,通过粒子群优化(PSO)和遗传算法(GA)、最小冗余最大相关性(mRMR)、ReliefF算法等方式进行特征选择,再使用核-PCA非线性降维,得到新的特征子集。
所述步骤S10中的分类器包括但不限于支持向量机、K近邻、决策树、逻辑回归、随机森林。
基于同样的发明构思,本发明第二方面提供了一种基于庞加莱图和二阶差分图的脑电情绪识别装置,包括:
脑电信号采集模块,用于采集用户头皮表面的脑电信号;
脑电信号预处理模块,用于对脑电信号进行预处理,得到预处理信号,并将预处理后的脑电信号发送至脑电信号分解模块;
脑电信号分解模块,用于根据预处理信号使用双树复小波包变换以获得特定频带的脑电信号,并根据预处理信号使用经验模态分解提取所有本征模函数。
图绘制模块,用于根据分解后的脑电信号绘制各个频带的庞加莱图和各个本征模函数的二阶差分图;
图特征提取模块,用于根据庞加莱图和二阶差分图提取相应特征;
特征拼接及筛选降维模块,将所述庞加莱图和二阶差分图的特征拼接及筛选降维,得到新的特征子集;
情绪识别模块,用于将特征拼接及筛选降维模块得到的特征子集输入至分类器中进行分类,完成情绪识别。
进一步,还包括:
结果反馈模块,根据情绪识别结果,自适应地调整人机交互模式。如果用户长时间处于负性情绪状态(如悲伤、恐惧、愤怒、厌恶),提示专家进行心理状态干预。
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。
参照图1,本发明提供了一种基于庞加莱图和二阶差分图的脑电情绪识别方法,该方法包括以下步骤:
步骤S1:基于用户头皮表面的传感器采集脑电信号;
步骤S2:对所述脑电信号预处理,得到预处理信号;
步骤S3:使用双树复小波包变换对所述预处理信号分解和重构,得到特定频带的脑电信号。
步骤S4:使用经验模态分解对所述预处理信号提取所有本征模函数;
步骤S5:绘制各个频带脑电信号的庞加莱图;
步骤S6:绘制各个本征模函数的二阶差分图;
步骤S7:提取所述庞加莱图的特征;
步骤S8:提取所述二阶差分图的特征;
步骤S9:将所述庞加莱图和二阶差分图的特征拼接、筛选和降维,得到特征子集;
步骤S10:将特征子集输入至分类器中进行分类,完成情绪识别。
进一步作为本方法的优选实施例,还包括:
步骤S11:根据情绪识别结果,自适应地调整人机交互模式。如果用户长时间处于负性情绪状态(如悲伤、恐惧、愤怒、厌恶),提示专家进行心理状态干预。
在本实施例中,所述步骤S1基于用户头皮表面的传感器采集脑电信号,原始信号采样率为1000Hz,对信号重采样以降低运算量从而提高运算速度,重采样频率设置为200Hz。
进一步作为本方法的优选实施例,所述步骤S2对脑电信号进行预处理,得到预处理信号,其具体包括:
S2.1对脑电信号进行1~65Hz带通滤波和50Hz陷波滤波去除基线漂移、高频噪声和工频干扰;
S2.2对S2.1得到的脑电信号应用独立分量分析(Independent ComponentAnalysis,ICA),去除眼电、肌电等伪迹,得到预处理信号。
进一步作为本方法的优选实施例,所述步骤S3使用双树复小波包变换对所述预处理信号分解和重构,得到特定频带的脑电信号,其具体包括:
S3.1参照图2,基于双树复小波包变换方法对所述步骤S2的预处理信号进行5层双树复小波包分解,将预处理信号分解为32个子频带。对于[1,65]Hz信号,各子频带的频率范围分别为[1,3]Hz、[3,5]Hz、[5,7]Hz、[7,9]Hz、[9,11]Hz、[11,13]Hz、[13,15]Hz、[15,17]Hz、 [17,19]Hz、……、[57,59]Hz、[59,61]Hz、[61,63]Hz、[63,65]Hz。
S3.2参照图3,对32个子频带信号进行双树复小波包逆变换重构,得到[1,3]Hz,[5,7]Hz, [9,13]Hz,[15,29]Hz和[31,65]Hz五个频带对应于δ,θ,α,β和γ节律的脑电信号。
进一步作为本方法的优选实施例,参照图4,所述步骤S5绘制各个频带脑电信号的庞加莱图,其具体包括:
S5.1将所述步骤S3得到的δ,θ,α,β和γ节律的脑电信号通过矩形窗分段,特别地,每10秒的采样点分割为一个窗口;
S5.2对每个窗口的分频带脑电信号绘制庞加莱图:将每个窗口的脑电时间序列视为X1, X2,X3…,XN。以序列的当前值Xi作为x轴变量,下一时刻序列Xi+1为作为y轴变量在笛卡尔坐标系中绘制数据点(X1,X2)(X2,X3)(X3,X4)…,(Xi,Xi+1),得到序列Xi的庞加莱图。Xi是每个脑电信号采样点,其中i∈1,2,…,N-1,N是窗口中采样点的个数。共得到频带数5×窗口数张庞加莱图。
进一步作为本方法优选实施例,参照图5,使用经验模态分解对所述预处理信号提取所有本征模函数,共得到9个本征模函数。
进一步作为本方法优选实施例,参照图6,所述步骤S6绘制9个本征模函数的二阶差分图,其具体包括:
S6.1将所述步骤S4得到的9个本征模函数通过矩形窗分段,特别地,每10秒的采样点分割为一个窗口;
S6.2对每个窗口的本征模函数绘制二阶差分图:将第k个本征模函数的时间序列视为 IMFk(1),IMFk(2),IMFk(3),…,IMFk(N)。令Xi=IMFk(i+1)-IMFk(i), Yi=IMFk(i+2)-IMFk(i+1)。以Xi作为x轴变量,Yi为作为y轴变量在笛卡尔坐标系中绘制数据点(X1,Y1)(X2,Y2)(X3,Y3)…,(Xi,Yi),得到序列IMFk的二阶差分图。Xi是每个脑电信号采样点,其中i∈1,2,...,N-2,N是窗口中采样点的个数。共得到本征模函数的个数9×窗口数张二阶差分图。
进一步作为本方法优选实施例,所述步骤S7提取所述庞加莱图的特征,其具体包括:
(1)位于恒等线y=x上的点数N
(2)庞加莱图拟合椭圆的短轴SD1(垂直于恒等线y=x)和长轴SD2(沿着恒等线y=x), SD 1表示信号的短期变异性,而SD2表示整体变异性。
γX(0)是lag0脑电时间序列的自相关函数,γX(1)是lag1脑电时间序列的自相关函数,X 是脑电信号片段的平均值。
(3)SD1/SD2比率SD12,表示时间序列区间的短期变异性和长期变异性之间的比例和平衡
SD12=SD1/SD2
(4)庞加莱图拟合椭圆的面积S:
S=π×SD1×SD2
(5)整个时间序列的方差:SDXX
(6)复相关度量CCM:
其中是脑电时间序列每连续三个点(Xi,Xi+1)(Xi+1,Xi+2)(Xi+2,Xi+3)形成一个三角形区域。如果三个点在一条直线上对齐,A(i)=0;如果三个点在逆时针方向,A(i)>0;如果三个点在顺时针方向,A(i)<0。S是归一化常数,定义为 S=π×SD1×SD2,即拟合椭圆的面积。
进一步作为本方法优选实施例,所述步骤S8提取所述二阶差分图的特征,其具体包括:
(1)椭圆区域的面积Aellipse=πab:
其中,a=椭圆半长轴,b=椭圆半短轴。
(2)平均距离:
(3)可变性度量r:
通过在原点周围选择一个半径为r的圆形区域,计算落在该半径内的点数,然后除以总点数。在小半径r内的点对应于较小的连续速率,反映了时间序列中函数的低频分量或缓慢上升、下降的部分。在大半径r内的点对应于较大的连续速率,反映了时间序列中函数的高频分量或快速上升、下降的部分。
对于每个半径r,集中趋势度量(CTM)提供位于圆形区域中的点的数量占总数的百分比。近似一阶导数平滑变化的时间序列将具有较低的CTM值,而不规则的时间序列将具有较高的 CTM值。
特别地,令CTM为0.90,此时半径r即为时间序列可变性的度量。
进一步作为本方法优选实施例,所述步骤S9将所述S7和S8得到的庞加莱图和二阶差分图的特征拼接、筛选和降维,得到特征子集,其具体包括:
S9.1通过最小-最大归一化方法实现特征归一化,使特征在(-1,1)范围内。
S9.2拼接所有经过S9.1归一化的各种特征,通过最小冗余最大相关性(mRMR)方法进行特征选择,再使用核-PCA非线性降维,得到新的特征子集。
进一步作为本方法优选实施例,所述步骤S10将特征子集输入至分类器中进行分类,完成情绪识别,其具体包括:
利用支持向量机对特征子集分类,类别有高兴、中性、悲伤、恐惧、愤怒、厌恶,特别地,使用径向基函数(RBF)作为支持向量机的核函数。
进一步的,参照图7,作为对上述实施例所示方法的实现,本发明另一实施例还提供了一种基于庞加莱图和二阶差分图的脑电情绪识别装置。该装置实施例与前述方法实施例对应,为便于阅读,本装置实施例不再对前述方法实施例中的细节内容进行逐一赘述,但应当明确,本实施例中的装置能够对应实现前述方法实施例中的全部内容。图7示出了本发明实施例提供的一种基于庞加莱图和二阶差分图的脑电情绪识别装置的结构组成框图。如图7所示,在该实施例的装置中,具有以下模块:包括:
脑电信号采集模块,用于采集用户头皮表面的脑电信号;
脑电信号预处理模块,用于对脑电信号进行预处理,得到预处理信号,并将预处理后的脑电信号发送至脑电信号分解模块;
脑电信号分解模块,用于根据预处理信号使用双树复小波包变换以获得特定频带的脑电信号,并根据预处理信号使用经验模态分解提取所有本征模函数。
图绘制模块,用于根据分解后的脑电信号绘制各个频带的庞加莱图和各个本征模函数的二阶差分图;
图特征提取模块,用于根据庞加莱图和二阶差分图提取相应特征;
特征拼接及筛选降维模块,将所述庞加莱图和二阶差分图的特征拼接及筛选降维,得到新的特征子集;
情绪识别模块,用于将特征拼接及筛选降维模块得到的特征子集输入至分类器中进行分类,完成情绪识别。
进一步,还包括:
结果反馈模块,根据情绪识别结果,自适应地调整人机交互模式。如果用户长时间处于负性情绪状态(如悲伤、恐惧、愤怒、厌恶),提示专家进行心理状态干预。
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,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等同变形或替换,这些等同的变形或替换均包含在本发明权利要求所限定的范围内。
Claims (9)
1.一种基于庞加莱图和二阶差分图的脑电情绪识别方法,其特征是,步骤如下:
步骤S1:基于用户头皮表面的传感器采集脑电信号;
步骤S2:对所述脑电信号预处理,得到预处理信号;
步骤S3:使用双树复小波包变换对所述预处理信号分解和重构,得到特定频带的脑电信号;
步骤S4:使用经验模态分解对所述预处理信号提取所有本征模函数;
步骤S5:绘制各个频带脑电信号的庞加莱图;
步骤S6:绘制各个本征模函数的二阶差分图;
步骤S7:提取所述庞加莱图的特征;
步骤S8:提取所述二阶差分图的特征;
步骤S9:将所述S7和S8得到的庞加莱图和二阶差分图的特征拼接、筛选和降维,得到特征子集;
步骤S10:将特征子集输入至分类器中进行分类,完成情绪识别。
2.如权利要求1所述的基于庞加莱图和二阶差分图的脑电情绪识别方法,其特征是,所述步骤S2详细步骤如下:
S2.1对脑电信号进行带通滤波和陷波滤波去除基线漂移、高频噪声和工频干扰;
S2.2对S2.1得到的脑电信号应用独立分量分析ICA(Independent ComponentAnalysis),去除眼电、肌电等伪迹,得到预处理信号;
所述步骤S3详细步骤如下:
S3.1基于双树复小波包变换方法对所述步骤S2的预处理信号进行n层双树复小波包分解,将预处理信号分解为2n个子频带,对于[0,fs]信号,各子频带的频率范围分别为[0,fs/2n]、[fs/2n,2×fs/2n]、[2×fs/2n,3×fs/2n]……[(2n-1)×fs/2n,2n×fs/2n];
S3.2对2n个子频带信号进行双树复小波包逆变换重构,得到特定频带的脑电信号。
3.如权利要求1所述的基于庞加莱图和二阶差分图的脑电情绪识别方法,其特征是,所述步骤S5具体包括:
S5.1将所述步骤S3得到的各个频带的脑电信号通过矩形窗分段;
S5.2对每个窗口的分频带脑电信号绘制庞加莱图:将每个窗口的脑电时间序列视为X1,X2,X3…,XN,以序列的当前值Xi作为x轴变量,下一时刻序列Xi+1为作为y轴变量在笛卡尔坐标系中绘制数据点(X1,X2)(X2,X3)(X3,X4)…,(Xi,Xi+1),得到序列Xi的庞加莱图,Xi是每个脑电信号采样点,其中i∈1,2,…,N-1,N是窗口中采样点的个数,共得到频带数×窗口数张庞加莱图。
4.如权利要求1所述的基于庞加莱图和二阶差分图的脑电情绪识别方法,其特征是,所述步骤S6具体包括:
S6.1将所述步骤S4得到的各个本征模函数通过矩形窗分段;
S6.2对每个窗口的本征模函数绘制二阶差分图:将第k个本征模函数的时间序列视为IMFk(1),IMFk(2),IMFk(3),…,IMFk(N),令Xi=IMFk(i+1)-IMFk(i),Yi=IMFk(i+2)-IMFk(i+1),以Xi作为x轴变量,Yi为作为y轴变量在笛卡尔坐标系中绘制数据点(X1,Y1),(X2,Y2),(X3,Y3),…,(Xi,Yi),得到序列IMFk的二阶差分图,Xi是每个脑电信号采样点,其中i∈1,2,…,N-2,N是窗口中采样点的个数,共得到本征模函数的个数×窗口数张二阶差分图。
5.如权利要求1所述的基于庞加莱图和二阶差分图的脑电情绪识别方法,其特征是,所述步骤S7中提取的特征具体包括:
(1)位于恒等线y=x上的点数N
(2)庞加莱图拟合椭圆的短轴SD1垂直于恒等线y=x,长轴SD2沿着恒等线y=x方向,SD1表示信号的短期变异性,而SD2表示整体变异性:
(3)SD1/SD2比率SD12,表示时间序列区间的短期变异性和长期变异性之间的比例和平衡:
SD12=SD1/SD2
(4)庞加莱图拟合椭圆的面积S:
S=π×SD1×SD2
(5)整个时间序列的方差:SDXX
(6)复相关度量CCM:
6.如权利要求1所述的基于庞加莱图和二阶差分图的脑电情绪识别方法,其特征是,所述步骤S8中提取的特征具体包括:
(1)椭圆区域的面积Aellipse=πab:
其中,a=椭圆半长轴,b=椭圆半短轴;
(2)平均距离:
(3)可变性度量r:
通过在原点周围选择一个半径为r的圆形区域,计算落在该半径内的点数,然后除以总点数,在小半径r内的点对应于较小的连续速率,反映了时间序列中函数的低频分量或缓慢上升、下降的部分,在大半径r内的点对应于较大的连续速率,反映了时间序列中函数的高频分量或快速上升、下降的部分:
对于每个半径r,集中趋势度量CTM提供位于圆形区域中的点的数量占总数的百分比,近似一阶导数平滑变化的时间序列将具有较低的CTM值,而不规则的时间序列将具有较高的CTM值。
8.如权利要求1所述的基于庞加莱图和二阶差分图的脑电情绪识别方法,其特征是,所述步骤S10中的分类器包括但不限于支持向量机、K近邻、决策树、逻辑回归、随机森林,并根据情绪识别结果,自适应地调整人机交互模式,如果用户长时间处于负性情绪状态,提示专家进行心理状态干预。
9.一种基于庞加莱图和二阶差分图的脑电情绪识别装置,其特征是,包括:
脑电信号采集模块,用于采集用户头皮表面的脑电信号;
脑电信号预处理模块,用于对脑电信号进行预处理,得到预处理信号,并将预处理后的脑电信号发送至脑电信号分解模块;
脑电信号分解模块,用于根据预处理信号使用双树复小波包变换以获得特定频带的脑电信号,并根据预处理信号使用经验模态分解提取所有本征模函数;
图绘制模块,用于根据分解后的脑电信号绘制各个频带的庞加莱图和各个本征模函数的二阶差分图;
图特征提取模块,用于根据庞加莱图和二阶差分图提取相应特征;
特征拼接及筛选降维模块,将所述庞加莱图和二阶差分图的特征拼接及筛选降维,得到新的特征子集;
情绪识别模块,用于将特征拼接及筛选降维模块得到的特征子集输入至分类器中进行分类,完成情绪识别。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210839513.6A CN115192040B (zh) | 2022-07-18 | 2022-07-18 | 基于庞加莱图和二阶差分图的脑电情绪识别方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210839513.6A CN115192040B (zh) | 2022-07-18 | 2022-07-18 | 基于庞加莱图和二阶差分图的脑电情绪识别方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115192040A true CN115192040A (zh) | 2022-10-18 |
CN115192040B CN115192040B (zh) | 2023-08-11 |
Family
ID=83582719
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210839513.6A Active CN115192040B (zh) | 2022-07-18 | 2022-07-18 | 基于庞加莱图和二阶差分图的脑电情绪识别方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115192040B (zh) |
Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102715911A (zh) * | 2012-06-15 | 2012-10-10 | 天津大学 | 基于脑电特征的情绪状态识别方法 |
CN106803081A (zh) * | 2017-01-25 | 2017-06-06 | 东南大学 | 一种基于多分类器集成的脑电分类方法 |
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 |
CN107411739A (zh) * | 2017-05-31 | 2017-12-01 | 南京邮电大学 | 基于双树复小波的脑电信号情绪识别特征提取方法 |
CN107766898A (zh) * | 2017-12-08 | 2018-03-06 | 南京邮电大学盐城大数据研究院有限公司 | 基于svm的三分类情绪概率判断方法 |
CN108670276A (zh) * | 2018-05-29 | 2018-10-19 | 南京邮电大学 | 基于脑电信号的学习注意力评价系统 |
CN109620262A (zh) * | 2018-12-12 | 2019-04-16 | 华南理工大学 | 一种基于可穿戴手环的情绪识别系统及方法 |
CN111150410A (zh) * | 2020-01-17 | 2020-05-15 | 哈尔滨工业大学 | 基于心电信号与肌电信号融合的心理压力评测方法 |
CN111310570A (zh) * | 2020-01-16 | 2020-06-19 | 山东师范大学 | 一种基于vmd和wpd的脑电信号情感识别方法及系统 |
CN111860583A (zh) * | 2020-06-11 | 2020-10-30 | 西安工程大学 | 一种基于rmfs的脑电信号情绪识别方法 |
CN112603332A (zh) * | 2020-12-15 | 2021-04-06 | 马鞍山学院 | 一种基于脑电信号特征分析的情感认知方法 |
CN113017628A (zh) * | 2021-02-04 | 2021-06-25 | 山东师范大学 | 融合erp成分与非线性特征的意识情绪识别方法及系统 |
CN113143272A (zh) * | 2021-03-15 | 2021-07-23 | 华南理工大学 | 一种辅助自闭症患者情感表达的形状可编程系统 |
CN114429174A (zh) * | 2021-12-17 | 2022-05-03 | 山东师范大学 | 基于脑网络和多尺度排列熵的脑电信号情绪识别方法 |
-
2022
- 2022-07-18 CN CN202210839513.6A patent/CN115192040B/zh active Active
Patent Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102715911A (zh) * | 2012-06-15 | 2012-10-10 | 天津大学 | 基于脑电特征的情绪状态识别方法 |
CN106803081A (zh) * | 2017-01-25 | 2017-06-06 | 东南大学 | 一种基于多分类器集成的脑电分类方法 |
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 |
CN107411739A (zh) * | 2017-05-31 | 2017-12-01 | 南京邮电大学 | 基于双树复小波的脑电信号情绪识别特征提取方法 |
CN107766898A (zh) * | 2017-12-08 | 2018-03-06 | 南京邮电大学盐城大数据研究院有限公司 | 基于svm的三分类情绪概率判断方法 |
CN108670276A (zh) * | 2018-05-29 | 2018-10-19 | 南京邮电大学 | 基于脑电信号的学习注意力评价系统 |
CN109620262A (zh) * | 2018-12-12 | 2019-04-16 | 华南理工大学 | 一种基于可穿戴手环的情绪识别系统及方法 |
CN111310570A (zh) * | 2020-01-16 | 2020-06-19 | 山东师范大学 | 一种基于vmd和wpd的脑电信号情感识别方法及系统 |
CN111150410A (zh) * | 2020-01-17 | 2020-05-15 | 哈尔滨工业大学 | 基于心电信号与肌电信号融合的心理压力评测方法 |
CN111860583A (zh) * | 2020-06-11 | 2020-10-30 | 西安工程大学 | 一种基于rmfs的脑电信号情绪识别方法 |
CN112603332A (zh) * | 2020-12-15 | 2021-04-06 | 马鞍山学院 | 一种基于脑电信号特征分析的情感认知方法 |
CN113017628A (zh) * | 2021-02-04 | 2021-06-25 | 山东师范大学 | 融合erp成分与非线性特征的意识情绪识别方法及系统 |
CN113143272A (zh) * | 2021-03-15 | 2021-07-23 | 华南理工大学 | 一种辅助自闭症患者情感表达的形状可编程系统 |
CN114429174A (zh) * | 2021-12-17 | 2022-05-03 | 山东师范大学 | 基于脑网络和多尺度排列熵的脑电信号情绪识别方法 |
Non-Patent Citations (7)
Title |
---|
MORTEZA ZANGENEH SOROUSH ET AL: "Emotion recognition using EEG phase space dynamics and Poincare interesections", 《BIOMEDICAL SIGNAL PROCESSING AND CONTROL》 * |
MORTEZA ZANGENEH SOROUSH ET AL: "Emotion recognition using EEG phase space dynamics and Poincare interesections", 《BIOMEDICAL SIGNAL PROCESSING AND CONTROL》, 29 February 2020 (2020-02-29) * |
THEEKSHANA DISSANAYAKE ET AL: "An Ensemble Learning Approach for Electrocardiogram Sensor Based Human Emotion Recognition", 《SENSORS》 * |
THEEKSHANA DISSANAYAKE ET AL: "An Ensemble Learning Approach for Electrocardiogram Sensor Based Human Emotion Recognition", 《SENSORS》, 16 October 2019 (2019-10-16) * |
冯前胜: "睡眠脑电信号多尺度特征分析及其临床应用", 《中国硕博论文全文数据库》 * |
张丽婵: "虚拟场景中用户情感识别模型研究", 《中国硕博论文全文数据库》 * |
权学良: "基于生理信号的情感计算研究综述", 《自动化学报》 * |
Also Published As
Publication number | Publication date |
---|---|
CN115192040B (zh) | 2023-08-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111329474B (zh) | 基于深度学习的脑电身份识别方法、系统及信息更新方法 | |
Shaker | EEG waves classifier using wavelet transform and Fourier transform | |
CN109299751B (zh) | 基于emd数据增强的卷积神经模型的ssvep脑电分类方法 | |
CN111709267B (zh) | 深度卷积神经网络的脑电信号情感识别方法 | |
CN107260166A (zh) | 一种实用化在线脑电伪迹剔除方法 | |
CN111523601A (zh) | 一种基于知识引导和生成对抗学习的潜在情绪识别方法 | |
AlSharabi et al. | A DWT-entropy-ANN based architecture for epilepsy diagnosis using EEG signals | |
CN111797747B (zh) | 一种基于eeg、bvp和微表情的潜在情绪识别方法 | |
CN106805969B (zh) | 基于卡尔曼滤波和小波变换的脑电放松度识别方法及装置 | |
CN115770044B (zh) | 基于脑电相位幅值耦合网络的情绪识别方法及装置 | |
CN109222966A (zh) | 一种基于变分自编码器的脑电信号情感分类方法 | |
CN114391846A (zh) | 一种基于过滤式特征选择的情绪识别方法及系统 | |
CN106923825B (zh) | 基于频域及相空间的脑电放松度识别方法及装置 | |
CN115659207A (zh) | 一种脑电情绪识别方法及系统 | |
CN113128353B (zh) | 面向自然人机交互的情绪感知方法及其系统 | |
CN106805968A (zh) | 一种脑电放松度识别方法及装置 | |
CN114081503A (zh) | 去除脑电信号中眼电伪迹的方法 | |
CN113180659A (zh) | 一种基于三维特征和空洞全卷积网络的脑电情感识别系统 | |
CN115192040B (zh) | 基于庞加莱图和二阶差分图的脑电情绪识别方法及装置 | |
CN116602676A (zh) | 一种基于多特征融合和clstn的脑电情绪识别方法和系统 | |
CN114757236B (zh) | 基于tqwt与svmd的脑电信号去噪优化方法及系统 | |
Reaj et al. | Emotion recognition using EEG-based brain computer interface | |
Lu | Human emotion recognition based on multi-channel EEG signals using LSTM neural network | |
Chimitt et al. | Comparative study of simple feature extraction for single-channel EEG based classification | |
Satuluri et al. | Study of EEG based Emotion Classification using Convolutional Neural Networks |
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 |