CN115633961A - 基于动态加权决策融合恐高情绪识别模型构建方法与系统 - Google Patents
基于动态加权决策融合恐高情绪识别模型构建方法与系统 Download PDFInfo
- Publication number
- CN115633961A CN115633961A CN202211330463.5A CN202211330463A CN115633961A CN 115633961 A CN115633961 A CN 115633961A CN 202211330463 A CN202211330463 A CN 202211330463A CN 115633961 A CN115633961 A CN 115633961A
- Authority
- CN
- China
- Prior art keywords
- data
- classification
- sub
- physiological signals
- constructing
- 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 Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
Abstract
本发明涉及一种基于动态加权决策融合恐高情绪识别模型构建方法与系统。该方法:使用虚拟现实技术搭建虚拟高空场景,获取参与者六种生理信号,并构建初始样本集;根据生理信号的特点进行对应的预处理操作,通过特征工程构造特征样本集,并按照预设比例分割数据集;将六种生理信号的对应特征样本集依次输入分类机器学习模型得到六个一级子分类模型;设计子分类器分类性能系数权重、子分类器最大互信息系数权重和生理信号失真性系数权重,实现生理信号自身信息和跨模态信息的动态加权决策融合;将六个子分类器模型进行融合,获得最终模型。本发明显著提升了模型的识别精度和稳定性,可以通过多生理信号快速准确地预测参与者的恐高情绪程度。
Description
技术领域
本发明涉及机器学习和虚拟现实用于恐高情绪预测领域,具体涉及一种基于动态加权决策融合恐高情绪识别模型构建方法与系统。
背景技术
恐高症是一种常见的心理疾病,其特征表现为当患者处于一定高度时会产生过度焦虑和恐慌情绪,严重程度的恐高症甚至伴有眩晕、恶心、食欲不振等症状。对于恐高症的治疗,主要是通过暴露疗法进行缓解,该疗法主要分为想象暴露疗法和实景暴露疗法。前者需要患者有足够的想象力,能够逐步创建令自己产生恐高情绪的场景;后者需要人工来搭建真实场景,往往实施起来难度较大,并且有一定的危险性。而基于虚拟现实技术的恐高情绪诱发则可以显著改善上述缺点,其具有可控性、安全性、可重复性等优势,将虚拟现实提供的特定应激源与暴露疗法相结合已被逐步应用于心理治疗领域。
此外,在先前工作中,研究人员主要通过访谈、问卷量表等方式来进行恐高症的症状评测。然而该评测方法存在强主观性的缺陷,许多人难以真实地表达自己的精神状态或是缺乏相关专业知识,导致其提供的信息在有效性和确凿性上仍有待商榷。而基于生理信号的情绪识别方法则可以弥补主观方式的不足之处,已有大量研究根据常见的生理信号(心电、脑电、肌电、皮电)开展了相关工作,并获得了较好的效果。但是仅对单模态生理信号分析得出的结果可靠性不足且泛化性低,而多模态生理信号可以利用不同类别的信号进行互补,极大地提升了情绪识别模型的鲁棒性。
综上所述,一个利用虚拟现实技术和针对多模态生理信号设计的动态加权决策融合技术的恐高情绪识别模型,将有助于恐高情绪程度的预测,并为恐高症的辅助诊断提供科学客观依据,同时也为后期恐高症的治疗提供可靠参考。现有传统的恐高症诱发方法成本过高或者诱发强度不足,而识别方法大多使用问卷评估,其结果过于主观化。因此,探索一种基于动态加权决策融合的恐高情绪识别模型构建方法与系统很有必要。
发明内容
本发明的目的在于提供一种基于动态加权决策融合恐高情绪识别模型构建方法与系统,能够快速地诱发参与者的恐高情绪并对其进行准确识别,且该模型具有极高的精度和稳定性。
为实现上述目的,本发明的技术方案是:一种基于动态加权决策融合恐高情绪识别模型构建方法,包括如下步骤:
步骤S1、搭建虚拟现实高空场景以诱发恐高情绪,同步采集参与者的六种生理信号,采用主观痛苦感觉单位量表SUDS进行场景分级验证,构建初始样本集;
步骤S2、根据生理信号的特点进行相应的预处理操作,通过特征工程构造特征样本集,并按照预设比例分割数据集;
步骤S3、将六种生理信号的对应特征样本集依次作为选取的分类机器学习模型的输入,得到六个一级子分类机器学习模型;
步骤S4、设计三种不同权重实现动态的加权决策融合,分别为子分类器的分类性能系数权重、子分类器最大互信息系数权重和生理信号失真性系数权重;
步骤S5、基于步骤S4的三权重设计,将六个子分类器模型进行融合,获得最终的恐高情绪分类模型。
在本发明一实施例中,所述步骤S1具体为:
搭建名为“高空救猫”的虚拟现实高空场景诱发恐高情绪,同步采集六种生理信号,招募参与者根据SUDS记录进行恐高情绪分级验证,构建初始样本集;所述初始样本集中的生理信号包括心电、脉搏、肌电、皮电、皮温和呼吸,标签为SUDS的记录数据。
在本发明一实施例中,所述恐高情绪分级验证具体为:
参与者通过透明电梯抵达虚拟高空场景的115层,随后走出电梯踏上木板,使用手柄控制器抱起小猫返回电梯即认为任务成功,反之则判定为任务失败;过程中同步记录参与者的六种生理信号,任务结束后根据其SUDS记录打上对应标签。
在本发明一实施例中,所述步骤S2具体为:
根据六种生理信号的自身特点进行异常值处理、滤波和数据的标准化,随后提取信号的统计特征和事件相关特征并进行特征选择筛选无关特征,进而构造特征样本集,最后按照7:3的预设比例将其划分为训练集和测试集。
在本发明一实施例中,所述异常值处理、滤波和数据的标准化具体为:
根据经验剔除异常数据以及相互矛盾的数据,对数据缺失和数据偏移部分进行处理,包括:删除缺失较多特征值的元组;人工填补个别缺失值;对于超出不合理范围的数据,超过上限的用最大值代替,低于下限的用最小值代替;对所述生理信号特征数据进行数据标准化,将其映射到 [-1 ,1]上,消除指标之间的量纲影响。
在本发明一实施例中,特征提取具体为:
统计特征包括平均值、最大值、最小值、标准差、方差频率标准差、频率均方根、小波能量比、小波能量熵、小波尺度熵、心率、心率变异性;
心电和脉搏的事件相关特征包括平均心率值、相邻R-R间期的连续差异的标准偏差、心动间隔均值;
皮电的事件相关特征包括皮肤电导水平、皮肤电导反应个数、平均延迟时间、平均反应强度;
肌电的事件相关特征包括超过阈值的信号积分、信号激活次数、积分肌电值;
呼吸的事件相关特征包括呼吸速率、吸气和呼气的持续时间、吸入呼出空气量、I/E之间的比率;
皮温的事件相关特征包括最小和最大动态范围和斜率的标准差;
特征选择具体为:
采用包装法进行特征选择,其根据目标函数递归特征消除法寻找使得模型性能最佳的特征子集;它通过反复迭代创建模型得到最佳特征或是剔除最差特征,直至计算完所有的特征,最终将筛选出来的显著变量纳入特征样本集。
在本发明一实施例中,所述步骤S3具体为:
选取支持向量机和k近邻分类器两种机器学习模型构造一级子分类器模型,将六种生理信号对应的特征样本集作为输入,得到每种生理信号的恐高情绪预测模型。
在本发明一实施例中,所述步骤S4具体为:
将测试集作为输入,得到每个子分类器的分类准确率和F1分数,将二者按一定比例加权融合得到第一个权重,即子分类器分类性能系数权重;计算不同生理信号相互之间的最大互信息系数,得到第二个权重,即子分类器最大互信息系数权重;计算每种生理信号受外界干扰的失真性,得到第三个权重,即生理信号失真性系数权重;最后将三者加权融合得到最终的融合权重。
在本发明一实施例中,所述步骤S5具体为:
基于步骤S4的融合权重,决定每个生理信号在最终分类时的权重占比,即其对于分类的重要性,最后将其与分类标签相结合,得出最终的恐高情绪分类模型。
本发明还提供了一种基于动态加权决策融合恐高情绪识别模型构建系统,包括虚拟现实显示模块、数据处理模块、机器学习模型模块、参数优化模块和数据存储模块;所述虚拟现实显示模块用于搭建和显示虚拟现实场景;所述数据处理模块用于对六种生理信号进行预处理和特征工程;所述机器学习模型模块用于子分类模型的搭建和最终模型的搭建;所述参数优化模块采用学习曲线和网格搜索对模型进行优化;所述数据存储模块用于存储原始数据、处理完毕的数据以及最终的分类结果。
在本发明一实施例中,所述机器学习模型模块还包括有模型评测单元,采用平均准确率、几何平均准确率和F1分数,F1分数被定义为召回率和准确率的调和平均值。
相较于现有技术,本发明具有以下有益效果:
本发明有效诱发了参与者不同程度的恐高情绪,并可以通过多模态生理信号快速预测参与者的恐高情绪水平,避免主观因素的干扰;
本发明针对决策级融合存在的缺点,设计了三权重融合方式用于实现兼顾生理信号自身信息和跨模态信息的融合方式,提升了模型的识别精度和稳定性。
附图说明
图1为本发明方法流程图;
图2是本发明系统原理示意图。
具体实施方式
下面结合附图,对本发明的技术方案进行具体说明。
请参照图1,本发明是一种基于动态加权决策融合恐高情绪识别模型构建方法与系统,包括以下步骤:
步骤S1、搭建虚拟现实高空场景以诱发恐高情绪,同步采集参与者的六种生理信号,采用SUDS进行场景分级验证,构建初始样本集;
步骤S2、根据生理信号的特点进行相应的预处理操作,通过特征工程构造特征样本集,并按照预设比例分割数据集;
步骤S3、将六种生理信号的对应特征样本集依次作为选取的分类机器学习模型的输入,得到六个一级子分类机器学习模型;
步骤S4、设计三种不同权重实现动态的加权决策融合,分别为子分类器的分类性能系数权重、子分类器最大互信息系数权重和生理信号失真性系数权重;
步骤S5、基于上述的三权重设计,将六个子分类器模型进行融合,获得最终的恐高情绪分类模型。
本发明还提供了一种基于动态加权决策融合恐高情绪识别模型构建系统,包括虚拟现实显示模块、数据处理模块、机器学习模型模块、参数优化模块和数据存储模块;所述虚拟现实显示模块用于搭建和显示虚拟现实场景;所述数据处理模块用于对六种生理信号进行预处理和特征工程;所述机器学习模型模块用于子分类模型的搭建和最终模型的搭建;所述参数优化模块采用学习曲线和网格搜索对模型进行优化;所述数据存储模块用于存储原始数据、处理完毕的数据以及最终的分类结果。
以下为本发明的具体实现过程。
请参照图1,本实例提供一种基于动态加权决策融合恐高情绪识别模型构建方法,包括以下步骤:
步骤S1:搭建虚拟现实高空场景以诱发恐高情绪,同步采集参与者的六种生理信号,采用SUDS进行场景分级验证,构建初始样本集;
步骤S2:根据生理信号的特点进行相应的预处理操作,通过特征工程构造特征样本集,并按照预设比例分割数据集;
步骤S3:将六种生理信号的对应特征样本集依次作为选取的分类机器学习模型的输入,得到六个一级子分类机器学习模型;
步骤S4:设计三种不同权重实现动态的加权决策融合,分别为子分类器的分类性能系数权重、子分类器最大互信息系数权重和生理信号失真性系数权重;
步骤S5:基于上述的三权重设计,将六个子分类器模型进行融合,获得最终的恐高情绪分类模型。
在本实施例中,步骤S1具体为:
搭建名为“高空救猫”的虚拟现实高空场景诱发恐高情绪,同步采集六种生理信号,招募参与者根据SUDS记录进行恐高情绪分级验证,构建初始样本集;所述初始样本集中的生理信号包括心电、脉搏、肌电、皮电、皮温和呼吸,标签为SUDS的记录数据。
优选的,恐高情绪分级验证具体为:
参与者通过透明电梯抵达虚拟高空场景的115层,随后走出电梯踏上木板,使用手柄控制器抱起小猫返回电梯即认为任务成功,反之则判定为任务失败;过程中同步记录参与者的六种生理信号,任务结束后根据其SUDS记录打上对应标签。
在本实施例中,步骤S2具体为:
根据六种生理信号的自身特点进行异常值处理、滤波和数据的标准化,随后提取信号的统计特征和事件相关特征并进行特征选择筛选无关特征,进而构造特征样本集,最后按照7:3的预设比例将其划分为训练集和测试集。
优选的,异常值处理、滤波和数据的标准化具体为:
根据经验剔除异常数据以及相互矛盾的数据,对数据缺失和数据偏移部分进行处理,包括:删除缺失较多特征值的元组;人工填补个别缺失值;对于超出不合理范围的数据,超过上限的用最大值代替,低于下限的用最小值代替;对所述生理信号特征数据进行数据标准化,将其映射到 [-1 ,1]上,消除指标之间的量纲影响。
优选的,特征提取具体为:
统计特征包括平均值, 最大值, 最小值, 标准差, 方差频率标准差, 频率均方根, 小波能量比, 小波能量熵, 小波尺度熵, 心率, 心率变异性等。
心电和脉搏的事件相关特征包括平均心率值,相邻R-R间期的连续差异的标准偏差,心动间隔均值等;
皮电的事件相关特征包括皮肤电导水平,皮肤电导反应个数,平均延迟时间,平均反应强度等;
肌电的事件相关特征包括超过阈值的信号积分,信号激活次数,积分肌电值等;
呼吸的事件相关特征包括呼吸速率,吸气和呼气的持续时间,吸入呼出空气量,I/E之间的比率等;
皮温的事件相关特征包括最小和最大动态范围和斜率的标准差等。
优选的,特征选择具体为:
采用包装法进行特征选择,其根据目标函数递归特征消除法寻找使得模型性能最佳的特征子集。它通过反复迭代创建模型得到最佳特征或是剔除最差特征,直至计算完所有的特征,最终将筛选出来的显著变量纳入特征样本集。
在本实施例中,步骤S3具体为:
选取支持向量机和k近邻分类器两种机器学习模型构造一级子分类器模型,将六种生理信号对应的特征样本集作为输入,得到每种生理信号的恐高情绪预测模型。
在本实施例中,步骤S4具体为:
将测试集作为输入,得到每个子分类器的分类准确率和F1分数,将二者按一定比例加权融合得到第一个权重,即子分类器分类性能系数权重;计算不同生理信号相互之间的最大互信息系数,得到第二个权重,即子分类器最大互信息系数权重;计算每种生理信号受外界干扰的失真性,得到第三个权重,即生理信号失真性系数权重;最后将三者加权融合得到最终的融合权重。
在本实施例中,步骤S5具体为:
基于上述的融合权重,决定了每个生理信号在最终分类时的权重占比,即其对于分类的重要性,最后将其与分类标签相结合,得出最终的恐高情绪分类模型。
参考图2,本实施例中,还提供一种基于动态加权决策融合恐高情绪识别模型构建系统,包括虚拟现实显示模块、数据处理模块、机器学习模型模块、参数优化模块和数据存储模块;所述虚拟现实显示模块用于搭建和显示虚拟现实场景;所述数据处理模块用于对六种生理信号进行预处理和特征工程;所述机器学习模型模块用于子分类模型的搭建和最终模型的搭建;所述参数优化模块采用学习曲线和网格搜索对模型进行优化;所述数据存储模块用于存储原始数据、处理完毕的数据以及最终的分类结果。
优选的,在本实施例中,所述机器学习模型模块还包括有模型评测单元,采用平均准确率、几何平均准确率和F1分数,F1分数被定义为召回率和准确率的调和平均值。
以上是本发明的较佳实施例,凡依本发明技术方案所作的改变,所产生的功能作用未超出本发明技术方案的范围时,均属于本发明的保护范围。
Claims (10)
1.一种基于动态加权决策融合恐高情绪识别模型构建方法,其特征在于,包括如下步骤:
步骤S1、搭建虚拟现实高空场景以诱发恐高情绪,同步采集参与者的六种生理信号,采用主观痛苦感觉单位量表SUDS进行场景分级验证,构建初始样本集;
步骤S2、根据生理信号的特点进行相应的预处理操作,通过特征工程构造特征样本集,并按照预设比例分割数据集;
步骤S3、将六种生理信号的对应特征样本集依次作为选取的分类机器学习模型的输入,得到六个一级子分类机器学习模型;
步骤S4、设计三种不同权重实现动态的加权决策融合,分别为子分类器的分类性能系数权重、子分类器最大互信息系数权重和生理信号失真性系数权重;
步骤S5、基于步骤S4的三权重设计,将六个子分类器模型进行融合,获得最终的恐高情绪分类模型。
2.根据权利要求1所述的基于动态加权决策融合恐高情绪识别模型构建方法,其特征在于,所述步骤S1具体为:
搭建名为“高空救猫”的虚拟现实高空场景诱发恐高情绪,同步采集六种生理信号,招募参与者根据SUDS记录进行恐高情绪分级验证,构建初始样本集;所述初始样本集中的生理信号包括心电、脉搏、肌电、皮电、皮温和呼吸,标签为SUDS的记录数据。
3.根据权利要求2所述的基于动态加权决策融合恐高情绪识别模型构建方法,其特征在于,所述恐高情绪分级验证具体为:
参与者通过透明电梯抵达虚拟高空场景的115层,随后走出电梯踏上木板,使用手柄控制器抱起小猫返回电梯即认为任务成功,反之则判定为任务失败;过程中同步记录参与者的六种生理信号,任务结束后根据其SUDS记录打上对应标签。
4.根据权利要求1所述的基于动态加权决策融合恐高情绪识别模型构建方法,其特征在于,所述步骤S2具体为:
根据六种生理信号的自身特点进行异常值处理、滤波和数据的标准化,随后提取信号的统计特征和事件相关特征并进行特征选择筛选无关特征,进而构造特征样本集,最后按照7:3的预设比例将其划分为训练集和测试集。
5.根据权利要求4所述的基于动态加权决策融合恐高情绪识别模型构建方法,其特征在于,所述异常值处理、滤波和数据的标准化具体为:
根据经验剔除异常数据以及相互矛盾的数据,对数据缺失和数据偏移部分进行处理,包括:删除缺失较多特征值的元组;人工填补个别缺失值;对于超出不合理范围的数据,超过上限的用最大值代替,低于下限的用最小值代替;对所述生理信号特征数据进行数据标准化,将其映射到 [-1 ,1]上,消除指标之间的量纲影响。
6.根据权利要求4所述的基于动态加权决策融合恐高情绪识别模型构建方法,其特征在于,特征提取具体为:
统计特征包括平均值、最大值、最小值、标准差、方差频率标准差、频率均方根、小波能量比、小波能量熵、小波尺度熵、心率、心率变异性;
心电和脉搏的事件相关特征包括平均心率值、相邻R-R间期的连续差异的标准偏差、心动间隔均值;
皮电的事件相关特征包括皮肤电导水平、皮肤电导反应个数、平均延迟时间、平均反应强度;
肌电的事件相关特征包括超过阈值的信号积分、信号激活次数、积分肌电值;
呼吸的事件相关特征包括呼吸速率、吸气和呼气的持续时间、吸入呼出空气量、I/E之间的比率;
皮温的事件相关特征包括最小和最大动态范围和斜率的标准差;
特征选择具体为:
采用包装法进行特征选择,其根据目标函数递归特征消除法寻找使得模型性能最佳的特征子集;它通过反复迭代创建模型得到最佳特征或是剔除最差特征,直至计算完所有的特征,最终将筛选出来的显著变量纳入特征样本集。
7.根据权利要求1所述的基于动态加权决策融合恐高情绪识别模型构建方法,其特征在于,所述步骤S3具体为:
选取支持向量机和k近邻分类器两种机器学习模型构造一级子分类器模型,将六种生理信号对应的特征样本集作为输入,得到每种生理信号的恐高情绪预测模型。
8.根据权利要求1所述的基于动态加权决策融合恐高情绪识别模型构建方法,其特征在于,所述步骤S4具体为:
将测试集作为输入,得到每个子分类器的分类准确率和F1分数,将二者按一定比例加权融合得到第一个权重,即子分类器分类性能系数权重;计算不同生理信号相互之间的最大互信息系数,得到第二个权重,即子分类器最大互信息系数权重;计算每种生理信号受外界干扰的失真性,得到第三个权重,即生理信号失真性系数权重;最后将三者加权融合得到最终的融合权重。
9.根据权利要求1所述的基于动态加权决策融合恐高情绪识别模型构建方法,其特征在于,所述步骤S5具体为:
基于步骤S4的融合权重,决定每个生理信号在最终分类时的权重占比,即其对于分类的重要性,最后将其与分类标签相结合,得出最终的恐高情绪分类模型。
10.一种基于动态加权决策融合恐高情绪识别模型构建系统,其特征在于,包括虚拟现实显示模块、数据处理模块、机器学习模型模块、参数优化模块和数据存储模块;所述虚拟现实显示模块用于搭建和显示虚拟现实场景;所述数据处理模块用于对六种生理信号进行预处理和特征工程;所述机器学习模型模块用于子分类模型的搭建和最终模型的搭建;所述参数优化模块采用学习曲线和网格搜索对模型进行优化;所述数据存储模块用于存储原始数据、处理完毕的数据以及最终的分类结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211330463.5A CN115633961A (zh) | 2022-10-28 | 2022-10-28 | 基于动态加权决策融合恐高情绪识别模型构建方法与系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211330463.5A CN115633961A (zh) | 2022-10-28 | 2022-10-28 | 基于动态加权决策融合恐高情绪识别模型构建方法与系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115633961A true CN115633961A (zh) | 2023-01-24 |
Family
ID=84947140
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211330463.5A Pending CN115633961A (zh) | 2022-10-28 | 2022-10-28 | 基于动态加权决策融合恐高情绪识别模型构建方法与系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115633961A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117084682A (zh) * | 2023-07-17 | 2023-11-21 | 苏州城市学院 | 一种人体情绪感知方法及装置 |
-
2022
- 2022-10-28 CN CN202211330463.5A patent/CN115633961A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117084682A (zh) * | 2023-07-17 | 2023-11-21 | 苏州城市学院 | 一种人体情绪感知方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Maier et al. | DeepFlow: Detecting optimal user experience from physiological data using deep neural networks. | |
JP3310498B2 (ja) | 生体情報解析装置および生体情報解析方法 | |
CN113397546B (zh) | 基于机器学习和生理信号的情绪识别模型构建方法及系统 | |
CN106073706A (zh) | 一种面向简易精神状态量表的个性化信息和音频数据分析方法及系统 | |
CN110051324A (zh) | 一种急性呼吸窘迫综合征死亡率预测方法及系统 | |
CN113729707A (zh) | 一种基于fecnn-lstm的眼动和ppg多模态融合的情感识别方法 | |
CN111920420B (zh) | 一种基于统计学习的患者行为多模态分析与预测系统 | |
CN113069080A (zh) | 一种基于人工智能的困难气道评估方法及装置 | |
CN105868532B (zh) | 一种智能评估心脏衰老程度的方法及系统 | |
CN111317446B (zh) | 基于人体肌肉表面电信号的睡眠结构自动分析方法 | |
CN112133407A (zh) | 一种基于语音与表情的快速智能情绪测评分析方法 | |
CN117438048B (zh) | 一种精神科患者用心理障碍测评方法及系统 | |
CN110060753A (zh) | 认知障碍患者干预效果评价系统及方法 | |
CN105212949A (zh) | 一种使用皮肤电信号进行文化体验情感识别的方法 | |
CN107918487A (zh) | 一种基于皮肤电信号识别中文情感词的方法 | |
CN111000556A (zh) | 一种基于深度模糊森林的情绪识别方法 | |
CN103077205A (zh) | 一种利用声音刺激诱发的erp进行语义声音搜索的方法 | |
CN115563484A (zh) | 一种基于生理唤醒识别的街道绿化品质检测方法 | |
CN115633961A (zh) | 基于动态加权决策融合恐高情绪识别模型构建方法与系统 | |
CN114943629A (zh) | 一种健康管理保健服务系统及其健康管理方法 | |
CN115736840A (zh) | 一种基于心电数据的睡眠质量识别分类方法 | |
CN115273176A (zh) | 一种基于生命体征和表情的疼痛多算法客观评估方法 | |
CN115736920A (zh) | 基于双模态融合的抑郁状态识别方法及系统 | |
CN111466877B (zh) | 一种基于lstm网络的氧减状态预测方法 | |
Mrudula et al. | Covariance normalization and bottleneck features for improving the performance of sleep apnea screening system |
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 |