CN115715680A - 一种基于结缔组织电势的焦虑判别方法及装置 - Google Patents
一种基于结缔组织电势的焦虑判别方法及装置 Download PDFInfo
- Publication number
- CN115715680A CN115715680A CN202211532520.8A CN202211532520A CN115715680A CN 115715680 A CN115715680 A CN 115715680A CN 202211532520 A CN202211532520 A CN 202211532520A CN 115715680 A CN115715680 A CN 115715680A
- Authority
- CN
- China
- Prior art keywords
- connective tissue
- anxiety
- tissue potential
- period signal
- signal
- 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
- 210000002808 connective tissue Anatomy 0.000 title claims abstract description 52
- 208000019901 Anxiety disease Diseases 0.000 title claims abstract description 31
- 230000036506 anxiety Effects 0.000 title claims abstract description 29
- 238000012850 discrimination method Methods 0.000 title claims abstract description 9
- 238000000034 method Methods 0.000 claims abstract description 30
- 239000011159 matrix material Substances 0.000 claims abstract description 14
- 238000013145 classification model Methods 0.000 claims abstract description 10
- 230000004927 fusion Effects 0.000 claims abstract description 10
- 238000007405 data analysis Methods 0.000 claims abstract description 7
- 238000004458 analytical method Methods 0.000 claims abstract description 4
- 239000013598 vector Substances 0.000 claims description 8
- 238000001228 spectrum Methods 0.000 claims description 7
- 238000012549 training Methods 0.000 claims description 5
- 210000000707 wrist Anatomy 0.000 claims description 5
- 238000002790 cross-validation Methods 0.000 claims description 4
- 210000001015 abdomen Anatomy 0.000 claims description 3
- 230000006870 function Effects 0.000 claims description 3
- 238000001514 detection method Methods 0.000 abstract description 5
- 230000002996 emotional effect Effects 0.000 description 7
- 210000004556 brain Anatomy 0.000 description 5
- 230000006996 mental state Effects 0.000 description 5
- 238000013528 artificial neural network Methods 0.000 description 4
- 230000000306 recurrent effect Effects 0.000 description 4
- 238000012935 Averaging Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000008451 emotion Effects 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000006399 behavior Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000007635 classification algorithm Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000003487 electrochemical reaction Methods 0.000 description 1
- 230000008909 emotion recognition Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000008921 facial expression Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000036544 posture Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
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结缔组织电势的焦虑判别方法，包括：数据采集模块，用于目标的采集结缔组织电势信号，所述结缔组织电势信号包括目标的静默期信号和问答期信号；数据分析模块，对采集到结缔组织电势信号进行分析，得到用于判断目标是否焦虑的预测结果；分析的具体过程如下：步骤1、对采集获得的结缔组织电势信号进行去伪迹处理；步骤2、根据处理后的结缔组织电势信号，分别对静默期信号和问答期信号进行特征的提取，并构建融合特征矩阵；步骤3、根据融合特征矩阵，采用SVM分类模型进行分析，输出对应的预测结果。本发明还提供了一种焦虑判别装置。本发明提供的方法操作简单，检测时间短，准确率高，能够降低检测的时间成本和人力成本。
Description
技术领域
本发明涉及医疗辅助的技术领域，尤其涉及一种基于结缔组织电势的焦虑判别方法及装置。
背景技术
焦虑是一种精神状态，在高速发展的信息化社会，这种精神状态越来越普遍。长期处于焦虑状态则易成为焦虑障碍。生理信号被认为对情绪变化的检测十分有用，研究发现心电图(ECG)、脑电图(EEG)等广泛使用的生理信号，与情绪密切相关。但这些生理信号的检测条件相对严格，人力成本较高。研究表明皮肤电化学反应(GSR)也是一种与情绪变化相关的生理信号，结缔组织电势是一种记录GSR的方法，其信号包含着与情绪变化有关的生理信息。现有的研究中，没有基于结缔组织电势信号进行焦虑状态的判别的方法和系统。
学术文献，基于N170的情绪识别方法及识别系统，中国，202011396623.7[P]，2020.公开了针对EEG信号中的多个特征进行识别分析，从而获得准确率较高的情绪状态识别结果。但是EEG信号在日常生活中无法得到普适，其采集设备和过程都比较复杂。
学术文献，Affective body expression perception andrecognition:Asurvey[J].IEEE Transactions on Affective Computing,2013,4(1):15-33.公开了人们在特定场合的肢体语言，如身体姿势等也能够传递出面部表情或语音等无法提供的情绪信息。但是该方法需要采集特定任务状态下的信号进行识别，应用性不强。
专利文献CN115114953A公开了一种基于循环神经网络的情绪脑信号识别方法，包括：1)获取训练的情绪脑信号并预处理操作，得到重新分割后的信号片段；2)对重新分割后的每个信号片段，分别针对时域信息与空域信息进行微分熵特征与黎曼特征的计算，得到相应特征向量；3)将特征向量输入构建的循环神经网络进行训练，得到训练好的循环神经网络；4)调用训练好的循环神经网络，实现对情绪脑信号分类，得到最终的识别结果。该方法通过提取原脑信号中的有效特征，从而提高识别的准确率，但原脑信号中存在大量噪音，对于识别模型的要求非常高，同时需要目标保证稳定的活动状态才能实现。
发明内容
为了解决上问题，本发明提供了一种焦虑判别方法，该方法可以实现实时对目标的精神状态监测，为后续的治疗方案提供有效指导。
一种基于结缔组织电势的焦虑判别方法，包括：
数据采集模块，用于目标的采集结缔组织电势信号，所述结缔组织电势信号包括目标的静默期信号和问答期信号；
数据分析模块，对采集到结缔组织电势信号进行分析，得到用于判断目标是否焦虑的预测结果；
所述分析的具体过程如下：
步骤1、对采集获得的结缔组织电势信号进行去伪迹处理；
步骤2、根据处理后的结缔组织电势信号，分别对静默期信号和问答期信号进行特征的提取，并构建融合特征矩阵；
步骤3、根据步骤2获得的融合特征矩阵，采用SVM分类模型进行分析，输出对应的预测结果。
本发明通过采集结缔组织电势信号的特征，并根据采集状态划分为静默期和问答期进行特征融合，从而获得更加准确的识别结果。
具体的，采集结缔组织电势信号时，采集电极分别置于目标左手中指的指腹处与手腕外侧中间结缔组织处。
具体的，所述结缔组织电势信号包括至少一组4分钟的静默期信号和4分钟的问答期信号。
具体的，所述特征包括频域特征与非线性特征；
所述频域特征通过获取静默期信号和问答信号对应的频谱，计算所述频谱一阶导数和二阶导数的平均值、中位值和标准差获得；
所述非线性特征通过提取静默期信号和问答期信号的每个时期信号平均交叉频率获得。
具体的，在步骤2中，所述融合特征矩阵采用串联静默期信号特征和问答期信号特征获得。
具体的，在步骤3中，所述SVM分类模型的核函数如下：
K(xi,xj)＝xi Txj
式中，xi为特征矩阵中的一维向量，xj为特征矩阵中另一维向量，即在原始空间两个向量做内积。
具体的，在步骤3中，所述SVM分类模型采用100次10折交叉验证法训练获得：轮流在数据样本中随机选出10％的样本作为测试集，剩下的作为训练集，得出10份相应的分类准确率并求平均值，总共重复100次10折交叉验证的过程，对其正确率结果求平均值，以判定该分类模型的有效性。
本发明还提供了一种焦虑判别装置，包括存储器和一个或多个处理器，所述存储器中存储有可执行代码，所述一个或多个处理器执行所述可执行代码时，用于实现上述的焦虑判别方法，其具体步骤如下：采集目标的结缔组织电势信号，根据焦虑判别方法进行分析，输出用于判断目标是否焦虑的预测结果。
与现有技术相比，本发明的有益效果：
根据结缔组织位置的电势信号，对目标的精神状态进行识别，无需额外的设备投入，同时无需进行特定行为进行数据采样，在保证识别准确率的条件下，实现快速、实时反馈目标的精神状态，为后续治疗方案提供有效的指导。
附图说明
图1为本发明提供的一种基于结缔组织电势信号的焦虑判别方法的流程图；
图2为本发明提供的数据处理模块的流程图；
图3为结缔组织电势信号的识别流程图；
图4为是识别结果的准确率曲线图。
具体实施方式
面结合附图对发明的技术方案进行详细说明。本发明的核心是提供一种基于结缔组织电势信号的焦虑判别方法，包括以下步骤：
如图1所示，由用户佩戴采集装置，采集其左手中指的指腹处和手腕外侧中间结缔组织的电势信号，由监测数据软件来记录采集设备采集的数据。
数据采集模块结缔组织电势信号采集设备对佩戴者进行左手中指的指腹处与手腕外侧之间的结缔组织电势信号采集，对采集的信号进行放大、滤波、记录和保存，然后传输到数据分析模块；
数据分析模块对接收到的结缔组织电势信号进行分析和识别分类，输出判别的结果(0或1)，获得用户的精神状态(健康/焦虑)。
如图2所示，数据分析模块进行数据分析的过程包括：
步骤1、对接收的信号通过移动平均法进行去伪迹处理；
步骤2、从干净的结缔组织电势信号中提取频域特征和非线性特征，以静默期和问答期进行特征划分，并通过串联方式将两时期的特征融合，获得融合特征矩阵；
步骤3、将获得的融合特征矩阵输入SVM分类算法模型中进行识别分类，以检测用户此时是否焦虑。
提取频域特征的过程包括如下步骤：首先，对静默期和问答期的结缔组织电势信号分别进行快速傅里叶变换，获得其频谱；再分别计算频谱的平均值、中位值、标准差、方差、均方根；最后计算频谱的一阶导数和二阶导数的平均值、中位值和标准差，基于上述计算获得的特征值构建频域特征。
提取非线性特征的过程包括如下步骤：首先，分别计算静默期和问答期的信号的平均值；最后，计算静默期/问答期信号超过其平均值的次数，记为每个时期的信号平均交叉频率，即为非线性特征。
如图3所示，训练样本提取上述特征提取过程中的频域特征和非线性特征之后，通过机器学习算法，建立训练一个分类准确率大于80％的分类模型。新数据在计算特征之后输入至已经训练好的模型中进行判别，最后输出判别结果健康/焦虑(0/1)。
其中，SVM分类模型采用线性核函数：K(xi,xj)＝xi Txj。
如图4所示，运用十折交叉验证循环运行100次验证模型的鲁棒性，其平均分类准确率为84.5％。
本实施例还提供了一种焦虑判别装置，包括存储器和一个或多个处理器，该存储器中存储有可执行代码，一个或多个处理器执行该可执行代码时，用于实现上述的焦虑判别方法，其具体步骤如下：采集目标的结缔组织电势信号，根据焦虑判别方法进行分析，输出用于判断目标是否焦虑的预测结果。
本实施例中，设备采集的是目标的中指的指腹与手腕外侧之间的结缔组织信号，操作简单，检测时间短，准确率高，能够降低检测的时间成本和人力成本。
Claims (8)
1.一种基于结缔组织电势的焦虑判别方法，其特征在于，包括：
数据采集模块，用于目标的采集结缔组织电势信号，所述结缔组织电势信号包括目标的静默期信号和问答期信号；
数据分析模块，对采集到结缔组织电势信号进行分析，得到用于判断目标是否焦虑的预测结果；
所述分析的具体过程如下：
步骤1、对采集获得的结缔组织电势信号进行去伪迹处理；
步骤2、根据处理后的结缔组织电势信号，分别对静默期信号和问答期信号进行特征的提取，并构建融合特征矩阵；
步骤3、根据步骤2获得的融合特征矩阵，采用SVM分类模型进行分析，输出对应的预测结果。
2.根据权利要求1所述的基于结缔组织电势的焦虑判别方法，其特征在于，采集结缔组织电势信号时，采集电极分别置于目标左手中指的指腹处与手腕外侧中间结缔组织处。
3.根据权利要求1所述的基于结缔组织电势的焦虑判别方法，其特征在于，所述结缔组织电势信号包括至少一组4分钟的静默期信号和4分钟的问答期信号。
4.根据权利要求1所述的基于结缔组织电势的焦虑判别方法，其特征在于，在步骤2中，所述特征包括频域特征与非线性特征；
所述频域特征通过获取静默期信号和问答期信号对应的频谱，计算所述频谱一阶导数和二阶导数的平均值、中位值和标准差获得；
所述非线性特征通过提取静默期信号和问答期信号的每个时期信号平均交叉频率获得。
5.根据权利要求1所述的基于结缔组织电势的焦虑判别方法，其特征在于，在步骤2中，所述融合特征矩阵采用串联静默期信号特征和问答期信号特征获得。
6.根据权利要求1所述的基于结缔组织电势的焦虑判别方法，其特征在于，在步骤3中，所述SVM分类模型的核函数如下：
K(xi,xj)＝xi Txj
式中，xi为特征矩阵中的一维向量，xj为特征矩阵中另一维向量，即在原始空间两个向量做内积。
7.根据权利要求1所述的基于结缔组织电势的焦虑判别方法，其特征在于，在步骤3中，所述SVM分类模型采用100次10折交叉验证法训练获得。
8.一种焦虑判别装置，其特征在于，包括存储器和一个或多个处理器，所述存储器中存储有可执行代码，所述一个或多个处理器执行所述可执行代码时，用于实现如权利要求1～7任一所述的焦虑判别方法，其具体步骤如下：采集目标的结缔组织电势信号，根据焦虑判别方法进行分析，输出用于判断目标是否焦虑的预测结果。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211532520.8A CN115715680A (zh) | 2022-12-01 | 2022-12-01 | 一种基于结缔组织电势的焦虑判别方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211532520.8A CN115715680A (zh) | 2022-12-01 | 2022-12-01 | 一种基于结缔组织电势的焦虑判别方法及装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115715680A true CN115715680A (zh) | 2023-02-28 |
Family
ID=85257278
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211532520.8A Pending CN115715680A (zh) | 2022-12-01 | 2022-12-01 | 一种基于结缔组织电势的焦虑判别方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115715680A (zh) |
Citations (31)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20100280336A1 (en) * | 2009-04-30 | 2010-11-04 | Medtronic, Inc. | Anxiety disorder monitoring |
| US8672851B1 (en) * | 2012-11-13 | 2014-03-18 | dBMEDx INC | Ocular ultrasound based assessment device and related methods |
| CN104822312A (zh) * | 2012-12-03 | 2015-08-05 | 高通股份有限公司 | 对用户情绪与电子媒体进行关联 |
| CN104825174A (zh) * | 2015-04-17 | 2015-08-12 | 深圳市元征科技股份有限公司 | 一种疲劳状态的检测方法及终端 |
| CN105212921A (zh) * | 2015-10-08 | 2016-01-06 | 西南大学 | 一种基于心电测度的测谎方法 |
| CN206565961U (zh) * | 2016-11-29 | 2017-10-20 | 北京同方神火联合科技发展有限公司 | 心理跟踪分析仪 |
| 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 |
| CN108324272A (zh) * | 2018-03-13 | 2018-07-27 | 天津大学 | 一种基于lzc复杂度测查焦虑程度的装置 |
| CN109171769A (zh) * | 2018-07-12 | 2019-01-11 | 西北师范大学 | 一种应用于抑郁症检测的语音、面部特征提取方法及系统 |
| CN109547133A (zh) * | 2018-12-06 | 2019-03-29 | 杭州电子科技大学 | 一种基于Cholesky分解采样协方差矩阵的SVM高效频谱感知方法 |
| 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 |
| CN109730700A (zh) * | 2018-12-30 | 2019-05-10 | 浙江新铭智能科技有限公司 | 一种用户情绪提醒方法 |
| CN109730701A (zh) * | 2019-01-03 | 2019-05-10 | 中国电子科技集团公司电子科学研究院 | 一种情绪数据的获取方法及装置 |
| CN109846499A (zh) * | 2019-04-10 | 2019-06-07 | 麻师宇 | 基于智能穿戴设备的生物反馈方法及系统 |
| CN110403631A (zh) * | 2018-11-23 | 2019-11-05 | 首都医科大学附属北京同仁医院 | 一种基于连续超声图像的无创颅内压测量方法 |
| CN111476158A (zh) * | 2020-04-07 | 2020-07-31 | 金陵科技学院 | 一种基于pso-pca-svm的多通道生理信号体感手势识别方法 |
| CN112006696A (zh) * | 2019-05-29 | 2020-12-01 | 北京入思技术有限公司 | 基于皮肤电信号的情绪识别方法 |
| CN112057090A (zh) * | 2020-09-04 | 2020-12-11 | 浙江大学 | 基于体表极低频电势差特征的情绪判断穿戴式设备和方法 |
| US20210022631A1 (en) * | 2019-07-23 | 2021-01-28 | The Regents Of The University Of Michigan | Automated optic nerve sheath diameter measurement |
| CN112400207A (zh) * | 2018-07-11 | 2021-02-23 | 皇家飞利浦有限公司 | 用于确定用户的应激水平的设备、系统和方法 |
| CN112509561A (zh) * | 2020-12-03 | 2021-03-16 | 中国联合网络通信集团有限公司 | 情绪识别方法、装置、设备及计算机可读存储介质 |
| CN112800908A (zh) * | 2021-01-19 | 2021-05-14 | 中国科学院心理研究所 | 一种基于视频中个体步态分析的焦虑感知模型的建立方法 |
| CN112806994A (zh) * | 2021-01-27 | 2021-05-18 | 首都师范大学 | 一种基于生理信号预测个体压力应对方式的系统和方法 |
| CN113069115A (zh) * | 2021-03-09 | 2021-07-06 | 清华大学 | 一种情绪识别方法、电子设备及存储介质 |
| CN113180662A (zh) * | 2021-04-07 | 2021-07-30 | 北京脑陆科技有限公司 | 一种基于eeg信号的焦虑状态干预方法、系统 |
| CN113569924A (zh) * | 2021-07-09 | 2021-10-29 | 常州大学 | 一种基于支持向量机多核协作的情绪辨识分类方法 |
| CN114025673A (zh) * | 2019-06-06 | 2022-02-08 | 尼松尼克公司 | 超声图像的配准 |
| CN114190942A (zh) * | 2021-12-13 | 2022-03-18 | 沃民高新科技（北京）股份有限公司 | 基于音频分析的抑郁症检测的方法 |
| CN114391846A (zh) * | 2022-01-21 | 2022-04-26 | 中山大学 | 一种基于过滤式特征选择的情绪识别方法及系统 |
| CN115211858A (zh) * | 2022-08-26 | 2022-10-21 | 浙大宁波理工学院 | 一种基于深度学习的情绪识别方法、系统及可存储介质 |
| US20220346681A1 (en) * | 2021-04-29 | 2022-11-03 | Kpn Innovations, Llc. | System and method for generating a stress disorder ration program |
-
2022
- 2022-12-01 CN CN202211532520.8A patent/CN115715680A/zh active Pending
Patent Citations (31)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20100280336A1 (en) * | 2009-04-30 | 2010-11-04 | Medtronic, Inc. | Anxiety disorder monitoring |
| US8672851B1 (en) * | 2012-11-13 | 2014-03-18 | dBMEDx INC | Ocular ultrasound based assessment device and related methods |
| CN104822312A (zh) * | 2012-12-03 | 2015-08-05 | 高通股份有限公司 | 对用户情绪与电子媒体进行关联 |
| CN104825174A (zh) * | 2015-04-17 | 2015-08-12 | 深圳市元征科技股份有限公司 | 一种疲劳状态的检测方法及终端 |
| CN105212921A (zh) * | 2015-10-08 | 2016-01-06 | 西南大学 | 一种基于心电测度的测谎方法 |
| CN206565961U (zh) * | 2016-11-29 | 2017-10-20 | 北京同方神火联合科技发展有限公司 | 心理跟踪分析仪 |
| 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 |
| CN108324272A (zh) * | 2018-03-13 | 2018-07-27 | 天津大学 | 一种基于lzc复杂度测查焦虑程度的装置 |
| CN112400207A (zh) * | 2018-07-11 | 2021-02-23 | 皇家飞利浦有限公司 | 用于确定用户的应激水平的设备、系统和方法 |
| CN109171769A (zh) * | 2018-07-12 | 2019-01-11 | 西北师范大学 | 一种应用于抑郁症检测的语音、面部特征提取方法及系统 |
| CN110403631A (zh) * | 2018-11-23 | 2019-11-05 | 首都医科大学附属北京同仁医院 | 一种基于连续超声图像的无创颅内压测量方法 |
| CN109547133A (zh) * | 2018-12-06 | 2019-03-29 | 杭州电子科技大学 | 一种基于Cholesky分解采样协方差矩阵的SVM高效频谱感知方法 |
| 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 |
| CN109730700A (zh) * | 2018-12-30 | 2019-05-10 | 浙江新铭智能科技有限公司 | 一种用户情绪提醒方法 |
| CN109730701A (zh) * | 2019-01-03 | 2019-05-10 | 中国电子科技集团公司电子科学研究院 | 一种情绪数据的获取方法及装置 |
| CN109846499A (zh) * | 2019-04-10 | 2019-06-07 | 麻师宇 | 基于智能穿戴设备的生物反馈方法及系统 |
| CN112006696A (zh) * | 2019-05-29 | 2020-12-01 | 北京入思技术有限公司 | 基于皮肤电信号的情绪识别方法 |
| CN114025673A (zh) * | 2019-06-06 | 2022-02-08 | 尼松尼克公司 | 超声图像的配准 |
| US20210022631A1 (en) * | 2019-07-23 | 2021-01-28 | The Regents Of The University Of Michigan | Automated optic nerve sheath diameter measurement |
| CN111476158A (zh) * | 2020-04-07 | 2020-07-31 | 金陵科技学院 | 一种基于pso-pca-svm的多通道生理信号体感手势识别方法 |
| CN112057090A (zh) * | 2020-09-04 | 2020-12-11 | 浙江大学 | 基于体表极低频电势差特征的情绪判断穿戴式设备和方法 |
| CN112509561A (zh) * | 2020-12-03 | 2021-03-16 | 中国联合网络通信集团有限公司 | 情绪识别方法、装置、设备及计算机可读存储介质 |
| CN112800908A (zh) * | 2021-01-19 | 2021-05-14 | 中国科学院心理研究所 | 一种基于视频中个体步态分析的焦虑感知模型的建立方法 |
| CN112806994A (zh) * | 2021-01-27 | 2021-05-18 | 首都师范大学 | 一种基于生理信号预测个体压力应对方式的系统和方法 |
| CN113069115A (zh) * | 2021-03-09 | 2021-07-06 | 清华大学 | 一种情绪识别方法、电子设备及存储介质 |
| CN113180662A (zh) * | 2021-04-07 | 2021-07-30 | 北京脑陆科技有限公司 | 一种基于eeg信号的焦虑状态干预方法、系统 |
| US20220346681A1 (en) * | 2021-04-29 | 2022-11-03 | Kpn Innovations, Llc. | System and method for generating a stress disorder ration program |
| CN113569924A (zh) * | 2021-07-09 | 2021-10-29 | 常州大学 | 一种基于支持向量机多核协作的情绪辨识分类方法 |
| CN114190942A (zh) * | 2021-12-13 | 2022-03-18 | 沃民高新科技（北京）股份有限公司 | 基于音频分析的抑郁症检测的方法 |
| CN114391846A (zh) * | 2022-01-21 | 2022-04-26 | 中山大学 | 一种基于过滤式特征选择的情绪识别方法及系统 |
| CN115211858A (zh) * | 2022-08-26 | 2022-10-21 | 浙大宁波理工学院 | 一种基于深度学习的情绪识别方法、系统及可存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Kumar et al. | Characterization of coronary artery disease using flexible analytic wavelet transform applied on ECG signals | |
| Lawhern et al. | Detection and classification of subject-generated artifacts in EEG signals using autoregressive models | |
| EP2416703B1 (en) | Real-time identification of seizures in an eeg signal | |
| Halford | Computerized epileptiform transient detection in the scalp electroencephalogram: Obstacles to progress and the example of computerized ECG interpretation | |
| Nallathambi et al. | Integrate and fire pulse train automaton for QRS detection | |
| EP3672474A1 (en) | A method of detecting abnormalities in ecg signals | |
| Alvi et al. | A deep learning based framework for diagnosis of mild cognitive impairment | |
| Buettner et al. | High-performance diagnosis of sleep disorders: a novel, accurate and fast machine learning approach using electroencephalographic data | |
| Lopes et al. | Automatic electroencephalogram artifact removal using deep convolutional neural networks | |
| CN111839506B (zh) | 脑力负荷检测方法及装置 | |
| Yuan et al. | Kernel collaborative representation-based automatic seizure detection in intracranial EEG | |
| Rahman et al. | A comprehensive survey of the feature extraction methods in the EEG research | |
| El Halabi et al. | Monitoring system for prediction and detection of epilepsy seizure | |
| Zangeneh Soroush et al. | EEG artifact removal using sub-space decomposition, nonlinear dynamics, stationary wavelet transform and machine learning algorithms | |
| Pascual et al. | A self-learning methodology for epileptic seizure detection with minimally-supervised edge labeling | |
| Dzitac et al. | Identification of ERD using fuzzy inference systems for brain-computer interface | |
| Vimala | Stress causing arrhythmia detection from ECG signal using HMM | |
| Antunes et al. | A morphology-based feature set for automated Amyotrophic Lateral Sclerosis diagnosis on surface electromyography | |
| Jothiramalingam et al. | Review of Computational Techniques for the Analysis of Abnormal Patterns of ECG Signal Provoked by Cardiac Disease. | |
| CN115715680A (zh) | 一种基于结缔组织电势的焦虑判别方法及装置 | |
| WO2017165661A1 (en) | Signal processing for precise identification and separation of artifact and a signal of interest in a longitudinal signal | |
| Sanamdikar et al. | Classification of ECG Signal for Cardiac Arrhythmia Detection Using GAN Method | |
| 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 | |
| Jyothirmy et al. | Stress Monitoring in Humans using Biomedical Signal Analysis | |
| Kammath et al. | Detection of bundle branch blocks using machine learning techniques |
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 |