-
公开(公告)号：CN114343674A
公开(公告)日：2022-04-15
申请号：CN202111578215.8
申请日：2021-12-22
Applicant: 杭州电子科技大学
Abstract: 本发明公开了一种联合判别子空间发掘与半监督脑电情感识别方法。步骤如下：引导被试者观看带有明显情感倾向的视频来采集脑电数据。对所获得的脑电数据进行预处理和特征提取后，生成样本矩阵。构建联合子判别空间与半监督学习模型，通过将样本矩阵投影到新的特征空间来减小脑电数据之间的类内离散度和增大类间离散度，通过对无标记样本打上伪标签之后加入到训练模型中进行半监督学习。根据目标函数通过固定两个变量、更新另一个变量的规则，实现联合优化，通过不断的迭代优化子判别空间，提高情感识别的准确性。研究了组合投影矩阵的物理意义，得到情绪识别中的脑电激活模式，获得与情感效应发生相关的关键频段和导联。
-
公开(公告)号：CN113143275B
公开(公告)日：2022-04-26
申请号：CN202110317792.5
申请日：2021-03-24
Applicant: 杭州电子科技大学
Abstract: 本发明提供一种样本与特征质量联合量化评估的脑电疲劳检测方法。本发明步骤如下：1、多个被试者分别在模拟驾驶系统下进行脑电数据采集。2、对步骤1所得的所有脑电数据进行预处理和特征提取。3、建立机器学习模型以实现样本与特征质量联合量化评估的脑电疲劳检测。4、求得衡量样本质量的描述因子v、特征的描述因子θ。5、对新的被试者脑电的数据进行疲劳回归预测。本发明将v和θ嵌入最小二乘模型后，获得的衡量样本质量与特征的权重描述因子提供了执行脑电数据样本选择和特征选择的有效工具，对质量较好的样本和特征赋予更高的权重，能够根据脑电数据准确地获取被测者的疲劳情况。
-
Patent Agency Ranking
公开(公告)号：CN113988123A
公开(公告)日：2022-01-28
申请号：CN202111212547.4
申请日：2021-10-19
Applicant: 杭州电子科技大学
Abstract: 本发明提供一种基于自加权增量RVFL网络的脑电疲劳预测方法。本发明步骤如下：1、多个被试者分别在模拟驾驶系统下进行脑电数据采集。2、对步骤1所得的所有脑电数据进行预处理和特征提取。3、建立自加权RVFL网络用于离线训练一个基础疲劳预测模型。4、求解输出权重和特征权重分布5、采集在线脑电数据并进行与步骤2相同的步骤。6、将离线训练完成的疲劳预测模型转为增量式的在线疲劳预测模型。7、求解输出权重和特征权重分布。8、对在线脑电数据进行预测与学习。本发明通过回归预测、增量学习和自加权变量的方式提高了模型的预测精度。
-
公开(公告)号：CN112773378A
公开(公告)日：2021-05-11
申请号：CN202110075007.X
申请日：2021-01-20
Applicant: 杭州电子科技大学
Abstract: 本发明提供一种特征权重自适应学习的脑电情绪识别方法。本发明步骤如下：1、多个被试者分别在不同的情绪类别任务下进行脑电数据采集。2、对步骤1所得的所有脑电数据进行预处理和特征提取。3、建立机器学习模型以实现特征权重自适应学习的脑电情绪识别。4、求得特征权重因子Θ、特征权重W和偏差b。5、对新的被试者脑电的数据进行情绪类别预测。本发明优化GFIL模型后，获得的特征权重因子为我们提供了执行特征排名和选择的有效工具，然后可以删除多余且次要的特征。本发明将得到的特征权重因子与人情绪识别相关联可以得出情绪识别中频段和导联重要性的判断。
-
公开(公告)号：CN114343674B
公开(公告)日：2024-05-03
申请号：CN202111578215.8
申请日：2021-12-22
Applicant: 杭州电子科技大学
Abstract: 本发明公开了一种联合判别子空间发掘与半监督脑电情感识别方法。步骤如下：引导被试者观看带有明显情感倾向的视频来采集脑电数据。对所获得的脑电数据进行预处理和特征提取后，生成样本矩阵。构建联合子判别空间与半监督学习模型，通过将样本矩阵投影到新的特征空间来减小脑电数据之间的类内离散度和增大类间离散度，通过对无标记样本打上伪标签之后加入到训练模型中进行半监督学习。根据目标函数通过固定两个变量、更新另一个变量的规则，实现联合优化，通过不断的迭代优化子判别空间，提高情感识别的准确性。研究了组合投影矩阵的物理意义，得到情绪识别中的脑电激活模式，获得与情感效应发生相关的关键频段和导联。
-
公开(公告)号：CN112773378B
公开(公告)日：2022-05-17
申请号：CN202110075007.X
申请日：2021-01-20
Applicant: 杭州电子科技大学
Abstract: 本发明提供一种特征权重自适应学习的脑电情绪识别方法。本发明步骤如下：1、多个被试者分别在不同的情绪类别任务下进行脑电数据采集。2、对步骤1所得的所有脑电数据进行预处理和特征提取。3、建立机器学习模型以实现特征权重自适应学习的脑电情绪识别。4、求得特征权重因子Θ、特征权重W和偏差b。5、对新的被试者脑电的数据进行情绪类别预测。本发明优化GFIL模型后，获得的特征权重因子为我们提供了执行特征排名和选择的有效工具，然后可以删除多余且次要的特征。本发明将得到的特征权重因子与人情绪识别相关联可以得出情绪识别中频段和导联重要性的判断。
-
公开(公告)号：CN113143275A
公开(公告)日：2021-07-23
申请号：CN202110317792.5
申请日：2021-03-24
Applicant: 杭州电子科技大学
Abstract: 本发明提供一种样本与特征质量联合量化评估的脑电疲劳检测方法。本发明步骤如下：1、多个被试者分别在模拟驾驶系统下进行脑电数据采集。2、对步骤1所得的所有脑电数据进行预处理和特征提取。3、建立机器学习模型以实现样本与特征质量联合量化评估的脑电疲劳检测。4、求得衡量样本质量的描述因子v、特征的描述因子θ。5、对新的被试者脑电的数据进行疲劳回归预测。本发明将v和θ嵌入最小二乘模型后，获得的衡量样本质量与特征的权重描述因子提供了执行脑电数据样本选择和特征选择的有效工具，对质量较好的样本和特征赋予更高的权重，能够根据脑电数据准确地获取被测者的疲劳情况。
-
-
-
-
-
-
Search Results
7
records
(took 0.016 seconds)
