公开(公告)号：CN112465069A

公开(公告)日：2021-03-09

申请号：CN202011478666.X

申请日：2020-12-15

Applicant: 杭州电子科技大学

Inventor： 马玉良 ,  戴紫玉 ,  潘隽锴 ,  祝真滨

IPC: G06K9/62 ,  G06K9/00 ,  G06N3/04 ,  G06N3/08

Abstract: 本发明公开了一种基于多尺度卷积核CNN的脑电情绪分类方法。选用SEED数据集作为实验数据，使用reliefF算法与多尺度卷积核CNN相结合的特征选择与分类模型进行分类测试；首先对预处理数据提取每个频段上的微分熵特征，并用线性动态系统方法进行特征平滑；其次使用reliefF算法对数据进行特征选择，然后将数据切割成适合作为多尺度卷积核CNN输入的特征样本，并进行归一化处理；最后使用多尺度卷积核CNN对处理的样本进行分类测试。本发明采用将reliefF算法与多尺度卷积核CNN相结合的特征选择与分类模型方法，可以有效的提高情绪脑电信号分类率，对智能人机交互领域和脑电情感识别都具有重要的意义。

公开(公告)号：CN112465069B

公开(公告)日：2024-02-06

申请号：CN202011478666.X

申请日：2020-12-15

Applicant: 杭州电子科技大学

Inventor： 马玉良 ,  戴紫玉 ,  潘隽锴 ,  祝真滨

IPC: G06F18/2415 ,  G06F18/211 ,  G06F18/213 ,  G06F18/10 ,  G06N3/0464 ,  G06N3/084

Abstract: 本发明公开了一种基于多尺度卷积核CNN的脑电情绪分类方法。选用SEED数据集作为实验数据，使用reliefF算法与多尺度卷积核CNN相结合的特征选择与分类模型进行分类测试；首先对预处理数据提取每个频段上的微分熵特征，并用线性动态系统方法进行特征平滑；其次使用reliefF算法对数据进行特征选择，然后将数据切割成适合作为多尺度卷积核CNN输入的特征样本，并进行归一化处理；最后使用多尺度卷积核CNN对处理的样本进行分类测试。本发明采用将reliefF算法与多尺度卷积核CNN相结合的特征选择与分类模型方法，可以有效的提高情绪脑电信号分类率，对智能人机交互领域和脑电情感识别都具有重要的意义。

公开(公告)号：CN114287937A

公开(公告)日：2022-04-08

申请号：CN202111403467.7

申请日：2021-11-24

Applicant: 杭州电子科技大学

Inventor： 戴紫玉 ,  马玉良 ,  张卫 ,  佘青山 ,  席旭刚

IPC: A61B5/16 ,  A61B5/369 ,  A61B5/372 ,  A61B3/113 ,  A61B5/00 ,  G06K9/62 ,  G06N3/04 ,  G06N3/08

Abstract: 本发明公开了一种基于多模态卷积神经网络的情绪识别方法。多模态卷积神经网络由多尺度卷积核卷积神经网络(MLCNN)和长短时记忆网络(LSTM)两大部分组成，多模态卷积神经网络用于对提取了微分熵(DE)特征的脑电信号进行二次特征提取，LSTM网络用于提取眼动信号的时序特征，特征融合采用特征级融合。实验结果显示，多模态信号相对于单模态信号有更高的情绪分类准确率，基于6通道脑电信号和眼动信号的多模态信号情绪四分类平均准确率达到97.94%；且在跨会话稳定性实验中，多模态信号取得了96.32%的准确率，验证了多模态卷积神经网络的跨会话相对稳定性和有效。