基于TS特征选择的生理情感状态分类

针对生理信号的情感识别问题,本文提出了禁忌搜索(TS)和神经网络结合的情感状态分类方法。该方法用禁忌搜索算法选择情感生理信号特征,神经网络BP算法分类情感状态。仿真实验结果表明,BP分类器在TS选择的特征基础上达到很好的情感分类效果。     

基于肘关节表面肌电信号的负载识别

针对大多数肌电信号只进行特定肢体动作识别而没有对肢体进行外加负载识别的问题,提出一种基于表面肌电信号(surface electromyography, s EMG)的负载识别方法。首先,采用4通道表面电极采集肘关节在不同负载下的s EMG信号;然后,利用时域、频域特征提取方法对s EMG信号进行特征提取构成特征向量;最后,利用支持向量机(support vector maching, SVM)、BP神经网络和RBF神经网络对特征向量进行分类识别。结果表明以时域特征值识别,SVM的识别效果最佳,准确率为96.2%;以频域特征值识别,BP神经网络的识别效果最佳,准确率为87.5%;以时、频域组合特征值识别,RBF神经网络的识别效果最佳,准确率为90.4%。可见通过s EMG信号进行负载识别具有一定的可行性,为s EMG信号的广泛应用奠定基础。     

变异BPSO方法在情感生理信号特征选择中的应用

在情感状态识别中,往往会存在很多无关特征而影响识别的效果,因此进行特征选择是很有必要的。文章针对生理信号的情感状态识别及离散粒子群(BPSO)的缺点,采用变异的离散粒子群算法提取生理信号特征进行情感状态识别,显著地提高了平均正确识别率,并研究了粒子变异维数对识别正确率的影响。     

基于核谱回归与随机森林的脑电情感识别

利用DEAP情感数据库研究脑电的情感识别问题。首先,使用聚类算法确定情感状态的目标类别;然后,比较了两种不同的特征提取方法:一种是小波变换,另一种是非线性动力学,并研究了基线特征对情感分类效果的影响;最后,研究了5种特征降维方法对分类性能的影响,同时比较了4种不同分类器的性能,包括K-最近邻(KNN)、朴素贝叶斯(NB)、支持向量机(SVM)和随机森林(RF)。研究结果表明,核谱回归(KSR)降维方法和随机森林分类器的组合对情感状态的分类效果最好。通过对脑区与情感关系的研究发现,只使用部分脑区的少量电极也可以达到90%的分类准确度,这些电极主要分布在额叶皮层。     

基于惯性信号与肌电信号的手势识别方法

为解决人体表面肌电信号(EMG)误差较大导致手势识别准确率低的问题,提出了一种将手指尖与关节相对于腰部尾椎位置的惯性运动信号与手臂的EMG进行融合,提取新的手势特征集并利用改进禁忌搜索优化后的反向传播(BP)神经网络分类识别。实验结果表明,该特征集相比于传统的肌电特征集准确率提高了8.5%,优化后的BP神经网络相比于优化前准确率提高了12.33%,手势识别综合准确率可达99.75%。     

基于单模态生理信号无监督特征学习的驾驶压力识别

针对基于多模态生理信号分析的驾驶压力识别会影响驾驶员的行车舒适性,且传统的生理特征的提取需要依赖先验知识的问题,构建了基于单模态生理信号无监督特征学习的驾驶压力识别模型.首先采用单模态生理信号,通过构造卷积自编码器进行无监督的特征学习来提取抽象特征;然后将特征依次送入支持向量机、随机森林、K最近邻、梯度提升决策树4种不...     

基于颈腰部肌电及脑电信号的疲劳驾驶检测

为了有效判别驾驶员的疲劳状态,结合生物力学分析提取了驾驶过程中的颈腰部肌电信号EMG和头部脑电信号EEG,并分析其特征参数在驾驶过程中的变化规律.结果表明:颈肌样本熵、颈肌复杂度、腰肌样本熵、腰肌复杂度、脑电样本熵、脑电复杂度这6个生理信号的特征参数值都随着驾驶时间的延长而逐渐降低,通过主成分分析可实现特征参数间的合理组合.基于多元回归理论,建立了能够有效预测疲劳驾驶的数学模型.状态验证结果表明,该模型对疲劳状态判别的正确率可达95%以上.     

HMM在下肢表面肌电信号步态识别中的应用

提出了一种基于隐马尔可夫模型(HMM)的分类方法,利用下肢表面肌电信号(SEMG)进行人体步态状态的识别.对每通道的SEMG信号按时间分段后,对每段数据提取4个时域特征来描述信号特点.根据对步态周期中状态的划分确定了HMM的结构,将HMM的状态与步态状态一一对应,并利用改进的Baum-Welch算法估计HMM参数,然后...     

国内期刊亮点

正提出新型能量核方法上海交通大学机器人研究所陈幸等提出了一种肌肉等长收缩力估计与肌肉固有特性表征的新方法,称为能量核方法。此方法的初衷在于将表贴EMG(肌电图)信号转变为平面内的相图,并将相图上状态点的分布核心称作能量核,而噪声信号的分布核心称为噪声核。基于相图的统计特征,将一段EMG信号近似为简谐振子,简称EMG振子。改研究建立了控制信号(EMG)与输出信号(力/功率)之间的关系,并提出用EMG的特征能量     

基于时频空多维融合特征的脑电情感识别

脑电信号(Electroencephalogram,EEG)包含丰富的时间,空间和频率信息,是最能准确反映情感状态的生理信号,在情感识别领域发挥着重要作用。由于单特征的脑电情感识别研究方法存在缺失信息的问题,因此提出了三维融合特征的脑电信息处理方法,将脑电信号的微分熵频域特征和八种时域特征进行融合,按照电极片位置信息进行空间排布,提取脑电信号的三维混合特征。将注意力机制引入多任务卷积神经网络(Multi Task Attention Convolutional Neural Network,MTA-CNN),并将构造的三维特征作为输入进行测试分析。结果表明,所提出模型方法在DEAP数据集的效价维和唤醒维二分类问题准确率均有显著提升。