基于脑电信号的聋人情绪识别研究

针对聋人大学生容易出现情感表达障碍和情绪识别困难等问题,文中提出了基于脑电(electroencephalogram, EEG)信号的聋人情绪识别方法。首先对采集到的EEG信号用5阶巴特沃斯滤波器将其分割为5个频带,提取各频带的功率谱密度(power spectral density, PSD)和微分熵(differential entropy, DE)特征,利用支持向量机(support vector machine, SVM)进行分类实验。分析了聋人在不同情绪状态下的脑地形图,得出与情绪处理相关的关键脑区。最后根据关键脑区分布,提出了聋人情绪识别的关键通道选择模式并进行了分类实验。实验结果表明,与聋人情绪相关的主要频带为Beta和Gamma频带,且DE特征在聋人情绪识别中具有较大优势,在全频带62通道的平均识别准确率可达到97.57%;与聋人情绪处理相关的主要脑区为前额叶和枕叶;DE特征在10通道的识别准确率达到96.14%,可与62通道分类结果相媲美。研究结果可为开发应用于聋人情绪识别的可穿戴EEG设备提供参考。     

基于晚期正电位的脑电情绪识别

提出了一种基于晚期正电位(LPP)特征的脑电情绪识别方法。以图片连续刺激被试诱发正、中和负性情绪。对三种情绪图片诱发的脑电进行方差分析,显示LPP段早期(300~600 ms)、中期(600~1 000 ms)、晚期(1 000~1 500 ms)在部分导联处具有极显著性差异(P0.01)。用SVM建模分类,在θ、α、β、γ波频段内LPP段晚期特征的情绪识别准确率比LPP段早期、中期特征的高,LPP段早期、中期、晚期特征的脑电情绪识别率超过60%,比时频特征的识别率高。表明晚期正电位特征识别脑电情绪种类更具可靠性。     

基于高斯小波滤波器的语音识别特征提取方法

把小波理论应用于抗噪语音识别特征提取,提出了基于高斯小波滤波器的语音识别特征提取方法,通过对人耳听觉特性的研究,按照人耳临界带宽设计了一组高斯小波带通滤波器。详细讨论了高斯小波滤波器的尺度参数选择方法。使用RBF识别网络,仿真实现了使用新特征与原特征的识别结果,证明了新特征具有较高的识别率和优良的抗噪性能。     

采用频带能量进行ECoG信号的特征提取

对于典型的采用皮层脑电图的脑-机接口系统,测试者想象左手小手指或舌头运动,提出了采用频带能量的特征提取方法.首先,把频带能量作为特征,进行导联的选择,从64导联中获取特征最明显的11导进行分析;然后采用频带能量进行皮层脑电图信号的特征提取,并利用主分量分析进行降维;最后采用Fisher线性判别分析进行两类意识任务的分类.离线分析结果表明,该方法对测试数据取得了很好的分类准确率.     

人体行为识别特征提取方法综述

行为识别的过程很大程度上可以看作特征提取与分类器相结合,故特征提取方法的优劣直接影响最终识 别效果。与静态图像物体识别相比,视频中人体行为识别特征提取更易受到动态背景、采集设备运动、视角和 光照等因素影响人体,从而对研究人员的工作提出了很大挑战。为此,综合了近几年对行为识别特征提取系 统分类和不同类型行为识别特征提取方法以及常用行为识别数据库等领域研究的最新进展,探讨了目前研究 难点,阐述了与未来可能的研究发展方向。     

基于不可分小波和LDA的掌纹识别

提出了一种基于不可分小波和线性判别分析(LDA)的掌纹特征提取算法.该算法首先对掌纹灰度图像进行二层小波分解,保留图像的低频段,这样一幅128×128的掌纹图像经过上述小波分解后得到一幅32×32的掌纹子图,图像的维数显著降低,并且减少了光照这一奇异信息变化对识别效果产生的影响,然后利用LDA方法进行特征提取.针对PolyU掌纹库的识别结果表明.该方法在识别时间,识别率等方面都有其独特的优越性.     

基于KPCANet和线性判别分析的表情识别

针对目前多数表情识别算法都是基于浅层特征的,很难达到良好的识别效果,并且核主成分分析网络(PCANet)网络存在提取到的表情特征维数比较高致使识别时间较长和分类效率较低的问题,受到深度学习模型PCANet的启发,提出了一种结合核主成分分析网络(KPCANet)和线性判别分析(LDA)的表情识别算法.首先,利用基于KPCANet模型获取训练样本及测试样本的深层特征;然后,用LDA监督层对KPCANet模型获取的深层特征对表情图像特征进行监督投影,从而使表情特征具有类别区分性;最后,将经LDA投影的特征矩阵输入支持向量机(SVM)中对表情特征进行训练和分类.提出的KPCANet-LDA算法模型在人脸表情数据库CK+和JAFFE上进行实验,实验结果表明提出的算法具有良好的鲁棒性且识别率高于其他对比算法.     

一种基于听觉模型的抗噪语音识别特征提取方法

提出了一种新的语音识别特征提取方法。该方法是建立在听觉模型的基础上,通过计算语音的上升过零率作为频率信息并通过非线性幅度加权相结合来获取语音特征。仿真实现了中小词汇量、孤立词的语音识别,得到了较好的实验结果,证明了此方法具有较强的抗噪声性能。     

基于改进特征提取的BP神经网络车牌识别

车辆牌照的自动识别是计算机视觉与模式识别技术在智能交通领域的重要应用．为提高车牌字符识别系统对字符的整体识别能力,对车牌上的汉字与数字字符做分类处理,利用粗网格、边框和笔划密度方法更好地提取识别对象特征,最后采用BP神经网络进行字符识别．实验表明,本文所采用的方法能达到较好的识别效果,说明多种特征提取方法和神经网络识别技术的有机结合能显著提高系统性能．     

人脸识别中一种新的Gabor特征提取方法

为了有效利用Gabor特征进行人脸识别,提出一种新的Gabor特征提取方法．首先利用类别可分离性判据评价Gabor展开系数的分类能力,选择最有利于识别的Gabor展开系数构造新的Gabor特征、然后对人脸不同局部位置处采样点的分类能力进行评价,选择分类能力最强的位置提取特征点、最后就新的Gabor特征对光照和表情变化的适应性进行测试．实验结果表明,新的特征提取方法能够在小样本条件下有效提高识别率,减少特征数量,并对环境变化具有一定的适应能力．     

一种基于特征提取的手写字符识别技术

在分析图象处理及其特征提取理论的基础上,研究了字符的笔划特点, 探讨了手写字符的宽度、交叉点、链码等特征,用提取字符结构特征的方法,设计并实现了一种手写字符识别系统。实践证明了这些特征简单明确。     

一种特征提取新方法在PQD识别中的应用

从时域和频域出发,提出一种Hilbert变换和Fourier变换相结合的方法,快速识别电能质量扰动.该方法先利用Hilbert变换提取扰动信号的包络,根据包络线提取扰动特征,将5种扰动从常见的8类扰动中分离,对未识别3类扰动的包络线进行FFT变换,再从频域中提取特征对其分类.借助Matlab随机生成800个样本,此方法在无噪声和30 dB高斯白噪声条件下平均分类准确率分别达到了99.7%和99.1%.算法在特征提取耗费时间上是采用DB4小波的特征提取方法的25.7%.     

一种新的字符特征提取方法及其在识别中的两个应用

特征抽取是识别中的重要步骤，提取描述性强的特征能够有效提高分类器的识别效率。在提出有关概念的基础上，介绍了特征行抽取在字符过程中的两个重要应用。首先,在分类识别时可用作匹配的特征向量，通过双向匹配来识别独立的字符。其次，可在识别粘连字符时用于预测前端字符，并在提取前端字符后对预测结果进行验证，从而达到准确分割和识别粘连字符的目的。还详细描述了交互确定特征行的方法。最后根据实验数据对字符特征行的应用价值作出了评价。     

基于多步态特征融合的情感识别

在情感计算、心理治疗、机器人、监视和观众理解等方面,基于步态特征的情感识别有着广泛的应用前景。已有方法表明,考虑手势位置等上下文信息可以显著提高情绪识别性能,且时空信息能显著提高情绪识别精度。但是单纯使用骨骼空间信息无法充分表达步态中的情绪信息。为了充分利用步态特征,本文提出自适应融合的方法,将骨骼时空信息与骨骼旋转角度结合,提升了现有模型的情感识别精度。本文模型利用自编码器,学习人类行走时的骨骼旋转信息,利用时空图卷积神经网络提取骨骼点时空信息,将骨骼旋转信息与时空信息输入自适应融合网络,得到最终特征进行分类。模型在Emotion-Gait数据集上测试,实验结果显示：悲伤、愤怒和中立情绪的AP值比最新HAP方法分别提升5、8、5个百分点;总体分类的平均MAP值提高了5个百分点。     

基于代数方法的图像特征抽取和识别

该文对文献（３）中的相似度计算了改进,用低维矩阵替代高维矩阵进行计算,先证明没有改变原有图像矩阵的相似度,然后用新方法和原方法解决一组人脸图像识别问题,实验结果表明,新方法大大减少了计算量,又能保持稳定的识别率,具有较高的识别效果。     

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。     

基于混合神经网络的脑电情感识别

为保留脑电(Electroencephalogram,EEG)空间信息的同时充分挖掘EEG时序相关信息,提出了一种三维卷积神经网络(3-Dimensional Convolutional Neural Networks,3D-CNN)结合双向长短期记忆神经网络(Bidirectional Long Short-term...