基于深度自编码和LSTM循环网络的脑电情感识别

针对脑电信号情感识别中情感特征信息挖掘不充分、识别准确率低的问题,提出深度自编码方法提取脑电信号情感特征,并结合长短时记忆(LSTM)循环神经网络实现维度情感分类.首先,基于DEAP维度情感生理数据集,分别在唤醒度和效价维度选取情感标签阈值,划分不同情感状态;然后,通过时间窗对脑电信号分段,设计栈式自编码网络挖掘脑电数...     

基于树模型机器学习的皮肤电信号情绪识别

为了提高维度模型生理信号情绪识别准确率和泛化能力,本文基于DEAP维度情感生理数据集,提取皮肤电信号时域统计特征、功率谱特征、小波包熵特征,分别采用决策树和随机森林算法在唤醒度和效价两个情感维度进行情绪分类.通过选取合适的维度情感标签阈值,有效提高机器情绪识别准确率和稳健性;利用情绪诱发状态与自然状态下的皮肤电信号的差值进行归一化处理,消除个体差异,提高模型的泛化能力;采用多特征融合并基于集成学习的随机森林算法,获得更好的情绪识别性能.在唤醒度维度上的分类准确率Acc和F1值分别为92.0%和0.933,在效价维度上的分类准确率Acc和F1值分别为90.9%和0.925.仿真实验表明,基于树模型的机器学习方法可以实现维度情绪的准确识别,该研究可用于可穿戴设备生理信号情绪自动分析和机器识别.     

基于深度学习算法的正负性情绪识别研究

为探究感知正性情绪(高兴、惊奇、自豪、感动)和负性情绪(愤怒、悲伤、恐惧、厌恶)时,人体生理信号特征变化,并依此进行情感识别,设计了视频诱发情感的实验范式.利用多导生理仪同步采集人体脉搏和心电两种生理信号;采用中值滤波和小波去噪方法消除测量中的基线漂移和噪声干扰;通过差分阈值法进行峰值检测,提取心电和脉搏波特征;设计栈式自编码深度学习算法,利用神经网络分类器实现正负性情绪分类识别.基于心电信号特征或脉搏信号特征,4种正性情绪的平均识别正确率分别为83.16%和81.66%,4种负性情绪的平均识别率分别为90.33%和86.33%,4种正负性混合情绪的平均识别率分别达到87.86%和85.28%.结果表明:采用栈式自编码深度学习算法,基于脉搏和心电生理信号特征,均可以有效识别正负性情绪,并且心电特征相比脉搏特征在正负性情绪识别方面更优越,该方法可以应用于情感机器人的研究中.     

基于排列熵与多重分形指数结合的特征提取算法在情感识别中的应用

通过对脑电信号的熵分析,进行了情感识别研究,并根据脑电信号的非线性特性以及多重分形特性的特点,提出了一种排列熵与多重分形指数相结合的情感脑电特征提取算法。该算法采用排列熵、Hurst指数、质量指数和奇异谱宽度相结合,实现情感脑电的特征提取,采用支持向量机(SVM))实现情感识别。结果显示,该算法两两情感识别,测试集最高正确率达到92.8%,除去激动对可怕外,正确率均在80%以上;与单独使用排列熵和分形指数特征的方法相比,最高正确率分别提高41.9%和31.2%。进一步分析了对积极和消极两类情感状态的识别效果,测试集平均正确率为78.3%,比排列熵与多重分形特征,测试集正确率分别提高了26.7%和1.6%。结果表明,基于排列熵与多重分形指数相结合的特征提取算法,能够充分挖掘脑电信号的非线性特性与多重分形特征信息,是一种有效的情感脑电特征提取算法。     

基于肌电小波包统计特征的踝关节动作识别

为改善足下垂患者步态,研究了踝关节不同动作的表面肌电信号特征分类.本文采集踝关节在不同动作下,对应胫骨前肌、腓肠肌、腓骨长肌和拇长伸肌的表面肌电信号,采用小波包分解方法进行肌电特征提取,获得小波包系数能量、方差统计特征量;利用支持向量机方法实现踝关节4种不同动作模式的肌电特征分类.实验结果表明,采用具有良好奇异特性的小波包能量、对数方差构成的肌电特征向量,对踝关节动作进行模式识别,其正确率远高于通过提取肌电信号时域或者频域特征进行模式分类的正确率,达到了92.8%的平均分类正确率.该特征提取方法以及支持向量机分类器,可以应用于踝关节动作识别和机器人康复工程.     

基于眼动和脑电技术的机器人情绪行为对用户交互情感的影响研究

目的探索人-机器人交互过程中用户情感的评价方法,揭示机器人情绪行为对用户交互情感的影响。方法设计音乐交互过程(正性音乐、负性音乐)和机器人情绪行为(正性情绪行为、中性情绪行为、负性情绪行为),借助主观评价、眼动追踪和脑电技术,采集19名被试在不同音乐交互过程中的主观评价指标、眼动指标和脑电指标。结果正性音乐交互过程中,机器人正性情绪行为引起的效价、唤醒度、瞳孔直径、额中线theta波相对功率、额区alpha波不对称指数显著大于中性情绪行为;而负性音乐交互过程中,机器人负性情绪行为引起的唤醒度和瞳孔直径显著大于中性情绪行为,效价和额区alpha波不对称指数显著小于中性情绪行为。结论各评价指标具有一致的结果,各指标相互结合能够有效地评价机器人音乐交互过程中用户的情感状态。评价结果表明机器人正性情绪行为(负性情绪行为)对音乐交互过程中用户正性情感(负性情感)具有增强作用,可用于进一步加强机器人音乐交互过程中用户的情感。     

类人型机器人动作情感识别研究

目的 为优化人与机器人动作情感交互方式,研究类人型机器人动作单模态情绪表达的可识别性,探究类人型机器人动作情绪识别的影响因素。方法 以类人型机器人NAO为例,采用问卷调查的方式,基于离散情绪模型,获取机器人NAO动作表达情绪的识别性、效价和唤醒度,研究类人型机器人动作的情绪识别性、效价和唤醒度,基于认知匹配理论研究类人型机器人动作与真人模拟动作、真人自然动作情绪表达差异的影响因素。结果 人类能够通过类人型机器人动作的单模态情绪表达,在不同情感语义上进行比较细腻的情绪识别,机器人形态及动作的幅度、速度、力量是情绪识别的影响因素。结论 建立类人型机器人动作与情感语义、效价及唤醒度的关系模型,以及类人型机器人动作情绪能量图,为机器人情感表达和动作交互设计提供较为系统的参考模型。     

基于栈式自编码的驾驶员脑电信号疲劳检测方法

疲劳驾驶是引发交通事故的重要原因之一。为有效检测驾驶员疲劳状态,对基于深度学习的驾驶员脑电信号疲劳检测方法进行研究,提出一种基于栈式自编码的深度学习框架,检测驾驶员疲劳状态。首先,对脑电信号进行预处理,通过离散傅里叶变化分段提取疲劳特征;然后,设计栈式自编码神经网络,检测疲劳状态,并分析不同特征对疲劳检测结果的影响。实验结果表明了栈式自编码对驾驶员脑电信号疲劳检测的有效性。该研究对驾驶员疲劳检测系统的开发具有重要意义。     

基于模糊灰关联分析的高速列车运行状态识别

针对高速列车运行状态监测问题提出小波包能量熵与模糊灰关联度相结合的运行状态识别方法。对高速运行状态下列车10个关键部位传感器振动信号进行均匀分段及多层小波包分解,将小波包能量熵作为特征值;随机选取四种运行状态下各10段数据求其平均能量熵作为参考序列,其余数据能量熵作为待检测序列,采用灰色理论对参考、待检测序列进行模糊灰关联分析,获得待检测序列对各运行状态隶属度;实现对高速列车运行状态识别。实验结果表明,该方法能有效诊断高速列车运行状态,尤其小样本、故障特征不明显时明显优于支持向量机及概率神经网络方法。     

视听情绪诱发的脑电信号同步性分析

为探究视听感知愉快、愤怒、悲伤、惊讶、厌恶、恐惧6种情绪时,不同脑区之间的脑电同步现象,本文设计了视听情绪诱发实验范式,利用Neuroscan 40导联脑电放大器采集脑电信号,采用AR模型以及相干平均去除基线漂移和自发脑电干扰,小波变换进行脑电特征提取,Hilbert变换获得脑电特征信号的瞬时相位,使用相位同步指数分析脑电活动的同步性.实验结果表明:Hilbert变换得到的相位同步指数能够较好地反映脑电的同步活动,为"大脑半球效价假说"提供了有效的依据.此外,在视听感知愉快情绪时,大脑皮层视觉区域占据主导作用,而感知悲伤情绪时,大脑皮层听觉区域占据主导作用.该研究可以被应用于大脑情绪认知和仿生机器人中.     

Picture-Induced EEG Signal Classification Based on CVC Emotion Recognition System

Emotion recognition systems are helpful in human–machine interactions and Intelligence Medical applications. Electroencephalogram (EEG) is closely related to the central nervous system activity of the brain. Compared with other signals, EEG is more closely associated with the emotional activity. It is essential to study emotion recognition based on EEG information. In the research of emotion recognition based on EEG, it is a common problem that the results of individual emotion classification vary greatly under the same scheme of emotion recognition, which affects the engineering application of emotion recognition. In order to improve the overall emotion recognition rate of the emotion classification system, we propose the CSP_VAR_CNN (CVC) emotion recognition system, which is based on the convolutional neural network (CNN) algorithm to classify emotions of EEG signals. Firstly, the emotion recognition system using common spatial patterns (CSP) to reduce the EEG data, then the standardized variance (VAR) is selected as the parameter to form the emotion feature vectors. Lastly, a 5-layer CNN model is built to classify the EEG signal. The classification results show that this emotion recognition system can better the overall emotion recognition rate: the variance has been reduced to 0.0067, which is a decrease of 64% compared to that of the CSP_VAR_SVM (CVS) system. On the other hand, the average accuracy reaches 69.84%, which is 0.79% higher than that of the CVS system. It shows that the overall emotion recognition rate of the proposed emotion recognition system is more stable, and its emotion recognition rate is higher.     

基于多源生物信号的下肢步态相识别

为提高人体下肢步态相识别的准确性,研究了融合表面肌电信号(sEMG)、膝关节角度和足底压力信号的人体下肢步态相识别方法。首先, 将sEMG信号进行小波包分解提取多尺度能量和多尺度模糊熵特征;然后,对提取的sEMG信号特征值采用主成分分析（PCA）方法进行降维处理,并与足底压力特征值和膝关节能量特征值构成一组特征向量;最后,将特征向量输入粒子群优化最小二乘支持向量机（PSO-LSSVM）对人体下肢运动信息进行步态相识别。实验结果表明,所提方法相较于其他方法有较高的识别准确率和有效性。     

基于小波包分解和PCA-Attention-LSTM的舰船辐射噪声识别技术

为了改进舰船辐射噪声分类系统的性能,进一步提高识别准确率,文章提出了一种基于多特征的小波包分解在长短期记忆(LongShort-TermMemory,LSTM)网络中分类的方法。该方法首先通过小波包分解技术,分频段提取舰船辐射噪声的多种特征,将提取的特征利用主成分分析法(Principal Component Analysis, PCA)进行数据降维,通过添加注意力机制(Attention Mechanism)算法的LSTM网络,对辐射噪声结果分类,提高了学习效率和识别准确率。为了更精细地提取特征,分频段提取了舰船辐射噪声的时频域特征、小波变换特征和梅尔倒谱系数等特征,并将分频段与不分频段的特征、多特征与单一特征、不同信噪比间的算法性能进行对比。实验结果表明,基于小波包分解和PCA-Attention-LSTM的模型可以有效地提高舰船辐射噪声分类的性能,是一种可行的分类方法。     

基于情绪脑电的交互原型方案评价研究

目的通过脑电EEG测试找出操作事件中影响情绪的界面及产生的原因,为交互原型设计提供科学依据。方法依据Lange二维情绪分类模型,测试被试操作交互原型时情绪的脑电EEG信号,提取前额区α波的脑电功率,经过消除脑电伪迹和快速傅里叶变换处理后得到脑电功率谱和不同频率的脑电功率值作为愉悦度的指标。结论发现激发情绪的原因是任务的可理解性、吸引性以及操作步骤。     

基于小波包特征提取和模糊熵特征选择的柴油机故障分析

船舶动力设备因故障监测信号样本少、变化缓慢、数据特征呈非线性,使得设备故障模式的准确识别和状态预测比较难。尤其是柴油机振动信号的故障诊断,由于柴油机振动信号噪声多,诊断信号难以进行特征选择的问题,提出了基于小波包能量谱特征提取和模糊熵特征择的柴油机故障诊断方法。利用模糊熵对小波包能量谱提取出的特征集进行特征选择,将选择后的特征参数输入LS-SVM进行故障模式识别。试验结果表明,该方法可以提高故障识别准确率。在该试验中,故障识别准确率达到了99.36%,相比于未进行特征选择的特征集,识别准确率提高了0.72%。     

Wavelet Transform and Neural Networks in Fault Diagnosis of a Motor Rotor

In the motor fault diagnosis technique,vibration and stator current frequency components of detection are two main means.This article will discuss the signal detection method based on vibration fault.Because the motor vibration signal is a non-stationary random signal,fault signals often contain a lot of time-varying,burst properties of ingredients.The traditional Fourier signal analysis can not effectively extract the motor fault characteristics,but are also likely to be rich in failure information but a weak signal as noise.Therefore,we introduce wavelet packet transforms to extract the fault characteristics of the signal information.Obtained was the result as the neural network input signal,using the L-M neural network optimization method for training,and then used the BP network for fault recognition.This paper uses Matlab software to simulate and confirmed the method of motor fault diagnosis validity and accuracy.     

Adaptive Bearing Fault Diagnosis based on Wavelet Packet Decomposition and LMD Permutation Entropy

Bearing fault signal is nonlinear and non-stationary,therefore proposed a fault feature extraction method based on wavelet packet decomposition( WPD) and local mean decomposition( LMD) permutation entropy,which is based on the support vector machine( SVM) as the feature vector pattern recognition device.Firstly,the wavelet packet analysis method is used to denoise the original vibration signal,and the frequency band division and signal reconstruction are carried out according to the characteristic frequency. Then the decomposition of the reconstructed signal is decomposed into a number of product functions( PE) by the local mean decomposition( LMD),and the permutation entropy of the PF component which contains the main fault information is calculated to realize the feature quantization of the PF component. Finally,the entropy feature vector input multi-classification SVM,which is used to determine the type of fault and fault degree of bearing.The experimental results show that the recognition rate of rolling bearing fault diagnosis is 95%. Comparing with other methods,the present this method can effectively extract the features of bearing fault and has a higher recognition accuracy.     

用1(1/2)维谱结合小波包能量提取地震动信号特征

针对车辆（轮式车、履带式车）引起的地震动信号中,具有非平稳、非高斯性特征相互重叠的实际情况,研究了地面活动目标产生的地震动信号特性;从理论上说明了1(1/2)维谱可消除车辆引起的地震动信号中的高斯白噪声或有色噪声,在将[112]维谱分析和小波包能量谱相结合的基础上,提出一种特征提取方法,以便区分不同的车辆目标。在时频域构建以[112]维谱和小波包能量谱作为地震动信号的联合特征向量,建立以训练误差为目标的BP神经网络模式分类器;然后对两类车辆信号进行识别。地震动信号的车辆实测数据表明,该方法能够准确和有效地识别车辆引起的地震动信号。