基于脑电信号的正负情绪分类方法研究

驾驶员情绪状态的实时识别与预警,对保证道路交通安全系统的正常运行有着重要的作用与意义.本研究基于便携式脑电设备采集了 16位被试前额双通道脑电数据,分别从时域和频域上进行特征提取,使用集成学习分类的方法对正负情绪进行分类.结果显示频域特征以及特征的不对称指数在正负性情绪的分类起到了关键的作用,得到基于梯度提升决策树(G...     

基于脑电的虚拟现实诱发下情绪状态分类

情绪在歌唱活动中发挥着重要作用,但现阶段高校声乐课程缺乏对情绪调动的有效训练。由于虚拟现实技术具有真实性、沉浸性的特征,本文提出将其应用于声乐教学过程中的情绪诱发阶段。为了验证虚拟现实技术对情绪诱发的有效性,本文提取了不同类型的脑电特征,对情绪自我想象和虚拟现实情绪诱发两种场景下的情绪状态进行分类,并对比了情绪分类准确率、情绪自评分数和声乐自评分数,从主观和客观两方面探究虚拟现实技术对参与者情绪调动的影响。实验结果表明,相比于传统自我想象,虚拟现实技术可以极大地诱发参与者情绪,提升演唱效果,从而为声乐演唱教学提供一种新的辅助手段。     

基于脑功能网络和共空间模式分析脑电情绪识别

传统脑网络的情绪分类将聚类系数、平均最短路径等拓扑属性作为分类特征。针对这些属性易受网络连接阈值和特征选择的影响,难以完全表征不同情绪状态下的网络空间拓扑结构差异的问题,提出了一种基于脑网络和共空间模式的脑电情绪识别方法(EEG emotion classification based on common spatial patterns of brain networks topology,EEC-CSP-BNT)。该算法基于互信息在各个子频段内计算电极间的功能连接矩阵,同时利用共空间模式(common spatial pattern,CSP)分析学习空间滤波器,构建分类特征,最后通过分类器(如Fisher线性判别、支持向量机、K最近邻)实现基于脑电的情绪分类。基于DEAP和SEED数据集的实验结果表明,相比于脑网络拓扑属性,EEC-CSP-BNT能有效提取脑网络拓扑结构的分类信息,提高脑电情绪识别性能。     

基于HOG特征的脑电地形图分类算法研究

脑电地形图（Brain Electrical Activity Mapping,BEAM）,是一种先进的研究脑功能和临床诊断的重要手段,既能进行病理诊断又可进行功能诊断,具有较高的敏感性。通过BEAM判断人在不同高低负荷下的疲劳情况并进行有效分类,能最大程度避免高危从业人员的危险发生。目前,大多数脑力负荷分类方法只是简单地利用脑电信号的四种频段特征进行分类,但分类效果并不理想。在此基础上,提出将脑电信号可视化分析,构建脑电地形图,并将方向梯度直方图（Histogram of Oriented Gradient,HOG）特征应用到BEAM分类中。BEAM是根据各频段功率谱密度值用不同颜色表示的球面头皮展成的平面图形,所以针对BEAM的分类研究是基于图像浅层特征的,而HOG正是图像处理中一种简单有效的浅层特征描述符。在BEAM中,HOG能有效地提取各脑功能区的边缘结构特征,并且能提取到地形图表象和形状的方向分布。首先将采集到的脑电信号进行预处理后,选择三频段脑电特征构建BEAM,进行HOG特征提取及分类任务,并与其他算法进行对比。得到的脑电地形图分类结果表明,提取HOG特征的BEAM分类精...     

基于脑电信号的情绪特征提取与分类

情绪作为人脑的高级功能,对人们的个性特征和心理健康有很大的影响,利用网上公开的脑电情绪数据库(Deap数据库),根据心理较价和激励唤醒度等级进行情绪划分,对压力和平静两种情绪进行研究分析。在利用db4小波分解与重构算法分解信号的基础上,根据左右脑脑电在产生情绪时脑电信号非对称性的特点,提出一种新的情感特征提取方法,通过计算右侧导联的微分熵值除以左、右对称导联的微分熵之差与右侧导联的微分熵值除以左、右对称导联的微分熵之和,提取出脑电信号的不对称熵特征。利用遗传算法优化的支持向量机对情绪分类识别,平均识别率为88.625%,对比传统特征的分类识别率,利用不对称熵特征的分类识别率有明显提高。     

多特征融合的脑电情绪分类

为进一步探究不同类型特征互补性对脑电情绪分类的影响,提出一种基于多特征融合的脑电情绪分类新方法。对预处理后的脑电信号进行DE、MST和SampEn特征提取,采用双样本T检验去除冗余筛选出最优特征并融合,采用SVM分类模型来识别不同的情绪状态。在SEED-Ⅳ数据集上的实验结果表明,单一特征中DE的平均分类准确率最高（77.86%）,而融合非线性SampEn特征与功能连接MST属性后平均分类准确率得到进一步提升（84.58%）,不同时间段采集的数据上重测实验则证明了该方法的有效性与稳定性。     

脑电信号情绪识别研究综述

情绪识别是指通过人的面部表情、行为动作或者生理信号等信息识别人的情绪状态,其成果在医疗辅助、教育、交通安全等方面有很大的应用价值.由于脑电信号的客观真实性等特点,使用脑电信号进行情绪识别研究受到国内外学者们的广泛关注.查阅了大量脑电情绪识别相关文献并进行归纳、分析和总结.首先,对情绪以及情绪识别的定义、情绪的分类模型、...     

便携式脑电采集器研究与设计

脑电信号是人脑内部各种活动的外部表征,脑电信号的分析及处理对临床上一些疾病的诊断和治疗十分重要。基于脑机接口技术,提出了便携式脑电采集器的设计,它将脑电信号进行收集,通过蓝牙的上行通道将信号传递到计算机,并进行信号处理分离出5种脑波信号,在编制的显示软件中准确显示出来,为我国脑机接口技术向实用性转化提供了依据。     

基于朴素贝叶斯和GBDT的提前采购决策模型

电子元器件供应链服务中,传统流程无差别地对所有客户订单型号确认客户交易意愿,导致启动采购的时机存在滞后性,增加了交易失败的风险。为了对高可信的交易提前启动采购流程,分别使用朴素贝叶斯和梯度提升决策树（Gradient Boosting Decision Tree,GBDT）两种算法预测最终能进入采购流程的订单型号。结果表明,使用朴素贝叶斯算法的正样本召回率为74.65%,负样本召回率为63.51%,略低于业务负责人的预定目标;而使用GBDT算法的正样本召回率为84.99%,负样本召回率为76.07%,达到了业务负责人的预定目标。     

参数自适应下基于近邻图的近似最近邻搜索

现有基于近邻图的近似最近邻搜索（ANNS）算法通常将数据库中被检索向量组织成近邻图结构,根据用户设定参数搜索查询向量的近似最近邻。为提升基于近邻图的ANNS算法在给定召回率下的搜索效率,提出一种参数自适应方法AdaptNNS。采集数据库中的被检索向量并对采样结果进行聚类,利用聚类中心向量和最近邻分类器提取查询负载特征,同时将查询负载特征与不同的召回率相结合作为输入特征训练梯度提升决策树（GBDT）模型。在查询处理过程中,根据应用程序指定的召回率获取最终输入特征,并通过GBDT模型预测最优搜索参数,提升ANNS算法的吞吐量。在Text-to-Image、DEEP和Turing-ANNS数据集上的实验结果表明,当达到相同的目标召回率时,AdaptNNS方法相比于Baseline方法最多可将DiskANN和HNSW算法的吞吐量提升1.3倍,具有更高的近似最近邻搜索效率。     

GBDT与LR融合模型在加密流量识别中的应用

随着网络应用服务类型的多样化以及网络流量加密技术的不断发展,加密流量识别已经成为网络安全领域的一个重大挑战。传统的流量识别技术如深度包检测无法有效地识别加密流量,而基于机器学习理论的加密流量识别技术则表现出很好的效果。因此,本文提出一种融合梯度提升决策树算法(GBDT)与逻辑回归(LR)算法的加密流量分类模型,使用贝叶斯优化(BO)算法进行超参数调整,利用与时间相关的流特征对普通加密流量与VPN加密流量进行识别,实现了整体高于90%的流量识别准确度,与其他常用分类模型相比拥有更好的识别效果。     

基于SVM-KNN算法的情绪脑电识别

情绪识别与日常生活的诸多领域都有很大联系.然而,通过单一算法难以获得较高的情绪识别准确率,为此,提出一种基于支持向量机(support vector machine,SVM)和K近邻(K-nearest neighbors,KNN)融合算法(SVM-KNN)的情绪脑电识别模型.在情绪分类时,首先计算待识别样本与最优分类...     

基于时空相关属性模型的公交到站时间预测算法

公交车辆到站时间的预测是公交调度辅助决策系统的重要依据,可帮助调度员及时发现晚点车辆,并做出合理的调度决策.然而,公交到站时间受交通拥堵、天气、站点停留和站间行驶时长不固定等因素的影响,是一个时空依赖环境下的预测问题,颇具挑战性.提出一种基于深度神经网络的公交到站时间预测算法STPM,算法采用时空组件、属性组件和融合组件预测公交车辆从起点站到终点站的总时长.其中,利用时空组件学习事物的时间依赖性与空间相关性.利用属性组件学习事物外部因素的影响.利用融合组件融合时空组件与属性组件的输出,预测最终结果.实验结果表明,STPM能够很好地结合卷积神经网络与循环神经网络模型的优势,学习关键的时间特征与空间特征,在公交到站时间预测的误差百分比和准确率上的表现均优于已有的预测方法.     

基于GBDT回归的空心村常住人口预测算法研究

为解决乡村振兴战略规划下空心村常住人口预测问题,为国家促进乡村发展、乡村建设、乡村治理提供辅助决策。本文采用GBDT回归算法利用电力、气象等数据对空心村常住人口进行预测。通过特征值重要性分析分析方法筛选出空心村常住人口相关性最强的5个特征,针对这些特征采用模型训练及预测的方式预测空心村常住人口。完成数据预处理后,本文采用5折交叉验证法,以3:1:1的比例将数据集分别划分为训练集、交叉验证集和预测集,获取常住人口预测结果后,并采用均方误差和R方值结合可视化方法对于预测结果进行准确性验证。验证结果表明,采用基于GBDT回归的空心村常住人口预测算法对于空心村常住人口有较好的预测结果。     

改进的XGBoost模型在股票预测中的应用

随着时代的不断进步，人民生活水平日益提高。在解决温饱问题之余，有了可供投资的余财。越来越多的人将目光转向股市投资，为股市发展提供了资金条件。然而在纷繁复杂的股票市场，如何寻找最优股成为亟待解决的问题。这不仅是投资者单方面的困惑，也是股票预测领域中学者们所关心的重点。通过网格搜索算法对XGBoost模型进行参数优化构建GS-XGBoost的金融预测模型，并将该模型运用于股票短期预测中。分别以中国平安、中国建筑、中国中车、科大讯飞和三一重工2005年4月至2018年12月28日的每日收盘价作为实验数据。通过实验对比，相较于XGBoost原模型、GBDT模型以及SVM模型，GS-XGBoost模型在MSE、RMSE与MAE三个评价指标上都表现出较好的预测结果。从而验证，GS-XGBoost金融预测模型在股票短期预测中具有更好的拟合性能。     

基于EEG和DE-CNN-GRU的情绪识别

近年,情绪识别研究已经不再局限于面部和语音识别,基于脑电等生理信号的情绪识别日趋火热.但由于特征信息提取不完整或者分类模型不适应等问题,使得情绪识别分类效果不佳.基于此,本文提出一种微分熵(DE)、卷积神经网络(CNN)和门控循环单元(GRU)结合的混合模型(DE-CNN-GRU)进行基于脑电的情绪识别研究.将预处理后的脑电信号分成5个频带,分别提取它们的DE特征作为初步特征,输入到CNN-GRU模型中进行深度特征提取,并结合Softmax进行分类.在SEED数据集上进行验证,该混合模型得到的平均准确率比单独使用CNN或GRU算法的平均准确率分别高出5.57%与13.82%.     

一种创新的抗乳腺癌药物分子特征筛选模型

据不完全统计显示,2020年全球乳腺癌新增人数达到226万,女性乳腺癌是最常见的癌症类型,死亡率高居第五,因此对乳腺癌的治疗研究变得愈发重要。对雌激素受体α亚型(ERα)的研究显示其在乳腺发育过程中扮演重要角色。本文收集作用于ERα的化合物及其生物活性数据,并以一系列分子结构描述符作为自变量和以化合物的生物活性值作为因变量,通过随机森林与梯度提升树并融合专家知识来构建分子筛选模型,筛选出前20个对生物活性最具有显著影响的分子描述符。这些分子描述符对指导已有活性化合物的结构优化和药物研究具有重要意义。