猜拳博弈过程脑电的时频特征分析及基于优选特征的博弈决策预测

博弈是人类根据信息和经验做出使利益最大化决策的一种行为。对博弈的脑研究由来已久,使用的方法也各不相同,但都测重于博弈的原理研究,对博弈过程中脑活动的认知规律研究几乎无人涉足。本文设计了具有静息、评估、决策、反馈、休息五个阶段的 “石头-剪刀-布”猜拳博弈实验范式。采集并提取了17名被试在博弈活动不同阶段脑电波的时频特征,通过研究评估阶段脑活动的认知规律,提出了基于优选特征的博弈决策预测方法。使用SVM对决策过程训练并识别,达到了80%的识别率,说明了本文提出的优选特征能够很好地表达博弈认知过程的特点。      

基于TVF-EMD的乐器音质特征分析方法及其应用

音质（Timbre）是音乐感知和言语识别的重要线索。传统音质分析方法无法同时获取理想的时间分辨率和频域分辨率,对音频的非平稳特性没有很好地处理。本文采用时变滤波经验模态分解（Time Varying Filtering based EMD,TVF-EMD）方法提取音频的固有模态函数用于希尔伯特变换,并构建了音质的希尔伯特频谱分布特征和希尔伯特轮廓特征。在乐器分类问题中,将提取的两类音质特征与Mel倒谱系数特征（Mel Frequency Cepstral Coefficients, MFCCs）有效结合,然后构造基于双向长短时记忆网络的音质时序分类器,在公开乐器演奏音频数据库中进行了乐器分类实验。结果表明,所提出的音质特征可以有效补充Mel倒谱特征等传统特征无法表达的非线性非平稳信息,大大提高了本音质表征方法对复杂音频的适应性和鲁棒性。      

基于启发式掩模EMD的音频突变成分检测方法

多数情况下，音频信号可以视为是由稳态成分和突变成分两种成分组成，稳态成分与突变成分在属性特征方面具有明显的差异，而且突变成分通常承载更重要的信息，是信号处理要分析提取的目标。为有效检测出突变成分并将这两种成分分离，需要完整精确地检测提取出突变成分。为此本文提出一种基于启发式掩模经验模态分解（Empirical Mode Decomposition，EMD）的音频突变成分检测方法，该检测方法中使用启发式掩模EMD分解音频信号并从中提取出各点的瞬时信息作为检测特征，同时本文提出一种窗长自适应更新策略来设定适合突变成分的长度。在IOWA的乐器音频数据集中，该检测方法能够实现以98.68%的检测精确率和87.65%的检测召回率将音频突变成分检测出来。此外该检测方法无需人为干预，并且检测出的突变成分维度一致，便于进行后续的特征提取、分类识别等处理操作。      

维度语音情感识别研究综述

情感识别是多学科交叉的研究方向,涉及认知科学、心理学、信号处理、模式识别、人工智能等领域的研究热点,目的是使机器理解人类情感状态,进而实现自然人机交互.本文首先从心理学及认知学角度介绍了语音情感认知研究进展,详细介绍了情感的认知理论、维度理论、脑机制以及基于情感理论的计算模型,旨在为语音情感识别提供科学的情感理论模型.然后,从人工智能角度系统地总结了目前维度情感识别的研究现状和发展,包括语音维度情感数据库、特征提取、识别算法等技术要点.最后,分析了维度情感识别技术目前面临的挑战以及可能的解决思路,对未来研究方向进行了展望.