-
公开(公告)号：CN111273767A
公开(公告)日：2020-06-12
申请号：CN202010033599.4
申请日：2020-01-13
申请人： 重庆邮电大学
摘要： 本发明涉及一种基于深度迁移学习的助听脑机接口系统，属于人机交互技术领域。系统基于脑电信号，以节律熵作为分类特征，以一种新的卷积神经网络模型作为分类器，用深度迁移学习方法解决数据量不足的问题，实现对听觉对象追踪正确和错误的监测。系统的实现分为两个阶段：离线训练阶段和在线监测阶段。离线训练阶段，基于嘈杂的听觉环境，收集大量的脑电数据，预先训练分类模型，并使模型稳定。在线监测阶段，基于深度迁移方法，对用户的听觉注意状态进行实时监测。当监测到用户对听觉对象追踪错误时，给予及时的反馈。系统实现了对疲劳、注意力涣散、注意力缺陷等用户的注意力的提高，从而达到了助听的目的。
-
公开(公告)号：CN112426162A
公开(公告)日：2021-03-02
申请号：CN202011323206.X
申请日：2020-11-23
申请人： 重庆邮电大学
摘要： 本发明属于计算机智能信息处理领域，涉及一种基于脑电信号节律熵的疲劳检测方法；所述检测方法包括采集脑电信号，并对所述脑电信号进行预处理；将预处理后的脑电信号分段，并利用小波分解提取出前额叶电极中β，θ和α频段的节律；计算出β，θ和α频段的节律熵；将所述节律熵输入到分类器中，输出所述脑电信号的疲劳分类状态；本发明利用脑电信号(EEG)节律与脑力疲劳高度相关的特点，采用节律熵的方式能够更为准确的反应脑力疲劳程度，对清醒，轻度疲劳，重度疲劳三种脑力疲劳状态进行检测，显著提高了检测正确率。
-
公开(公告)号：CN112488002B
公开(公告)日：2023-03-28
申请号：CN202011396623.7
申请日：2020-12-03
申请人： 重庆邮电大学
IPC分类号： G06V40/10 , G06V40/16 , G06V10/764 , G06V10/82 , G06N3/0464 , G06N3/048 , G06N3/08 , A61B5/16 , A61B5/372 , A61B5/369
摘要： 本发明涉及脑机交互技术领域，具体涉及一种基于N170的情绪识别方法及识别系统，包括信号采集模块、信号处理模块、分支卷积神经网络BCNN模型训练模块、识别模块和反馈模块，所述信号采集模块用于采集用户的脑电数据；信号处理模块用于对采集的脑电数据进行预处理；分支卷积神经网络BCNN模型训练模块用于训练分支卷积神经网络BCNN模型；识别模块用于对实时采集的脑电数据进行分类，并根据分类结果识别用户当前的情绪状态；反馈模块根据用户当前的情绪状态进行相应的情绪调节动作。本方法可以对新被试实现快速有效的情绪识别，提高情绪识别的速度。
-
公开(公告)号：CN112488002A
公开(公告)日：2021-03-12
申请号：CN202011396623.7
申请日：2020-12-03
申请人： 重庆邮电大学
摘要： 本发明涉及脑机交互技术领域，具体涉及一种基于N170的情绪识别方法及识别系统，包括信号采集模块、信号处理模块、分支卷积神经网络BCNN模型训练模块、识别模块和反馈模块，所述信号采集模块用于采集用户的脑电数据；信号处理模块用于对采集的脑电数据进行预处理；分支卷积神经网络BCNN模型训练模块用于训练分支卷积神经网络BCNN模型；识别模块用于对实时采集的脑电数据进行分类，并根据分类结果识别用户当前的情绪状态；反馈模块根据用户当前的情绪状态进行相应的情绪调节动作。本方法可以对新被试实现快速有效的情绪识别，提高情绪识别的速度。
-
-
-
搜索结果
4 条记录 (耗时 0.018 秒)
