首页|期刊简介|投稿指南|分类索引|刊文选读|订阅指南|资料|样刊邮寄查询|常见问题解答|联系我们
贾小云,王丽艳,陈景霞,等. 基于时频域组合特征的脑电信号情感分类算法[J]. 科学技术与工程, 2019, 19(33): 290-295.
JIA Xiao-yun,WANG Li-yan,CHEN Jing-xia,et al.EEG Emotion Classification Algorithm Based on Combined Features in Time and Frequency Domain[J].Science Technology and Engineering,2019,19(33):290-295.
基于时频域组合特征的脑电信号情感分类算法
EEG Emotion Classification Algorithm Based on Combined Features in Time and Frequency Domain
投稿时间:2019-04-17  修订日期:2019-08-17
DOI:
中文关键词:  脑电信号 浅层机器学习算法 情感识别 时频域组合特征
英文关键词:egg  shallow machine  learning algorithms  emotion recognition  combination feature
基金项目:(No.61806118,No.61806144),国家自然科学基金项目(面上项目,重点项目,重大项目)
           
作者单位
贾小云 陕西科技大学,电子信息与人工智能学院,西安
王丽艳 陕西科技大学,电子信息与人工智能学院,西安
陈景霞 陕西科技大学,电子信息与人工智能学院,西安 和 西北工业大学,计算机学院,西安
张鹏伟 陕西科技大学,电子信息与人工智能学院,西安
摘要点击次数: 136
全文下载次数: 38
中文摘要:
      为了提高基于脑电信号(Electroencephalogram, EEG)情感识别的准确率,提取了脑电信号的时域与频域特征,并且将其进行组合形成时频域组合特征,作为不同识别模型下的输入。采用Bagging tree(BT)、贝叶斯线性分析、线性判别分析以及支持向量机(SVM)四种浅层机器学习算法对EEG在效价与唤醒度上进行二分类情感识别。实验结果表明,DEAP数据集在效价上,基于时频域组合特征在BT分类器下的识别精度平均达到92.54%,在唤醒度维度上基于时频域组合特征在SVM下平均识别精度达到94.62%。
英文摘要:
      In order to improve the accuracy of emotion recognition based on Electroencephalogram (EEG), and to compare the effect of emotion recognition of EEG signals under different recognition models. By Bagging tree(BT) , bayesian linear analysis, linear discriminant analysis and SVM four types of shallow machine learning algorithm for EEG in valence and arousal binary classification emotion recognition .Experiment results show that in DEAP data set, each model on the combination of time and frequency domain characteristics of average recognition auc is higher, which based on the classification effect under the BT classifier, average valence and arousal dimension auc reached 92.54% and 92.54% respectively.
查看全文  查看/发表评论  下载PDF阅读器
关闭
你是第27494226位访问者
版权所有:科学技术与工程编辑部
主管:中国科学技术协会    主办:中国技术经济学会
Tel:(010)62118920 E-mail:stae@vip.163.com
京ICP备05035734号-4
技术支持:本系统由北京勤云科技发展有限公司设计

京公网安备 11010802029091号