基于随机森林算法的脑电情绪识别研究

为了提高脑电情绪识别的准确率与效率,针对EEG信号数据冗余导致分类精确度低和效率低等不足,训练了一个随机森林(Random Forest,RF)模型进行脑电情绪识别,利用采集到的脑电信号特征提取后进行测试,并与长短期记忆网络(Long Short-Term Memory,LSTM)、K近邻(K-Nearest Neighbor,KNN)和logistic回归(Logistic Regression,LR)进行了比较。实验结果表明,RF识别分类的准确率达到97%以上,优于另外三种分类器,且平均每次训练RF用时521±10.3ms,预测用时仅为29.3±1.5ms,情绪识别效率较高,具有一定的理论与实际应用价值。

基于多源信息源融合的疲劳检测系统

脑力疲劳往往导致生理机能和心理机能失调,严重时甚至会发生不可预估的事故,因此,研究疲劳检测对于减少悲剧的发生,提高生活质量有着重大意义。针对现有市场采用单一信息源检测疲劳稳定性不足的问题,文中设计了一种基于多源信息源融合的疲劳检测系统,该系统结合单点干变级传感器检测脑电特征,采用频域计算心率,加入了轻量化卷积神经网络Yolo-V5s检测面部状态,综合人物头部姿态,融合为疲劳数据样本,共同构建径向基函数神经网络数据集,通过训练网络进行模型分类识别。在保障检测准确率达到97%的同时,增加了实时性能,满足不同场景下的检测需求。