基于多模态生理信号的学习专注度识别

学习专注度与学习表现密切相关,是影响学习质量的重要因素。学生的生理信号能够客观反映学习专注度,但当下借助生理信号识别学习专注度的研究较少。基于此,文章首先通过便携式腕带采集46位中学生在线学习时的多模态生理信号;然后,文章利用交叉验证提供可靠的学习专注度标签,并对多模态生理信号进行数据预处理、特征提取与特征选择,获得了15个有效特征,据此构建学习专注度识别模型,结果表明决策树的识别效果最好;最后,文章从标签的可靠性、特征的有效性、模型的可用性等方面对研究结果进行了总结和反思。文章通过学习专注度识别研究,旨在为教师的教学决策提供有效支持,从而促进教学质量的提升。

基于SAE和LSTM RNN的多模态生理信号融合和情感识别研究

为了提高情感识别的分类准确率,提出一种将栈式自编码神经网络(SAE)和长短周期记忆单元循环神经网络(LSTM RNN)融合的多模态融合特征情感识别方法。该方法通过SAE对不同模态的生理特征进行信息融合和压缩,随后用LSTM RNN对长时间周期的融合进行情感分类识别。通过将该方法用到开源数据集中进行验证,得到情感分类准确率达到0.792 6。实验结果表明,SAE对多模态生理特征进行了有效融合,LSTM RNN能够有效地对长时间周期中的关键特征进行识别。

基于优化的LSTSVM的多模态生理信号情感识别

采用最小二乘双支持向量机(LSTSVM)进行情感识别,针对LSTSVM模型的惩罚系数及核函数参数难以确定的问题,使用改进的萤火虫算法(MFA)来优选LSTSVM的各项参数,使分类器取得最优的性能。基于脑电、皮肤电、肌电和呼吸4种模态的生理信号,使用该算法进行情感识别,并与使用标准LSTSVM和粒子群LSTSVM算法的识别结果比较。仿真分析表明,提出的MFA-LSTSVM算法识别准确率更高,需要的训练时间更短。

面向睡眠研究的生理信号开源数据集综述

临床多导睡眠数据的采集和标注耗时长且成本高,被测人群、采集设备和标注专家等因素的不同,使得采集的数据存在差异,增加了睡眠相关研究的难度和复杂度。与众多其他临床开源数据资源相同,面向睡眠研究的生理信号开源数据集的建立为全球相关研究者提供了丰富的数据资源和统一的对比平台,促进了睡眠医学领域研究的深入发展。为此,综述了在睡眠领域中常见的18个开源数据集的概况、特点及应用,这些数据集包括脑电图(EEG)、心电图(ECG)、眼电图(EOG)和肌电图(EMG)等生理信号以及涵盖睡眠障碍、心血管疾病和肥胖症等多个临床领域;总结了现有睡眠开源数据集在数据质量、数据标准、数据安全、样本代表性和外部有效性等方面存在的局限,提出了针对性的建议与展望。

基于虚拟现实和动态加权决策融合的恐高情绪识别

目前恐高情绪分类中的生理信号主要涉及脑电、心电、皮电等,考虑到脑电在采集和处理上的局限性以及多模态信号间的融合问题,提出一种基于6种外周生理信号的动态加权决策融合算法.首先,通过虚拟现实技术诱发被试不同程度的恐高情绪,同步记录心电、脉搏、肌电、皮电、皮温和呼吸这6种外周生理信号;其次,提取信号的统计特征和事件相关特征构建恐高情感数据集;再次,根据分类性能、模态和跨模态信息提出一种动态加权决策融合算法,从而对多模态信号进行有效整合以提高识别精度.最后,将实验结果与先前相关研究进行对比,同时在开源的WESAD情感数据集进行验证.结论表明,多模态外周生理信号有助于恐高情绪分类性能的提升,提出的动态加权决策融合算法显著提升了分类性能和模型鲁棒性.

多视角判别分析的情感识别

自主神经系统(ANS)活动在情感表达上的客观性,使得基于生理信号的情感识别引起了研究者的广泛关注。然而,情感表达是多模态的,仅使用单一模态或简单地对多模态情感数据进行拼接不能保证情感识别的精度。因此,本文提出使用多视角判别分析方法(Multi-view Discriminant Analysis Method,MDAM)进行情感识别,将多个模态的情感生理数据看作情感表达的多个视角,通过最大化所有模态下情感数据的类间散度矩阵和类内散度矩阵之比,找到多组投影,使得投影后的情感数据位于一个具有判别性的通用空间中,在此空间中,同类情感样本的类内距离最小,而异类样本间的距离最大,从而为多模态情感识别提供有效的情感判别特征。实验结果表明,相较于传统情感识别方法,本文的方法在公开的情感数据集DEAP dataset上取得了很好的识别效果。

基于人机交互的心理健康动态监测数据分析及系统设计

虽然市场上有许多生理信号采集设备,用于人体心理健康监测。但这些设备不具有便捷、实时性等特点,不适合日常的推广。针对此问题,设计了一款基于心电、表面肌电的多模态生理信号采集系统,可用于对心理健康状况开展监测分析。文章包括以下内容:(1)系统硬件电路的设计,实现了便捷式、低功耗的多通道同步采集系统;(2)系统软件设计,包括设备驱动程序,设备应用程序和PC端应用程序;(3)系统数据预处理算法实现过程,并对心电和肌电信号进行预处理,并将采集到的生理信号波形与美国BIOPAC公司的MP150系统同等条件下采集的生理信号波形进行对照,保证多模态生理信号采集系统的有效性。最后,通过多分类SVM和DS证据理论算法对被试者的心理压力状态进行分类,实验证明多模态生理信号评估心理压力的可行性。