Mar, 2018

使用脑电图和皮肤电反应感知人类对机器的信任的分类模型

PDF
TL;DR提出两种基于分类器的经验信任传感器模型来评估人类的信任水平，分别使用脑电图（EEG）和皮肤电反应（GSR）测量。第一种方法考虑了所有被试的心理生理特征作为输入变量，并针对每个参与者训练分类器，生成一个基于一般特征集的信任传感器模型。第二种方法考虑每个个体的自定义特征集，并使用该特征集训练分类器 - based 模型，从而在提高平均准确性的同时，导致训练时间的增加。这项工作代表了实时心理生理测量用于开发人类信任传感器的第一次尝试。
发现论文，激发创造
  • 公共部门应用中人机互动的信任监控

    通过心理生理传感器和测量，例如脑电图和皮肤电反应，结合模型算法，可以监测和提升人机交互中的信任度；其中，Local Interpretable Model-agnostic Explanations（LIME）模型在数据处理上具有优越性。

    Oct, 2020

  • 基于皮肤电反应信号特征选择与支持向量机的人类情绪识别

    本论文提出了一种基于自动选择的皮肤电反应（GSR）信号特征和 SVM 的新型人类情感识别方法，使用奇异值分解特征选择方法筛选出最佳特征后，运用支持向量机实现情感识别，且识别准确率达到了 66.67% 以上。

    Jul, 2023

  • 广义 Deepfake 检测的脑电图特征

    通过利用从人类参与者的神经处理中测量得到的脑电图（EEG）从 FaceForensics++ 数据集的 Deepfake 刺激中检测深度伪造是这项研究的目标。初步结果表明，人类神经处理信号成功地整合到了 Deepfake 检测框架中，并且暗示了一种能够识别超越训练领域的 Deepfake 的广义神经表征的潜力。此外，我们的研究为理解数字真实主义如何嵌入人类认知系统提供了下一步的步骤，可能推动未来更逼真的数字化身的发展。

    May, 2024

  • 探究焦虑的生理特征的普适性

    使用机器学习技术检测焦虑和压力的效果已得到证明，本研究通过对心电图 (ECG) 和电脑皮肤反应 (EDA) 信号提取的特征进行统计回归分析以及跨数据集验证的方法，第一次对焦虑和高度兴奋情绪之间的关系进行了跨数据集评估，发现模型可能更多地识别情绪激发而非压力。

    Jan, 2024

  • 基于机器学习和神经网络的 EEG 信号情绪分析

    本研究通过使用 SVM，KNN 和 RNN (LSTM) 等算法，对 DEAP 数据集中的 EEG 信号进行分类和测试，以探究如何使用脑信号来改进情绪识别的性能，并进一步研究情绪随时间变化的规律。

    Jul, 2023

  • 使用生成模型综述情感神经生理信号合成

    本文综述了如何利用生成模型解决神经生理信号情感识别问题的挑战，进而提高情感识别系统的效率和可靠性。

    Jun, 2023

  • 利用脑电图预测疲劳算法综述

    应用机器学习算法检测生理疲劳的全面研究，旨在评估不同算法在基于脑电图数据预测个体疲劳水平方面的有效性。

    Jan, 2024

  • 使用部分标记的生理数据的半监督生成对抗网络进行压力检测

    本文研究了使用可穿戴传感器收集生理数据来探测情感状态的方法，指出了使用机器学习算法对已标记的生理数据进行情感状态检测的方法存在的问题，提出了使用半监督学习算法来减少标记成本的解决方案，并通过在公开数据集 WESAD 进行实验比较了半监督算法和全监督算法的性能，结果表明半监督算法是一种价格低廉且具有准确性的检测情感状态的有效方法。

    Jun, 2022

  • 从 EEG 中揭示情绪：一个基于 GRU 的方法

    通过使用 Gated Recurrent Unit (GRU) 算法，该研究检测了使用 EEG 信号来预测情绪状态的能力，结果表明该模型在验证集上达到了 100% 准确率，并且与其他机器学习技术相比，GRU 模型的极限梯度提升分类器具有最高的准确性，这项研究强调了类似 GRU 的深度学习模型在情绪识别中的潜力以及情感计算的进展，发现为与计算机交互和理解情绪如何通过脑电波活动表达提供了新的可能性。

    Jul, 2023

  • 深度置信网络用于高分辨率多通道脑电水平数据的癫痫检测

    本文探讨了在高分辨率，多通道 EEG 数据中，采用各种表示方法和机器学习算法进行癫痫检测的可行性，通过研究分类精度、计算复杂度和内存需求了解哪些方法最适合处理大规模数据。特别是指出，堆叠学习方法，如深度置信网络，在这些方面表现出色。

    Aug, 2017