Feb, 2022

情感 EEG 信号的帕金森病自动检测和情感分析

PDF
TL;DR通过研究帕金森症（PD）患者和健康对照者（HC）的情感脑电图（EEG）信号，本研究使用传统机器学习和深度学习方法，探讨维度和分类情感识别以及 PD 与 HC 分类的有效性，结果表明情感 EEG 响应几乎可以完美地识别出 PD 和 HC，而通过研究 “隐含” 反应可以发现 PD 患者的价值相关缺陷，并且情感 EEG 分析是一种生态有效、易于实现和可持续的 PD 诊断工具。
parkinson's diseaseeeg signalsemotion perceptionmachine learningpd diagnosis
发现论文，激发创造
  • 利用脑电图信号和机器学习技术进行帕金森病诊断的综合研究

    通过分析人类脑电图信号，采用支持向量机分类模型，提出了一种创新的帕金森病诊断方法，该研究通过提高诊断准确性和可靠性增强了模型的性能。

    Apr, 2024

  • 一种基于混合深度时空注意力模型的帕金森病诊断方法，使用静息状态脑电信号

    该研究提出了一种基于深度学习模型的帕金森病诊断方法，利用静息状态脑电图信号，通过提取复杂的隐藏非线性特征并展示其在未见数据上的泛化能力，该模型由卷积神经网络、双向门控循环单元和注意力机制构成，并在三个公开数据集上进行评估，结果表明该模型在训练和测试数据集上均能准确诊断帕金森病，即使输入信息的部分缺失也能表现良好。该研究结果对患者治疗和帕金森病早期检测持有重要意义，该提出的模型有望成为一种非侵入性且可靠的利用静息状态脑电图进行帕金森病早期检测的技术。

    Aug, 2023

  • 一种基于 EEG 的帕金森病诊断方法：使用胶囊网络

    本文提出了一种基于脑电图的方法来诊断帕金森病，通过使用插值方法将脑电图信号的频带能量映射到二维图像中，并使用胶囊网络（CapsNet）进行分类，短期 EEG 部分的正确率达到 89.34％。通过在不同 EEG 带上分类的比较，我们发现在伽马波段的分类准确性最高，暗示我们需要更加关注早期 PD 患者的伽马波段的变化。

    Dec, 2021

  • 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

  • 基于熵的机器学习模型用于智能物联网环境中的帕金森病诊断和监测

    本研究提出了一个计算效率高的机器学习模型，利用静息 - 状态脑电图（rs-EEG）在物联网环境下对帕金森病进行诊断和监测。研究结果显示，使用模糊熵能够最准确地诊断和监测帕金森病。同时，在信号频率范围和脑电图通道的不同组合下，能够准确诊断帕金森病。通过减少特征数量，作者最高达到了 99.9% 的分类准确率。研究结果还发现，脑电信号中的低频成分（0-4 Hz）对分类准确率起到关键作用。此外，作者还评估了不同长度的脑电图数据对帕金森病诊断的准确率，结果表明减少输入数据可以降低计算复杂度。因此，可以在物联网环境中使用性能较低的智能机器学习传感器，从而增强人类对帕金森病的抵抗力。

    Aug, 2023

  • 利用迁移学习从 EEG 中进行情感检测

    本研究使用 Resnet50 作为基本模型和 Mean Phase Coherence（MPC）和 Magnitude Squared Coherence（MSC）的组合来识别情绪，结果表明该方法在情感分类方面很有前途。

    Jun, 2023

  • 通过多任务视频分析实现帕金森病在家无障碍检测

    通过分析网络摄像头录制的手指敲击、面部表情（微笑）和语音（说出包含所有字母的句子）的特征，我们训练了一种新颖的基于神经网络的融合架构来检测帕金森病，该模型还使用了蒙特卡洛随机失活来提高预测准确性。这种低成本、便捷的帕金森病筛查方法只需一个带有网络摄像头和麦克风的互联网设备，在有限制性临床专家资源的地区尤其方便。

    Jun, 2024

  • 从 EEG 中鉴定时间稳定的情感识别模式

    本研究使用机器学习方法研究了情感识别过程中 EEG 的稳定模式，并对其在时间上的一致性进行了系统评估，结果显示稳定模式在不同 session 之间呈现出一致性，正面情绪比负面情绪更容易激活侧向颞区的 beta 和 gamma 波，中性情绪在顶部和枕部有更高的 alpha 波响应，而负面情绪在顶部和枕部有显著更高的 delta 波响应和前额部位更高的 gamma 波响应，因此神经模式在情感识别中是相对稳定的。

    Jan, 2016

  • 基于情感计算的体验质量（QoE）预测的新方法

    提出了一种基于情感计算驱动的体验质量（QoE）预测的新模型，使用多通道脑电图（EEG），心电图（ECG）和呼吸数据训练深度学习模型，比较了模型的性能，并对最佳模型进行了优化以提高结果。

    Nov, 2023

  • 在自然场景中利用暂时局部定位的 ' 情感事件 ' 进行情感识别

    通过 Emotional Events 数据集对 EEG 信号的情感事件进行分类，并使用 CNN-LSTM 混合层的分类模型，采用 STFT 进行特征提取，相比于长时间的 EEG 信号，精确观察情感信息可以提高情感认知的准确度

    Oct, 2022