DEAP数据集默认预处理 | 将8094个数据点分為10个batch,每个batch提取均值、中位数、最大值、最小值、标准差、方差、取值范围、偏度和峰态共计9个特征 | |||
将一分钟的数据段以长度为4步长为2的滑动窗口进行分段 | 在每段上计算alpha和beta波段的能量、beta和theta波段的能量比率、3个Hjorth参数、C0复杂度、方差和谱熵共计9个特征 | 去除了一些样本间一致度差嘚视频,共选取17个视频作为实验数据同时去除了EOG信号,数据变为38导联;算法流程为传统的机器学习/算法流程 | ||
DEAP数据集默认预处理 | 高斯过程隱变量模型(GP-LVM)一种无监督降维方法适合处理小样本高维数据 | |||
DEAP数据集默认预处理 | 将同一时间段(1秒)不同通道的信号组合成一个向量,輸入到Bimodal Deep AutoEncoder中产生特征 | 编码阶段将脑电数据与眼电数据分开建模,解码阶段再组合到一起形成高阶特征表示 | ||
DEAP数据集默认预处理 | ||||
DEAP数据集默认預处理 | 分布式计算,方法无明显参考价值 | |||
DEAP数据集默认预处理 | 将多元经验模式分解产生的IMF归一化并在其中提取特征(PSD、熵等10个特征)再经過ICA进行处理,输入分类器 | |||
(1)只采用Fp1和Fp2两个通道 (2)结果显示后30s分类效果更好 (3)结果显示单一的波段分类效果更好 (4)采用了特征后向搜索 | ||||
将数据集按照熟悉度(familiarity)分为低熟悉度(1-2分)和高熟悉度(3-5分)两部分 | 分形维度(FD)和功率谱密度(PSD) | (1)将熟悉度引入实验中(2)文章提供进行实验的参数和標准 (3)熟悉度对分类结果影响很大 (4)文章严谨内容翔实 | ||
(1)统计特征:均值、标准差、一阶差分的均值、归一化的一阶差分的均值、二阶差分的均值、归一化的二阶差分的均值 (2)每个波段提取PSD特征 (3)高阶过零分析(HOC):对时间序列滤波后进行过零分析 | 结果显示统计特征可取得较好的效果 | |||
(1)去除实验前3s的信号 (2)以长度为8,步长为4的窗将60s的数据分为14段 | 将EEG信号分为 theta、alpha、beta、gamma四个波段利用FFT计算功率作为特征(附计算方法) | (1)用 RelifF算法对32個通道进行特征选择 (2)高频段对分类精度的贡献大 | ||
做的是回归分析,指标是均方根误差对分类无参考价值 | ||||
小波能量、modified energy、小波熵、统计特征(均值、标准差、一阶差分的均值、归一化的一阶差分的均值、二阶差分的均值、归一化的二阶差分的均值) | ||||
将40s的数据以长度为4s的窗口进行分割 | 堆叠降噪自动编码机、深度信念网 | |||
不是DEAP数据库,无参考意义 | 不是DEAP数据库无参考意义 | (1)提出在每段记录中,EEG信号的非平稳性存在差异 (2)将liking作為额外的特征 (3)之前的工作都是记录一整段EEG信号没有考虑在多种情况下的分类问题,不能很好的用于现实世界 (4)采用归一化的方法增强鲁棒性 | ||
不是基于机器学习的方法无参考意义 | 传统功率特征和统计特征(除EEG外,其他8个通道生理信号也有相应的特征) | 冗余编码(基于通信领域的知识) | 将情绪分类看作是一种如何从信道中获取被噪声污染后的信号里包含的信息另外文章没有采用机器学习的方法 | |
分别采用DFT和小波变换将EEG数据分为5个波段 | 分类标准含混不清,无参考意义 | 只用了11个样本的枕部数据(Oz、O1、O2) 将敏感性和特异性作为评价指标” | ||
相比于传统的以內容为中心的音乐分类文章提出一种以用户为中心的音乐类型分类 将EEG与多媒体特征相结合进行分类” | ||||
没用EEG信号,无参考意义 | 没用EEG信号無参考意义 | 没用EEG信号,无参考意义 | 没用EEG信号无参考意义 | 将视频特征、音频特征以及用户评论特征结合到一起进行视频所涉及到的情感分類 |
DEAP数据集默认预处理 | ||||
没用EEG信号,无参考意义 | 没用EEG信号无参考意义 | 没用EEG信号,无参考意义 | 没用EEG信号无参考意义 | 关于心电和皮电的情绪分類,以DEAP的音乐视频为刺激源有具体实验步骤 |
DEAP数据集默认预处理 | ||||
DEAP数据集默认预处理 | 用离散小波变换对视频以及EEG信号进行处理(db6小波) | |||
DEAP数据集默認预处理 | 对皮电和心率进行子采样,由8064降为252 | 文章偏重硬件开发开发了一种测量生理信号(心率、皮电)的腕带,用来测量情绪状态 | ||
DEAP数据集默認预处理 | 采用 LabVIEW进行图像化编程 | |||
将脑电极和波段各分为两组其中脑电极每个组中分为数个小组 | 离散小波变换分离五个波段,每个波段的平均功率作为特征 | 文章关注电极数量和波段选择对分类精度的影响分类效果无实际意义 | (1)更多的电极数量并不能保证更高的准确率,额叶和頂叶的电极更加重要 (2)只用少量的波段对分类效果并不会带来负面的影响 (3)对于同一个模型要分类的情绪种类越多,精度越低 | |
用长度为4s的窗將60s的数据分为15段 | 512点FFT分离波段每个波段求能量 | 用ReliefF算法进行特征选择给出了排名前15的通道高频波段更为重要 | ||
用长度为1s的窗将60s的数据分为15段 | EEG信號提取PSD特征,其他通道提取特异性特征(文章中有详细介绍) | |||
针对光学体积描记术(PPG)不涉及EEG信号 | ||||
对情绪相关的各种数据集的介绍,方便快速查找相关信息 | ||||
分形维度、频带功率(theta、alpha、beta)、统计特征(均值、标准差、一阶差分绝对值的均值、z-scored归一化EEG信号一阶差分绝对值的均值、二阶差分絕对值的均值、z-scored归一化EEG信号二阶差分绝对值的均值) | 针对两种实验设计方法最小平均绝对误差分别为0.74和1.45 | (1)考虑到情绪的连续性,引入SVR,用回歸替代分类 (2)在不同的Arousal/Dominance下将Valence分为四个级别 (3)对分形维度特征进行深度挖掘 (4)实验验证方法很有特色,性能指标以平均绝对误差为准 (5)一阶差分绝對值的均值、二阶差分绝对值的均值、分形维度、beta波段能量与Valence关联程度大 (6)分形维度取得了最小的误差 | ||
DEAP数据集默认预处理 | ||||
(1)针对EEG通道之间的相關性进行研究建立网络(2)男女之间相关性网络存在差异 (3)情绪激发时,只有少数通道被激活 (4)大脑右半球很有可能负责激发愉悦情绪” | ||||
只用后30s嘚数据用长度为640点的窗将数据分为6段 | ||||
不是DEAP数据库,无参考意义 | 分形维度、PSD、通道不对称特征、离散小波变换 | 不是DEAP数据库无参考意义 | ||
DEAP数據集默认预处理 | 基于db4小波变换的特征(特征很有特点) | (1)通过小波变换以及scalogram构建frame (2)通过能量/香农熵对scale进行选取 (3)保留了32个通道之间的关联关系,根据时间窗口划分frame (4)文章严谨内容翔实 | ||
DEAP数据集默认预处理 | 统计特征、功率特征、能量特征 | 分类语焉不详,但效果不错 | (1)在神经网络的优化过程中用粒子群算法和布谷鸟搜索算法替代方向传播算法 (2)gamma、alpha波段效果更好” | |
分别用长度为2s和4s,步长为1s和2s的窗口将60s的信号分为59段和29段在每┅段的五个波段上分别计算熵和能量 | ||||
4s的窗,3s步长分段 | FD、功率特征、统计特征、高阶过零分析、类内相关 | 不是DEAP数据库无参考意义 | 用类内相關选择出最稳定的特征组,其中除均值外的统计特征最为稳定 | |
DEAP数据集默认预处理 | 统计特征、短时傅里叶变换、高阶过零分析、希尔伯特黄變换 | (1)用mRMR进行特征选择 (2)提出了一种效果度量标准 (3)希尔伯特黄变换效果不错 (4)相比SVM,RF更鲁棒” | ||
统计特征、波段能量(基于小波) | (1)ICA+小波伪影去除(2)受试者标簽与志愿者标签相关度大于0.5的14个样例作为实验样例” | |||
DEAP数据集默认预处理 | 将EEG信号根据频段相关性构成一个网络从中提取基于图论的特征(腦功能网络) | |||
DEAP数据集默认预处理 |
版权声明:文章内容来源于网络,版权归原作者所有,如有侵权请点击这里与我们联系,我们将及时删除。