传统脑网络的情绪分类将聚类系数、平均最短路径等拓扑属性作为分类特征。针对这些属性易受网络连接阈值和特征选择的影响,难以完全表征不同情绪状态下的网络空间拓扑结构差异的问题,提出了一种基于脑网络和共空间模式的脑电情绪识别方法(EEG emotion classification based on common spatial patterns of brain networks topology,EEC-CSP-BNT)。该算法基于互信息在各个子频段内计算电极间的功能连接矩阵,同时利用共空间模式(common spatial pattern,CSP)分析学习空间滤波器,构建分类特征,最后通过分类器(如Fisher线性判别、支持向量机、K最近邻)实现基于脑电的情绪分类。基于DEAP和SEED数据集的实验结果表明,相比于脑网络拓扑属性,EEC-CSP-BNT能有效提取脑网络拓扑结构的分类信息,提高脑电情绪识别性能。
为了提高人脸姿态识别的识别精度,设计了一种增强边缘梯度二值卷积神经网络用于识别.首先,提出ROILBC(Region of Interest Local Binary Convolution)在人脸姿态图像上提取二值特征并归类,根据二值特征图谱和原像的对比情况选择人脸姿...
详细信息
为了提高人脸姿态识别的识别精度,设计了一种增强边缘梯度二值卷积神经网络用于识别.首先,提出ROILBC(Region of Interest Local Binary Convolution)在人脸姿态图像上提取二值特征并归类,根据二值特征图谱和原像的对比情况选择人脸姿态图像ROI(Region of Interest)以供后续网络学习.其次,提出DR-MGPC(Dimensionality Reduced Modified Gradient Pattern Convolution)提取图像边缘梯度二值特征,在此基础上,提出Enhanced DR-LDPC(Enhanced Dimensionality Reduced Local Directional Pattern Convolution)提取图像增强边缘梯度方向特征.网络采用直方图相似度、卡方检验、常态分布比对的巴氏距离法作为测量依据来进行识别;实验在FERET和CAS-PEAL-R1数据集上进行,相比其他人脸姿态识别方法,提出的二值模式卷积神经网络在识别精度和计算效率上更优异.
暂无评论