文摘

调查性别差异基础上的情感变化就必须了解各种人类行为在我们的日常生活中。维也纳大学的十个学生被记录脑电图(EEG)数据集在看四个简短的情感视频剪辑(愤怒,快乐,悲伤和中性)的视听刺激。在这项研究中,传统的滤波和小波去噪(WT)技术应用作为预处理阶段,赫斯特指数和amplitude-aware排列熵从脑电图数据集特征提取。 - - - - - -最近的邻居和支持向量机(SVM)分类技术被认为是emotional-based脑电图的自动性别识别。本文的主要新奇是双重的:首先,进行调查作为一个特性和复杂性作为不规则参数为emotional-based脑电图使用双向方差分析(方差分析),然后将这些特性提出一个新的对开发新颖的混合特征融合方法性别识别框架作为一个自动化的核心性别识别模型敏感brain-emotion识别性别角色的女性和男性的关系。结果的有效性和特性显著的指数调查性别愤怒,悲伤,幸福,和中性情绪状态。此外,该框架实现显著提高SVM的分类精度为100%,表明该小说可以提供一个有用的方法可靠的增强性别识别不同的情绪状态。因此,这部小说框架是一个至关重要的目标为提高自动性别识别的过程从emotional-based脑电图信号允许更全面的观点来理解不同的性别差异和人类行为干预对大脑的影响。

1。介绍

感知性别基于人类情感得到了大量的神经科学和心理学的研究兴趣调查个人特征(1]。性别差异主要基于处理情感吸引了精确的到期利息实现效用等理解人类精神病理学的抑郁和紧张,也可能与微分响应相关的女性和男性的压力(2]。

到目前为止,很少有研究调查的性别差异主要基于情绪变化(3[],他们中的大多数报告很大差异2]。因此,这种刺激可能是视觉,听觉,或视听刺激。相关的视觉刺激和听觉刺激感觉运动节奏振幅的增加或减少(4]。揭示个人特征将在识别有价值的个人性别准确地在日常生活中,视觉和听觉刺激被认为是两种常见的方式为人类引起不同的情绪状态(2]。最近,研究人员表明,为情感自动识别提供最好的环境,他们需要视觉刺激与听觉刺激的综合效应引起一种特定的情绪状态(5]。视听引出利用短片视频剪辑通常用于引出各种条件的情感比其他模式(4,6- - - - - -9]。因此,在这项工作,情绪被沉淀的帮助下使用短音像视频剪辑。

从心理的角度看,情绪状态可以区分,分为两个情感模型:离散模型和多维模型。离散模型包括很多离散情绪状态识别的核心情感,和所有其他不同的情绪被认为是这些主要的一部分情感(愤怒、恐惧、厌恶、惊喜,幸福和悲伤)或一个聚合(10,11]。维度模型是二维(2 d)认知情绪状态模型广泛用于映射情感识别应用程序。它情节情绪在两个尺度,valence-arousal情节,价是在水平轴和被认为是极性或质量的一种情感,从令人不快的愉快和兴奋在纵轴和被认为是情感从平静到兴奋的强度(12]。因此,二维认知情绪状态模型的映射所有的情感在valence-arousal图,描绘情感的circumplex模型(13,14]。其他研究人员已经提出了一个三维(3 d)认知情绪状态模型,该模型考虑了attention-rejection属性除了2 d模型(8,15- - - - - -17]。

在这项研究中,传统的滤波和小波去噪(WT)技术应用作为一个脑电图数据集预处理阶段。赫斯特指数复杂性特征和amplitude-aware排列熵不规则参数被计算探讨性别emotional-based脑电图的变化。随后,这些特性的个体表现统计检查使用双向方差分析(方差分析)来识别一个女性和男性的性别角色brain-emotion关系在四个简短的情感视频剪辑(愤怒,快乐,悲伤和中性)的视听刺激。然后,使用功能相结合作为小说的复杂性和不规则性特征对开发新颖的混合特征融合组自动化框架性别识别系统对脑电图的性别鉴定。最后,和支持向量机分类技术被用于自动性别认同emotional-based脑电图数据集。这些分类器的性能检查和单独和特性集。

最好的作者的知识,在brain-emotion gender-precise作用关系的贡献一直倾向于这项工作。因此,本文的主要新奇的三倍。首先,它的目标是提出一个自动性别识别系统基于EEG数据不同的情绪状态获得使用低成本的无线脑电设备。可以通过调查的复杂性和不规则的变化特征emotional-based脑电图使用统计分析。然后,使用功能的集成对开发新颖的特性集框架作为自动化的核心性别识别系统特性集敏感emotional-based EEG信号的识别性别差异。第三,脑电图引出公约和脑电图评估系统利用这个调查没有先例情感数据获得,这可能会使性别对比更加清晰,可以实现更好的性能。

2。相关的工作

在过去的十年里,研究表明,生物医学信号识别人的可能的充足率探索性别差异基于情感变化会引起使用不同生理测量如心电图(ECG) (18)和脑电图(EEG) (6,19]。几项研究表明了性别差异从心电图信号分析和分类20.,21),而在其他的研究中,性别已经分类的基础上利用脑电图信号(22,23]。

特点是广泛的可用性、支付能力和侵袭性的缺乏,脑电图临床仪器能够监测数据处理在毫秒精度高的时间分辨率(24),因此,它有神经生理学应用修改的检测和分化在大脑中(24,25]。

广泛的脑部疾病,包括癫痫、儿童注意力缺陷多动症(ADHD),和阿尔茨海默病(AD) /血管性痴呆(VaD),已发现基于EEG信号,而心理任务和睡眠阶段分类也基于这样的信号(23- - - - - -26]。高时间分辨率的最新研究采用脑电图评估情感情绪的人26- - - - - -29日]。最近,脑电图通常用来评估人类情绪状态与高时间分辨率(6,30.,31日]。考虑到重要的洞察力,它可以提供在这方面,脑电图可能是一个有前途的生物标志物的鉴定不同的情感反应与多个通道脑电图数据集在大脑区域(32]。给一个例子,这样的研究,大脑波形被用于(33)开发的不间断的音乐情感检测方法。同样,在34),实时技术基于脑电图的人类情感检测了设计一个完整的音乐疗法目前情感情绪的识别根据neurofeedback和特定的定制的治疗。

除了高度相关的丰富信息,大脑生理学、脑电图信号可能生物标志物的大脑线性和非线性行为(26,27,35- - - - - -37]。的赫斯特指数(6,38)和分形维数(FD) [39,40)的非线性技术,采用了复杂情感的代表考试的任务和复杂的动态数据生成的大脑皮层(33,41]。

脑电图信号被认为是动态系统缺乏稳定,这种系统的不确定性可以确定采用的非线性参数指标熵(42]。研究认知心理状态、睡眠状态和方法分类情感水平已经从熵的应用程序受益脑电图信号(35,43- - - - - -45]。此外,使用一系列的熵识别基于脑电图的生物性别可能是有用的在临床分析,特别是在社会情感,个体识别、对治疗的反应,临床疗效,副作用(46]。举个例子,在1),引发了人类情感视频剪辑进行基于样本熵(SampEn)、近似熵(ApEn),和排列熵(PerEn),因为这些熵对噪音和可以有效地测量时间序列的复杂性。在不同的研究中,脑电图的分析信号进行临床评估基于PerEn熵和符号传递熵,暗示的关系能力采用熵脑电图检查不同的认知条件的临床病例(47]。另一种类型的熵提出了模糊熵(FuzEn)脑电图检查,包括亥维赛的替换函数与模糊隶属度函数(48,49]。根据现有的研究,熵的问题突变被FuzEn减轻,但缺点是,相关信息丢失等采用熵技术,因为他们需要single-scale分析。而SampEn FuzEn相比更好的速度,更大的一致性和减少依赖FuzEn[演示了数据长度50]。(51),(52),(53),而(54)构成的四个最受欢迎的上下文中熵预测脑电图信号处理(50]。确定如何affective-based脑电图信号在大脑性别之间的差异,目前的研究集中于EEG-derived指数。

支持向量网络(svn)、人工神经网络(ann), - - - - - -最近的邻居和支持向量机(SVM)分类器(55],隐马尔科夫模型(HMM)都被用来调查性别分类的自动算法的系统(56,57]。例如,使用支持向量机分类器(22设计一个脑电图ieee自动化系统的年龄和性别检测,同时脑电图数据与静息状态模型的基础上自动性别检测(1]。在其他的研究中,脑电图传感器与小波变换频率分解特征提取和随机森林分类器启用自动检测系统的创建与闭上眼睛(年龄和性别在静息状态58,59]。

大多数的性别检测研究利用脑电图信号基于情感反应集中在线性分析使用光谱相对权力[30.,60,61年]。然而,其他研究人员利用非线性特性来研究大脑的复杂性(62年- - - - - -64年]。在当前的研究中,我们的目标是理解脑电图的角色性别识别使用集成的熵和空间特性来描述emotional-based信号通过检查不同大脑区域的行为在视听视频剪辑。综合特性是必不可少的一个自动性别检测系统有效地执行和实现稳健可靠。在这种背景下,性别差异的影响,因为它使得基于脑电图的元素系统的情感反应检测和这些系统的总体性能值得调查。为此,计算熵的特性做了强调性别差异发生在affective-based脑电图系统。

3所示。材料和方法

图1说明了该研究的框图。

3.1。电信号采集和记录

移动和负担得起的Emotiv EPOC脑电图14-channel耳机(Emotiv Systems Inc .,旧金山,CA)是从事这项工作来捕获贴上AF3 EEG信号,F7, F3, FC5, T7, P7, O1, O2, P8, T8, FC6, F4, F8, AF4,普通模式(CMS)左乳突和右腿驱动(DRL)被引用为地面。sponge-based电极使用的耳机的定位是根据10 - 20系统,而0.5 -70赫兹频率的带通滤波器的滤波数据电极。抽样的频率128赫兹,0.51 mV决议。

研究总共招募了10个参与者(6男性和4女性;22.6±2.75岁,平均值±标准偏差(SD)),所有的大学生,年龄在18岁到24岁。在开始研究之前,每个参与者进行了评估,以确保没有神经或精神问题和历史就出现一个知情同意书(ICF),他们要求签署之前参与这项研究。

在脑电图记录过程中,受试者被要求保持放松和平静的对整个脑电图记录时间最小化数据阅读工件产生的运动。3情感状态的评估(愤怒、悲伤和快乐)和中性条件是由允许参与者查看各种短期情绪刺激视频,音频,以下的参与者被允许一些时间评估和等级反应剪辑使用自我评估问卷,紧随其后的是45秒的休息之前查看下一个视频(图2)[65年]。

运行时间的各种视频剪辑不同从一个到另一端,最长的有四分钟的时间。情感选择视频剪辑使用基于这些推荐的乔纳森蛾等。65年]。正如前面提到的,参与者被要求评估他们的情感反应的强度使用five-point-scale SAQ每个片段;参与者被要求选择1(非常低),2(低),3(媒介)、4(高)到5(非常高)来评估情感经历的程度(31日]。

使参与者能够查看情感视频剪辑,视频剪辑在德国使用语言和虚拟情感节目主持人(VEP)软件从维也纳大学的就业。这个软件被选中,是因为它不仅允许任意观看,而且文档额外的数据来源。实验是在人类学研究实验室进行工作,而且VEP软件,使用的设备包括常规实验室环境照明、液晶筛查视频剪辑,立体声扬声器,视频剪辑可以伴随着不间断的声音在参与者(图可接受的水平3)。赫尔辛基宣言和后续改进之后在每一个研究过程。

3.2。预处理阶段

因为大多数工件发生在脑电图信号重叠了大脑活动,脑电图信号处理预处理是必不可少的。

3.2.1之上。传统的过滤

在这种背景下,传统的过滤器被用作一个初始阶段处理的每个通道记录脑电图数据集。在50 Hz陷波滤波器用于消除电力线路干扰噪声(32),和一个四阶巴特沃斯带通滤波器应用0.5 -64赫兹频率范围限制记录EEG信号的频带(66年]。

3.2.2。小波分析

WT有能力在解决脑电图为特定的时间和频率成分通过提供一个良好的时间分辨率和频率分辨率高频率和良好的低频频率分辨率和时间分辨率。DWT是在实践中快速nonredundant变换用于分析低收入和脑电图信号中的高频组件,因为它需要更少的计算时间比连续WT (CWT) [67年]。DWT可以处理获得的离散值参数 ,在方程(1)。它可以分解为一组函数信号之间的相关性转移和扩张的一个特定的函数称为母小波函数 。参与者是转移的位置参数和扩张或收缩频率缩放参数 ,在下列方程(8,16,17,36,68年- - - - - -70年]: 在哪里和值分别设置为2和1。

确定阈值自适应软阈值方法,旨在确定每一层的阈值限制基于斯坦的无偏风险评估71年在[]和常用的价值72年- - - - - -74年]。

在这项研究中,采样频率为128赫兹和脑电图数据集受到“sym9”Symlets家庭four-decomposition水平的五次能带脑电图信号。在五次能带,两张cd,, cD3, cD4代表详细分解系数和cA是分解近似系数。确定阈值的自适应软阈值方法用于寻找每一层的阈值限制基于斯坦的无偏风险评估70年,74年]。

3.3。特征提取阶段

因为大脑的复杂的结构,它能够执行多个复杂的复杂的认知任务,大脑神经元被认为是由非线性动力学现象。脑电图信号被用来研究大脑的混乱行为从非线性时间序列75年,76年]。自从脑电图频谱带分析不能说明大脑的电活动和大脑功能的潜在机制,非线性分析基于动态信息需要调查。本研究进行检查的性别差异emotional-based脑电图背景活动有两个不同的特点:赫斯特指数和amplitude-aware排列熵说明检测的复杂性和不规则性特性(性别差异63年,77年- - - - - -79年]。事实上,使用特征选择是基于以前的研究由于其实用性和有效性在歧视EEG信号(35,80年,81年]。在这个阶段,过滤后的脑电图数据集划分为3个试验,并且每个试验包括10秒的视频浏览(3×10第二期)1280数据点。

3.3.1。赫斯特指数

措施,已被广泛用于评估分数布朗的自相似性和相关性属性部分产生的噪音和时间序列分形高斯过程。是用来评估长期依赖的存在与否及其学位时间序列。然而,当地的趋势(非平稳)通常出现在生理数据,可能会影响一些方法来衡量自相似性的能力。是衡量一个分形时间序列平滑的渐近行为的基础上的新范围的过程。脑电图的时间序列分析,使用(38,80年]EEG信号的不稳定行为的特点。被定义为 在哪里T样本的数据和时间吗 是相应的新范围的价值。上面的表达式从赫斯特的广义方程获得时间序列对布朗运动(这也是有效的82年]。

3.3.2。Amplitude-Aware排列熵

提出了考虑振幅信息排列熵(PE)的PE缺点克服考虑振幅和丢弃信息的顺序振幅,除了等于振幅值在每个嵌入式向量不考虑。

估计 ,假设 是时间序列,在哪里是时候重建索引的元素向量,向量包括潜在的象征模式图案,嵌入的维度,这决定了信息包含在每个向量,然后呢订单的时间延迟模式吗 , 。计算 ,为每一个 , 展示了相对频率如下(81年]:

当所有主题概率相等,最大的价值在获得 。30秒, 样品3的窗户十秒的长度从原始脑电时间序列提取每个14频道。

3.3.3。复杂性和熵特征融合

得到一个有效的性别识别模型的高精度识别利率和更有见解的女性和男性的心理过程,复杂性和指数不规则指数一直在开发一种新的混合complexity-entropy指数相结合的一组功能。

3.4。统计分析阶段

本研究计划调查的意义和功能是可靠指标检测性别差异在愤怒,快乐,悲伤和中性情绪状态。因此,使用SPSS统计工具统计分析进行了版本22。两个交易日的双向方差分析(方差分析)进行实现的情感(即之间的显著差异。,愤怒,快乐,悲伤和中性),被认为是第一个会话和吗被认为是第二个会话。和应用作为因变量。(即该组织因素。,female and male) was the independent variable. The significance was set at 。此外,这项研究的目的是测试假设emotional-based脑电图表现的性别差异的复杂性和entropy-based特性将男女之间的不同。

4所示。分类阶段和性能的措施

识别的神经生理学变化的最后阶段男女使用分类模型。在这项研究中, - - - - - -最近的邻居和支持向量机(SVM)。

鉴于大多数学习算法假设平衡类的分布,其结果通常忙出贫困的主要类类预测。类失衡数据集的分类模型的质量影响极大。不过,鉴于少数类无法轻易歧视,每个实例分类器可以简单地分类为多数类。在这项研究中,少数阶级所代表的女性。合成过采样技术(杀)应用于克服数据不平衡(83年]。分类器参数和比例的过采样测定通过10倍交叉验证使用网格搜索方法,以避免过度拟合和偏见的分类分析84年]。可用的数据集划分为10同等大小不相交的子集。其中的一个子集作为测试集,剩下的九个子集组合成一个训练集学习分类器。这个过程进行的10倍,导致10精度。这些精度的平均值代表10倍交叉验证的准确性从这个数据集[学习85年]。鉴于击打变化数据,采样过密的百分比是结合参数。因此,发现这些参数与不同的击杀百分比可能不是相同的。只使用训练集,击杀被用来平衡类的频率(86年,87年]。

是最受欢迎的非参数分类算法之一,它是更健壮的什么时候 尤其是减少训练集内的噪声点影响。在这项研究中,是利用欧几里得距离作为相似性度量分类每个审判 。分类器训练获得最好的价值 最大化的整体分类性能评估。和7的邻居选择分类器是基于以前的工作(9,28,29日,43,77年,79年,88年]。

优化参数的复杂性的范围 在值 在训练集上通过十倍交叉验证了支持向量机分类器的理想结果。在测试过程中,对应于10给了最优结果值。多类支持向量机分类器是应用基于径向基函数(RBF)的内核。此外,训练数据集被用来确定最低误分类率,进而获得了平滑参数σ在支持向量机的训练。系统的变化σ价值在不同训练集是唯一的确定最理想的方式σ。因此,在这个工作中,变化的σ值的范围在0.1 - 1 0.1间隔。一个σ值为0.5成立与最低误分类率。

拟议的框架的性能评估使用的值平均分类精度,混淆矩阵,接受者操作特征曲线(ROC)和曲线下的面积(AUC)。

5。结果和讨论

5.1。预处理阶段的结果

如前所述,EEG信号的数据集是由传统的过滤器和过滤受到WT去噪技术。图4说明了数据从渠道获得7,代表额时大脑区域受到愤怒的情绪状态。观察表明,artifactual信号元素(蓝线)出现在原始的脑电图信号被成功阻止了在信号去噪,导致清洁脑电图信号(红线)。

5.2。统计分析的结果

的统计特性的差异和女性和男性将在以下部分中讨论。

5.2.1。赫斯特指数的结果

图的箱线图5显示的总体模式功能响应(即两组系数分布。女性和男性)emotional-based脑电图信号。它可以观察到为一个重要的变化提供了一个有用的方法来可视化的特点,对女性和男性组因素的反应。此外,箱线图分析表明中值,箱线图中的值的中值分布。典型的箱线图线在上面的中位数和四分位值低。图5确认功能的适用性进行模式分类。

此外,识别的复杂性特征的重要性模式分类方法,使用双向方差分析进行了统计分析特性。在这一分析,该组织因素(即。,female and male) was the independent variable, whereas the特点是因变量。所有统计测试的意义是 。正常使用Kolmogorov-Smirnov测试评估,而方差齐性是使用列文的试验来验证。通过邓肯的事后比较进行测试。

图6说明了比较的情节估计也区分男女基于愤怒,快乐,悲伤,和中性情绪状态基于EEG信号的复杂性。愤怒、快乐、从悲伤和中立的统计学意义,特别是对于女性,而愤怒,幸福,悲伤从中立的男性具有统计学意义。一个可以看到女性有显著降低值相较于男性在四种不同的情绪状态( )有显著差异 。这些结果表明,雌性的脑电图活动大大减少复杂的男性。

5.2.2。结果Amplitude-Aware排列熵

图的箱线图7显示的总体模式功能响应(即两组系数分布。女性和男性)emotional-based脑电图信号。它可以观察到为一个重要的变化提供了一个有用的方法来可视化的特点,对女性和男性组因素的反应。此外,箱线图分析表明中值,箱线图中的值的中值分布。典型的箱线图线在上面的中位数和四分位值低。图7确认功能的适用性进行模式分类。

此外,识别的复杂性特征的重要性模式分类方法,使用双向方差分析进行了统计分析特性。在这一分析,该组织因素(即。,female and male) was the independent variable, whereas the特点是因变量。所有统计测试的意义是 。正常使用Kolmogorov-Smirnov测试评估,而方差齐性是使用列文的试验来验证。通过邓肯的事后比较进行测试。

在这项研究中,已被用于歧视女性从男性基于愤怒,快乐,悲伤,和中性情绪状态基于EEG信号违规行为。图8说明了比较的情节 ;它可以观察到,悲伤从中性统计上显著的愤怒和幸福。值得注意的是,脑电图明显较低价值观的女性相对于男性的幸福和悲伤 ,而雌性则更高值愤怒和中性情绪状态与男性相比 。这些结果表明,脑电图正常雌性和雄性的行为活动。

5.3。分类结果的阶段

这对于性别研究处理emotional-based EEG信号识别问题。的关键设计决策和SVM用于分类的训练过程中,当他们的大小取决于训练集和测试集。然而,相对评估提出了分类器的性能,这个工作被训练的分类器使用相同的训练数据集和测试数据集上的测试。

5.3.1。赫斯特指数的结果和分类性能

表1和2显示女性和男性的混淆矩阵识别从emotional-based脑电图信号使用复杂指数与和支持向量机分类器分别对角线上显示正确的识别和替代非对角的错误。

在表1两个对角细胞显示,正确分类使用的百分比分类器。例如,女性被正确分类为58.3%;同样,100%正确归类为男性,而女性错误地分类为男性的41.7%。

结果表明,分类器可以区分男女emotional-based脑电图信号精度高83%。此外,图9说明了ROC曲线和AUC值获得的调查特性。

在表2两个对角细胞显示,使用支持向量机分类器正确分类的百分比。例如,女性被正确分类为80%;同样,90%正确归类为男性。此外,20%的女性错误地分类为男性,而10%的男性被错误地归类为女性。

结果表明,支持向量机分类器可以区分男女emotional-based脑电图信号精度高86.7%。此外,图10说明了ROC曲线和AUC值获得的调查特性。

5.3.2。结果Amplitude-Aware排列熵和分类性能

表3和4显示女性和男性的混淆矩阵识别从emotional-based脑电图信号使用熵指数与和支持向量机分类器分别对角线上显示正确的识别和替代非对角的错误。

在表3两个对角细胞显示,正确分类使用的百分比分类器。例如,女性被正确分类为100%;同样,77.8%正确归类为男性,而22.2%的男性被错误地归类为女性。

结果表明,分类器可以区分男女emotional-based脑电图信号精度高86.7%。此外,图11显示了ROC曲线和AUC值获得的调查特性。

在表4两个对角细胞显示,使用支持向量机分类器正确分类的百分比。例如,女性被正确分类为90%;同样,90%正确归类为男性。此外,10%的女性错误地分类为男性,而10%的男性被错误地归类为女性。

结果表明,支持向量机分类器可以区分男女emotional-based脑电图信号精度高90%。此外,图12显示了ROC曲线和AUC值获得的调查特性。

5.3.3。的结果混合索引和分类的性能

表5和6显示女性和男性的混淆矩阵识别从emotional-based脑电图信号使用混合指数与和支持向量机分类器分别对角线上显示正确的识别和替代非对角的错误。

从表5两个对角细胞显示,正确分类使用的百分比分类器。91.7%的女性被正确分类;同样,100%正确归类为男性,而8.3%的男性被错误地归类为女性。

结果表明,女性可以使用分化的精度高96.7%分类器从emotional-based EEG信号歧视女性和男性。此外,图13说明了ROC曲线和AUC的调查获得的功能;AUC为0.96,表明提出的混合指数展品分类性能强劲的歧视女性和男性emotional-based脑电图。

在表6两个对角细胞显示,使用支持向量机分类器正确分类的百分比。例如,女性被正确分类为100%;同样,100%正确归类为男性。

结果表明,女性可以用100%的高精度分化使用SVM分类器作为基准技术从emotional-based EEG信号歧视女性和男性。此外,图14说明了ROC曲线和AUC的调查获得的功能;AUC是1,表明提出的混合指数展品分类性能强劲的歧视女性和男性emotional-based脑电图。

因此,结果表明,提出的框架明显提高了分类精度。事实上,结果强调小说提出了至关重要的作用框架在脑电图信号处理链中,尤其是在分类结果。

性别识别框架使用emotional-based EEG信号已经完成在MATLAB下R2021a与英特尔酷睿i7处理器的笔记本电脑- 8550 u @ 1.80 GHz CPU和1.99 GHz使用16.0 GB内存和64位操作系统。

然而,一些限制也需要考虑在这个研究;例如,样本量太小而额外分析大型数据库在未来应该执行。尽管如此,不同属性的离线和在线分类要求额外的调查基于实时在线实验验证结果。这样的限制,但有一个协议之间的这项工作和其他研究报告的结果,证实了EEG信号的识别能力最性别差异对于愤怒,悲伤,幸福,和中性情绪,这些差异也反映在脑电图乐队(8,17,63年,77年- - - - - -79年]。

6。结论

传统过滤器和WT技术被用于预处理阶段降噪10的脑电图数据集对象在看四个简短的情感视频剪辑(愤怒,快乐,悲伤和中性)的视听刺激。在第二阶段,复杂性特征和不规则参数被计算探讨性别emotional-based脑电图的变化。此外,方差分析被用来统计分析使用特征识别的个人表现女性和男性的性别角色brain-emotion关系在四个简短的情感视频剪辑。然后,使用功能与小说的复杂性和不规则性特征组合对这部小说发展混合动力特性集框架作为一个自动化的核心性别识别系统对脑电图的性别鉴定。最后,和支持向量机分类技术已经被用于自动性别认同emotional-based脑电图数据集。这些分类器的性能检查和单独和混合的特性集,潜在的小说框架可以用来识别性别差异从emotional-based脑电图信号高分类结果。

这项研究有一个小样本大小检查的主要限制在实验。因此,进一步的调查将在未来进行一个更大的数据库。像每一个工作,这项研究有其优点和缺点。然而,性别检测有许多优点以及应用,如医疗保健、人机交互为基础,了解消费者的偏好对在线零售商,和生物。我们的发现批准使用的复杂性和不规则性特性的有效性对这部小说发展混合动力特性集框架作为一个自动化的性别识别系统对脑电图的性别鉴定。本研究揭示了从基于感性EEG分类有用的见解关于性别检测。更多的调查可以描述的生理意义进行提取的特征。其他分类方法可以用于进一步的研究。在未来,研究人员可以降低计算成本和处理时间。值得一提的是,当前的研究的优点大于缺点。

数据可用性

所有的数据都包含在本研究可从相应的作者。

的利益冲突

作者宣称没有利益冲突有关的出版。

确认

作者想表达自己的感激之情的10名志愿者参加了这个实验。这项工作是由马来西亚Kebangsaan大学和教育部,马来西亚、授予代码gup - 2020 - 009。