XiaoMi-AI文件搜索系统
World File Search Systemaffective
alis：从可穿戴寿命系统的日常活动背后的学习情感因果关系
摘要 - 人类的情绪和行为是在日常生活中相互塑造的相互构造。虽然过去对每个元素的研究都利用了各种生理传感器，但尚未探索它们在日常生活中的互动关系。在这项工作中，我们提出了一种可穿戴的情感寿命系统（ALIS），在日常生活中既易于又易于使用，以准确检测情绪变化，并确定用户生活中情绪与情感状况之间的因果关系。拟议的系统记录了使用生理传感器在长期活动中某些情况下用户的感觉。基于长期监控，该系统分析了用户生活的环境如何影响他/她的情感变化，并在日常情况下在情绪和可观察的行为之间建立因果结构。此外，我们证明了所提出的系统使我们能够建立因果结构，以找到适合学校生活中负面情况的精神浮雕的个体来源。
情感状态分类的表现，来自脑电图信号的视听刺激具有多种稳定学习
到小波函数。 在这项研究中，使用Daubechies小波函数将EEG信号分为三个频带。 特征由每个分解步骤中的最大值和最小值，标准偏差，平均值，方差，平均功率和熵组成。 对于每个样本，提取了512个功能。 在Alpha，Beta和Gamma频段中，根据没有吸收的最高阈值选择IMF，12。 从这些IMF中提取了76个功能。 在时频域中获得的功能数量到小波函数。在这项研究中，使用Daubechies小波函数将EEG信号分为三个频带。特征由每个分解步骤中的最大值和最小值，标准偏差，平均值，方差，平均功率和熵组成。对于每个样本，提取了512个功能。在Alpha，Beta和Gamma频段中，根据没有吸收的最高阈值选择IMF，12。从这些IMF中提取了76个功能。在时频域中获得的功能数量
基于EEG的情绪识别和情感激活模式的自加权半监督分类
摘要 - 在基于脑电图（EEG）的情感脑 - 计算机界面（ABCIS）中，存在一种共识，即从不同频段和通道中提取的EEG特征在情绪表达中具有不同的能力。此外，脑电图是如此弱和非平稳，很容易导致在不同时间收集的脑电图数据的分布差异；因此，有必要探索跨节情绪识别中的情感激活模式。为了解决这两个问题，我们提出了本文中的自加权半监督分类（SWSC）模型，用于基于联合EEG的基于EEG的跨演奏情绪识别和情感激活模式挖掘，其合并包括：1）使用不同的会话中的标记和不受欢迎的样本，以获得更好的捕获数据特征，以获得更好的捕获数据特征； 2）引入一个自加权变量，以自适应地学习脑电图的重要性； 3）挖掘激活模式，包括基于学识渊博的自加权
文章 量子情感计算的概念框架及其在多机器人情感融合中的应用
摘要：本研究尝试在量子力学的原理范围内解释、表述和操纵机器人的情感。我们提出的框架将情感信息编码为叠加态，同时使用幺正算子来操纵情感状态的转换，这些转换可通过适当的量子测量操作恢复。所描述的框架提供了在量子情感计算范式中利用量子力学的潜力的重要步骤。此外，在特定通信场景中，使用量子纠缠融合多机器人的情感，从而减少了捕获环境中所有机器人的情感状态所需的量子比特数，并且需要更少的量子门来将机器人的全部或部分情感从一种状态转换为另一种状态。除了所提出的框架所期望的数学严谨性之外，我们还提供了一些基于模拟的演示来说明其可行性和有效性。这一阐述是情感智能表述向量子时代过渡的重要一步。
利用光电容积描记法特征进行脑心相互作用的网络生理学方法以表征情感状态
新兴证据强调了心脏和大脑动态之间的双向、复杂和非线性交流。虽然一些研究已经应用人工智能根据静态 EEG 和 PPG 特征来区分和分类情绪，但很少有研究关注不同情绪状态下这些相互作用的网络元素。本研究使用来自 DEAP 数据集的数据（其中包括参与者观看情感唤起音乐视频时记录的 EEG 和 PPG 信号），应用了一种新颖的网络分析方法来研究大脑节律和 PPG 特征（幅度、峰峰间隔和脉冲宽度幅度）之间的动态相互作用。部分互相关的时间延迟稳定性用于识别情绪状态。在情感状态下，EEG 节律与 PWA 和 PPI 之间存在显着相关性（p <0.05）。然而，PPI 或 PWA 影响 EEG 波段的反向关系并不显着。此外，PPG 振幅与 EEG 节律之间的相关性（反之亦然）并未显著区分情感状态，这表明 PPG 振幅对情绪状态的指示性不如 PPI 或 PWA。研究结果确立了 EEG-PWA 和 EEG-PPI 连接是情感状态的可靠指标，并为开发可解释的基于图的情绪识别系统提供了见解。
现代机器学习算法根据脑电信号对认知和情感状态进行分类
从脑信号中估计认知或情感状态是创建被动脑机接口 (BCI) 应用程序的关键但具有挑战性的一步。到目前为止，从 EEG 信号中估计心理工作量或情绪仅在中等分类准确度下可行，因此导致不可靠的神经自适应应用。然而，最近的机器学习算法，特别是基于黎曼几何的分类器 (RGC) 和卷积神经网络 (CNN)，已显示出对其他 BCI 系统（例如运动想象-BCI）的前景。然而，它们尚未在认知或情感状态分类方面进行正式研究和比较。因此，本文探讨了此类机器学习算法，提出了它们的新变体，并与经典方法对它们进行了基准测试，以从 EEG 信号中估计心理工作量和情感状态（效价/唤醒）。我们研究了这些方法，同时进行了受试者特定和受试者独立的校准，以走向无校准系统。我们的结果表明，在心理负荷研究的两种条件下，CNN 的平均准确率最高，尽管差异并不显著，其次是 RGC。然而，对于情绪数据集（一个训练数据较少的数据集），同一个 CNN 在两种条件下的表现都不佳。相反，事实证明，使用我们在本文中介绍的滤波器组切线空间分类器 (FBTSC)，RGC 具有最高的平均准确率。因此，我们的结果有助于提高从 EEG 进行认知和情感状态分类的可靠性。它们还提供了有关何时使用哪种机器学习算法的指导。
EEG-SVRec：短视频推荐中带有用户多维情感参与标签的 EEG 数据集
近年来，短视频平台广受欢迎，视频推荐的质量对于留住用户至关重要。现有的推荐系统主要依赖于行为数据，但由于数据稀疏、偶然交互或个人习惯噪声等问题，行为数据在推断用户偏好时受到限制。为了应对这些挑战并更全面地了解用户的情感体验和认知活动，我们提出了EEG-SVRec，这是第一个具有短视频推荐中用户多维情感参与标签的EEG数据集。该研究涉及30名参与者并收集了3,657次交互，提供了丰富的数据集，可用于更深入地探索用户偏好和认知活动。通过结合自我评估技术和实时、低成本的EEG信号，我们可以更详细地了解用户的情感体验（效价、唤醒、沉浸感、兴趣、视觉和听觉）及其行为背后的认知机制。我们通过推荐算法建立了评分预测基准，结果表明，加入 EEG 信号后，评分预测效果显著改善。此外，我们展示了该数据集在洞察推荐系统中用户行为背后的情感体验和认知活动方面的潜力。这项工作通过利用 EEG 信号和多维情感参与分数中包含的丰富信息，为增强短视频推荐提供了一种新颖的视角，为未来短视频推荐系统的研究铺平了道路。数据集可在 https://github.com/hezy18/EEG-SVRec 上找到
揭开呼叫中心环境中人工智能的神秘面纱，利用预测分析和情感计算来提高绩效
摘要 情感计算技术旨在感知人类情感并做出响应 (Brigham，2017)。虽然如今许多个人信息都已数字化量化——包括我们阅读的内容、购买的内容，甚至我们自己的健康状况——但大多数人工智能 (AI) 应用中的数据与人类情感之间仍然存在脱节 (Mok，2015)。然而，技术已经发展到能够快速处理大量数据的地步，不仅可以评估个人的言语，还可以评估他们的情绪状态。系统可以根据感受提供适当的响应，为呼叫中心等工作环境以及欺诈检测和客户漏洞等其他关键领域带来益处。
通过脑电图和行为信号对视力障碍的导航和流动性任务的认知和情感评估
Abstract: This paper presented the assessment of cognitive load (as an e ff ective real-time index of task di ffi culty) and the level of brain activation during an experiment in which eight visually impaired subjects performed two types of tasks while using the white cane and the Sound of Vision assistive device with three types of sensory input—audio, haptic, and multimodal (audio and haptic simultaneously).第一个任务是识别对象属性，第二个任务是导航并避免在虚拟环境和现实世界设置中遇到障碍。结果表明，触觉刺激的直观不如音频，而视觉设备声音的导航增加了认知负载和工作记忆。在多模式刺激的情况下，视觉皮层不对称性比单独刺激（音频或触觉）低。无论导航或感觉输入的类型如何，视觉皮质活动与导航过程中的碰撞数量之间没有相关性。使用设备时，可激活视觉皮层，但仅适用于晚期用户。对于所有受试者，与白色的拐杖导航相比，用视觉设备的声音导航会引起低负价。
使用递归特征消除方法
摘要。情感识别是情感计算的一个分支，在过去几十年中引起了极大的关注，因为它可以实现更自然的脑部计算机界面系统。脑电图（EEG）已被证明是情绪识别的有效方式，可以跟踪和记录用户情感状态，尤其是对于原始的情感事件（例如唤醒和价值）。尽管已经显示出大脑信号与情绪状态相关，但提出的模型的有效性在某种程度上受到限制。挑战是提高准确性，同时适当提取有价值的功能可能是成功的关键。本研究提出了一个基于结合分形维度和递归特征消除方法的框架，以增强基于EEG的情绪识别的准确性。要提取和使用基于频谱的分形尺寸和基于光谱的特征，以更准确地识别。递归功能消除将用作特征选择方法，而情绪的分类将由支持向量机（SVM）算法进行。将使用广泛使用的公共数据库测试所提出的框架，与其他研究相比，结果有望证明其准确性和鲁棒性更高。这项研究的贡献主要是关于改善基于脑电图的情绪分类精度。潜在的限制对结果的通用性可能是不同的，因为不同的脑电图数据集可能会为同一框架产生不同的结果。因此，尝试不同的EEG数据集并测试替代特征选择方案对于将来的工作非常有趣。