您的检索：
学者姓名：栗觅
精炼检索结果：
年份
成果类型
收录类型
来源
综合
合作者
语言
清除所有精炼条件
摘要 ：
Depression is a complex mental disease, which involves many factors such as psychology, physiology, and society, and which causes harm to society. Up to now, there are no valuable biomarkers for clinical diagnosis. This research constructed a dataset, which includes calm, sad, and happy facial expressions from both patients with depression and normal people, and classification and visualization of depression. The network includes a dual-scale convolution module, adaptive channel attentional mechanism, and gradient class activation mapping technique. In which, dual-scale convolution captures features of the facial region at different scales and the adaptive channel attention captures the facial region with the most significant features. The results show that we improve the performance of depression classification based on facial information, and recruit gradient class activation mapping technique obtaining a specific visual face pattern of depression that is different from that of normal people, which provides a potential interpretable and discriminant evidence for the clinical diagnosis. Thereby, promoting the development and application of artificial intelligence in the field of psychiatry.
关键词 ：
deep convolutional neural network (DCNN) deep convolutional neural network (DCNN) Adaptive channel attention Adaptive channel attention facial expressions facial expressions facial pattern facial pattern depression depression
引用：
复制并粘贴一种已设定好的引用格式，或利用其中一个链接导入到文献管理软件中。
| GB/T 7714 | Li, Mi , Wang, Yuqi , Yang, Chuang et al. Automatic Diagnosis of Depression Based on Facial Expression Information and Deep Convolutional Neural Network [J]. | IEEE TRANSACTIONS ON COMPUTATIONAL SOCIAL SYSTEMS , 2024 . |
| MLA | Li, Mi et al. "Automatic Diagnosis of Depression Based on Facial Expression Information and Deep Convolutional Neural Network" . | IEEE TRANSACTIONS ON COMPUTATIONAL SOCIAL SYSTEMS (2024) . |
| APA | Li, Mi , Wang, Yuqi , Yang, Chuang , Lu, Zeying , Chen, Jianhui . Automatic Diagnosis of Depression Based on Facial Expression Information and Deep Convolutional Neural Network . | IEEE TRANSACTIONS ON COMPUTATIONAL SOCIAL SYSTEMS , 2024 . |
| 导入链接 | NoteExpress RIS BibTex |
摘要 ：
At present, there have beenmany studies on themethods of using the deep learning regression model to assess depression level based on behavioral signals (facial expression, speech, and language); however, the research on the assessment method of anxiety level using deep learning is absent. In this article, pupil-wave, a physiological signal collected by Human Computer Interaction (HCI) that can directly represent the emotional state, is developed to assess the level of depression and anxiety for the first time. In order to distinguish between different depression and anxiety levels, we use the HCI method to induce the participants' emotional experience through three virtual reality (VR) emotional scenes of joyful, sad, and calm, and construct two differential pupil-waves of joyful and sad with the calm pupil-wave as the baseline. Correspondingly, a dual-channel fusion depression and anxiety level assessment model is constructed using the improved multi-scale convolution module and our proposed width-channel attention module for one-dimensional signal processing. The test results show that the MAE/RMSE of the depression and anxiety level assessment method proposed in this article is 3.05/4.11 and 2.49/1.85, respectively, which has better assessment performance than other related research methods. This study provides an automatic assessment technique based on human computer interaction and virtual reality for mental health physical examination.
关键词 ：
width-channel attention module width-channel attention module Deep learning Deep learning pupil-wave pupil-wave Virtual reality (VR) Virtual reality (VR) Human computer interaction (HCI) Human computer interaction (HCI)
引用：
复制并粘贴一种已设定好的引用格式，或利用其中一个链接导入到文献管理软件中。
| GB/T 7714 | Li, Mi , Zhang, Wei , Hu, Bin et al. Automatic Assessment of Depression and Anxiety through Encoding Pupil-wave from HCI in VR Scenes [J]. | ACM TRANSACTIONS ON MULTIMEDIA COMPUTING COMMUNICATIONS AND APPLICATIONS , 2024 , 20 (2) . |
| MLA | Li, Mi et al. "Automatic Assessment of Depression and Anxiety through Encoding Pupil-wave from HCI in VR Scenes" . | ACM TRANSACTIONS ON MULTIMEDIA COMPUTING COMMUNICATIONS AND APPLICATIONS 20 . 2 (2024) . |
| APA | Li, Mi , Zhang, Wei , Hu, Bin , Kang, Jiaming , Wang, Yuqi , Lu, Shengfu . Automatic Assessment of Depression and Anxiety through Encoding Pupil-wave from HCI in VR Scenes . | ACM TRANSACTIONS ON MULTIMEDIA COMPUTING COMMUNICATIONS AND APPLICATIONS , 2024 , 20 (2) . |
| 导入链接 | NoteExpress RIS BibTex |
摘要 ：
本发明公开了一种基于静态和动态表情图像的联合表情编码系统，包括图像预处理模块、动态表情图像生成模块、动态权重图像生成模块和联合表情编码图像生成模块。同时公开了一种基于上述系统的联合表情编码方法，采用上述一种基于静态和动态表情图像的联合表情编码系统及其方法，将静态表情图像和动态表情图像按照编码方法合并到一张图像中，使其能够同时表征静态的和动态的表情信息，提高基于面部表情的情感识别能力。
引用：
复制并粘贴一种已设定好的引用格式，或利用其中一个链接导入到文献管理软件中。
| GB/T 7714 | 栗觅 , 陈阳阳 , 王钰琪 et al. 基于静态和动态表情图像的联合表情编码系统及其方法 : CN202211687009.5[P]. | 2022-12-27 . |
| MLA | 栗觅 et al. "基于静态和动态表情图像的联合表情编码系统及其方法" : CN202211687009.5. | 2022-12-27 . |
| APA | 栗觅 , 陈阳阳 , 王钰琪 , 胡斌 . 基于静态和动态表情图像的联合表情编码系统及其方法 : CN202211687009.5. | 2022-12-27 . |
| 导入链接 | NoteExpress RIS BibTex |
摘要 ：
1.本外观设计产品的名称：带心理状态评估图形用户界面的显示屏幕面板。2.本外观设计产品的用途：利用虚拟现实眼动技术对抑郁、焦虑和压力风险水平进行评估的屏幕面板，可用于台式电脑、笔记本电脑、平板电脑、手机、手表、智能手表、掌上电脑、抑郁症评估仪、抑郁症治疗仪、心理状态评估仪。3.本外观设计产品的设计要点：在于图形用户界面。4.最能表明设计要点的图片或照片：主视图。5.无设计要点，省略后视图、俯视图、仰视图、左视图、右视图。6.图形用户界面的用途：用于操作设备对抑郁、焦虑和压力风险水平进行评估。7.图形用户界面在产品中的区域：在设备操作面板部分。8.变化状态：图形用户界面的变化状态说明 : (1)打开系统，显示出登录界面，即主视图。(2)在主视图输入账号和密码输入完成后，点击登录按钮，进入界面状态变化图1。(3)点击界面状态变化图1的设置按钮，显示界面状态变化图2，左侧为识别参数，右侧为系统参数，填完点击界面状态变化图2返回按钮，进入主视图。(4)点击主视图的管理按钮，进入界面状态变化图3，此界面为设备使用人员的信息界面，可以针对设备使用人员的信息进行录入、查询、修改和删除，填完点击界面状态变化图3返回按钮，进入主视图。(5)点击主视图资料按钮，进入界面状态变化图4，即信息填写模块，输入测试者的个人信息，填完点击界面状态变化图4的返回按钮，进入主视图。(6)点击主视图的开始按钮，进入界面状态变化图5，VR眼镜中和电脑的屏幕中会播放视频，同时设备对参试者进行数据采集。(7)视频播放结束，采集过程也随之结束，系统会弹出检测完成的窗口，即界面状态变化图6。(8)点击界面状态变化图6的OK按钮，评估按键亮起，点击界面状态变化图6的评估按钮进行评估，进入界面状态变化图7，显示评估完成，点击界面状态变化图7的返回按钮，回到主视图。(9)点击主视图的打印按钮，显示界面状态变化图8，点击界面状态变化图8的打印报告按钮打印报告。(10)点击界面状态变化图8的返回按钮，回到主视图，如需采集下一个人，继续点主视图的资料按钮，重复以上步骤，如果全部采集完成，点击主视图的退出按钮，结束。
引用：
复制并粘贴一种已设定好的引用格式，或利用其中一个链接导入到文献管理软件中。
| GB/T 7714 | 栗觅 , 胡斌 , 吕胜富 et al. 带心理状态评估图形用户界面的显示屏幕面板 : CN202230398161.6[P]. | 2022-06-27 . |
| MLA | 栗觅 et al. "带心理状态评估图形用户界面的显示屏幕面板" : CN202230398161.6. | 2022-06-27 . |
| APA | 栗觅 , 胡斌 , 吕胜富 , 康嘉明 . 带心理状态评估图形用户界面的显示屏幕面板 : CN202230398161.6. | 2022-06-27 . |
| 导入链接 | NoteExpress RIS BibTex |
摘要 ：
1.本外观设计产品的名称：心理状态评估机。2.本外观设计产品的用途：本外观设计产品利用虚拟现实眼动技术对抑郁、焦虑和压力风险水平进行评估。3.本外观设计产品的设计要点：在于形状。4.最能表明设计要点的图片或照片：组合状态立体图。5.本外观设计产品为组件产品，组件1为主机，组件2为VR眼镜。
引用：
复制并粘贴一种已设定好的引用格式，或利用其中一个链接导入到文献管理软件中。
| GB/T 7714 | 栗觅 , 胡斌 , 吕胜富 et al. 心理状态评估机 : CN202230397826.1[P]. | 2022-06-27 . |
| MLA | 栗觅 et al. "心理状态评估机" : CN202230397826.1. | 2022-06-27 . |
| APA | 栗觅 , 胡斌 , 吕胜富 , 康嘉明 . 心理状态评估机 : CN202230397826.1. | 2022-06-27 . |
| 导入链接 | NoteExpress RIS BibTex |
摘要 ：
Semi-supervised learning has always been a hot topic in machine learning. It uses a large number of unlabeled data to improve the performance of the model. This paper combines the co training strategy and random forest to propose a novel semi-supervised regression algorithm: semi supervised random forest regression model based on co-training and grouping with information entropy (E-CoGRF), and applies it to the evaluation of depression symptoms severity. The algorithm inherits the ensemble characteristics of random forest, and combines well with co-training. In order to balance the accuracy and diversity of co-training random forests, the algorithm proposes a grouping strategy to decision trees. Moreover, the information entropy is used to measure the confidence, which avoids unnecessary repeated training and improves the efficiency of the model. In the practical application of evaluation of depression symptoms severity, we collect cognitive behavioral data of emotional conflict based on the depressive affective disorder. And on this basis, feature construction and normalization preprocessing are carried out. Finally, the test is conducted on 35 labeled and 80 unlabeled depression patients. The result shows that the proposed algorithm obtains MAE (Mean Absolute Error) = 3.63 and RMSE (Root Mean Squared Error) = 4.50, which is better than other semi-supervised regression algorithms. The proposed method effectively solves the modeling difficulties caused by insufficient labeled samples, and has important reference value for the diagnosis of depression symptoms severity.
关键词 ：
semi-supervised learning semi-supervised learning emotional conflict emotional conflict E-CoGRF E-CoGRF symptoms severity symptoms severity depression depression
引用：
复制并粘贴一种已设定好的引用格式，或利用其中一个链接导入到文献管理软件中。
| GB/T 7714 | Lu, Shengfu , Shi, Xin , Li, Mi et al. Semi-supervised random forest regression model based on co-training and grouping with information entropy for evaluation of depression symptoms severity [J]. | MATHEMATICAL BIOSCIENCES AND ENGINEERING , 2021 , 18 (4) : 4586-4602 . |
| MLA | Lu, Shengfu et al. "Semi-supervised random forest regression model based on co-training and grouping with information entropy for evaluation of depression symptoms severity" . | MATHEMATICAL BIOSCIENCES AND ENGINEERING 18 . 4 (2021) : 4586-4602 . |
| APA | Lu, Shengfu , Shi, Xin , Li, Mi , Jiao, Jinan , Feng, Lei , Wang, Gang . Semi-supervised random forest regression model based on co-training and grouping with information entropy for evaluation of depression symptoms severity . | MATHEMATICAL BIOSCIENCES AND ENGINEERING , 2021 , 18 (4) , 4586-4602 . |
| 导入链接 | NoteExpress RIS BibTex |
摘要 ：
本申请公开了一种生物信息的分类方法、装置、储存介质及电子设备，属于生物信息识别领域，其中，生物信息的分类方法包括：获取待分类生物图片；将待分类生物图片输入训练好的机器学习模型中，得到待分类生物图片的分类信息，训练好的机器学习模型是利用带有正负域惯性权重的粒子群优化算法对机器学习模型的参数进行寻优得到的。该方法利用训练好的机器学习模型进行生物图片的生物信息分类，节省了人工成本的同时，大大提高了分类速度，并且该训练好的机器学习模型是利用带有正负域惯性权重的粒子群优化算法对机器学习模型的参数进行寻优得到的，分类准确率相较于传统的模型具有更高的准确率。
引用：
复制并粘贴一种已设定好的引用格式，或利用其中一个链接导入到文献管理软件中。
| GB/T 7714 | 栗觅 , 胡斌 , 吕胜富 et al. 生物信息的分类方法、装置、储存介质及电子设备 : CN202111070317.9[P]. | 2021-09-13 . |
| MLA | 栗觅 et al. "生物信息的分类方法、装置、储存介质及电子设备" : CN202111070317.9. | 2021-09-13 . |
| APA | 栗觅 , 胡斌 , 吕胜富 , 康嘉明 . 生物信息的分类方法、装置、储存介质及电子设备 : CN202111070317.9. | 2021-09-13 . |
| 导入链接 | NoteExpress RIS BibTex |
摘要 ：
本公开提供了一种抑郁倾向评估方法及装置，该方法包括：获取被测者做出情绪决策的反应时间；对反应时间进行特征提取，得到原始特征参数；对原始特征参数进行降维处理得到评估特征参数；将评估特征参数输入预训练的超限学习机模型得到抑郁倾向指数。该方法通过被测者做出情绪决策的反应时间进行抑郁倾向评估能够增加对情绪和反应速度的关注度。与相关技术中的人工评估相比降低主观因素影响，与相关技术中通过生理信号进行评估相比降低了环境及设备噪声，有利于提高抑郁倾向评估的准确性。
引用：
复制并粘贴一种已设定好的引用格式，或利用其中一个链接导入到文献管理软件中。
| GB/T 7714 | 栗觅 , 胡斌 , 吕胜富 et al. 抑郁倾向评估方法及装置 : CN202111179593.9[P]. | 2021-10-11 . |
| MLA | 栗觅 et al. "抑郁倾向评估方法及装置" : CN202111179593.9. | 2021-10-11 . |
| APA | 栗觅 , 胡斌 , 吕胜富 , 康嘉明 . 抑郁倾向评估方法及装置 : CN202111179593.9. | 2021-10-11 . |
| 导入链接 | NoteExpress RIS BibTex |
摘要 ：
本申请公开了一种基于瞳孔波的负性情绪评估的数据处理方法与装置，其中方法包括：使用图像显示设备依次呈示平静情绪图像、快乐情绪图像和负性情绪图像；采集评估对象观看所述平静情绪图像、所述快乐情绪图像和所述负性情绪图像时相应的瞳孔波，得到平静瞳孔波、快乐瞳孔波和负性瞳孔波；根据所述平静瞳孔波、所述快乐瞳孔波和所述负性瞳孔波，分别生成快乐差异波和负性差异波；根据快乐差异波和负性差异波，分别提取快乐信息特征和负性信息特征；将提取的快乐信息特征和负性信息特征输入两层全连接评估模型，获得负性情绪风险指数AR。本申请实施例能够为识别负性情绪早期者提供帮助。
引用：
复制并粘贴一种已设定好的引用格式，或利用其中一个链接导入到文献管理软件中。
| GB/T 7714 | 栗觅 , 胡斌 , 吕胜富 et al. 基于瞳孔波的负性情绪评估的数据处理方法与装置 : CN202111184281.7[P]. | 2021-10-11 . |
| MLA | 栗觅 et al. "基于瞳孔波的负性情绪评估的数据处理方法与装置" : CN202111184281.7. | 2021-10-11 . |
| APA | 栗觅 , 胡斌 , 吕胜富 , 康嘉明 , 张维 . 基于瞳孔波的负性情绪评估的数据处理方法与装置 : CN202111184281.7. | 2021-10-11 . |
| 导入链接 | NoteExpress RIS BibTex |
摘要 ：
本公开提供了一种基于静息态脑功能图像的情绪状态展示方法、装置及系统，该方法包括：获取被测者的静息态脑功能图像；将静息态脑功能图像输入第一网络模型得到情绪指数；对静息态脑功能图像进行特征提取得到初始特征图像；根据情绪指数对初始特征图像中感兴趣的区域进行增强得到目标特征图像；在静息态脑功能图像上叠加目标特征图像得到用于展示情绪状态的脑模式图像。该方法通过第一网络模型得到情绪指数能够初步确认被测者情绪状态的异常风险，通过对静息态脑功能图像进行特征提取和部分增强能够进一步获取与情绪状态相关的图像信息，通过在静息态脑功能图像上叠加目标特征图像得到的脑模式图像能够直观地展示被测者的情绪状态。
引用：
复制并粘贴一种已设定好的引用格式，或利用其中一个链接导入到文献管理软件中。
| GB/T 7714 | 栗觅 , 胡斌 , 吕胜富 et al. 基于静息态脑功能图像的情绪状态展示方法、装置及系统 : CN202111178892.0[P]. | 2021-10-11 . |
| MLA | 栗觅 et al. "基于静息态脑功能图像的情绪状态展示方法、装置及系统" : CN202111178892.0. | 2021-10-11 . |
| APA | 栗觅 , 胡斌 , 吕胜富 , 康嘉明 . 基于静息态脑功能图像的情绪状态展示方法、装置及系统 : CN202111178892.0. | 2021-10-11 . |
| 导入链接 | NoteExpress RIS BibTex |
导出
| 数据： |
选中 到 |
| 格式： |
