为了提高情感识别的分类准确率，提出一种将栈式自编码神经网络（SAE）和长短周期记忆单元循环神经网络（LSTM RNN）融合的多模态融合特征情感识别方法。该方法通过SAE对不同模态的生理特征进行信息融合和压缩，随后用LSTM RNN对长时间周期的融合进行情感分类识别。通过将该方法用到开源数据集中进行验证，得到情感分类准确率达到0.792 6。实验结果表明，SAE对多模态生理特征进行了有效融合，LSTM RNN能够有效地对长时间周期中的关键特征进行识别。

心电图 (ECG)、皮电活动 (EDA)、肌电图 (EMG) 和阻抗心电图 (ICG) 是广泛用于各种生物医学应用的生理信号。 Bio-SP 工具旨在帮助机器学习和模式识别领域的研究人员自动、可靠地从这些生物信号中提取特征矩阵。 此工具与 MathWorks 分类学习器应用程序兼容，可用于进一步分类目的，例如模型训练、交叉验证方案耕作和分类结果计算。 *请参考我们发表在 IEEE-NIH 2017 医疗创新和即时护理技术专题会议 (HI-POCT 2017) 上的论文“A Biosignal-Specific Processing Tool for Machine Learning and Pattern Recognition”作为这项工作的参考。

TI公司2014年最新研发的一款ADS1293，为了缩短研发周期，上传一份基于ADS1293芯片开发指南。

em算法matlab代码HMM分类 HMM培训，测试| HMM /最大似然分类 该存储库包含一组matlab代码，用于基于最大似然分类来训练和测试/验证多类HMM分类器。 ％此功能需要Kevin Murphy的MATLAB HMM软件包： ％ ％训练HMM（EM算法）并估计最大似然％分类（正向算法） ％在这里，HMM分类的实现是指连续观察，例如身体活动（人类运动）或生理活动（例如特定手势的前臂EMG信号），此分类代码（全部或部分）已用于： [1] A. Samadani，R。Gorbet和D.Kulić，基于生成和判别随机动力学模型的情感运动识别，IEEE人机系统学报，第1卷。 44号4，第454 – 467页，2014年。 [2] A. Samadani和D.Kulić，基于sEMG的手势识别，第36届IEEE工程医学与生物学会议，第4196至4199页，2014年。

基于二元萤火虫算法的多元生理信号特征选择与识别

本人采集的心电信号、脑电信号数据，特别适合用来做数字信号处理……