深度学习基于DEAP的脑电情绪识别情感分类(附代码)_deap: a dataset for emotion analysis using physiol

作者：小小林熬夜学编程 | 2024-02-09 19:51:47

踩

deap: a dataset for emotion analysis using physiological and audiovisual sig

DEAP数据集来源：

DEAP数据集介绍：

DEAP数据集介绍

主要分为三步骤：数据预处理，特征提取，构建模型。

数据预处理部分建议自己处理。其中一定要做的就是去掉63s的前三秒的基线时间。

可以考虑的地方特别多，例如选取哪几个通道，并不是一定把32个脑电通道全部选择。选择哪几个频段分析或者选择单个维度还是多个维度融合。

特征提取部分：

首先必须清楚特征分为几类：频域、时域、时频域、空间域。

时域特征包含基本的事件相关电位、功率、Hjorth 参数特征、高阶过零分析等等

频域特征包含功率、功率谱密度、事件相关同步化、事件相关去同步化、高阶谱、微分

熵等特征

在刚开始做的时候，先做的时域特征的提取：最简单的就是直接将60s的脑电信号处理。或者提取其中一些比较有意义的相关特征。但是准确率并不高，只有60多。

之后参考了一些网上的思路，采用了频域上的特征提取。主要参考了github上的Preprocess_deap的处理。首先选择了1,2,3,4,6,11,13,17,19,20,21,25,29,31共14个通道，分别对应于

之后对这14个通道的数据进行频域分段，其中调用了pyeeg的bin_power函数进行傅里叶变换处理。其中频段选择为：

选择了微分熵作为频域特征。部分代码如下：

构建模型部分：

构建了多个模型进行对比：包括DNN模型，LSTM模型，RNN模型以及卷积神经网络结合LSTM模型，最终准确率有了比较大的提高，达到95%左右。

声明：本文内容由网友自发贡献，不代表【wpsshop博客】立场，版权归原作者所有，本站不承担相应法律责任。如您发现有侵权的内容，请联系我们。转载请注明出处：https://www.wpsshop.cn/w/小小林熬夜学编程/article/detail/72880