一起运行脑电信号（EEG）源码（2）-deap dataset_eeg deap数据集预处理 python

第一肯定是搭建环境了
安装包，源码，数据集准备好。

在运行之前，先把环境平台搭好了，版本要对应。安装有问题也可以找我。软件安装包在这里，我用的版本在后面其他的自己搞：

链接：https://pan.baidu.com/s/1yaHdYBEXUsc7EUXBla3qPw 
提取码：8vk1
1
2

环境安装包：

源码：

数据集

1、编辑器

支持python的编辑器很多了，好多人经常使用pycharm，但激活困难，还有很多了。

我自己喜欢vscode，重要是免费，简洁。

2、Python版本

这个会有点坑，虽然python版本很高了，目前3.9.6了，然而机器学习相关的库可没更新那么快，我建议不要用那么新，我用的是3.7.9版本。

3、库管理器

基本两个anacode和默认的pip，我用默认的pip就够了。

机器学习python库的话，我也不多废话了，每个库什么用，百度或者用到了，你就知道了

列一些基本的机器学习用到的库吧，后面带版本的，一定要一致，按指定版本安装
我列出了我的版本，都是pip安装

Microsoft Windows [版本 10.0.19044.2728]
(c) Microsoft Corporation。保留所有权利。

C:\Users\liubin>pip list
Package                      Version
---------------------------- -------------------
absl-py                      1.0.0
aiofiles                     23.1.0
aiohttp                      3.8.4
aiosignal                    1.3.1
albumentations               1.3.0
altair                       4.2.2
anyio                        3.6.2
appdirs                      1.4.4
argon2-cffi                  21.3.0
argon2-cffi-bindings         21.2.0
astunparse                   1.6.3
async-timeout                4.0.2
asynctest                    0.13.0
attrs                        21.4.0
backcall                     0.2.0
beautifulsoup4               4.10.0
bleach                       4.1.0
Braindecode                  0.6
bs4                          0.0.1
cached-property              1.5.2
cachetools                   5.0.0
certifi                      2021.10.8
cffi                         1.15.0
charset-normalizer           2.0.10
click                        8.1.3
colorama                     0.4.4
coverage                     5.3
cssselect                    1.2.0
cycler                       0.11.0
datasets                     2.10.1
debugpy                      1.5.1
decorator                    5.1.1
defusedxml                   0.7.1
dill                         0.3.6
einops                       0.6.0
entmax                       1.1
entrypoints                  0.4
fastapi                      0.95.0
ffmpy                        0.3.0
filelock                     3.10.0
flatbuffers                  2.0
fonttools                    4.28.3
frozenlist                   1.3.3
fsspec                       2023.1.0
future                       0.18.2
gast                         0.5.3
gdown                        4.6.4
gevent                       21.12.0
google-auth                  2.6.2
google-auth-oauthlib         0.4.6
google-pasta                 0.2.0
gradio                       3.22.1
greenlet                     1.1.2
grpcio                       1.44.0
h11                          0.14.0
h5py                         3.6.0
httpcore                     0.16.3
httpx                        0.23.3
huggingface-hub              0.13.2
idna                         3.3
imageio                      2.26.0
importlib-metadata           4.11.2
importlib-resources          5.4.0
ipykernel                    6.9.1
ipython                      7.32.0
ipython-genutils             0.2.0
ipywidgets                   7.6.5
jedi                         0.18.1
Jinja2                       3.0.3
joblib                       1.1.0
jsonschema                   4.4.0
jupyter                      1.0.0
jupyter-client               7.1.2
jupyter-console              6.4.3
jupyter-core                 4.9.2
jupyterlab-pygments          0.1.2
jupyterlab-widgets           1.0.2
keras                        2.8.0
Keras-Preprocessing          1.1.2
kiwisolver                   1.3.2
latex2mathml                 3.75.1
libclang                     13.0.0
linkify-it-py                2.0.0
lxml                         4.7.1
Markdown                     3.3.6
markdown-it-py               2.2.0
MarkupSafe                   2.1.0
matplotlib                   3.5.1
matplotlib-inline            0.1.3
mdit-py-plugins              0.3.3
mdtex2html                   1.2.0
mdurl                        0.1.2
mistune                      0.8.4
mne                          0.24.1
multidict                    6.0.4
multiprocess                 0.70.14
munch                        2.5.0
nbclient                     0.5.12
nbconvert                    6.4.2
nbformat                     5.1.3
nest-asyncio                 1.5.4
networkx                     2.6.3
nltk                         3.8.1
nose                         1.3.7
notebook                     6.4.8
numpy                        1.21.5+mkl
oauthlib                     3.2.0
opencv-python-headless       4.7.0.72
opt-einsum                   3.3.0
orjson                       3.8.7
packaging                    21.3
pandas                       1.3.5
pandocfilters                1.5.0
parsel                       1.6.0
parso                        0.8.3
pickleshare                  0.7.5
Pillow                       9.4.0
pip                          23.0.1
pix2tex                      0.0.29
pooch                        1.6.0
pprint                       0.1
prometheus-client            0.13.1
prompt-toolkit               3.0.28
protobuf                     3.19.4
pyarrow                      11.0.0
pyasn1                       0.4.8
pyasn1-modules               0.2.8
pycparser                    2.21
pydantic                     1.10.6
pydub                        0.25.1
pyeeg                        0.4.4
Pygments                     2.11.2
pynput                       1.7.6
pyparsing                    3.0.6
PyQt5                        5.15.9
PyQt5-Qt5                    5.15.2
PyQt5-sip                    12.11.1
PyQtWebEngine                5.15.6
PyQtWebEngine-Qt5            5.15.2
pyrsistent                   0.18.1
PySocks                      1.7.1
python-dateutil              2.8.2
python-multipart             0.0.6
python-whois                 0.7.3
pytz                         2021.3
PyWavelets                   1.3.0
pywin32                      303
pywinpty                     2.0.5
PyYAML                       6.0
pyzmq                        22.3.0
qtconsole                    5.2.2
QtPy                         2.0.1
qudida                       0.0.4
regex                        2022.10.31
requests                     2.27.1
requests-oauthlib            1.3.1
responses                    0.18.0
rfc3986                      1.5.0
rsa                          4.8
scikit-image                 0.19.3
scikit-learn                 1.0.2
scipy                        1.7.3
screeninfo                   0.8.1
seaborn                      0.11.2
selenium                     3.141.0
Send2Trash                   1.8.0
setuptools                   47.1.0
six                          1.16.0
sklearn                      0.0
skorch                       0.11.0
sniffio                      1.3.0
soupsieve                    2.3.1
starlette                    0.26.1
tabulate                     0.8.9
tensorboard                  2.8.0
tensorboard-data-server      0.6.1
tensorboard-plugin-wit       1.8.1
tensorflow                   2.8.0
tensorflow-io-gcs-filesystem 0.24.0
termcolor                    1.1.0
terminado                    0.13.3
testpath                     0.6.0
tf-estimator-nightly         2.8.0.dev2021122109
threadpoolctl                3.1.0
tifffile                     2021.11.2
timm                         0.5.4
tokenizers                   0.12.1
toolz                        0.12.0
torch                        1.13.1
torchvision                  0.14.1
tornado                      6.1
tqdm                         4.63.0
traitlets                    5.1.1
transformers                 4.27.1
typing_extensions            4.5.0
uc-micro-py                  1.0.1
urllib3                      1.26.8
uvicorn                      0.21.1
w3lib                        2.0.1
wad                          0.4.6
wcwidth                      0.2.5
webencodings                 0.5.1
websocket                    0.2.1
websocket-client             1.3.1
websockets                   10.4
Werkzeug                     2.0.3
wheel                        0.37.0
widgetsnbextension           3.5.2
wrapt                        1.14.0
x-transformers               0.15.0
xxhash                       3.2.0
yarl                         1.8.2
zipp                         3.7.0
zope.event                   4.5.0
zope.interface               5.4.0

C:\Users\liubin>
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
110
111
112
113
114
115
116
117
118
119
120
121
122
123
124
125
126
127
128
129
130
131
132
133
134
135
136
137
138
139
140
141
142
143
144
145
146
147
148
149
150
151
152
153
154
155
156
157
158
159
160
161
162
163
164
165
166
167
168
169
170
171
172
173
174
175
176
177
178
179
180
181
182
183
184
185
186
187
188
189
190
191
192
193
194
195
196
197
198
199
200
201
202
203
204
205
206
207
208
209
210
211
212
213
214
215
216
217
218
219
220
221
222
223

今天找到和运行一篇论文和源码，感兴趣欢迎交流
今天找到和运行一篇论文和源码，感兴趣欢迎交流
可惜没有对应论文，看看能不能改出来一篇。

主要讲：
这是一个基于Deep Learning的情感识别项目，主要针对EEG数据。该项目使用DEAP数据集，该数据集包含32个志愿者对40个音乐视频的情感评级、生理记录和面部视频。EEG和生理信号被记录下来，并且每个参与者也对视频进行了评价。对于单个参与者，数据被细分为标签数组和eeg_data数组。

该项目的主要步骤包括：

1、将数据提取为特征向量，从而将eeg_data维度降至(320,32)。

2、进行各种预处理技术，如计算标准偏差和平均值以减少特征空间。对于标签，应用单独的预处理技术，将其维度降至（32.50）。
3.通过两种神经网络架构进行前向传递和反向传递，并使用最终输出进行成本计算。
4.最终输出被平铺以获得单个成本值。
5.两种方法都输出最可能的情感类别。
该项目的关键点包括：
1.提取10个参与者的EEG数据，然后将其转换为特征向用作训练数据。
2.从头开始创建了前向和后向传递，使用tanh和sigmoid作为激活函数。
3.迭代次数为50，000次，学习率为0.3。
4.采用valence-arousal模型进行分类。
5.基于该模型，可以使用该方法检测到5种情感类别。

主要函数

def build_classifier(num_layers = 1):
    classifier = Sequential()
    #First Layer
    classifier.add(Dense(units = 124, kernel_initializer = 'uniform', activation = 'relu', input_dim = 32, 
                         kernel_regularizer=regularizers.l2(0.01))) # L2 regularization
    classifier.add(Dropout(0.5))
    # Intermediate Layers
    for itr in range(num_layers):
        classifier.add(Dense(units = 124, kernel_initializer = 'uniform', activation = 'relu', 
                             kernel_regularizer=regularizers.l2(0.01))) # L2 regularization
        classifier.add(Dropout(0.5))   
    # Last Layer
    classifier.add(Dense(units = 4, kernel_initializer = 'uniform', activation = 'softmax'))
    classifier.compile(optimizer = 'rmsprop' , loss = 'categorical_crossentropy', metrics = ['accuracy'])
    return classifier
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15

这是一个Python函数，它返回一个具有可变隐藏层数（由参数num_layers指定）的神经网络模型。该模型具有32个神经元的输入层，4个神经元的输出层（带有softmax激活函数），每个隐藏层由124个神经元组成，使用ReLU激活函数。

该函数在每个隐藏层之后使用dropout正则化（比例为0.5），以防止过度拟合。它还对每个隐藏层的权重应用L2正则化（系数为0.01），有助于减少大权重的影响，并且也可以防止过度拟合。

该模型使用RMSprop优化器在训练期间最小化分类交叉熵损失函数。还监视训练期间的模型准确度作为指标。

**数据集：**deap dataset

**算法：**valence-arousal模型

**准确率：**80%

我的数据集

我的源码

运行过程：