【文献阅读】6 -（文献部分内容）DEAP数据集EEG信号的预处理方法

已于 2023-08-10 19:31:01 修改
阅读量278 收藏 1
点赞数
分类专栏： 文献阅读 文章标签： 人工智能 深度学习 机器学习
于 2023-06-01 11:27:49 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/Iron_vik/article/details/130972142
版权
文章探讨了针对DEAP数据集的EEG信号预处理方法，强调了考虑基线信号的重要性。通过使用基线平均值进行数据处理，实验显示准确性提高了约32%。此外，文章提到了连续卷积神经网络和4D卷积循环神经网络在EEG情感识别中的应用，将脑电数据转化为适合深度学习的2D映射，用于提高情绪识别的性能。
摘要由CSDN通过智能技术生成

Emotion Recognition from Multi-Channel EEG through Parallel Convolutional Recurrent Neural Network-2018年EI会议

EEG信号的预处理方法（DEAP数据集）

DEAP数据集【2】
在这里插入图片描述

背景

大多数基于EEG的情绪识别研究直接使用EEG trials信号，没有考虑到基线(无刺激的EEG信号)的作用

创新点

针对DEAP数据集提出了一种EEG脑电数据预处理新方法:baseline signals are considered.

方法

在这里插入图片描述
BaseMean为基线数据平分为N个segment的均值
在这里插入图片描述
BaseRemoved为trial 数据按照BaseMean数据减去BaseMean后的叠加
在这里插入图片描述

实验参数设置

节律信号：4 band
window length ：1s
segment:60/trial
length:128
sample:40x60=2400/subject
label one-hot-code:阈值5

结论与不足

Experimental results have shown that the pre-processing approach can improve the accuracy by 32% approximately.
我的疑问：虽然从结果上面看，能取得较好的实验效果，但是这样做有什么依据？或者数学原理。不过，已经有很多人在此基础上进行应用和实践。

Continuous Convolutional Neural Network with 3D Input for EEG-Based Emotion Recognition-2018

window length ：1s
segment:60/trial
length:128
sample:40x60=2400/subject
label one-hot-code:阈值5
在这里插入图片描述

EEG-based emotion recognition using 4D convolutional recurrent neural network

节律信号：4 band
window length:0.5s
segment:120/trial
length:64
sample:40x120=4800/subject->40x(T/window length)x30
T ：2s ->sample:4800/4=1200
label one-hot-code:阈值5

在这里插入图片描述
三篇论文同样介绍了脑电数据转变为适用于Deep learning的2D map

参考

参考文献
[1]: Continuous Convolutional Neural Network with 3D Input for EEG-Based Emotion Recognition
[2]: Emotion Recognition from Multi-Channel EEG through Parallel Convolutional Recurrent Neural Network
[3]: EEG-based emotion recognition using 4D convolutional recurrent neural network
[4]: DEAP数据集申请地址
[5]: DEAP数据论文：DEAP: A Database for Emotion Analysis using Physiological Signals

Iron_vik
关注
  • 0
    点赞
  • 踩
  • 1
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
深度学习应用于脑电信号分析处理的相关论文，更新了......
qq_38424674的博客
11-09 5383
分享几篇自己看过的相关论文 1.（综述性质论文）Deep learning-based electroencephalography analysis: a systematic review 论文地址：论文地址 主要思想： 这篇综述回顾了从 2010 年到 2018 年的 156 篇将 DL（Deep Learning，深度学习）应用在 EEG 的文章，这些论文涵盖了不同的应用领域，如枕测、睡眠、脑机接口、认知和情感监测，并从大量的文献中提取趋势并突出有趣的方法，以便为未来的研究提供信息并制定建议； 这篇
基于EEG的通过通道注意力和自注意力的情绪识别
m0_48640283的博客
01-31 1148
在我们的框架中，S = {S1, S2,., Sn} 表示预处理后的 EEG 样本，Si = [s1, s2,., sm] (i = 1, 2,..., m) 是第 i 个 EEG 样本，其中 sj (j = 1, 2,..., m) 表示 EEG 样本 Si 的第 j 个通道，m 是每个样本的通道总数。因此，C = {C1, C2,., Cn} 表示提取的通道注意特征，第 i 个提取的特征 Ci = [c1, c2,..., cm] 可以通过 Si = [s1, s2, 的每个通道之间的通道乘法获得。
基于DEAP数据集的特征提取———近似熵、排列熵、样本熵
11-26
基于DEAP数据集的特征提取———近似熵、排列熵、样本熵， 包含上述三个方法的python代码实现，全部在Jupyter Notebook上实现的。
信号处理-情绪分类数据集DEAP预处理（python版）
03-27
DEAP原始数据预处理全流程; 基于python环境下的mne库函数。
信号处理--情绪分类数据集DEAP预处理（python版）
张哥频道：电生理信号和磁共振成像
03-27 1769
DEAP数据集是一个常用的情绪分类公共数据，在日常研究中经常被使用到。如何合理地预处理DEAP数据集，对于后端任务的成功与否，非常重要。本文主要介绍DEAP数据集的预处理流程。
信号处理-情绪分类数据集DEAP预处理（python版）-channel csv数据
最新发布
04-19
信号处理--情绪分类数据集DEAP预处理（python版）---channel csv数据
一起运行脑电信号（EEG）源码（2）-deap dataset
f的博客
03-29 1250
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。对于单个参与者，数据被细分为标签数组和eeg_data数组。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。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。**算法：**valence-arousal模型。**数据集：**deap dataset。**准确率：**80%
基于deap脑电数据集的脑电情绪识别二分类算法（附代码）
qq_45874683的博客
12-31 2117
想尝试一下脑电情绪识别的各个二分类算法。 代码主要分为三部分：快速傅里叶变换处理（fft）、数据预处理、以及各个模型处理。 采用的模型包括：决策树、SVM、KNN三个模型（模型采用的比较简单，可以直接调用库，很适合我这种新手，看起来也方便）。 代码在个人主页：脑电情绪识别二分类算法 https://download.csdn.net/download/qq_45874683/72601455 1. 数据预处理部分 1.将所有数据依次读取进行快速傅里叶变换。 代码如下： 2.处理标签，..
基于EEG信号的情绪特征提取和分类方法综述
0认知机器人学1（2021）29-400ScienceDirect提供的内容列表0认知机器人学0期刊主页：http://www.k eaipublishing.com/en/journals/cogniti ...本文调查了过去五年相关的科学文献，并回顾了使用EEG信号的情绪特征提取
pyphysio：开源生理信号处理库的数据科学方法
软件X 10（2019）100287原始软件出版物pyphysio：生理学中数据科学方法的生理信号处理库Andrea Bizzegoa，c，Alessandro Battistib，Giulio Gabrielic，Gianluca Espositoa，c，Cesare Furlanelloba意大利特伦托大学...
deap数据集与代码，详细内容见博客，搭建环境，版本见博客
03-02
deap数据集与代码，详细内容见博客，搭建环境，版本见博客
DEAP脑电数据集及部分代码
07-21
包含百度云链接，包含完整的DEAP脑电数据集，可用于脑电情绪识别等等
基于deap脑电数据集的脑电情绪识别二分类算法
12-31
脑电情绪识别的二分类算法，数据用的deap数据集。 代码主要分为三部分：快速傅里叶变换处理（fft）、数据预处理、以及各个模型处理。 采用的模型包括：决策树、SVM、KNN三个模型（模型采用的比较简单，可以直接调用库，很适合我这种新手，看起来也方便）。
deap-eeg-classification:使用DEAP数据集的基于EEG的情绪分类
03-22
早期分类 使用DEAP数据集的基于EEG的情绪分类
个人收集的deap数据集，脑电信号分类的工程文件
07-01
个人收集的deap数据集，脑电信号分类的工程文件，有十多个工程，有的有一些说明，值得研究一下。前面是用到的算法，后面是准确率。 1.1D CNN，82.4% 2.KNN，分类器 3.SVM4.CNN 7.ANN-83% 8.ANN-SVM，85% 9.97% 10.4D-cnn，94% 11，cnn-Istm 12.Gradient Boosting Machine&PCA 13.ACRNN，97% 14.TSception，61.57% 16.CNN 17.AMR+DWT，86.4% 18，MT-CNN，96% 19.cnn-Istm-GRU，99%
EEG情感特征分类中的卷积神经网络超参数调整
智能系统与应用18（2023）200212用于EEG情感特征分类的卷积神经网络的实用超参数...然而，准确的基于EEG的情感识别仍然具有挑战性，即使使用最近最有效的方法，如深度学习。虽然许多研究表明卷积神经网络可以在这一领域
deap很好的数据说明
12-22
deap很好的数据说明，有利于专业人士借鉴，更好掌握分析方法
代码实践：基于LSTM网络的DEAP情感数据集情感分类
SashiMoore的博客
04-17 4434
学习内容一览：这一篇文章主要对DEAP数据集转化为python可以处理的格式，并且进一步使用LSTM网络进行分类工作。
EEG代码实践：基于图卷积神经网络（GCN）的DEAP数据集分类
SashiMoore的博客
05-25 8387
图卷积神经网络（Graph Convolutional Network，GCN）是一种用于处理图结构数据的深度学习算法。它扩展了传统的卷积神经网络（CNN）到图领域，可以对节点在图上的特征进行学习和预测。GCN具有广泛的应用，包括社交网络分析、推荐系统、生物信息学等领域。图 1 GCN概念图GCN首先将图表示为邻接矩阵A和节点特征矩阵X。邻接矩阵A描述了图中节点之间的连接关系，其中A(i, j)表示节点i和节点j之间是否存在边。节点特征矩阵X包含了每个节点的特征向量，可以是节点的属性或者其他表示。
deap数据集的预处理
05-03
DEAP数据集是一个用于情感识别的多模态数据集，包括了来自多个传感器的心理生理信号和视频数据。...这些步骤是DEAP数据集预处理的基本步骤，但实际上预处理的具体步骤会因应用场景、数据类型和需求而有所不同。
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值