基于互信息的脑网络情感识别——代码总结

总结实验过程，生成文件目录，以及相应代码

---

1.将每个人的40次实验数据数据，分成40个文件，并截取前32路脑电，截取中间20秒。
文件夹：“data_preprocessed_matlab” ——> “截取后数据”
代码：文件——“test3.m”，“mainProcessDataScript.m”，“getElectrodeMapping.m”（函数）

---

2.分四个波段
文件夹：“截取后数据” ——> “分频段后数据”
代码：“subsection.m”
——————
补充：
（1）按效价和唤醒度，将分四种情感，将情感的标签加在数据中
文件夹：“再截取后数据” ——> “加类型后数据”
代码：“typesubsection1.m”
（2）按上一步添加的类型，对数据分类，比如数据变成：x.Theta.HAHV.data1
文件夹：“加类型后数据” ——> “分类后数据”
代码：“typesubsection2.m”

---

3.分完波段的数据再分成两个10秒
文件夹：“分频段后数据” ——> “再截取后数据”
代码：“segment.m”

---

4.建立MI矩阵
文件夹：“再截取后数据” ——> “MI矩阵”
代码：“mimatrix.m”，“matrix.m”（函数）
————
补充：
（1）对MI矩阵，分别求每个文件下 四个波段的平均值
文件夹：“MI矩阵” ——> “平均值\average.mat”
代码：“average.m”
（2）给MI矩阵 按情感分四类
比如：将原来的x.Theta.MI1 变成 x.Theta.HAHV.MI1
文件夹：“MI矩阵” ——> “分类后MI矩阵”
代码：“mimatrixF.m”
（3）对分类后MI矩阵，分别求每个文件下 四个波段 四种类型 的平均值
比如：x.Theta.HAHV（32*32），（每个波段下四个类型）
文件夹：“分类后MI矩阵” ——> “平均值\averageF.mat”
代码：“averageF.m”
（4）对平均值\averageF.mat，求每种类型下所有波段的平均值
文件夹：“平均值\averageF.mat” ——> “平均值\averageFavg.mat”
代码：“averageFavg.m”

---

5.MI矩阵的二值化，设置了20个阈值，分别二值化
文件夹：“MI矩阵” ——> “二值化矩阵修改”
代码：“twoplus.m”，“traverse.m”（函数）

---

6.计算网络属性
文件夹：“二值化矩阵修改” ——> “网络属性修改”
代码：“attributeplusplus.m”
“clustering_coef_bu.m”，“assortativity_bin.m”，“efficiency_bin.m”，“charpath.m”，“degrees_und.m”，“betweenness_bin.m”（这几个都是函数）

---

7.计算每个文件里MI1和MI2的属性的平均值
文件夹：“网络属性修改” ——> “网络属性均值”
代码：“attributeaverage.m”

---

8.计算每个文件夹下，20个阈值下的平均值
文件夹：“网络属性均值” ——> “网络属性均值再平均”
代码：“attributeaverageavg.m”
————
补充：
（1）计算每个波段下，所有文件的属性的均值
文件夹：“网络属性均值” ——> “网络属性均值修改\attributeaverage.mat”
代码：“attributeaverageplus.m”

---

9.给效价和唤醒度加标签，并将属性和标签拼成数组
比如：“标签合并\s01\s01-1.mat”下，四个波段，Theta.valence （1*8）
文件夹：“网络属性均值再平均” ——> “标签”
代码：“SVMtest.m”

---

10.把每个被试者40次实验的，每个波段的‘属性标签矩阵’合起来
比如：“标签合并\s01.mat”下，四个波段，Theta.valence （40*8）
文件夹：“标签” ——> “标签合并”
代码：“SVMtest2.m”

---

11.把32个被试者，每个波段的‘属性标签矩阵’合起来，成一个文件
比如：deap.mat下，四个波段，Theta.valence （1280*8）
文件夹：“标签合并” ——> “标签合并再合并\deap.mat”
代码：“SVMtest3.m”

---

12.将特征与标签逐一分离，计算每个特征的准确率
文件夹：“标签合并再合并\deap.mat” ——> “SVM\svm”
代码：“SVMtest8.m”，“SVMtest7fun.m”（函数）

---

注：画图的代码：“test5.m”