深度学习基于DEAP的脑电情绪识别情感分类(附代码)

最新推荐文章于 2023-04-06 17:15:50 发布
最新推荐文章于 2023-04-06 17:15:50 发布
阅读量1.4w 收藏 131
点赞数 12
分类专栏： 脑电情绪识别 文章标签： python 机器学习 人工智能 深度学习 神经网络
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/qq_45874683/article/details/118968019
版权
本文介绍了使用DEAP数据集进行脑电情绪识别的研究，涉及数据预处理、特征提取和模型构建。在特征提取中，选择了特定的脑电通道和频段，提取了频域特征如微分熵。通过训练DNN、LSTM、RNN和LSTM-CNN等模型，最终达到了约95%的准确率。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

DEAP数据集：

DEAP数据集来源：

DEAP: A Dataset for Emotion Analysis using Physiological and Audiovisual Signals (qmul.ac.uk)

DEAP数据集介绍：

DEAP数据集介绍

脑电情绪识别：

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

  • 1 : AF3; 2: F3; 3: F7; 4: FC5; 7: T7; 11: P7; 13: O1
  • 17: AF4; 19: F4; 20: F8; 21: FC6; 25: T8; 29: P8; 31: O2 

       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：

  • [4-8]: theta band
  • [8-12]: alpha band
  • [12-16]: low beta band
  • [16-25]: high beta band
  • [25-45]: gamma band

        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。

 源码见：深度学习基于deap的脑电情绪识别

(DEAP)基于图卷积神经网络的脑电情绪识别(附代码)
qq_45874683的博客
07-21 1万+
数据集介绍以及特征部分见上篇文章： DEAP数据集介绍以及特征提取部分 https://blog.csdn.net/qq_45874683/article/details/118968019?spm=1001.2014.3001.5502 本文主要介绍利用图卷积神经网路结合LSTM进行脑电情绪识别。 由于脑电通道的排列具有空间特征，而调用卷积神经网络或者LSTM等模型只能单一的处理频域特征或者时域特征。而图卷积神经网络可以高效的将频域特征，时域特征和空间域特征结合起来...
DEAP数据集介绍
最新发布
走在深度学习前沿的小宋
04-04 304
来自在线自我评估的评级，其中120 个一分钟的音乐视频摘录由 14-16 名志愿者根据唤醒、效价和优势进行评分。参与者评分、生理记录和面部视频 32 名志愿者观看了上述 40 个音乐视频的子集。记录了脑电图和生理信号，每个参与者还按上述方式对视频进行了评分。对于 22 名参与者，还录制了正面视频。
基于DEAP数据集的脑电情绪识别
05-16
针对基于DEAP数据集，进行了ANN、CNN、LSTM模型对比。 含有处理好的数据集和源代码。
基于DEAP的脑电情绪识别（四分类）（五种模型作对比：一维 CNN，LSTM和二维和三维 CNN和带有LSTM的级联CNN）
03-18
基于DEAP的脑电情绪识别四分类算法 采用了五种模型作对比：一维 CNN，LSTM，二维CNN,三维 CNN，带有LSTM的级联CNN）
（论文加源码）基于deap数据集的transformer结合注意力机制脑电情绪识别
qq_45874683的博客
04-06 3440
对人类进行准确的情绪评估可以证明在医疗保健、安全调查和人际交往中是有益的。基于面部表情的情绪识别被证明是不准确的，而脑电图（EEG）活动的分析更准确地反映了一个人的精神状态。随着深度学习的进步，各种方法正在被用于这项任务。在本研究中，通过两种基于transformer的基于情绪的脑电信号分类方法介绍了注意力机制在脑电信号中的重要性。第一种方法利用通过原始EEG信号的连续小波变换（CWT）生成的2-D图像，而第二种方法直接对原始信号进行操作。本研究使用了公开可用且被广泛接受的DEAP数据集来验证所提出的方法。
（论文加代码）基于deap数据集的脑电情绪识别（二分类改为八分类）
qq_45874683的博客
03-22 6265
摘要： 本文介绍了在数据集上工作的卷积神经网络（CNN）模型，它包含唤醒、配价、支配和喜欢等情绪状态，每种状态的等级为1-9。到目前为止，我们已经使用DEAP价和觉醒数据集对二元分类进行了研究，我们能够获得更好的准确性。我们的二元模型的效价和觉醒准确率分别为96.63%和96.17%。二元分类法只能找到四个情感空间，而八类分类法可以更精确地处理64个情感空间。本文还尝试使用8级分类法，得到了一个很有希望的结果，其效价和觉醒的准确率分别为93.83%和93.79%。对于这两种情况，快速傅立叶变...
基于脑电信号的情绪识别-论文学习
Tao_improvement的博客
09-16 4918
对情绪的量化和建模 情绪有主要六种：高兴、悲伤、恐惧、惊讶、愤怒、厌恶。其他情绪可以由这六种组合。 维度模型：效价(情绪是积极还是消极)、唤醒度(情绪的强烈程度)、优势度(人能否控制)。 情绪识别的步骤 情绪诱发、信号采集、数据预处理、特征选择、利用机器学习算法进行分类、结果展示。 情绪识别的来源 面部表情、语言语调、姿势动作、生理信号等。 生理信号主要包括脑电、心电、肌电、皮肤温度。 脑电信号的特征 脑电信号是不具备各态历经性的非平稳随机信号 ,而且其背景噪声也很强,因此脑电信号的分析和处理一直是非常吸引
Deap脑电信号识别CNN-LSTM代码
04-28
标题中的“Deap脑电信号识别CNN-LSTM代码”指的是使用深度学习模型，特别是卷积神经网络（CNN）和长短期记忆网络（LSTM），来处理DEAP（Database for Emotion Analysis using EEG）数据集中的脑电信号进行情感识别的...
基于DEAP数据集的脑电情绪识别（构建生成对抗网络（GAN）和条件GAN（CGAN）模型）Pytorch框架
04-07
在本文中，我们将深入探讨如何使用PyTorch框架构建生成对抗网络（GAN）和条件生成对抗网络（CGAN）模型，以实现基于DEAP数据集的脑电情绪识别。DEAP（Drivers' Emotional Assessment through Physiological signals...
基于deap的脑电情绪识别（支持矢量机、随机森林、人工神经网络）
03-19
在本文中，我们将深入探讨基于DEAP框架的脑电情绪识别技术，以及它如何结合支持向量机（SVM）、随机森林（Random Forest）和人工神经网络（Artificial Neural Networks, ANN）这三种机器学习模型来实现高精度的情绪...
基于DEAP数据集的一维CNN的脑电情绪识别，采用了pyeeg的函数，附赠pyeeg安装包。
03-18
在本项目中，我们探讨了基于DEAP数据集的一维卷积神经网络（1D CNN）在脑电（EEG）情绪识别中的应用。DEAP（DEvice for the Assessment of Affect and Performance）是一个广泛使用的公开数据库，专门用于情感识别和...
基于deap数据集的脑电情绪识别（2DCNN和LSTM）
03-18
基于deap数据集的脑电情绪识别，模型采用的是二维CNN，LSTM作对比。 代码写的很简单，适合新手。
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
DEAP脑电信号情感状态识别附matlab代码.zip
07-11
1.版本：matlab2019a，不会运行可私信 2.领域：基础教程 3.内容：基于时频域特征分析和SVM分类器的DEAP脑电信号情感状态识别（四分类）附matlab代码.zip 4.适合人群：本科，硕士等教研学习使用
脑电情绪识别 DEAP数据集 多种方法 CNN LSTM等
01-11
脑电情绪识别 DEAP数据集 多种方法 CNN LSTM等
基于seed数据集的脑电情绪识别（机器学习算法）
03-11
本项目在seed数据集应用了五种不同的机器学习算法进行的脑电情绪识别，包括：决策树算法、朴素贝叶斯算法、K最近邻算法、随机森林算法等。四种模型相互作对比。 将数据集的标签情绪分为了三种情况，积极情绪，中性情绪，消极情绪。 特征处理方面，使用seed数据集的de_LDS特征的第五个维度，也就是选取的最适合做情绪识别的伽马波段，每个实验对象的每个数据单元都会有62个输入（特征向量），所有de_LDS特征在数据集中贡献了超过150000个样本，
给我一个利用脑电信号识别情绪的matlab代码
weixin_35752645的博客
12-29 508
在这里给出一个简单的例子，希望能帮到你： % 读入脑电信号数据 eeg_data = load('eeg_data.mat'); % 分离出每秒的脑电信号 sampling_rate = 128; % 采样频率为128Hz seconds_per_sample = 1 / sampling_rate; % 每个采样点之间的时间间隔 num_seconds = size(eeg_data, 1...
基于deap数据集的脑电情感分析（matlab代码）
qq_45874683的博客
01-02 3004
代码见个人主页：基于deap数据集的脑电情绪分析（matlab代码） https://download.csdn.net/download/qq_45874683/73133881 这是一份利用matlab实现的基于deap数据集的脑电情绪识别。 基于以下方面处理了DEAP数据集： 1. PSD（功率谱密度）和DWT（离散小波变换）两种特征，根据唤醒和效价（高/低）对脑电评分进行脑电情绪识别分类。 运行process.m文件可以获取功率谱密度文本文件。 生成的每个测试文件都包含α、β、δ和θ波.
【文献阅读】4-Data Augmentation for EEG-Based Emotion Recognition with Deep Convolutional Neural Net-2018
Iron_vik的博客
11-12 1475
本文针对脑电信号的情绪识别数据集数据较少的问题，提出了一种数据增强的方法在对浅层和深层，一共三个学习模型进行使用前后的对比测试，对情绪进行三类划分。
评论 13
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

打赏作者

脑电情绪识别

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

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