代码见个人主页:
基于机器学习的DEAP脑电情绪识别(包含离散小波变换信号处理代码),并实现了DWT算法等各种信号转换算法。
https://download.csdn.net/download/qq_45874683/73156726
使用 DEAP 数据集从脑电图信号进行情绪识别,准确率为 86.4%。应用了多种机器学习模型,并实现了DWT算法等各种信号转换算法。
数据简单介绍:
使用来自 DEAP 数据集的数据,这些数据已在 MATLAB 中进行了预处理。在这个数据集中,32名受试者观看了40个可以刺激各种情绪的视频片段。每个视频的长度为60s。每个受试者在价唤醒-支配-喜欢四个维度中提供了个人评分,范围从1到9,1是最小的,9是最大的。在预处理阶段,每个视频增加了3秒的准备时间,从而将每个视频的总时间更改为63秒。
数据预处理:
分析价态和唤醒维度中的情绪。如果一个人的分数大于4.5,则唤醒/效价水平被归类为高,而如果该人的分数小于4.5,则唤醒/效价水平被归类为低。
实验步骤:
1.归一化处理:
使用平均参考(AMR)方法来预处理脑电图数据。然后,对个体差异和通道差异进行定义,我们使用最小-最大归一化方法将每个人每个通道的脑电信号归一化为[0,1],从而降低了计算复杂性。
2.离散小波变换
使用离散小波变换(DWT)来提取脑电图特征。利用小波函数拉伸和移动脑电信号,得到了一系列小波系数。
3.划分频段
每个脑电图通道使用4秒的窗口,每个窗口与前一个窗口重叠2秒,总共29个窗口。然后,使用db4 DWT将每个窗口的数据分解4次,并将所有高频分量提取为4个频段,即γ,β,α和θ。
Theta 4–8 4 D4
Alpha 8–16 8 D3
Beta 16–32 16 D2
Gamma 32–64 32 D1
4. 提取频域特征
计算各频带的熵和能量作为特征。因此,每个通道的每个频段都有 2 个特征。10 个通道中有 20 个 (2*10) 个特征,14 个、18 个和 32 个通道中的功能数量分别为 28、36 和 64 个。
代码见个人主页: