脑电情绪识别资源整理

每篇文章都在主页可以看到

脑电方向的资源比较少，整理了自己用过的所有资源。都已经成功运行过了，保证可以成功运行。

都是基于DEAP和SEED数据集的脑电情绪识别源码

几乎每份代码都在csdn上简单介绍过。

目前一共52份（会一直更新）

尽可能的找到了一些论文的源码（一共21份）

材料虽然很多，还是希望能慢慢看，好好理解

最好是看有代码有论文的，一起对应着理解

每篇文章都在主页可以看到

---

有论文有源码的：

 木有论文的：

---

带论文的脑电情绪识别源码：

基于DEAP数据集的脑电情绪识别： 

1.  （论文加源码）基于DEAP的脑电情绪识别（CNN,RNN和两种不同的注意力机制）六种模型做          对比，包含DE特征
2.  （论文加源码）基于DEAP数据集的脑电情绪识别（基于FFT和CWT的CNN模型）      
3.  （论文加源码）（matlab代码）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）
4.  （论文加代码）基于CNN和LSTM（提取了微分熵）的脑电情绪识别（数据集为DEAP和                    seed）4D-CRNN
5.  （论文加代码）基于连续卷积神经网络（CNN）提取脑电微分熵特征的DEAP脑电情绪识别
6.  （论文加源码）基于deap的脑电情绪识别cnn和lstm作对比
7.  （论文加源码）基于deap的脑电情绪识别cnn和lstm作对比改进版本
8.  （论文加源码）基于deap的四分类脑电情绪识别（1DCNN+LSTM和1DCNN+GRU）
9.  （论文加源码）基于自动编码器和LSTM的脑电情感识别（数据集为DEAP）提取了功率谱密            度，并进行了无编码和SVM的对比实验。
10.（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）  
11.（论文加源码）通过构建脑图基于DEAP的情绪识别多任务CNN模型（提取了功率谱密度psd和          微分熵DE）
12.（论文加源码）(matlab)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）
13.​（论文和源码）基于DEAP的实时脑电情绪分类系统
​14.（论文加源码）RNN和CNN结合的特征融合（数据集为seed、deap、seed-iv）
15.（论文加源码）基于多尺度卷积神经网络的脑电情绪识别

16.（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
17.（论文加源码）基于DEAP的脑电情绪识别（四分类）（数据增强和扩充）（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）
18.（论文加源码）基于DEAP和MABHOB数据集的二分类脑电情绪识别（pytorch深度神经网络（DNN）和卷积神经网络（CNN））
19.（论文加源码）基于DEAP脑电数据集的脑电情绪识别（利用生成对抗性网络进行特征提取和数据扩充）

---

基于SEED数据集的脑电情绪识别：

1.  （论文加代码）基于CNN和LSTM（提取了微分熵）的脑电情绪识别（数据集为DEAP和                    seed） 4D-CRNN
2.  （论文加代码）基于改进循环神经网络（提取了功率谱密度和微分熵）的脑电情绪识别（三分          类）

---

不带论文的脑电情绪识别源码：

基于DEAP数据集的脑电情绪识别算法:

1.   CNN正确率90(CNN+LSTM及四种普通模型）脑电情绪识别
2.   CNN正确率70多
3.   knn_deap
4. （实验文档和源码）自己设计的脑电情绪识别程序
5.    基于生成对抗网络GAN和cGAN的脑电情绪识别（pytorch）
6.  对deap数据集进行脑电情绪识别并进行频谱分析（频域特征）
7.  脑电情绪识别所用到深度学习模型 EEG models(BiGRU,lstm,cnn,gcn,dnn,rnn)
8.（deap）利用傅里叶变换和SVM KNN 决策树三个模型进行二分类
9.（deap）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）
10.  基于DEAP的脑电情绪识别（四分类）（数据增强和扩充）（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）
11.  基于deap数据集的脑电情绪识别（2DCNN和LSTM）代码很基础     
12.  DEAP-1D-CNN
13.  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）
14.  基于deap的早期脑电情绪识别分类
15.  监督学习（支持向量机和K最近邻）DEAP 
16.  DEAP的特征提取-近似熵、排列熵、样本熵（python）
17.  基于deap的脑电情绪识别（一维卷积提取频域特征（四分类））
18.  基于CNN的多目标进化算法选择的人类情绪与脑电图通道的二维区分（tensorflow）
19.   eeg-gnn-ssl脑电情绪识别 图卷积
20.   pyeeg安装包
21.   脑电电极位置 适用于deap数据集
22. （matlab）脑电处理有用的特征提取算法
23. （matlab）计算deap的各种特征（功率谱密度，差分熵，差异不对称性，理性不对称等）
24. （matlab和python）用于提取DE（微分熵特征）和PSD（功率谱密度特征）特征的matlab和python代码
25. （matlab）提取PSD（功率谱密度特征）特征和DWT（离散小波变换）对deap进行分类的完整代码

26 . 基于DEAP的脑电情绪识别（CNN和LSTM对比）
27 . 基于DEAP的脑电情绪识别（模型为SVM,KNN和决策树，随机森林）完整代码

---

基于SEED数据集的脑电情绪识别算法:

1.    机器学习的五种模型seed脑电情绪识别
2.  （SEED）（pytorch）脑电情绪识别（svm和cnn）
3.  （SEED）（svm）脑电情绪识别
4.  （SEED）脑电情绪识别（cnn rnn 混合）

每篇文章都在主页可以看到