（论文加源码）基于CNN和LSTM的脑电情绪识别（数据集为DEAP和seed）

---

运行过程：

这篇论文的源码算是脑电方面论文源码最容易运行的。一共三个文件，先运行1D，再运行3D，再运行main即可。

1. 运行1D文件（没有什么bug）：

 生成文件如下：

 2. 再运行3D文件（没有出现bug）：

 运行生成文件如下：

 3. 最后运行main文件（出现了两个bug）（前提需要配置好tensorflow的框架）：

第一个bug是：

 解决方案

要在第四行加上一个.untils即可解决。

第二个bug是

 解决方案：

主要是英文tensorflow的版本问题，导致并不能直接导入Adam这个库。

 在对应行上加上adam-v2即可。

之后便可正常运行。

 最终结果：

 很明显，平均准确率达到了94.257，达到了实验预期效果。

其中还尝试了一下将结果导入到txt文件：

在terminal窗口，输入： python main.py >> E:/1.txt即可（c盘会禁止访问）。

以上便是运行过程。 

---

论文讲解：

      该论文运用的卷积神经网络（CNN）和LSTM，其中CNN处理频率和空间信息，LSTM处理从CNN输出中提取时间相关性，并将两种模型进行融合。数据集采用的是脑电研究中最常用的DEAP和SEED数据集并且在两个数据集中都取得了很高的准确率。都达到了94%左右的准确率。：

       论文设计了一种新模型，称为四维卷积递归神经网络。该模型将多通道脑电信号的频域特征、时域特征和空间特征（频率、空间和时间信息）集成在一起，用来提高脑电情绪识别的准确率。

        首先，提取脑电的这三种特征，我们将不同通道的差分熵特征转换为4维结构来训练深层模型。

        然后，介绍了卷积神经网络（CNN）和长短时记忆（LSTM）单元的递归神经网络相结合的CRNN模型。CNN用于从4D输入的每个时间片中学习频率和空间信息，LSTM用于从CNN输出中提取时间相关性。LSTM最后一个节点的输出执行分类。

        该模型在受试者内部划分的SEED和DEAP数据集上都达到了最先进的性能。实验结果表明，结合脑电频域特征、时域特征和空间域特征（频率、空间和时间信息）进行脑电情感识别是有效的。

---

结论：

        提出了一种基于分段水平EEG的脑电情感分类方法，该方法能够聚合脑电信号的频率、空间和时间信息。该方法在SEED和DEAP数据集上实现了最先进的性能。其关键步骤包括两个部分：首先，将脑电信号特征构建成四维特征结构，明确组织脑电的频率、空间和时间特征。其次，介绍了CNN和LSTM深度融合的CRNN模型。CNN处理频率和空间信息，LSTM处理从CNN输出中提取时间相关性。通过与四项竞争性研究的比较，研究了从EEG中同时提取频率、空间和时间信息的重要性。在基于EEG的情绪分类中，由于这三种线索的参与，性能大大提高。