DEAP数据库的简介

实验室就自己一个方向：做基于生理信号的情感识别，一直知道有DEAP这个数据库，但是一直没有用，自己建的数据库效果不好，所以准备用DEAP试一试。下面总结一下DEAP库的使用方法。

1、DEAP数据库

       首先看一下DEAP的建库流程，首先就是找人在一堆MV中选了40个MV。然后又找了32个测试者（一半男一半女），然后给他们看MV。流程是：2分钟平静---->2秒的显示当前MV序号------->5秒钟的baseline------->1分钟的播放MV----->然后填表评价（ arousal, valence, liking and dominance ）。

       信号有32路EEG信号（512HZ）、GSR信号、EOG信号、EMG信号、PPG信号、Temp(皮温)、Statue（状态信号）

       下载官网上他处理好的数据，所有数据都被下采样成了128Hz，其中EEG信号去除了EOG的影响用了一个4.0 ~ 45.0Hz的带通滤波、数据变成了60s的测试信号加上3s的baseline。

        个人感觉采样频率有点过低了，这样的信号效果肯定不会太理想。像EMG的等信号至少也要256Hz的采样频率。

但是我不会去眼电什么的啊。。。。只能迫不得已用这个数据了，毕竟比较新的数据库。

        还有就是这个还有3s的baseline这个有点蠢，3s连心跳都跳不了几次，根本就算不来频率信息，尤其是一些低频信号如心率的低频等。

2、看一下这个数据库的一些分析结论。

       通过统计发现对于4类状态低效价低唤醒度（LALV）、高效价高唤醒度（HAHV）、同理（LAHV）和（HALV），的统计均值和方差表如下。

然后按照他这个文献的说法是他只下采样到了256Hz，用EEGlab进行了高通滤波、用盲源分离去了EOG，然后用Welch方法提取了3到47Hz的ECG信号，并且把频带分成了几个部分： theta (3 - 7 Hz), alpha (8 - 13 Hz), beta (14 - 29 Hz)和 gamma (30 - 47 Hz)，观察了一下用户评分和这几个频带的相关性。

3、分类方式

       把情绪识别用3个二分类器表示：高低效价、高低唤醒度、高低liking。可能会有数据不平衡的问题。可以统计F1-score和采用对类不平衡有好的适应性的方法，并且用Fisher线性判别进行特征选择。他提了下面这些特征：

这些低频特征真是提的有点费力，因为时间太短了。