Advertisement

基于DEAP数据集的脑电情绪识别研究——采用连续卷积神经网络(CNN)及脑电微分熵特征分析（附论文与代码）

  •  5星
  •     浏览量: 0
  •     大小:None
  •      文件类型：None

简介：
本研究利用DEAP数据集探讨了通过连续卷积神经网络和脑电微分熵特性进行情感识别的方法，提供相关论文与代码以供进一步研究。 本段落采用DEAP数据集对脑电信号进行频域分段，并提取其微分熵特征。为了充分利用空间特征，结合微分熵特性构建了一个三维的脑电特征模型，将其输入到连续卷积神经网络中。最终实现了90.24%的准确率。此外，本段落提出了一种新的脑电特征表示形式——即作为三维数据输入至连续卷积神经网络进行情感识别的方法。该方法的优点在于能够同时集成多个频带的微分熵特征并保留各电极间的空间关系。

全部评论 (0)

还没有任何评论哟~
客服
客服
客服关闭
  • 基于DEAP数据集的脑电情绪识别研究——采用连续卷积神经网络(CNN)及脑电微分熵特征分析（附论文与代码）
    优质
    本研究利用DEAP数据集探讨了通过连续卷积神经网络和脑电微分熵特性进行情感识别的方法，提供相关论文与代码以供进一步研究。 本段落采用DEAP数据集对脑电信号进行频域分段，并提取其微分熵特征。为了充分利用空间特征，结合微分熵特性构建了一个三维的脑电特征模型，将其输入到连续卷积神经网络中。最终实现了90.24%的准确率。此外，本段落提出了一种新的脑电特征表示形式——即作为三维数据输入至连续卷积神经网络进行情感识别的方法。该方法的优点在于能够同时集成多个频带的微分熵特征并保留各电极间的空间关系。
     
  • （含论文与源码）利用多尺度卷积神经网络进行脑电情绪识别（以DEAP数据集为例）
    优质
    本研究采用多尺度卷积神经网络对脑电数据进行分析，旨在实现高精度的情绪识别。通过DEAP数据集验证模型的有效性，并公开论文与源码供学术交流使用。 本段落提出了一种多尺度卷积神经网络TSception，用于从脑电图（EEG）数据中提取时间域特征及空间不对称性。该模型由动态时间层、非对称空间层以及高层融合层构成，能够同时在时间和通道维度上学习差异表示。其中，动态时间层采用多尺度一维卷积核来捕捉与采样率相关的脑电波的时间和频率特性；而非对称空间层则利用情绪反应背后的不对称神经激活现象，提取具有辨识度的全局及半球特征。通过高级融合层将这些学习到的空间表示进行整合。 我们采用了一种更为广泛的交叉验证方法，在DEAP与MAHNOB-HCI两个公开数据集上评估了该模型的表现，并将其性能与其他先前报道的方法进行了比较，包括SVM、KNN、FBFgMDM、FBTSC、无监督学习法以及DeepConvNet、ShallowConvNet和EEGNet等。在大多数实验中，TSception网络展现出了更高的分类准确率与F1分数。
     
  • 基于DEAP和MABHOB数据集的二分类脑电情绪识别研究（使用PyTorch的DNN与CNN）
    优质
    本研究运用PyTorch框架下的深度神经网络(DNN)及卷积神经网络(CNN)，在DEAP和MABHOB两个公开脑电数据集中进行二分类情绪识别，探索最优模型架构。 该论文发表于2021年的顶级期刊，并使用了PyTorch框架进行研究（附带源代码）。本段落基于DEAP和MAHNOB数据集，采用深度神经网络（DNN）和卷积神经网络（CNN），旨在通过统计实验对获得的模型进行测试并比较不同模型与数据集的表现。在所考虑的两个模型中，虽然DNN能够在特定训练集上达到最佳精度，但研究结果表明CNN在平均性能上更优。此外，在相同的模型下，DEAP数据集相较于MAHNOB实现了更高的准确率，尽管差距较小，这证明这些模型具有足够的稳健性以在两组数据集中几乎同等良好地执行。 本段落紧密参考了[2]中提出的方法来从脑电图进行价态唤醒分类，并尝试重现其中报告的结果。为了达成第二个目标，在两个不同的数据集DEAP和MAHNOB上采用McNemar测试与5x2交叉验证，对模型进行了相互比较，旨在探究一个模型是否能在两个相同但相关的数据集中执行类似的操作。
     
  • 基于DEAP数据集的情绪脑电识别.rar
    优质
    本研究利用DEAP数据集探索情绪脑电特征，通过分析不同情绪状态下的EEG信号，旨在开发有效的情绪识别模型。 基于DEAP数据集，我们采用了卷积神经网络（CNN）和长短期记忆神经网络等四种模型进行对比，并结合pyeeg进行了特征提取，最终准确率达到了90%。
     
  • 基于DEAP脑电数据集的情绪二分类识别算法
    优质
    本研究提出了一种基于DEAP数据集的情绪二分类识别算法，旨在通过分析脑电波信号准确区分个体情绪状态，为情感计算领域提供新方法。 脑电情绪识别的二分类算法使用了DEAP数据集。代码主要分为三部分：快速傅里叶变换处理（FFT）、数据预处理以及模型训练。采用的模型包括决策树、支持向量机(SVM) 和K近邻(KNN)，这些模型可以直接调用库函数，非常适合新手学习和理解。
     
  • 基于DEAP数据集的脑电情绪识别：CNN与LSTM方法对比（含论文及源码）
    优质
    本研究利用DEAP数据集，通过比较卷积神经网络(CNN)和长短期记忆网络(LSTM)在脑电情绪识别中的表现，探索最优的情绪识别模型。包含详细论文分析与源代码分享。 本段落比较了深度学习模型——长短时记忆（LSTM）和卷积神经网络（CNN）在80-20和75-25的训练测试分割比例中的表现。结果显示，LSTM模型对like维度的情绪识别率最高，达到了88.6%；而CNN的表现也非常出色，准确率为87.72%。如果需要了解特征提取、构建模型以及调整超参数的具体步骤，可以参考作者个人主页上的博客文章。
     
  • （含论文及源码）基于RNN与CNN融合的脑电情绪识别研究（使用SEED、DEAP、SEED-IV数据集）.zip
    优质
    本研究探索了结合递归神经网络(RNN)和卷积神经网络(CNN)技术进行脑电情绪识别的方法，并应用SEED、DEAP及SEED-IV数据集验证模型性能，附带论文与源码。 本段落提出了一种双重模型，该模型考虑了脑电特征图的两种不同表示方式：一种是基于序列的脑电信号频带功率表示；另一种是基于图像的特征向量表示。此外，我们还设计了一个信息组合方法，利用基于图像模型显著性分析来促进两个模型部分之间的联合学习。这个框架已经在四个公开可用的数据集中进行了评估，包括SEED-IV、SEED、DEAP和MPED。 本段落提出了一种新的脑电图情绪估计框架，该框架采用双重方法结合层次RNN（考虑了脑电信号通道间的空间关系）与CNN（用于深度学习表示）。实验结果显示，在三个数据集上该模型表现良好。
     
  • 基于CNN和LSTM的DEAP脑电数据情绪识别方法
    优质
    本研究提出了一种结合卷积神经网络（CNN）与长短期记忆网络（LSTM）的情感识别模型，专门针对DEAP数据库中的脑电数据进行情感分析。通过提取高频特征并优化情绪分类性能，该方法在评估中表现出色。 通过提取微分熵并将其转换为4维数据形式【4800，4，9，9】，与近几年发表的论文中的数据处理方式一致。测试集准确率达到91.62%，验证集达到93.96%。
     
  • （含论文及源码）利用DEAP数据库进行脑电情绪识别，采用二维卷积构建脑图（包含PSD与DE特征提取）
    优质
    本研究通过DEAP数据库分析脑电活动，运用二维卷积网络从PSD和DE特征中构建脑图，有效识别个体的情绪反应，并附有论文及源代码。 本段落介绍了一种新的情绪识别模型——多任务卷积神经网络（MT-CNN），该模型以脑图为输入，并输出唤醒与效价两个维度的情绪状态。脑图是基于从脑电信号中提取的特征的空间表示形式，由四种不同频段的不同波形（α、β、γ和θ）叠加而成，观察窗口为0.5秒。 在DEAP数据集上对该模型进行了训练和测试。实验结果表明，在价态维度上的准确率为96.28%，而在唤醒维度的准确率则达到了96.62%。这证明了MT-CNN相较于其他方法具有更好的性能。 该模型是一个二维卷积神经网络，其输入为EEG信号的空间谱表示形式——脑图。它由四个二维卷积层、一个全连接层以及每个这些层之后的dropout和批量归一化层构成。最后，输出分为两路：一路用于分类受试者的价态水平，另一路则用于唤醒水平。激活函数使用ReLU，而分类层采用sigmoidal函数以获取类似概率的结果。 模型在训练过程中实现了收敛性优化。