Advertisement

DEAP和MAHNOB-HC脑电图数据。

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

简介：
该文《Tensorflow：EEG上CNN的一次实验》中使用的脑电图数据来源于DEAP和MAHNOB-HCI两个数据集库。

全部评论 (0)

还没有任何评论哟~
客服
客服
客服关闭
  • DEAP和MAHNOB-HC的EEG脑电图数据
    优质
    本研究聚焦于分析DEAP及MAHNOB-HC两个数据库中的EEG脑电图数据，探究人类情感与认知反应的神经机制。 文章《Tensorflow：EEG上CNN的一次实验》中所用的EEG脑电图数据来自DEAP和MAHNOB-HCI两个库。
     
  • DEAP脑电数据集与部分代码
    优质
    本项目包含DEAP（德育情感评估过程）脑电数据集的部分内容及相应处理代码，旨在支持情绪识别和分析研究。 这段文字描述了一个包含完整DEAP脑电数据集的百度云链接，该数据集适用于进行脑电情绪识别等相关研究。
     
  • DEAP数据集适用的脑电电极位置
    优质
    本研究探讨了DEAP数据集中适用于情绪识别的最佳脑电图（EEG）电极位置，旨在提高情感计算的准确性与效率。 脑电电极通道的分布信息包括10-20系统和10-10系统的详细数据，例如坐标、相对位置等相关内容。
     
  • 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%。
     
  • 利用DEAP数据集的情绪识别脑电图（2DCNN与LSTM）
    优质
    本研究基于DEAP数据集，采用二维卷积神经网络(2DCNN)和长短期记忆(LSTM)模型对情绪进行脑电图信号分析与识别。 基于DEAP数据集的脑电情绪识别研究采用了二维CNN模型，并与LSTM模型进行了对比。代码编写得较为简单，适合初学者使用。
     
  • 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%。
     
  • 利用DEAP数据集进行脑电情绪识别
    优质
    本研究基于DEAP数据集，采用机器学习技术分析和识别个体在观看视频时的情绪反应，旨在深化对大脑情感处理机制的理解。 针对基于DEAP数据集的实验，进行了ANN、CNN和LSTM模型的对比分析，并提供了处理好的数据集和源代码。
     
  • DEAP数据库中的脑电波信号及代码
    优质
    本数据库收录了多种情境下的人类脑电波数据，并提供相关代码用于数据分析和挖掘，旨在促进脑机接口研究。 我们有数据集和相关代码，并且一些内容已经运行过，还有对应的论文。
     
  • DEAP脑电数据集下载，现已上传至百度网盘
    优质
    简介：本资源提供DEAP（大规模情感评估平台）脑电数据集的下载链接，已上传至百度网盘。适合情绪识别与分析研究使用。 DEAP脑电信号数据集下载地址已失效，请通过提供的联系渠道获取。