基于连续卷积神经网络(CNN)(SVM)(MLP)提取脑电微分熵特征的DEAP脑电情绪...
基于连续卷积神经⽹络（CNN）（SVM）（MLP）提取脑电微分熵特征的DEAP脑电情绪识别
湛江旅游简介：
主要内容是采⽤DEAP数据集将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，结合微分熵特征将其构建为⼀个三维脑电特征，输⼊到连续卷积神经⽹络，并最终取得了90.24%的准确率。
提出了⼀种脑电特征的三维输⼊形式，并将其输⼊到连续卷积神经⽹络中进⾏情感识别。三维输⼊的优点是在集成多个频带的微分熵特征的同时保留电极之间的空间特征。
坐高铁需要核酸检测证明吗主体内容是采⽤卷积神经⽹络（CNN）达到了最优解，与此同时，运⽤了⽀持向量机（SVM）和多层感知器（MLP）进⾏了对⽐主要内容：
为了后续处理⽅便，将DEAP数据集40*40*8064转换为40*8064*32.
1. 根据以前研究，脑电信号的五个频段对情绪识别有特殊影响，如下图。
图⼀
在本实验中使⽤滤波器将脑电信号分为上图的后四个频段。划分好频段之后，数据集从40*8064*32(视频*脑电信号数值*通道)变为
40*8064*4*32（视频*脑电信号数值*波段*通道）.由于8064维数过⼤，将其分割为长度为L的N段脑电信号。此时脑电信号数据变为
40*N*L*4*32。(本实验中L设置为128)
2.提取脑电信号的微分熵特征（DE）。对于每⼀个脑电分段，提取其微分熵特征，因此每⼀段的特征可以⽤⼀个⼀维数值（32）代替。再对其进性归⼀化处理，此时脑电数据转换为了40*N*4*32。
提取微分熵的部分代码如下：
完整提取微分熵的代码链接：
3. 构建三维的特征输⼊
●第⼀步先将⼀维特征转换为⼆维特征：
国际10-20系统是⼀种国际公认的描述和应⽤电极位置和⼤脑⽪层底层区域的⽅法。国际10-20系统的平⾯图，其中填充黄⾊的EEG 电极是DEAP数据集中使⽤的测试点。在EEG电极图中，每个电极物理上相邻多个电极，这些电极记录⼤脑特定区域的EEG信号。为了保留多个相邻通道之间的空间信息，根据电极分布图，将⼀维的DE特征变换为⼆维平⾯（如图）（9*9），其中横纵长度均分9，0代表未使⽤
该通道。
部分代码如下：
●第⼆步再把⼆维特征变为三维特征
到⽬前为⽌，我们已经为每个EEG⽚段获得了4个2D平⾯（⼤概意思就是四个频域段，每个频域段对应⼀个⼆维微分熵特征图）。下⼀步是将这些平⾯堆叠成三维的 EEG特征⽴⽅体，并将其⽤作CNN的输⼊。该过程如图2所⽰（步骤4）。3维设计的灵感来⾃计算机视觉领域。在彩⾊图像分类任务中，图像由三种原⾊（红⾊、绿⾊和蓝⾊）表⽰。采⽤RGB颜⾊通道组织图像。具体⽽⾔，0到255的值⽤于指⽰每个颜⾊通道中颜⾊的强度。我们借鉴彩⾊图像的表⽰⽅法，采⽤simila表⽰来构造DE特征的三维输⼊。从⽽数据变为40*N*4*9*9.构造过程如图：
部分代码如下：
整体流程图如下：
4. 构建连续卷积神经⽹络
itunes8
CNN具有从图像中提取特征的强⼤能⼒。根据我们之前的类⽐，构建的三维脑电⽴⽅体可以被视为彩⾊图像，这使得我们可以充分利⽤CNN作为⼀个强⼤的⼯具从输⼊中提取代表性的特征。在本⽂中，如图3所⽰，我们使⽤了⼀个具有四个卷积层的连续卷积神经⽹络来从输⼊⽴⽅体中提取特征，添加了⼀个具有退出操作的全连接层⽤于特征融合，softmax层⽤于最终分类。“连续”意味着在两个相邻的卷积层之间没有池层。虽然在计算机视觉领域中，卷积层后⾯通常是池层，但是在这个模型中是不必要的。由于池层的主要功能是以⼀些信息丢失为代价降低数据维数，因此三维脑电⽴⽅体的⼤⼩远⼩于计算机视觉场的⼤⼩。因此，模型中池层被丢弃。此外，在每个卷积层中，采⽤零填充来防⽌⽴⽅体边缘的信息丢失。更具体地说，在前3个卷积层中，内核⼤⼩设置为4*4，步幅设置为1。在卷积运算后，加⼊RELU激活函数，使模型具有⾮线性特征变换能⼒。使⽤64个特征映射开始第⼀个卷积层，并在接下来的2个卷积层中将特征映射加倍；因此，在第⼆层和第三层中有128个和256个要素地图。为了融合不同的特征映射并降低计算成本，增加了⼀个包含64个特征映射的1×1卷积层。在这4个连续的卷积层之后，添加了⼀个完全连接的层，以将64个9*9特征映射映射到最终的特征向量（1024）。然后，下⾯的softmax层接收f以预测⼈类的情绪状态。模型图如下:
构建模型代码如下：
5. 最终结果：
同时编写了⽀持向量机(SVM)和多层感知器（MLP）的代码
关于爱情的动漫电影
如图所⽰，达到了90.24%和89.45%的正确率。
钢琴师崔珉豪湖北的二本大学结论：
研究表明所提出的三维脑电特征结合了不同频带的信号特征，同时保持了通道间的空间信息。在连续卷积神经⽹络模型上的实验结果表明，这种表⽰⽅法是⾮常有效的。我们的结果也证实了多频带组合⽐使⽤单个频带可以获得更好的结果。与其他相关⽅法相⽐，该⽅法在DEAP数据集上的唤醒和价分类任务的平均准确率分别为90.24%和89.45%，取得了最好的效果。
完整代码和论⽂：

版权声明：本站内容均来自互联网，仅供演示用，请勿用于商业和其他非法用途。如果侵犯了您的权益请与我们联系QQ:729038198，我们将在24小时内删除。