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

代码和论文：

代码和论文链接

https://download.csdn.net/download/qq_45874683/42902780

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92%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。

代码运行：

         自己的笔记本运行的很慢，最后还是要调用服务器来运行。

最后还是达到了论文的准确率，91%。

 

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。

代码和论文：

代码和论文链接

https://download.csdn.net/download/qq_45874683/42902780