（实验文档和源码）一次从数据采集到实验分析的完整脑电情绪识别

文档和源码见主页：https://download.csdn.net/download/qq_45874683/85070140

（源码和实验文档）自己设计的脑电情绪识别程序完整实验

目标

● 设计并进行实验，以产生情绪反应，并分析相应的生理信号

● 使用当前的机器学习技术，对能够通过EEG信号数据预测情绪状态（自我评估）的分类器进行建模和训练

---

实验设计

● 我们使用什么理论情感模型？

➢ 维度模型（价唤醒坐标系）

● 我们如何产生各种情绪反应？

➢ 三款不同的虚拟现实游戏

● 参与者如何自我评估自己的情绪状态？

➢ 测试模型

---

维度空间（价唤醒坐标系）：

三种VR游戏：

 

 

---

实验设计：

● 介绍、签署同意书、问卷调查

● 脑电图准备，游戏的基本解释

● 对于每个游戏：

    ○ 几分钟来熟悉游戏控制

    ○ 游戏：大约3分钟（一首歌/一个关卡…）

    ○ 自我评估评分

➢ ~ 45分钟

---

环境要求：

pyparsing==2.3.1
PyQt5==5.11.3
PyQt5-sip==4.19.13
python-dateutil==2.7.5
pytz==2018.9
pyzmq==17.1.2
qtconsole==4.4.3
requests==2.21.0
resampy==0.2.1
retrying==1.3.3
scikit-learn==0.20.2
scipy==1.2.0
Send2Trash==1.5.0
six==1.12.0
sklearn==0.0
terminado==0.8.1
testpath==0.4.2
torch==1.0.0
tornado==5.1.1
traitlets==4.3.2
urllib3==1.24.1
wcwidth==0.1.7
webencodings==0.5.1
widgetsnbextension==3.4.2

数据分析：

● 20名参与者

● 年龄：20-35岁

     ○ （平均：25年）

● 几乎没有虚拟现实体验（几乎没有例外）

Valence (mean, std)： beat: 7.6 (+/- 1.2)    brook: 4.7 (+/- 1.9)    nat: 6.3 (+/- 1.8)

Arousal (mean, std):    beat: 7.3 (+/- 1.1)     brook: 7.9 (+/- 1.4)    nat: 2.7 (+/- 1.3)

每次游戏的自我评估评分（标签）：

positive excited ：v>5, a>=5

negative excited ： v<=5，a>=5

 calm :a<5

---

 脑电图分析

● 9个通道

● 信号预处理

● 从时域到频域的转换

● 计算四种情况下的平均“功率谱密度”，频率范围（θ、α、β、γ）

---

 脑电信号时域分析：

 

 

---

 脑电信号频域分析

 PSD平均值（θ：2-8赫兹）（对具有相同标签的每条记录再次求平均值）

 

PSD平均值（阿尔法：8-13赫兹）（对具有相同标签的每条记录再次求平均值）

 

PSD平均值（β：13Hz）（对具有相同标签的每条记录再次求平均值）

PSD平均值（伽马：30-…Hz）（对具有相同标签的每条记录再次求平均值）

分类

● 通过5倍交叉验证进行评估

● 时域：根据试验数据训练3个深度卷积网络

➢ ~ 60%的准确率

● 频域：输入PSD，标准多层感知器

➢ ~ 准确率53%

展望与改进

● 分别对效价和觉醒进行分类

● 与其他生理传感器结合：心跳、皮肤电导等。

● 使用更多的脑电图通道，尤其是在前部区域（额叶脑电图不对称在其他论文中用作特征）

● 需要为“负面刺激”寻找更好的素材

● 更好的时间管理->更多参与者->更好的结果

---

文档和源码见主页：https://download.csdn.net/download/qq_45874683/85070140

（源码和实验文档）自己设计的脑电情绪识别程序完整实验