（论文加代码）基于deap数据集的脑电情绪识别（二分类改为八分类）
论文和源码见个人主页：https://download.csdn.net/download/qq_45874683/85015286
（论文加代码）基于deap数据集的脑电情绪识别（二分类改为八分类）
摘要：
本文介绍了在数据集上工作的卷积神经网络（CNN）模型，它包含唤醒、配价、支配和喜欢等情绪状态，每种状态的等级为1-9。到目前为止，我们已经使用DEAP价和觉醒数据集对二元分类进行了研究，我们能够获得更好的准确性。我们的二元模型的效价和觉醒准确率分别为96.63%和96.17%。二元分类法只能找到四个情感空间，而八类分类法可以更精确地处理64个情感空间。本文还尝试使用8级分类法，得到了一个很有希望的结果，其效价和觉醒的准确率分别为93.83%和93.79%。对于这两种情况，快速傅立叶变换（FFT）被用作特征提取方法，所有四种分类模型都是在1D-CNN下使用相同的架构创建的。CNN模型的设计和应用取决于CNN在未来工作中自动检测新的情绪相关EEG特征的能力。
目的：
当我们使用DEAP数据集时，我们发现了主要数据以及四个情绪标签（觉醒、效价、支配和喜欢）。从DEAP数据中，仅使用主要数据和两个情绪标签（觉醒和效价），就可以识别人类情绪。每个情绪标签被分成两个相等的部分，总共创建四种情绪状态。遵循这种方法的分类称为二元分类。这种二元分类的结果是四种复合情绪状态，其中每种状态中都存在多种现实生活中的情绪。到目前为止，几乎所有这方面的研究都是按照二元分类法进行的。然而，有可能进一步提高他们所获得的准确性。这种二元分类法无法准确地检测现实生活中的情绪，因为它只使用了四种情绪状态。通过我们的工作二元分类法只能找到四个情感空间，这是不可能的准确识别现实生活中的情绪。为了克服这一不足，我们引入了我们的实验采用了8级分类技术，可以识别多种情绪。该方法也取得了令人满意的准确度。
本文贡献：
● 我们使用传统的情感识别方法——二元分类法来实现最佳的准确度，为此，我们使用了非常简单、轻巧的1D-CNN模型结构和FFT作为特征提取方法。
● 我们还提出了八类情感分类方法，该方法能够更准确地识别情感，并且我们也发现了令人满意的分类精度。对于这种八类分类方法，我们得到8*8=64种情绪状态，有助于更准确地识别情绪。
采用的还是DEAP数据集，DEAP数据集中有32个脑电通道，在32个EEG通道/电极中，14个通道用于收集情绪数据，它们被称为情绪通道。这些情绪通道/电极的列表，分别是：AF3、F3、F7、FC5、T7、P7、O1、AF4、F4、F8、FC6、T8、P8、O2。
特征提取：
在研究领域，情感分类潜力取决于两个因素：特征提取和分类。特征提取通过识别数据的关键特征来减少初始数据集，然后将这些特征用于分类。从图案的某一部分获得的区分特性、可识别的测量和功能组件由特征表示。如果进行提取，则分类精度会更好。
在研究领域，情感分类潜力取决于两个因素：特征提取和分类。特征提取通过识别数据的关键特征来减少初始数据集，然后将这些特征用于分类。从图案的某一部分获得的区分特性、可识别的测量和功能组件由特征表示。如果使用从处理过的数据集而不是原始数据集提取特征，则分类精度会更好。通过特征提取，可以发现各种优势，如最大限度地减少重要信号的丢失，降低过度拟合的风险，改善数据的可视化，降低实现的复杂性。
本文采用14个通道，5个波段，窗口大小为256，步长为16，采样率为128，对每个被试的数据进行特征提取。
● channel：电极和相邻电极加权平均值之间的差值被视为EEG通道。
● Band：在EEG中，在一个时间尺度上固定范围的波频率和振幅称为频带。
●Windows Size：数据时间序列的剪切（滑动）长度称为窗口大小。
● Step Size：在训练期间，需要更新一定量的长度，这称为步长。
● Sample Rate：从一个非数字或连续信号创建一个数字或离散信号每秒采集多少个样本，这个数字称为采样率
在应用FFT后，整个数据集按照7:1的比例分成训练和测试段。然后，编码随后应用于标签，以避免过度拟合。该数据集包含四个标签列：唤醒、配价、支配和喜欢。选择唤醒和配价标签用于分类。然后使用标准化将不同的数据范围设置为0到1之间。有时，规范化有助于提高模型的准确性。标准标量是标准化技术之一。最初，在DEAP数据集中可以找到2D数组，但使用的模型需要3D数据作为输入。这就是为什么使用reshape。
主体思路：
在本研究中，我们使用了许多1D-CNN模型架构进行实验。由于我们的数据集在四个标签中具有相同的值范围和相同类型的主数据，我们在一个标签上测试了所有模型架构。因为如果我们对同一范围和同一类型的数据使用相同的体系结构，那么在精确度方面就不会有太大差异。我们的目标是找到一个能给出最佳结果的模型架构，然后将其用于其他标签。我们已经按计划开始了实验。我们的数据集中有从1到9的标签值，我们希望这些值有10个类来进行实验。我们试图通过各种方式提高模型的准确性。
模型：
模型一：
这里使用的模型结构是1D -CNN，整个实验的结构没有改变。架构如图所示。完成实验后，该模型运行了七次，每次使用不同的特征提取方法，改变采样率、窗口大小和步长。该实验的准确率仅为86.91%。
模型二：
在本实验中，样本率、窗口大小、步长与之前的特征提取实验相同。该模型架构如图所示。在本实验中，该体系结构只运行了一次，并且假设该体系结构的精度不会按照预期提高。
中间使用过另外三个模型，效果都不好。
模型六：
与之前的五个实验相比，该算法具有更好的分类精度，并表明该算法对二值分类具有更好的性能。
综上所述的所有实验，我们可以理解，为我们的工作选择模型架构6会更好，这就是为什么选择这个模型架构。这种1D-CNN的隐藏层可以改变，以提高准确性。使用1D卷积层、批量规范化层和1D最大池化层创建一个部分，在模型体系结构开始时，该部分总共被创建四次。第四部分的结果转换成一维数组。然后应用三个连接层（密集层），每个连接层之后还提供一个dropout层，以避免过拟合问题。然后构建输出层，包括类的数量和softmax激活函数。
提取的特征包含主数据和情感状态标签。这项研究试图通过两种不同的方法更好地识别情绪。其中一种是传统的二进制分类方法，另一种是我们提出的八类分类方法。但在这两种分类方法中，我们使用了相同的1D-CNN模型结构，我们已经选择了这种结构。这种结构更简单、更轻。共有四个模型用于分类。二元分类的两个模型和八类分类的另外两个模型，这里所有的模型都是关于唤醒和配价情绪状态的。对于架构选择，标签值被划分为10个类，用于测试目的。但在这里，根据需要使用相同的值，以便分类有效，避免不同的复杂性。标签数组包含1到9之间的浮动值，分别表示效价和觉醒。但在所有的价值观中，9的数量非常少。为了减少计算和空间复杂度，我们将所有的9转换为8.99。在这种情况下，9和8.99之间的差异可以忽略不计，不会产生任何影响。
分类：
二分类
在二维情感识别系统中，传统的方法是二值分类。标签数组的所有值分为两类，其中一类为1-4.99，其他类为5-8.99。然后对所有数据进行二元唤醒分类模型和二元价分类模型的训练。二元分类将整个情感空间划分为四类，每一类都是多种现实情感的组合。这四种复合情绪由HaHv、LaHv、LaLv和HaLv表达，如图：
八分类：
这项技术使用DEAP数据集值准确识别情绪。使用八类分类技术可以识别许多现实生活中的情绪，其中二元类分类只能找出四种复合情绪，而这些复合情绪中的每一种都由多个现实生活中的情绪组成。使用八种可以识别的情绪分类。
为了成功地使用这种分类技术，需要将唤醒和价态标签数组值分为八个部分。已经创建了八个标签分段，维护1-1.99、2-2.99、3-3.99、4-4.99、5-5.99、6-6.99、7-7.99、8-8.99程序。然后将八级唤醒分类模型和八级效价分类模型应用于所有训练数据。这些模型也给出了令人满意的结果，并在性能测量中进行了讨论。
结果分析：
二分类结果
二元分类器对唤醒的准确率为96.63%，对价的准确率为96.17%。二元唤醒分类器在131个时间段内达到了99.65%的训练准确率和96.17%的测试准确率，在126个时间段，它提供了最好的准确率。
另一方面，当163个epoch后的训练精度为99.73%时，二元价分类器提供96.63%的测试精度，但在第150个epoch时显示出最佳的测试精度。
八分类结果
八类唤醒分类器在运行151个epoch后获得98.83%的训练准确率，在第126个epoch时获得93.79%的最佳测试准确率。八类价分类器在第120个epoch的测试精度达到93.83%，其中160个epoch的测试精度达到98.92%。
两者对比：
结论：
所使用的模型在架构方面非常简单和轻巧。我们提出的CNN模型在情感识别方面更有效，并且在准确性方面优于之前的研究。这些方法能够有效地对预处理后的脑电数据进行分类。对于唤醒价，二元分类的准确度超过了相同的基准活动，显示出明显的差异，并引入了更精确的八类分类方法，这也提供了令人满意的结果。
论文和源码见个人主页：https://download.csdn.net/download/qq_45874683/85015286
（论文加代码）基于deap数据集的脑电情绪识别（二分类改为八分类）