基于DEAP情感数据集的卷积神经网络实现对期待值的二分类

基于DEAP情感数据集的卷积神经网络实现对期待值的二分类**

---

一学期的认知课程终于结束了，随着思绪的告罄。最后也把low的一批的作业大过程总结一下。代码链接：https://pan.baidu.com/s/1bUFfUau7h7_4TEzDofvP7Q 提取码：qwer

正文开始：
情感数据集介绍及使用
DEAP （http://www.eecs.qmul.ac.uk/mmv/datasets/deap/index.html
被试：32名字（16名男性和16名女性）；
EGG电极：10-20国际标准的32导联电极帽；
采样率：512Hz；
在观看完1分钟的刺激视频后，被试按照从1〜9的大小，标记所看的视频的效价（价），唤醒度（Arousal），优势度（Dominance）和喜爱度（Liking）的大小。常利用预先（降采样128Hz，4-45Hz带通滤波，去除眼电）后的脑电数据。

一、在PYTHON中导入DEAP数据

**

二、DEAP情感分类示例

**
2.1、导入数据

2.2、标签处理
将期望度 < 5 标记为 0 ，期望度 >= 5 标记为 标记为1。

2.3、特征处理
将每个通道的8086个数据划分为10段，计算每段平均值、中值、最大值、最小值、标准差、方差、范围、偏度和峰度值这9个统计特征，然后加上整体8064个数据的9个统计特征，实验编号和参与者编号。 8064 -> 9*10+11=101 （40，40， 8064）-> （40，40，101）

2.4、数据集划分：（训练集：验证集：测试集） Train:Val:Test = 12:3:1
2.5、采用1个并行CNN卷积层和三个全连接层输入张量进行处理
其中在每个卷积层后使用Tanh()作为激活函数，以及一个最大池化层步长为(1,)，随机失活（Dropout）P = 0.3，三个全连接层节点分别为：128、48、2，均使用Tanh()为激活函数。

**

三、结果展示

**
3.1 模型训练精度（black）以及验证精度（gray）

3.2 模型训练损失度（black）以及验证损失度（gray）

结果：（利用DEAP数据集，将数据预处理为324040*101大小）准确度最高可达72.73%。

总结：
为了使本人的商务笔记本能够快速跑完代码，所以使用的卷积神经网络十分简单。当然本身模型设计的也比较不合理。这次大作业感觉最后也有点敷衍了事的感觉，有点遗憾。最后，这篇博客，仅为本人记录学业过程，欢迎大家指导。