（论文加源码）基于deap的脑电情绪识别分别使用cnn和lstm对比
论文与源码见个人主页：（论文加源码）基于deap的脑电情绪识别分别使用cnn和lstm对比
https://download.csdn.net/download/qq_45874683/84995944
在本文中，我们比较了深度学习模型：长短时记忆（LSTM）和卷积神经网络（CNN）在80-20和75-25次练测试分割比例中的表现。LSTM对like维度的情绪的识别率最高，为88.6%。CNN也给出了87.72%的准确率，因为它能够从输入信号中提取空间特征。因此，在这种情况下，这两种模型都非常好。
在本文中，我们提出了两种深度学习模型LSTM（长-短期记忆）和CNN（卷积神经网络）之间的一个独特比较，在这两种结构中，我们将预处理的DEAP数据分为两个部分（训练集和测试集），即75-25和80-20，在这两个部分中我们得到了很好的结果。我们将LSTM用作序列任务，因为它们可以捕获更多依赖性并预测数据序列。本文使用的数据不是连续的，而是一种时序信号，因此LSTM提供了很好的结果。对于CNN来说，预测速度要快得多，而且是以计算效率高的方式进行的，这就是为什么CNN会出现在这篇研究论文中。
DEAP数据集介绍：
建议看我个人主页的关于DEAP数据集介绍的博客，
主要清楚DEAP数据集的每个文件是40*40*8064和40*4的两个矩阵。
特征提取：
对特征提取进行快速傅立叶变换，将其从（40,40,8064）降到（58560,70）的最终维数，从而实现更快的训练，并提供更好的精度。这些提取的特征包括五个频带： Delta-δ (1–4 Hz), Theta-θ (4–8 Hz), Alpha-α (8–14 Hz), Beta-β (14–31 Hz), and Gamma-γ (31–50 Hz)\。共提取了70个特征，并使用了PyEEG python库。
FFT用于将x轴的信号域从时间更改为频率。它的工作原理是高效地计算时间序列的离散傅里叶变换（DFT）。通过以迭代方式计算DFT的系数，使计算变得更容易，从而减少了计算时间和计算复杂性。它还减少了与计算相关的舍入误差。
模型选择了14个通道和5个波段。选择的窗口大小为256，平均频带功率为2秒。步长为16，这意味着每个0.125秒更新一次
模型结构：
研究的两种深度学习模型是长短时记忆网络（LSTM）和卷积神经网络（CNN）。使用的数据集是DEAP数据集的python预处理版本。这些模型分别针对每种情绪、觉醒、配价、支配和喜好进行训练，并以0到9的标签对它们分别进行分类，并采用不同的训练测试分段。这两种模型都是使用Keras实现的。
LSTM模型：
关于LSTM的基本知识本文不再介绍，
本文的LSTM中，模型架构中有一个双向LSTM层、四个LSTM层和两个密集层，如图所示。第一个双向LSTM层有128个单元（总共256个）。它涉及复制网络中的第一个LSTM层，以便有两层并排。它将输入序列作为输入提供给第一个，并将其反向副本提供给第二个。然后是dropout，参数为0.6。这有助于防止过度拟合，根据训练期间的速率将输入随机设置为0。下一层是由256个神经元组成的LSTM层，然后是0.6的dropout层。接下来的4层是2个LSTM层，由64个神经元组成，每个神经元后面是一个dropout层。drppout参数分别为0.6和0.4。最后的LSTM层由32个神经元组成，然后是0.4的dropout层。然后使用16个单元的密集层。用于相同操作的激活函数是ReLU。然后，10个类的密集层与SoftMax激活函数一起使用。这导致我们的10个类的多类概率分布。知道所有类的概率后，使用argmax查找类输出就完成了。
卷积神经网络模型（CNN）：
本文所使用的卷积神经网络模型中，三个conv1D、三个完全连接的密集层和一个密集层，最后激活了10个类，如图中的模型架构所示。第一个卷积层使用整流线性单元（ReLU）作为激活函数和128个核大小为3的滤波器。在使用网格搜索和手动更改进行大量超参数调整后，可以找到过滤器的准确数量和大小。传递到conv1D第一层的输入是形状（70,1），使用相同的填充和步幅1。第一层的输出是标准化的，即使用批量标准化层，平均值为零，标准偏差为一。下一层是池大小为2的最大池1D层，通过在窗口大小2上取最大值来对输入进行下采样。填充和跨步设置为默认值，即分别为“有效”和“无”。
下一个卷积层与第一个卷积层相同，然后是批处理规范化和最大池化层。然后将形状展平，形成一个一维层，并将其馈送到一个由64个神经元和tanh（tanh）组成的全连接层，作为激活函数。密集层输出上的dropout用于减少网络的过度拟合，dropout参数为0.2。其次是1个密集层32个神经元，tanh激活和dropout层0.2，另一个密集层16个神经元，激活函数为ReLU，dropout参数为0.2。最后，使用由10个神经元组成的密集层（激活函数为SoftMax）给出网络的输出
调整超参数：
在确定网络参数时，进行了大量超参数调整。由于梯度消失和爆炸等问题，不选择循环神经网络（RNN）。然而，尝试了一层门控循环单元（GRU）代替双向LSTM作为第一层，但结果并不令人满意。在CNN架构中，使用Conv1D层是因为它最适合时间序列数据。Max pool和average pool都进行了尝试，但Max pool的结果与文献中的预期一致。其他参数，如epoch数、batch-size大小、优化器、损失函数、激活函数和学习率，都是通过网格搜索最终确定的。
CNN和LSTM体系结构的最终epoch-size大小为200，batch-size大小为256。模型在不同的训练测试分割（如80-20和75-25）上进行训练，10倍的K倍交叉验证也用于找到最合适的度量精度。在反向传播过程中，他们用于更新权重的损失函数是分类交叉熵，使用的优化器是Adam。最后一层的激活功能是SoftMax，用于这两个层。CNN模型的层数、隐藏单元数、过滤器大小、过滤器数量和池大小等参数，以及LSTM模型的隐藏神经元数量、退出率和层数分别最终确定，参数详见表。这是通过网格搜索和手动测试完成的。
实现平台：
用于计算CNN和LSTM分类器的环境是Google Collaboratory，这是一个托管的Jupyter笔记本服务，无需设置即可使用，同时提供对包括GPU在内的计算资源的免费访问。python版本是python（3.6.9）。TensorFlow版本是2.2.0。代码在虚拟机中执行。CoLab中可用的GPU通常包括Nvidia K80、T4s、P4s和P100。
实验结果：
结论：
在本研究论文中，CNN和LSTM模型在80-20和75-25次训练测试分割上进行了比较，成功地对用于情绪分析的EEG信号进行了分类。取得的最佳结果是使用一个双向层的LSTM模型。与之前的论文相比，由于Bi-LSTM能够保存从未来到过去以及从过去到未来的信息，因此它增强了该模型在该序列分类问题上的性能。与传统的特征提取技术相比，用于特征提取的FFT（傅里叶变换）也有助于提高精度。由于CNN能够从输入信号中提取空间特征，因此它的精确度也很高。
论文与源码见个人主页：（论文加源码）基于deap的脑电情绪识别分别使用cnn和lstm对比
https://download.csdn.net/download/qq_45874683/84995944
学习过程中例如脑电情绪识别：
