使用DEAP数据集中记录的EEG信号对情绪进行分类，以使用机器学习算法（如支持向量机和K - 最近邻）实现高精度得分。 1）将数据集存储在文件夹中 - > data/ 2）运行 runFile.py 文件

使用 DEAP 数据集从脑电图信号进行情绪识别，准确率为 86.4%。应用了多种机器学习模型，并实现了DWT算法等各种信号转换算法。 并对数据进行了归一化、离散小波变换、划分频段、提取频域特征等等处理。

主要是想对DEAP脑电数据集进行单纯的频域特征分析，详情见个人主页的介绍

脑电情绪识别的二分类算法，数据用的deap数据集。 代码主要分为三部分：快速傅里叶变换处理（fft）、数据预处理、以及各个模型处理。 采用的模型包括：决策树、SVM、KNN三个模型（模型采用的比较简单，可以直接调用库，很适合我这种新手，看起来也方便）。

基于deap数据集，采用了卷积神经网络（CNN）和长短期记忆神经网络等四种模型进行对比，并结合pyeeg进行特征提取，最终准确率达到了90

基于DEAP数据集的特征提取———近似熵、排列熵、样本熵， 包含上述三个方法的python代码实现，全部在Jupyter Notebook上实现的

主要内容是采用DEAP数据集将脑电信号进行频域分段并提取其微分熵特征，为了充分利用空间特征，结合微分熵特征将其构建为一个三维脑电特征，输入到连续卷积神经网络，并最终取得了90.24%的准确率。 提出了一种脑电特征的三维输入形式，并将其输入到连续卷积神经网络中进行情感识别。三维输入的优点是在集成多个频带的微分熵特征的同时保留电极之间的空间特征。 ———————————————— 版权声明：本文为CSDN博主「qq_3196288251」的原创文章，遵循CC 4.0 BY-SA版权协议，转载请附上原文出处链接及本声明。 原文链接：https://blog.csdn.net/qq_45874683/article/details/121356408

这是一个Python模块，具有许多用于时间序列分析的函数，主要用于对脑电信号的分析。 例如具有傅里叶变换，带通滤波，小波变换等函数。 同时具有脑电特征提取中最常用的将脑电信号按不同的频率分解为多个频段信号的函数。进行频域特征的分析，提取微分熵频域特征等。

包含百度云链接，包含完整的DEAP脑电数据集，可用于脑电情绪识别等等

脑电电极通道的分布信息，包括10-20和10-10的所有信息，例如坐标，相对位置等等