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

脑电情绪识别二分类算法，采用模型决策树、SVM、KNN三个模型 （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）。

根据PSD（功率谱密度）和DWT（离散小波变换）两种特征，根据唤醒和效价（高/低）对脑电评分进行情绪识别分类。 运行process.m文件可以获取功率谱密度文本文件。 生成的每个测试文件都包含α、β、δ和θ波功率谱密度比（通过总psd标准化），分别为效价、唤醒和组合输出。运行dwt_feature_extraction.m生成DWT分析波的测试文件。它由3个特征组成：小波能量、小波熵和标准差，以及arousla和valce的评级。文件夹“psd analysis knn and svm”和“dwt analysis”已经包含处理过的文本文件和python代码，用于从这些测试文件中获取训练数据并进行分类。使用KNN和SVM运行ipynb文件进行分类。

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

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

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

基于deap数据集的脑电情绪识别，本文采用多种模型，包括gnn模型，并对脑电特征进行特征提取，构建了对应的边特征点特征

南洋理工大学，使用CNN对DEAP数据集进行训练，论文加代码

早期分类 使用DEAP数据集的基于EEG的情绪分类