运行了几个机器学习模型，根据DEAP数据集对4种维度的情绪进行分类：唤醒、效价、喜欢/不喜欢和支配。使用了两种类型的特征提取工具：快速傅立叶变换（FFT）和连续小波变换（CWT），并比较了它们在情绪分类任务中的结果。 将FFT和CWT分别结合CNN，并进行对比，最终与普通的机器学习模型做对比， 本项目实现了： 1. 模拟和实验模型设置的细节，以及详细介绍了使用的超参数，并介绍了所有模型的细节。 2. 介绍并讨论从运行FFT和CWT特征提取算法的模型中获得的结果，以及与其他最先进（SOTA）模型的比较。 3. 总结报告，并讨论了未来在脑电信号处理领域中使用深度学习技术来缓解数据非平稳性的工作。还将讨论处理EEG信号的其他方法。

提出了一种基于时频域特征的情绪检测方法。使用Box-and-whisker plot（箱线图）选择最佳特征，然后将其输入SVM分类器，用于训练和测试DEAP数据集，其中考虑了32名不同性别和年龄组的参与者。实验结果表明，该方法对测试数据集的准确率为92.36%。此外，所提出的方法比最先进的方法表现出更高的准确性。 本文利用DEAP数据集预处理的脑电信号对两种维度进行四分类，即效价和觉醒。首先通过应用FFT将数据集中的样本从时域转移到频域，然后提取对情绪识别特别重要的α、β和θ频带。随后，根据每个情绪对应的象限对提取的频带进行平均，并使用平均频带值提取统计特征。然后，对提取的特征进行缩放，并将各种特征组合输入支持向量机分类器（SVM）进行情感识别。据观察，我们的方法使用偏度、峰度和波熵特征预测情绪，准确率为92.36%。与现有的DEAP数据集方法相比，我们提出的模型显示了更好的结果。

皇后 通过Python中的分布式进化算法（DEAP）库，使用遗传算法解决N皇后问题。

基于DEAP的四分类脑电情绪识别算法。 使用该模型从价-觉醒平面对四个情绪区域进行分类：高价-高觉醒（HVHA）、高价-低觉醒（HVLA）、低价-高觉醒（LVHA）和低价-低觉醒（LVLA）。 并提出了两种模型来解决这一问题：一维卷积神经网络（CNN-1D）结合LSTM，第二个模型为一维卷积神经网络（CNN-1D）结合GRU。 实验结果表明，该方法在1DCNN-GRU模型和1DCNN-LSTM模型中的训练准确率分别为96.3%和97.8%。因此，这两种模型对执行这种情绪分类任务都非常好。 这是专门为解决消失梯度问题而设计的，消失梯度问题通常成为时间序列数据集中的一个问题。

DEAP-Dataset-Analysis

DEAP数据集自动情感识别 该项目使用来自DEAP数据集的EEG信号，使用集成的一维CNN，LSTM和2D，3D CNN以及带有LSTM的级联CNN将情绪分为4类。

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

数据包络分析很好用的软件，但是好多功能没有，呵呵，分享下

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）。

这是一个关于DEAP的详细使用方法，是许多使用DEA方法研究问题非常普遍的软件。