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

该论文运用的卷积神经网络（CNN）和LSTM，其中CNN处理频率和空间信息，LSTM处理从CNN输出中提取时间相关性，并将两种模型进行融合。数据集采用的是脑电研究中最常用的DEAP和SEED数据集并且在两个数据集中都取得了很高的准确率。都达到了92%左右的准确率。 论文设计了一种新模型，称为四维卷积递归神经网络。该模型将多通道脑电信号的频域特征、时域特征和空间特征（频率、空间和时间信息）集成在一起，用来提高脑电情绪识别的准确率。首先，提取脑电的这三种特征，我们将不同通道的差分熵特征转换为4维结构来训练深层模型。然后，介绍了卷积神经网络（CNN）和长短时记忆（LSTM）单元的递归神经网络相结合的CRNN模型。CNN用于从4D输入的每个时间片中学习频率和空间信息，LSTM用于从CNN输出中提取时间相关性。LSTM最后一个节点的输出执行分类。该模型在受试者内部划分的SEED和DEAP数据集上都达到了最先进的性能。实验结果表明，结合脑电频域特征、时域特征和空间域特征（频率、空间和时间信息）进行脑电情感识别是有效的。

DEEPS_分类 分类脑电信号 创建数据目录（DEAP_s拥有所有数据集） mkdir DEAP_s, CONV, MHCTW, CTW 训练CWT分类 python cwt_classifier.py 训练卷积神经网络分类 python train_conv_classifier.py

DEA软件-deap资料库及其软件。适用于数据包络的初学者和使用者

包含了所有脑电领域可能用到的深度学习模型包含BIGRU，,lstm,cnn,gcn,dnn,rnn等等23个深度学习模型。 同时包含了相应模型所需要的数据处理过程所用代码。 当然也包含了最基本的读取edf文件，得到脑电信号。

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。

情感计算是快速发展的领域之一，它激发了情感检测领域的许多应用研究。 本文简要介绍了使用公开数据进行基于 EEG 的情绪检测的相关工作以及一种检测内部情绪状态的方法。 开发了一种有监督的机器学习算法来识别二维模型中的人类内心情绪状态。 来自 DEAP 和 SEED-IV 数据库的脑电图信号被考虑用于情绪检测。 离散小波变换应用于预处理信号以提取所需的 5 个频段。 提取了功率、能量、微分熵和时域等特征。 开发通道智能 SVM 分类器并完成通道组合器以检测适当的情绪状态。 DEAP数据库的四类分类率为74%、86%、72%和84%，SEED-IV数据库的分类率为79%、76%、77%和74%。

dea数据包络分析工具，比较各决策单元效率值

文章 Tensorflow：EEG上CNN的一次实验 中所用的EEG脑电图数据，包含DEAP和MAHNOB-HCI两个库

vs2010以上版本编译。版本为1.0-beta19