对应于DEAP数据集，提取其微分熵特征，计算其微分熵特征。

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。

近年来，由于情感识别已成为情感计算的标志之一，因此人们越来越重视生理信号来进行情感识别。本文提出了一种利用来自多个对象的心电图（ECG）信号进行情感识别的方法。数据，我们采用电影剪辑的唤醒方法，使被摄对象体验到特定的情感而不受外界干扰。通过连续小波变换对P-QRS-T波进行精确定位，充分提取了许多ECG特征。由于特征选择是一种组合在最优化问题上，采用基于邻域搜索的改进二元粒子群算法（IBPSO），通过fisher或K最近邻（K-Nearest Neighbor，KNN）分类器，寻找有效的特征来改进情绪状态的分类结果。表明该方法是成功的，并且从心电信号获得的有效特征可以表达情绪稳定非常好。

情绪类型包括以下几个部分：angry、fear、happy、neutral、sad、surprise。总共有4个人，包括男女

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。

python深度学习技术应用于情绪识别和性别识别，参考链接：https://blog.csdn.net/babyai996/article/details/116207470

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。

情绪识别 涉及使用脑电图（EEG）信号进行情感识别的项目。 EEG .mat文件来自其DEAP数据集，由伦敦玛丽皇后大学提供。 目的是确定脑电信号的生存力，以此作为识别“情感计算”思想的动机，从而识别不同的情绪状态。 数据集 数据集包含来自32位参与者的生理数据。 每个参与者观看了40个一分钟长的音乐视频摘录，并且在每次观看过程中都记录了生理信号。 然后，参与者根据效价，唤醒，喜好和支配性对每次观看视频的体验进行评分。 生理数据由40个特征组成-32个EEG读数通道； 另外还包括8个外围读数，例如皮肤温度，呼吸幅度，眼电图（EOG），心电图（ECG），皮肤电React（GSR），体积描记仪的血容量以及Z肌和斜方肌的肌电图（EMG），但所有这些都是多余的。 根据10-20系统进行EEG记录，并按照标准记录了32个EEG通道。 数据预处理 脑电记录 从数据集中获得的EEG数据已在源中进行

基于脑电的情绪识别研究与软件系统开发.docx

运行环境： 1.python 3.7.4 2.pytorch 1.4.0 3.python-opencv 说明 预训练的权重文件[vgg_16] 具体的配置文件请看Config.py文件 训练运行python Train.py 单张测试 python Test.py ##目前进度： 1、PERCLOS计算 DONE 2、眨眼频率计算 DONE 3、打哈欠检测及计算 DONE 4、疲劳检测 DONE 5、人脸情绪检测 DONE 6、口罩检测Done 网络检测性能：准确率82.18% 主要文件说明： ssd_net_vgg.py 定义class SSD的文件 Train.py 训练代码 voc0712.py 数据集处理代码（没有改文件名，改的话还要改其他代码） loss_function.py 损失函数 detection.py 检测结果的处理代码，将SSD返回结果处理为opencv可以处理的