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

基于CSP的多类运动想象脑电特征自动选择算法

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）。

基于CNN和LSTM的脑电情绪识别_运用卷积神经网络_4D-CRNN,数据集为DEAP和seed。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

脑机接口 SSVEP脑电模式识别 eCCA

EGG 大脑电波形状数据 EEG brain wave for confusion_For variable selection and causal inference

使用相位锁值（Phase locking value , PLV）来量化任意两个电极通道之间的相位同步性，构建.相应的脑功能网络的关联矩阵，提取网络不同稀疏度下的度、中间中心度两个局部属性的曲线下面积作为.特征，对不同类型情感的网络特征进行非参数检验，找出显著性的节点。同时采用得到的特征值作为分类.依据，训练SVM 分类器。实验表明，利用PLV 相位同步方法得到功能网络的局部属性，可以有效地区分不.同类型的情感脑电数据，为基于脑电数据的情感识别提供了一种有效的方法。

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。

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