利用Dlib的人脸检测模型提取处68个特征点，使用opencv自带的svm模块对采集的样本数据进行训练，得到情绪识别模型，最后通过摄像头采集图像，利用训练的模型实时进行情绪识别。

情绪识别数据集汇总，里面是本人亲自汇总的情绪识别的训练数据集，其中第一个是label标签，表示的是情绪，第二个是数据，是句子。

情绪识别

本文提出了一种新的四维卷积递归神经网络方法，将多通道脑电信号的频率、空间和时间信息显式地整合在一起，提高基于脑电的情绪识别精度。 首先，为了保持脑电的这三种信息，我们将不同通道的差分熵特征转化为4D结构来训练深度模型。 然后，我们引入了由卷积神经网络(CNN)和带有长短时记忆(LSTM)细胞的递归神经网络(recurrent neural network)组合而成的CRNN模型。 使用CNN从每个4D输入的时间切片中学习频率和空间信息，使用LSTM从CNN输出中提取时间依赖性。 LSTM的最后一个节点的输出执行分类。 我们的模型在主题内分裂的SEED和DEAP数据集上都达到了最先进的性能。 实验结果表明，结合脑电的频率、空间和时间信息进行情感识别是有效的。

SEED数据集情绪识别，包含seed数据集所有

rgnn_seed数据集情绪识别代码，包含完整seed数据集

seed数据集EEG情绪识别，包含完整seed数据集

deap数据集情绪识别深度学习代码，这个项目中实现了一个单层和一个双层隐藏层，而且包含完整数据集。

['angry', 'disgust', 'fear','happy', 'sad', 'surprise', 'neutral']七类表情数据集

基于SVM的机器学习脑电信号EEG情绪识别代码和数据