（论文加源码）基于DEAP的脑电情绪识别（CNN,RNN和两种不同的注意力机制）六种模型做对比，包含DE特征。

cnn rnn 人工智能深度学习

这篇论文的思路特别好：我们提出了一种用于脑电情感识别的端到端深度学习方法。该神经网络综合考虑了脑电信号的空间信息、时间信息和注意力信息。将CNN,RNN和通道注意力机制（channel-wise attention）和扩展自我注意力机制（self-attention mechanisms）混合起来，同时通过通过注意力机制计算出各个通道权重，筛选出更有价值的通道。同时采用DE作为频域特征，结合时域特征和空间特征三大特征相融合考虑。模型方面：CNN+RNN（CNN-RNN）、通道性注意机制+CNN+RNN（A-CNN-RNN）和CNN+RNN+扩展自我注意机制（CNN-RNN-A）、连续卷积神经网络（Conti-CNN）、图卷积神经网络（GCNN）和卷积复发注意力模型（CRAM）。介绍了六种深度学习方法和两种传统方法进行比较，六大模型相互对比，在DEAP数据库的效价和觉醒分类任务中，平均情绪识别准确率分别为92.74%和93.14%！希望大家能好好理解阅读。我们将通道性注意整合到CNN中，CNN可以提取空间注意特征，通道性注意可以提取通道间的注意信息。

文件下载

资源详情

[{"title":"（ 175 个子文件 20.97MB ）（论文加源码）基于DEAP的脑电情绪识别（CNN,RNN和两种不同的注意力机制）六种模型做对比，包含DE特征。","children":[{"title":"preprocessing.py 3.77KB ","children":null,"spread":false},{"title":"utils.py 5.41KB ","children":null,"spread":false},{"title":"utils.cpython-37.pyc 2.82KB ","children":null,"spread":false},{"title":"preprocessing.cpython-37.pyc 2.64KB ","children":null,"spread":false},{"title":"DEAP - 2020 - attention - ER- tao2020.pdf 1.54MB ","children":null,"spread":false},{"title":"......","children":null,"spread":false},{"title":"文件过多，未全部展示","children":null,"spread":false}],"spread":true}]

评论信息

其他资源

免责申明

【只为小站】的资源来自网友分享，仅供学习研究，请务必在下载后24小时内给予删除，不得用于其他任何用途，否则后果自负。基于互联网的特殊性，【只为小站】无法对用户传输的作品、信息、内容的权属或合法性、合规性、真实性、科学性、完整权、有效性等进行实质审查；无论【只为小站】经营者是否已进行审查，用户均应自行承担因其传输的作品、信息、内容而可能或已经产生的侵权或权属纠纷等法律责任。
本站所有资源不代表本站的观点或立场，基于网友分享，根据中国法律《信息网络传播权保护条例》第二十二条之规定，若资源存在侵权或相关问题请联系本站客服人员，zhiweidada#qq.com，请把#换成@，本站将给予最大的支持与配合，做到及时反馈和处理。关于更多版权及免责申明参见版权及免责申明

（论文加源码）基于DEAP的脑电情绪识别（CNN,RNN和两种不同的注意力机制）六种模型做对比，包含DE特征。

文件下载

资源详情

评论信息

其他资源

免责申明

个人信息

相关资源标签

热门下载

最新下载