用于提取脑电信号的DE（差分熵特征/微分熵特征）和PSD（功率谱密度特征）特征的matlab和python代码。

本文提出了一种新的情绪识别模型，该模型以脑图为输入，以唤醒和效价为输出提供情绪状态。脑图是从脑电信号中提取的特征的空间表示。该模型被称为多任务卷积神经网络（MT-CNN），使用微分熵（DE）和功率谱密度（PSD），并考虑0.5s的观察窗口，由四种不同频段的不同波（α、β、γ和θ）的叠加脑图构成。该模型在DEAP数据集上进行训练和测试，DEAP数据集是一个用于比较的著名数据集。该模型的准确度在价态维度上为96.28%，在唤醒维度方面，获得了96.62%的准确率，这项工作表明，MT-CNN的性能优于其他方法。 模型为二维卷积神经网络。该模型的输入是一个脑图，它是EEG信号的空间谱表示。该模型由四个二维卷积层、一个完全连接层以及上述每个层之后的dropout和批量归一化层组成。最后，输出到两个流：前者用于分类受试者的配价水平，后者用于唤醒水平。ReLU用作激活功能。分类层使用一个sigmoidal函数来获得类似概率的输出。对模型进行了收敛性训练。

用于提取脑电信号的DE（差分熵特征/微分熵特征）和PSD（功率谱密度特征）特征的matlab和python代码。

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

对应于DEAP数据集，提取其微分熵特征，计算其微分熵特征。

连续信源的微分熵 把连续信源概率密度的取值区间[a,b]分割成n个小区间，各小区间设有等宽 ，那么，X处于第 区间的概率 是： 其中， 是 到 之间的某一值。当 是x的连续函数时，由积分中值定理可知，必存在一个 值使上式成立。

功率谱密度代码matlab 信号特征提取（DE 和 PSD） 用于提取信号的 DE（差分熵）和 PSD（功率谱密度）特征的代码。 提供了 Matlab 和 python 版本。 input: data [n*m] n electrodes, m time points stft_para.stftn frequency domain sampling rate stft_para.fStart start frequency of each frequency band stft_para.fEnd end frequency of each frequency band stft_para.window window length of each sample point(seconds) stft_para.fs original frequency output: psd,DE [n*l*k] n electrodes, l windows, k frequency bands

根据脑电数据进行情绪分类，在情绪分类中微分熵有着较好的效果。脑电特征提取，提取脑电特征中的微分熵，微分熵的简化运算以及其相关依据。