aizmeng/cognitive

EEG情感识别

目录

[toc]

进度条

• baseline:white_check_mark:
• EGGNet:white_check_mark:
• TSception:white_check_mark:
• visdom可视化:white_check_mark:

使用说明

• models : 存放写好了的网络模型或者其他模型
• utils:工具和配置
  • options:全局配置
  • utils:工具， 包括:加载数据，训练，保存和加载权重，etc
• methods:方法， baseline, etc
• datasets:
  • data:存放数据
  • *.py:处理数据

数据

数据概览

DEAP

被试：32名（16名男性和16名女性）；

EEG电极：10-20国际标准的32导联电极帽；

采样率：512Hz;

在观看完1分钟的刺激视频后，被试按照从1～9的大小，标记所看视频的效价(Valence)、唤醒度(Arousal)、优势度(Dominance)和喜爱度(Liking)的大小。

常利用预处理(降采样128Hz，4-45Hz带通滤波，去除眼电)后的脑电数据。

特征处理

将每个通道的8064个数据划分为10段，计算每段的平均值、中值、最大值、最小值、标准差、方差、范围、偏度和峰度值这9个统计特征，然后加上整体8064个数据的9个统计特征，实验编号和参与者编号。 8064 -> 9*10+11=101 （40，40， 8064）-> （40，40，101）

网络结构

EEGNet

from the paper: EEGNet: A Compact Convolutional Neural Network for EEG-based Brain-Computer Interfaces

TSception

from the paper: TSception:A Deep Learning Framework for Emotion Detection Using EEG

例子

数据处理

# for small data (32, 40, 40, 101)
python split.py --data_path ./data/small_data.npy

# for big data (32, 40, 40, 7680)
python split.py --data_path ./data/data.npy

得到数据保存在./data/下

train_data.npy
train_label.npy
test_data.npy
test_label.npy

训练

1. 打开 visdom

python -m visdom.server  port 8888

打开端口 8888

2. 运行

# see the utils/options,py for more parameters 
python main.py --model basemodel --num_epochs 400

3. 打开浏览器 localhost:8888， 查看训练过程

结果

Small data

特征处理

将每个通道的8064个数据划分为10段，计算每段的平均值、中值、最大值、最小值、标准差、方差、范围、偏度和峰度值这9个统计特征，然后加上整体8064个数据的9个统计特征，实验编号和参与者编号。 8064 -> 9*10+11=101 （40，40， 8064）-> （40，40，101）

Model	Epochs	Learning rate	Accuracy
basemodel	40	1e-4	0.62
EEGNet	120	1e-4	0.7417
TSception	100	1e-4	0.78

Result

Data

无特征处理 training ...

联系我

❤️❤️❤️😉

• [email protected]
• [email protected]