基于DEAP和MABHOB的二分类脑电情绪识别（深度神经网络和卷积神经网络）代码解析
论文解析见个人主页：
（论文加源码）基于DEAP和MABHOB数据集的二分类脑电情绪识别（pytorch深度神经网络（DNN）和卷积神经网络（CNN））
论文和源码见个人主页：
(相关资料图)
论文加源码）基于DEAP和MABHOB数据集的二分类脑电情绪识别（pytorch深度神经网络（DNN）和卷积神经网络（CNN）
整体结构：
1. dataset文件夹，数据集处理部分：执行论文讲述第3节中详细说明的所有预处理步骤的脚本
prepare_：准备deap数据集
prepare_：准备mahnob数据集
：对输入EEG数据进行降维的实用函数。用于prepare 和prepare
2. nn文件夹，数据集、模型、训练程序的脚本和配置
：读取数据集，PyTorch的类，用于读取DEAP和MAHNOB中的示例。
：构建模型，PyTorch的DNN和CNN架构模型，详见论文讲述第4节
：包含train程序的代码
：启动train程序
：函数调用，包含在其他脚本中使用的实用程序函数。
configs：修改参数，包含模型、超参数、训练程序的YAML配置文件
3. statistical analysis文件夹：进行模型测试和结果分析，执行论文中使用的统计测试的脚本
5x2cv ：执行5x2交叉验证配对t检验（见论文第节）。
confidence ：计算第5节结果的置信区间。
kfold cross ：执行kfold的交叉验证。用于进行5x2cv测试，但也可以单独使用 mcnemar测试.py：对预训练的DNN和CNN模型进行
mcnemar ：对预训练的DNN和CNN模型进行McNemars测试（见论文第节）
4. pretrained models文件夹，保存好的预训练模型：
包含4个预训练模型（DEAP上的DNN、DEAP上CNN、MAHNOB上DNN、MAHNOB上CNN），其结果在第5节的第一部分。
部分代码截图：
1. dataset文件夹，数据集处理部分：执行论文讲述第3节中详细说明的所有预处理步骤的脚本
prepare_：准备deap数据集
编辑
prepare_：准备mahnob数据集
编辑
：对输入EEG数据进行降维的实用函数。用于prepare 和prepare
编辑
2. nn文件夹，数据集、模型、训练程序的脚本和配置
：读取数据集，PyTorch的类，用于读取DEAP和MAHNOB中的示例。
编辑
：构建模型，PyTorch的DNN和CNN架构模型，详见论文讲述第4节
编辑
编辑
：包含train程序的代码
：启动train程序
：函数调用，包含在其他脚本中使用的实用程序函数。
configs：修改参数，包含模型、超参数、训练程序的YAML配置文件
3. statistical analysis文件夹：进行模型测试和结果分析，执行论文中使用的统计测试的脚本
5x2cv ：执行5x2交叉验证配对t检验（见论文第节）。
confidence ：计算第5节结果的置信区间。
kfold cross ：执行kfold的交叉验证。用于进行5x2cv测试，但也可以单独使用 mcnemar测试.py：对预训练的DNN和CNN模型进行
mcnemar ：对预训练的DNN和CNN模型进行McNemars测试（见论文第节）
4. pretrained models文件夹，保存好的预训练模型：
包含4个预训练模型（DEAP上的DNN、DEAP上CNN、MAHNOB上DNN、MAHNOB上CNN），其结果在第5节的第一部分。
X 关闭
精心推荐
Copyright © 2015-2022 起点安防网版权所有 备案号：皖ICP备2022009963号-12 联系邮箱： 39 60 29 14 2@qq.com