代码见个人主页：

​​​​​​基于机器学习的DEAP脑电情绪识别（包含离散小波变换信号处理代码），并实现了DWT算法等各种信号转换算法。

https://download.csdn.net/download/qq_45874683/73156726

使用 DEAP 数据集从脑电图信号进行情绪识别，准确率为 86.4%。应用了多种机器学习模型，并实现了DWT算法等各种信号转换算法。

数据简单介绍：

使用来自 DEAP 数据集的数据，这些数据已在 MATLAB 中进行了预处理。在这个数据集中，32名受试者观看了40个可以刺激各种情绪的视频片段。每个视频的长度为60s。每个受试者在价唤醒-支配-喜欢四个维度中提供了个人评分，范围从1到9，1是最小的，9是最大的。在预处理阶段，每个视频增加了3秒的准备时间，从而将每个视频的总时间更改为63秒。

数据预处理：

分析价态和唤醒维度中的情绪。如果一个人的分数大于4.5，则唤醒/效价水平被归类为高，而如果该人的分数小于4.5，则唤醒/效价水平被归类为低。

实验步骤：

1.归一化处理：

       使用平均参考（AMR）方法来预处理脑电图数据。然后，对个体差异和通道差异进行定义，我们使用最小-最大归一化方法将每个人每个通道的脑电信号归一化为[0，1]，从而降低了计算复杂性。

2.离散小波变换

       使用离散小波变换（DWT）来提取脑电图特征。利用小波函数拉伸和移动脑电信号，得到了一系列小波系数。

3.划分频段

        每个脑电图通道使用4秒的窗口，每个窗口与前一个窗口重叠2秒，总共29个窗口。然后，使用db4 DWT将每个窗口的数据分解4次，并将所有高频分量提取为4个频段，即γ，β，α和θ。

     Theta 4–8 4 D4

      Alpha 8–16 8 D3

      Beta 16–32 16 D2

      Gamma 32–64 32 D1

4. 提取频域特征

      计算各频带的熵和能量作为特征。因此，每个通道的每个频段都有 2 个特征。10 个通道中有 20 个 （2*10） 个特征，14 个、18 个和 32 个通道中的功能数量分别为 28、36 和 64 个。

代码见个人主页：

​​​​​​基于机器学习的DEAP脑电情绪识别（包含离散小波变换信号处理代码），并实现了DWT算法等各种信号转换算法。

https://download.csdn.net/download/qq_45874683/73156726