(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))代码解析
论文解析见个人主页:
https://blog.csdn.net/qq_45874683/article/details/130000469?csdn_share_tail=%7B%22type%22%3A%22blog%22%2C%22rType%22%3A%22article%22%2C%22rId%22%3A%22130000469%22%2C%22source%22%3A%22qq_45874683%22%7D
(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:
https://download.csdn.net/download/qq_45874683/87667147
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
1.1 prepare_deap.py:准备deap数据集
1.2 prepare_mahnob.py:准备mahnob数据集
1.3 reduce-dim.py:对输入EEG数据进行降维的实用函数。用于prepare deap.py和prepare mahnob.py
2. nn文件夹,数据集、模型、训练程序的脚本和配置
datasets.py:读取数据集,PyTorch的类,用于读取DEAP和MAHNOB中的示例。
models.py:构建模型,PyTorch的DNN和CNN架构模型,详见论文讲述第4节
train-utils.py:包含train程序的代码
train.py:启动train程序
utils.py: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 test.py:执行5x2交叉验证配对t检验(见论文第5.2.2节)。
confidence intervals.py:计算第5节结果的置信区间。
kfold cross validation.py: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 test.py:对预训练的DNN和CNN模型进行McNemars测试(见论文第5.2.1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
1.1 prepare_deap.py:准备deap数据集
1.2 prepare_mahnob.py:准备mahnob数据集
1.3 reduce-dim.py:对输入EEG数据进行降维的实用函数。用于prepare deap.py和prepare mahnob.py
2. nn文件夹,数据集、模型、训练程序的脚本和配置
datasets.py:读取数据集,PyTorch的类,用于读取DEAP和MAHNOB中的示例。
models.py:构建模型,PyTorch的DNN和CNN架构模型,详见论文讲述第4节
train-utils.py:包含train程序的代码
train.py:启动train程序
utils.py: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 test.py:执行5x2交叉验证配对t检验(见论文第5.2.2节)。
confidence intervals.py:计算第5节结果的置信区间。
kfold cross validation.py: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 test.py:对预训练的DNN和CNN模型进行McNemars测试(见论文第5.2.1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。
论文解析见个人主页:
https://blog.csdn.net/qq_45874683/article/details/130000469?csdn_share_tail=%7B%22type%22%3A%22blog%22%2C%22rType%22%3A%22article%22%2C%22rId%22%3A%22130000469%22%2C%22source%22%3A%22qq_45874683%22%7D
(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:
https://download.csdn.net/download/qq_45874683/87667147
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)