（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）