(論文とソースコード) DEAP および MABHOB データセットに基づく 2 クラス EEG 感情認識 (pytorch ディープニューラルネットワーク (DNN) および畳み込みニューラルネットワーク (CNN)) のコード解析

論文の分析については個人のホームページを参照してください。

論文とソースコードについては、個人のホームページを参照してください。

フレーム全体:

1. データセットフォルダー、データセット処理部分: この文書のセクション 3 で詳述されているすべての前処理ステップのスクリプトを実行します。

1.1 prepare_deap.py: ディープデータセットを準備する

1.2 prepare_mahnob.py: mahnob データセットを準備します

1.3reduce-dim.py: 入力EEGデータの次元削減のための実用的な関数。deap.pyの準備とmahnob.pyの準備の場合

2. nn フォルダー、データセット、モデル、トレーニングプログラムのスクリプトと構成

datasets.py: データセットを読み取ります。DEAP および MAHNOB でサンプルを読み取るための PyTorch のクラスです。

models.py: モデル、PyTorch の DNN および CNN アーキテクチャモデルを構築します。詳細については、この論文のセクション 4 を参照してください。

train-utils.py: train プログラムのコードが含まれています

train.py: 電車プログラムを開始します。

utils.py: 関数呼び出し。他のスクリプトで使用されるユーティリティ関数が含まれます。

configs: モデルの YAML 設定ファイル、ハイパーパラメータ、トレーニングプログラムなどのパラメータを変更します。

3. 統計分析フォルダー: モデルのテストと結果分析を実行し、論文で使用される統計テストのスクリプトを実行します。

5x2cv test.py: 5x2 相互検証の対応のある t 検定を実行します (この論文のセクション 5.2.2 を参照)。

信頼区間.py: セクション 5 の結果の信頼区間を計算します。

kfold 相互検証.py: kfold 相互検証を実行します。5x2cv テストの実行に使用されますが、単独で使用することもできます。 mcnemartest.py: 事前トレーニングされた DNN および CNN モデルで実行されます。

mcnemar test.py: 事前トレーニングされた DNN および CNN モデルに対してマクネマーステストを実行します (この論文のセクション 5.2.1 を参照)

4. 事前トレーニングモデルフォルダー、保存された事前トレーニングモデル:

4 つの事前トレーニング済みモデル (DEAP 上の DNN、DEAP 上の CNN、MAHNOB 上の DNN、MAHNOB 上の CNN) が含まれており、結果はセクション 5 の最初の部分にあります。

いくつかのコードのスクリーンショット: