EEG-SEED数据集作者的---基线论文阅读和分析

下面所有博客是个人对EEG脑电的探索，项目代码是早期版本不完整，需要完整项目代码和资料请私聊。


数据集
1、脑电项目探索和实现(EEG) (上)：研究数据集选取和介绍SEED
相关论文阅读分析：
1、EEG-SEED数据集作者的—基线论文阅读和分析
2、图神经网络EEG论文阅读和分析：《EEG-Based Emotion Recognition Using Regularized Graph Neural Networks》
3、EEG-GNN论文阅读和分析：《EEG Emotion Recognition Using Dynamical Graph Convolutional Neural Networks》
4、论文阅读和分析:Masked Label Prediction: Unified Message Passing Model for Semi-Supervised Classification
5、论文阅读和分析：《DeepGCNs: Can GCNs Go as Deep as CNNs?》
6、论文阅读和分析： “How Attentive are Graph Attention Networks?”
7、论文阅读和分析：Simplifying Graph Convolutional Networks
8、论文阅读和分析：LightGCN: Simplifying and Powering Graph Convolution Network for Recommendation
9、图神经网络汇总和总结
相关实验和代码实现：
1、用于图神经网络的脑电数据处理实现_图神经网络 脑电
2、使用GCN训练和测试EEG的公开SEED数据集
3、使用GAT训练和测试EEG公开的SEED数据集
4、使用SGC训练和测试SEED数据集
5、使用Transformer训练和测试EEG的公开SEED数据集_eeg transformer
6、使用RGNN训练和测试EEG公开的SEED数据集
辅助学习资料：
1、官网三个简单Graph示例说明三种层次的应用_graph 简单示例
2、PPI数据集示例项目学习图神经网络
3、geometric库的数据处理详解
4、NetworkX的dicts of dicts以及解决Seven Bridges of Königsberg问题
5、geometric源码阅读和分析：MessagePassin类详解和使用
6、cora数据集示例项目学习图神经网络
7、Graph 聚合
8、QM9数据集示例项目学习图神经网络
9、处理图的开源库

《Investigating Critical Frequency Bands and Channels for EEG-based Emotion Recognition with Deep Neural Networks》

方法：

A.预处理根据被试的反应，只选择诱发目标情绪的实验片段进行进一步分析。

将原始脑电图数据降采样至200Hz采样率。目视检查脑电图信号，人工去除受肌电图和脑电图污染严重的记录。在实验中还记录了眼动图，并用于从记录的脑电图数据中识别闪烁伪影。为了滤除噪声和伪影，对EEG数据进行了0.3Hz至50Hz的带通滤波器处理。经过预处理后，我们提取了每部电影时长对应的脑电图片段。EEG数据的每个通道被划分为相同长度的1s周期，互不重叠。一个实验大约有3300个干净的片段。在脑电图数据的每个片段上进一步计算特征。所有信号处理均在Matlab软件中完成。

B.特征提取

一种称为微分熵(DE)[35]的高效特征，[36]扩展了香农熵的思想，用于度量连续随机变量[46]的复杂性。由于EEG数据的低频能量高于高频能量，因此DE具有区分EEG模式低频和高频能量的平衡能力，这是由Duan等人[36]首次引入到基于EEG的情绪识别中。原微分熵的计算公式定义为:

如果随机变量服从高斯分布$N(\mu ,\sigma 2)$，则微分熵可以简单地计算为:

已经证明，对于固定长度的脑电图片段，微分熵等价于某频段[35]的对数能谱。因此，微分熵可以在5个频段(delta: 1- 3Hz, theta: 4-7Hz, alpha: 8-13Hz, beta: 14-30Hz, gamma: 31- 50Hz)中计算，时间复杂度为$O(KNlog$