EEG论文阅读和分析：《Differential entropy feature for EEG-based emotion classification》

原创 已于 2023-01-10 08:03:54 修改 · 1.4k 阅读 · 11 ·
CC 4.0 BY-SA版权
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
文章标签：

#论文阅读 #KNN #EEG

于 2023-01-10 08:03:21 首次发布
论文探讨了使用差分熵(DE)作为EEG特征进行情感分类的效果，对比了DE、SE、DASM和RASM等特征。研究发现DE在alpha、beta和gamma频段的区分性较强。通过线性动态系统(LDS)平滑和降维方法如PCA和MRMR提高了分类性能。实验表明，DE特征优于其他特征，且LDS平滑和MRMR降维能提升准确性。分类器组合与SVM在跨个体预测时表现出优势。

论文阅读《Differential entropy feature for EEG-based emotion classification》

论文的核心是提出差分熵作为特征，并且对差分差分熵和比例差分熵等特征进行对比研究。

算法流程步骤：

采样过程：

在这里插入图片描述

A.预处理

根据受试者的压力反应，仅使用诱发目标情绪时收集的数据。为加快计算速度，EEG数据以200Hz的采样频率进行下采样，人工去除伪影。

B.特征的计算

本研究采用频域特征及其组合。采用无重叠Hanning窗口为1s的512点短时傅里叶变换计算频域特征。比较了ES、DE、DASM和RASM四种特征

1、SE

SE是5个频段的平均能量 (delta: 1-3Hz, theta: 4-7Hz, alpha: 8-13Hz, beta: 14-30Hz, gamma: 31-50Hz).

2、DE

在这里插入图片描述

3、DASM和RASM

<
最低0.47元/天 解锁文章
差分熵与Kullback–Leibler散度
白马负金羁
08-05 4641
信息论的香农熵是对离散型随机变量而言的。现在我们要把这一概念推广到连续型随机变量的情况，此时便会得到一个非常重要的概念——差分熵。无论是香农熵还是差分熵，都可以采用Kullback–Leibler divergence来（非对称地）度量两个概率分布P和Q的差别。Kullback–Leibler divergence又称相对熵（Relative entropy）
图神经网络EEG论文阅读和分析：《EEG-Based Emotion Recognition Using Regularized Graph Neural Networks》
KPer_Yang的博客
01-10 5421
图神经网络EEG论文阅读和分析：《EEG-Based Emotion Recognition Using Regularized Graph Neural Networks》
论文研究-基于稀疏表示的脑电(EEG）情感分类.pdf
07-22
计算机对人类情绪与情感的识别研究已经成为了脑机接口领域的研究热点。通过分析人类在生活中的各种情感状态，提取脑电信号的特征并对情感状态进行识别、分类是情感智能化领域的重要方向。针对基于音乐视频诱导的情感数据集DEAP进行了研究，提取脑电信号的频域特征后，提出了采用加速近邻梯度（APG）算法和正交匹配（OMP）算法求解稀疏编码的稀疏表示分类模型进行情感分类，并与支持向量机（SVM）算法进行效果比较。实验结果表明，APG算法通过l1范数正则近似求解以其快速的收敛速度在情感数据集上有着较好的分类表现，而OMP算法与SVM算法的分类效果相差无几，实现了情感脑电信号的分类。
EEG-SEED数据集作者的---基线论文阅读和分析
KPer_Yang的博客
01-08 2708
Investigating Critical Frequency Bands and Channels for EEG-based Emotion Recognition with Deep Neural Networks
论文笔记---EEG-Based Emotion Classification Using Deep Belief Networks
Cratial
04-16 5823
论文链接：https://ieeexplore.ieee.org/stamp/stamp.jsp?tp=&amp;arnumber=6890166Abstract：In recent years, there are many great successes in using deep architectures for unsupervised feature learning from dat...
论文解读 EEGformer: A transformer–based brain activity classification method using EEG signal 视觉重构领域
qq_50848391的博客
10-10 3339
其实这篇论文中提出的EEG模型（以后读的论文提出的方法）也不一定会在自己的研究方向中会有很好的结果，但是我觉得更重要的理解去其他思考的方式，也许对自己以后做实验的思路或者灵感来源是挺重要的，当然也可以把这个论文中提出的方法当作是自己的技术储备（这么说不知道合不合适 有种拿来主义的感觉 但是我觉得作为论文的发表者不就是希望自己的成果被更多人使用和认可吗 所以应该问题不大）。这样的转换使得模型关注的焦点从文本中的上下文关系，转移到了EEG数据中不同通道之间的关系，即本文所强调的EEG信号的空间性特征。
Bi-Branch Vision Transformer Network for EEG Emotion Recognition论文翻译
sxn0121的博客
06-20 1037
ABSTRACT Electroencephalogram (EEG) signals have emerged as an important tool for emotion research due to their objective reflection of real emotional states. Deep learning-based EEG emotion classification algorithms have made encouraging progress, but exi
脑电项目探索和实现(EEG) (上)：研究数据集选取和介绍SEED
KPer_Yang的博客
01-07 6689
SEED脑电数据-情绪识别
【脑电分析系列】第22篇：EEG情绪识别与脑机接口（BCI）应用案例：机器学习与深度学习的实战
最新发布
qq_32516809的博客
09-20 1603
摘要：本文聚焦脑电分析（EEG）的两个前沿应用领域：情绪识别和脑机接口（BCI）。内容涵盖BCI三大范式（P300、SSVEP、运动想象）的原理与最新进展，详细分析EEG情绪识别面临的噪声处理、个体差异等核心挑战，并提供一个完整的系统构建流程：从数据采集预处理（使用MNE库）、特征提取（PSD/差分熵）到模型训练（随机森林/CNN-LSTM混合模型）。文章结合Python代码示例（scikit-learn/PyTorch），展示如何实现EEG信号分类，并探讨2025年Transformer、预训练模型等最新
基于EEG的通过通道注意力和自注意力的情绪识别
m0_48640283的博客
01-31 2071
在我们的框架中，S = {S1, S2,., Sn} 表示预处理后的 EEG 样本，Si = [s1, s2,., sm] (i = 1, 2,..., m) 是第 i 个 EEG 样本，其中 sj (j = 1, 2,..., m) 表示 EEG 样本 Si 的第 j 个通道，m 是每个样本的通道总数。因此，C = {C1, C2,., Cn} 表示提取的通道注意特征，第 i 个提取的特征 Ci = [c1, c2,..., cm] 可以通过 Si = [s1, s2, 的每个通道之间的通道乘法获得。
论文阅读感想——《EEG 脑功能网络构建方法及应用研究》
Lustrewilkin的博客
11-13 866
论文阅读 时间：2020.11.12 题目：《EEG 脑功能网络构建方法及应用研究》
差分熵计算
08-06
能直接运行的C++代码，求图像的差分熵，非常有用
【论文翻译】EEG癫痫检测：概念、技术、挑战和未来趋势
weixin_44602176的博客
03-11 1606
论文翻译
eeg matlab,EEG信号MATLAB分析平台设计毕业论文.doc
weixin_33561009的博客
03-17 437
EEG信号MATLAB分析平台设计 ——信号分析部分摘要随着科技的发展，人类研究的领域也在不断扩大并不断加深，人脑，是一个迄今为止都很令人捉摸不透的东西，它是怎么工作的？是如何产生感觉的？又是如何支配人类各种情绪的？产生这些情绪有没有什么相似之处？这一个又一个的疑问，不断驱使着人类对人脑进行更深入的研究。自1924年首次发现了人脑的电活动，人类便开始踏上了对脑电的探索征程。他将这种电活动命名为脑电...
利用Spiking神经网络进行基于脑电图的情绪分类
脑机交流者的博客
04-15 3460
EEG-Based Emotion Classification Using Spiking Neural Networks摘要实验方法实验数据集：使用SNN进行分类结论思考 摘要 提出了一种利用spiking神经网络(SNNs)和脑电图(EEG)处理技术识别情绪状态的新方法。采用离散小波变换(DWT)、方差变换(variance)和快速傅里叶变换(FFT)三种算法提取脑电图信号，再由SNN进行情...
论文总结——从脑电图(EEG)中提取稳定的模式进行识别
Zzz5270的博客
09-15 6077
本篇文章主要是在阅读了论文之后，自己做一个总结。 《Identifyecognition from EEGing Stable Patterns over Time for Emotion Recognition from EEG》 《从脑电图(EEG)中提取稳定的模式进行识别》 Abstract 采用机器学习的方法，研究了情绪识别过程中脑电图随时间变化的稳定模式。主要研究情绪识别中脑电图稳定...
精读论文4——《Deep learning for electroencephalogram (EEG) classification tasks: a review》
m0_62353117的博客
03-10 4892
这篇文章是一篇关于用于EEG分类的深度学习方法的综述：发表在Journal of Neural Engineering Which EEG classification tasks have been explored with deep learning? 共有六种分类的任务：运动想象任务（Motor imagery tasks）、脑力工作任务（Mental workload tasks）、癫痫检测任务（Seizure detection tasks）、睡眠阶段评分任务（Sleep stage sc.
基于熵的特征提取
dong_lxkm的博客
09-02 7624
基于熵的特征提取 一、引言 最近一直在研究自然语言处理、文本分析相关的问题，看了不少论文，数据分析是一个非常有意思的东西，故准备写一些博文来分享近来的一点心得。 先来看一个有意思的例子，假设拥有很多用户手机装有哪些APP的数据，随便列举几个淘宝、美团、美柚、网...
【文献阅读】基于脑网络的EEG情绪分类研究
weixin_72754237的博客
08-06 1622
在这篇文献中，作者利用脑电信号来构建脑网络并得到脑网络的拓扑结构，从而分析不同节点间的连接及关系，通过节点间的连接差异性作为判断情绪差异性的依据。最后，结合深度学习网络算法作为一种提高脑电信号识别准确率的方法。本文将探索如何通过刺激材料诱发采集的脑电信号以及根据信号构造的脑网络应用到情绪识别上，并结合深度学习神经网络模型对情绪分类进行研究。充分利用深度学习算法强大的特征提取能力和处理时序信号的能力，结合隐含在EEG信号中的时序信息，构建合理的深度学习神经网络，完成基于脑网络的EEG信号的情感识别任务。
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

KPer_Yang

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值