DEAP数据集下的情绪识别分类

最新推荐文章于 2025-06-24 10:23:00 发布

原创最新推荐文章于 2025-06-24 10:23:00 发布 · 265 阅读

6 ·

CC 4.0 BY-SA版权

文章标签：

#分类 #数据挖掘 #人工智能

针对DEAP数据集的情绪识别分类任务，以下是完整的解决方案步骤：

1. 数据预处理

加载数据：使用scipy.io加载.mat文件，提取EEG信号（32通道）和标签（效价、唤醒度）。
数据分段：将每个试次的EEG信号分割为4秒的窗口（无重叠或50%重叠），每个窗口对应一个样本。
标签处理：根据中位数将效价和唤醒度分为高/低两类，生成二分类标签。

2. 特征提取

对每个窗口的每个EEG通道提取以下特征：

频域特征：使用Welch方法计算5个频段（delta、theta、alpha、beta、gamma）的功率谱密度。
时域特征：均值、方差、Hjorth参数（活动性、移动性、复杂性）。
非线性特征：样本熵（复杂度衡量）。

3. 特征处理

标准化：使用Z-score标准化所有特征。
降维：应用PCA保留95%的方差，减少特征维度。

4. 分类模型

模型选择：使用支持向量机（SVM）和随机森林进行对比，采用网格搜索优化超参数。
数据划分：按试次划分训练集和测试集，避免同一试次的数据泄漏。
交叉验证：分层K折交叉验证（如10折）确保评估的稳健性。

5. 评估指标

计算准确率、F1分数、AUC等指标，对比不同特征组合和模型的性能。

DEAP数据集下的情绪识别分类

示例代码

import scipy.io
import numpy as np
from sklearn.model_selection import train_test_split, StratifiedKFold
from sklearn.preprocessing import StandardScaler
from sklearn.svm import SVC
from sklearn.ensemble import RandomForestClassifier
from sklearn.metrics import accuracy_score, f1_score
from sklearn.decomposition import PCA
from scipy.signal import welch
import antropy as ant  # 用于样本熵计算

# 加载数据
mat = scipy.io.loadmat('data/s01.mat')
data = mat['data'][:, :32, :]  # EEG通道
labels = mat['labels'][:, :2]  # 效价和唤醒度

# 生成二分类标签
valence_labels = (labels[:, 0] > np.median(labels[:, 0])).astype(int)
arousal_labels = (labels[:, 1] > np.median(labels[:, 1])).astype(int)

# 分割窗口
window_size = 4 * 128  # 4秒
n_windows = data.shape[2] // window_size
windows = data[:, :, :n_windows * window_size].reshape(40, 32, n_windows, window_size)

# 特征提取
def extract_features(window):
    fs = 128
    freq_bands = {'delta': (0.5, 4), 'theta': (4, 8), 'alpha': (8, 12),
                  'beta': (12, 30), 'gamma': (30, 64)}
    features = []
    # 频域特征
    freqs, psd = welch(window, fs=fs, nperseg=256)
    for band in freq_bands.values():
        idx = np.where((freqs >= band[0]) & (freqs <= band[1]))[0]
        features.append(np.sum(psd[idx]) if len(idx) > 0 else 0)
    # 时域特征
    features.extend([np.mean(window), np.var(window), 
                     ant.hjorth_params(window)[1], ant.hjorth_params(window)[2]])
    # 样本熵
    features.append(ant.sample_entropy(window.reshape(-1, 1)))
    return features

# 构建特征矩阵和标签
X, y = [], []
for trial in range(40):
    for w in range(n_windows):
        trial_features = []
        for channel in range(32):
            window = windows[trial, channel, w]
            trial_features.extend(extract_features(window))
        X.append(trial_features)
        y.append(valence_labels[trial])  # 以效价为例

X = np.array(X)
y = np.array(y)

# 标准化和PCA
scaler = StandardScaler()
X_scaled = scaler.fit_transform(X)
pca = PCA(n_components=0.95)
X_pca = pca.fit_transform(X_scaled)

# 划分训练集和测试集（按试次划分）
train_trials, test_trials = train_test_split(np.arange(40), test_size=0.2, stratify=valence_labels)
train_indices = [i for i, trial in enumerate(range(40)) for w in range(n_windows) if trial in train_trials]
test_indices = [i for i, trial in enumerate(range(40)) for w in range(n_windows) if trial in test_trials]

X_train, X_test = X_pca[train_indices], X_pca[test_indices]
y_train, y_test = y[train_indices], y[test_indices]

# 训练SVM
svm = SVC(kernel='rbf', C=1.0, gamma='scale')
svm.fit(X_train, y_train)
y_pred = svm.predict(X_test)
print(f"SVM Accuracy: {accuracy_score(y_test, y_pred):.2f}, F1: {f1_score(y_test, y_pred):.2f}")

# 随机森林
rf = RandomForestClassifier(n_estimators=100)
rf.fit(X_train, y_train)
y_pred_rf = rf.predict(X_test)
print(f"RF Accuracy: {accuracy_score(y_test, y_pred_rf):.2f}, F1: {f1_score(y_test, y_pred_rf):.2f}")