DEAP数据集下的情绪识别分类

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])