今天的任务是整理前人的有关DEAP数据库的研究进展，选择几个靠谱点的，作为备选方案，同时设计一下第一步的实验方案（复现数据库作者的算法）。
| 年份 | 题目 | 预处理 | 特征 | 模型 |
|---|---|---|---|---|
| 2017 | Using Deep and Convolutional Neural Networks for Accurate Emotion Classification on DEAP Dataset | DEAP数据集默认预处理 | 将8094个数据点分为10个batch,每个batch提取均值、中位数、最大值、最小值、标准差、方差、取值范围、偏度和峰态共计9个特征 | DNN和CNN |
| 2016 | A three-stage decision framework for multi-subject emotion recognition using physiological signals | 将一分钟的数据段以长度为4，步长为2的滑动窗口进行分段 | 在每段上计算alpha和beta波段的能量、beta和theta波段的能量比率、3个Hjorth参数、C0复杂度、方差和谱熵共计9个特征 | KNN和 RF |
2016 |
Gaussian Process Dynamical Models for Multimodal Affect Recognition | DEAP数据集默认预处理 | 高斯过程隐变量模型（GP-LVM）一种无监督降维方法适合处理小样本高维数据 | SVM |
| 2016 | Emotion recognition from EEG signals by using multivariate empirical mode decomposition | DEAP数据集默认预处理 | 将多元经验模式分解产生的IMF归一化并在其中提取特征（PSD、熵等10个特征），再经过ICA进行处理，输入分类器 | KNN/ANN |
| 2016 | Bispectral Analysis of EEG for Emotion Recognition | 去除实验前3s的信号，用butterworth滤波器选择出theta、alpha、beta三个波段 | 在三个频段上分别计算bispectrum | SVM/ANN |
| 2016 | EEG-Based Emotion Recognition Approach for E-Healthcare Applications | 用离散小波变换将EEG信号分解为Delta, Theta, Alpha, Beta, Gamma五个波段 | 小波能量、modified energy、小波熵、统计特征(均值、标准差、一阶差分的均值、归一化的一阶差分的均值、二阶差分的均值、归一化的二阶差分的均值) | 二次判别分析/KNN/SVM |
2016 |
Emotion Recognition from Multi-Channel EEG Data through Convolutional Recurrent Neural Network | DEAP数据集默认预处理 | 基于db4小波变换的特征（特征很有特点） | CNN/RNN |
下面给出了所标红的两篇文献的下载链接：
Gaussian Process Dynamical Models for Multimodal Affect Recognition
Emotion Recognition from Multi-Channel EEG Data through Convolutional Recurrent Neural Network
第一阶段的工作，是复现DEAP数据库创建者的分类算法，这个总不会是骗人的。
DEAP: A Database for Emotion Analysis using Physiological Signals
文献阅读：DEAP: A Database for Emotion Analysis using Physiological Signals Physiological Signals(2012)
摘要
我们建立了一个多模态数据集来分析人类的情感状态。记录了32名被试的脑电图（EEG）和外围生理信号，每个人观看了40段1分钟长的音乐视频，参与者根据唤醒度，效价，喜欢/不喜欢，控制度和熟悉程度对每个视频进行评分。32个被试中的22个同时也记录了面部视频。本文提出了一种新颖的情感标签检索方法和在线评估工具对来自last.fm网站的视频进行检测。我们对参与者给不同视频的打分情况进行了分析，研究了脑电信号频率与参与者评分之间的相关性。基于EEG、外围生理信号、面部视频的多模态信号对单一实验的唤醒，效价和喜欢/不喜欢评级进行分类。最后，将不同的分类结果进行决策融合。该数据集已公开发布，我们鼓励其他研究人员使用它来进行自己的测试情感状态估计方法。
1. Introduction
2. Stimuli selection
3. Experiment setup
前三节主要介绍背景、视频选择方式、实验方式，暂且不提。
4. Analysis of subjective ratings
Arousal-Valance-Dominance分布
如图所示，在高唤醒度情况下，高低效价的区分度优于低唤醒度情况。我们还分析了这个四分类问题中样本分布的平均值和标准差。
样本分布情况
5. Correlates of EEG and rantings
心电信号降采样到256Hz，2Hz高通滤波器，盲源分离去除眼电，Welch方法256点窗宽获取3~47Hz的能量谱。
唤醒度和θ、α、γ波段成负相关。效价与全波段都有强相关性，在低频波段如θ和α，效价越高，能量越大。
脑区频率与分数相关度
6. Single trial classification
三个二分类问题：效价、唤醒度、喜欢度
二分类分界点：5
分类器：朴素贝叶斯
测试方法：留一法，单被试
特征选择方法：Fisher线性判别
指标：F1 Score
融合：决策融合
特征提取
从外周生理信号中共提取106个特征，从EEG信号中提取216个特征。
分类结果
网友评论