?每篇文章都在主頁可以看到

腦電方向的資源比較少，整理了自己用過的所有資源。都已經成功運行過了，保證可以成功運行。

都是基于DEAP和SEED數(shù)據集的腦電情緒識別源碼

幾乎每份代碼都在csdn上簡單介紹過。

目前一共52份（會一直更新）

盡可能的找到了一些論文的源碼（一共21份）

材料雖然很多，還是希望能慢慢看，好好理解

最好是看有代碼有論文的，一起對應著理解

每篇文章都在主頁可以看到

有論文有源碼的：

編輯

?木有論文的：

編輯

帶論文的腦電情緒識別源碼：

基于DEAP數(shù)據集的腦電情緒識別：?

1. ?（論文加源碼）基于DEAP的腦電情緒識別（CNN,RNN和兩種不同的注意力機制）六種模型做? ? ? ? ? 對比，包含DE特征
2. ?（論文加源碼）基于DEAP數(shù)據集的腦電情緒識別（基于FFT和CWT的CNN模型） ? ? ?
3. ?（論文加源碼）（matlab代碼）基于時頻域特征分析和SVM分類器的DEAP腦電信號情感狀態(tài)? ? ? ? ? ? 識別（四分類）
4. ?（論文加代碼）基于CNN和LSTM（提取了微分熵）的腦電情緒識別（數(shù)據集為DEAP和? ? ? ? ? ? ? ? ? ? seed）4D-CRNN
5. ?（論文加代碼）基于連續(xù)卷積神經網絡（CNN）提取腦電微分熵特征的DEAP腦電情緒識別
6. ?（論文加源碼）基于deap的腦電情緒識別cnn和lstm作對比
7. ?（論文加源碼）基于deap的腦電情緒識別cnn和lstm作對比改進版本
8. ?（論文加源碼）基于deap的四分類腦電情緒識別（1DCNN+LSTM和1DCNN+GRU）
9. ?（論文加源碼）基于自動編碼器和LSTM的腦電情感識別（數(shù)據集為DEAP）提取了功率譜密? ? ? ? ? ? 度，并進行了無編碼和SVM的對比實驗。
10.（論文加代碼）基于deap數(shù)據集的腦電情緒識別（二分類改為八分類） ?
11.（論文加源碼）通過構建腦圖基于DEAP的情緒識別多任務CNN模型（提取了功率譜密度psd和? ? ? ? ? 微分熵DE）
12.（論文加源碼）(matlab)基于時頻域特征分析和SVM分類器的DEAP腦電信號情感狀態(tài)識別（四分類）
13.（論文和源碼）基于DEAP的實時腦電情緒分類系統(tǒng)
14.（論文加源碼）RNN和CNN結合的特征融合（數(shù)據集為seed、deap、seed-iv）
15.（論文加源碼）基于多尺度卷積神經網絡的腦電情緒識別

16.（論文加源碼）基于deap數(shù)據集的transformer結合注意力機制腦電情緒識別
17.（論文加源碼）基于DEAP的腦電情緒識別（四分類）（數(shù)據增強和擴充）（五種模型作對比：一維 CNN，LSTM和二維和三維 CNN和帶有LSTM的級聯(lián)CNN）
18.（論文加源碼）基于DEAP和MABHOB數(shù)據集的二分類腦電情緒識別（pytorch深度神經網絡（DNN）和卷積神經網絡（CNN））
19.（論文加源碼）基于DEAP腦電數(shù)據集的腦電情緒識別（利用生成對抗性網絡進行特征提取和數(shù)據擴充）

基于SEED數(shù)據集的腦電情緒識別：

1. ?（論文加代碼）基于CNN和LSTM（提取了微分熵）的腦電情緒識別（數(shù)據集為DEAP和? ? ? ? ? ? ? ? ? ? seed）?4D-CRNN
2. ?（論文加代碼）基于改進循環(huán)神經網絡（提取了功率譜密度和微分熵）的腦電情緒識別（三分? ? ? ? ? 類）

不帶論文的腦電情緒識別源碼：

基于DEAP數(shù)據集的腦電情緒識別算法:

1. ? CNN正確率90(CNN+LSTM及四種普通模型）腦電情緒識別
2. ? CNN正確率70多
3. ? knn_deap
4. （實驗文檔和源碼）自己設計的腦電情緒識別程序
5. ? ?基于生成對抗網絡GAN和cGAN的腦電情緒識別（pytorch）
6. ?對deap數(shù)據集進行腦電情緒識別并進行頻譜分析（頻域特征）
7. ?腦電情緒識別所用到深度學習模型 EEG models(BiGRU,lstm,cnn,gcn,dnn,rnn)
8.（deap）利用傅里葉變換和SVM KNN 決策樹三個模型進行二分類
9.（deap）基于機器學習的DEAP腦電情緒識別（包含離散小波變換信號處理代碼）
10. ?基于DEAP的腦電情緒識別（四分類）（數(shù)據增強和擴充）（五種模型作對比：一維 CNN，LSTM和二維和三維 CNN和帶有LSTM的級聯(lián)CNN）
11. ?基于deap數(shù)據集的腦電情緒識別（2DCNN和LSTM）代碼很基礎 ? ??
12. ?DEAP-1D-CNN
13. ?基于deap的腦電情緒識別（支持矢量機、隨機森林、人工神經網絡）
14. ?基于deap的早期腦電情緒識別分類
15. ?監(jiān)督學習（支持向量機和K最近鄰）DEAP?
16. ?DEAP的特征提取-近似熵、排列熵、樣本熵（python）
17. ?基于deap的腦電情緒識別（一維卷積提取頻域特征（四分類））
18. ?基于CNN的多目標進化算法選擇的人類情緒與腦電圖通道的二維區(qū)分（tensorflow）
19. ? eeg-gnn-ssl腦電情緒識別 圖卷積
20. ? pyeeg安裝包
21. ? 腦電電極位置 適用于deap數(shù)據集
22. （matlab）腦電處理有用的特征提取算法
23. （matlab）計算deap的各種特征（功率譜密度，差分熵，差異不對稱性，理性不對稱等）
24. （matlab和python）用于提取DE（微分熵特征）和PSD（功率譜密度特征）特征的matlab和python代碼
25. （matlab）提取PSD（功率譜密度特征）特征和DWT（離散小波變換）對deap進行分類的完整代碼

26 . 基于DEAP的腦電情緒識別（CNN和LSTM對比）
27 . 基于DEAP的腦電情緒識別（模型為SVM,KNN和決策樹，隨機森林）完整代碼

基于SEED數(shù)據集的腦電情緒識別算法:

1. ? ?機器學習的五種模型seed腦電情緒識別
2. ?（SEED）（pytorch）腦電情緒識別（svm和cnn）
3. ?（SEED）（svm）腦電情緒識別
4. ?（SEED）腦電情緒識別（cnn rnn 混合）

每篇文章都在主頁可以看到