今天的任務(wù)是整理前人的有關(guān)DEAP數(shù)據(jù)庫的研究進展草穆，選擇幾個靠譜點的，作為備選方案芹关，同時設(shè)計一下第一步的實驗方案（復(fù)現(xiàn)數(shù)據(jù)庫作者的算法）续挟。
| 年份 | 題目 | 預(yù)處理 | 特征 | 模型 |
|---|---|---|---|---|
| 2017 | Using Deep and Convolutional Neural Networks for Accurate Emotion Classification on DEAP Dataset | DEAP數(shù)據(jù)集默認預(yù)處理 | 將8094個數(shù)據(jù)點分為10個batch,每個batch提取均值、中位數(shù)侥衬、最大值、最小值跑芳、標準差轴总、方差、取值范圍博个、偏度和峰態(tài)共計9個特征 | DNN和CNN |
| 2016 | A three-stage decision framework for multi-subject emotion recognition using physiological signals | 將一分鐘的數(shù)據(jù)段以長度為4怀樟，步長為2的滑動窗口進行分段 | 在每段上計算alpha和beta波段的能量、beta和theta波段的能量比率盆佣、3個Hjorth參數(shù)往堡、C0復(fù)雜度、方差和譜熵共計9個特征 | KNN和 RF |
2016 |
Gaussian Process Dynamical Models for Multimodal Affect Recognition | DEAP數(shù)據(jù)集默認預(yù)處理 | 高斯過程隱變量模型（GP-LVM）一種無監(jiān)督降維方法適合處理小樣本高維數(shù)據(jù) | SVM |
| 2016 | Emotion recognition from EEG signals by using multivariate empirical mode decomposition | DEAP數(shù)據(jù)集默認預(yù)處理 | 將多元經(jīng)驗?zāi)Ｊ椒纸猱a(chǎn)生的IMF歸一化并在其中提取特征（PSD共耍、熵等10個特征）虑灰，再經(jīng)過ICA進行處理，輸入分類器 | KNN/ANN |
| 2016 | Bispectral Analysis of EEG for Emotion Recognition | 去除實驗前3s的信號痹兜，用butterworth濾波器選擇出theta穆咐、alpha、beta三個波段 | 在三個頻段上分別計算bispectrum | SVM/ANN |
| 2016 | EEG-Based Emotion Recognition Approach for E-Healthcare Applications | 用離散小波變換將EEG信號分解為Delta, Theta, Alpha, Beta, Gamma五個波段 | 小波能量字旭、modified energy对湃、小波熵、統(tǒng)計特征(均值遗淳、標準差拍柒、一階差分的均值、歸一化的一階差分的均值屈暗、二階差分的均值拆讯、歸一化的二階差分的均值) | 二次判別分析/KNN/SVM |
2016 |
Emotion Recognition from Multi-Channel EEG Data through Convolutional Recurrent Neural Network | DEAP數(shù)據(jù)集默認預(yù)處理 | 基于db4小波變換的特征（特征很有特點） | CNN/RNN |
下面給出了所標紅的兩篇文獻的下載鏈接：
Gaussian Process Dynamical Models for Multimodal Affect Recognition
Emotion Recognition from Multi-Channel EEG Data through Convolutional Recurrent Neural Network
第一階段的工作脂男，是復(fù)現(xiàn)DEAP數(shù)據(jù)庫創(chuàng)建者的分類算法，這個總不會是騙人的往果。
DEAP: A Database for Emotion Analysis using Physiological Signals
文獻閱讀：DEAP: A Database for Emotion Analysis using Physiological Signals Physiological Signals(2012)
摘要
我們建立了一個多模態(tài)數(shù)據(jù)集來分析人類的情感狀態(tài)疆液。記錄了32名被試的腦電圖（EEG）和外圍生理信號，每個人觀看了40段1分鐘長的音樂視頻陕贮，參與者根據(jù)喚醒度堕油，效價，喜歡/不喜歡肮之，控制度和熟悉程度對每個視頻進行評分掉缺。32個被試中的22個同時也記錄了面部視頻。本文提出了一種新穎的情感標簽檢索方法和在線評估工具對來自last.fm網(wǎng)站的視頻進行檢測戈擒。我們對參與者給不同視頻的打分情況進行了分析，研究了腦電信號頻率與參與者評分之間的相關(guān)性筐高∷汛眩基于EEG柑土、外圍生理信號、面部視頻的多模態(tài)信號對單一實驗的喚醒稽屏，效價和喜歡/不喜歡評級進行分類。最后，將不同的分類結(jié)果進行決策融合居砖。該數(shù)據(jù)集已公開發(fā)布，我們鼓勵其他研究人員使用它來進行自己的測試情感狀態(tài)估計方法。
1. Introduction
2. Stimuli selection
3. Experiment setup
前三節(jié)主要介紹背景、視頻選擇方式坏晦、實驗方式嫁乘，暫且不提。
4. Analysis of subjective ratings
如圖所示仓蛆，在高喚醒度情況下，高低效價的區(qū)分度優(yōu)于低喚醒度情況挎春。我們還分析了這個四分類問題中樣本分布的平均值和標準差豆拨。
5. Correlates of EEG and rantings
心電信號降采樣到256Hz能庆，2Hz高通濾波器，盲源分離去除眼電搁胆，Welch方法256點窗寬獲取3~47Hz的能量譜。
喚醒度和θ渠旁、α攀例、γ波段成負相關(guān)顾腊。效價與全波段都有強相關(guān)性，在低頻波段如θ和α杂靶，效價越高，能量越大吗垮。
6. Single trial classification
三個二分類問題：效價、喚醒度抱既、喜歡度
二分類分界點：5
分類器：樸素貝葉斯
測試方法：留一法扁誓，單被試
特征選擇方法：Fisher線性判別
指標：F1 Score
融合：決策融合
從外周生理信號中共提取106個特征，從EEG信號中提取216個特征蝗敢。
