1. 数据集介绍以及特征部分见上篇文章：

DEAP数据集介绍以及特征提取部分

深度学习基于DEAP的脑电情绪识别情感分类(附代码)_qq_3196288251的博客-CSDN博客

2. 图卷积神经网络哟结合LSTM

本文主要介绍利用图卷积神经网络结合LSTM进行脑电情绪识别。

        由于脑电通道的排列具有空间特征，而调用卷积神经网络或者LSTM等模型只能单一的处理频域特征或者时域特征。而图卷积神经网络可以高效的将频域特征，时域特征和空间域特征结合起来一起分析。对于脑电情绪识别具有重大作用。

2.1 将脑电数据处理成图

       1. 首先要将DEAP数据处理成图数据，调用pyg库的InMemoryDataset等函数，重写process函数。（建议学习一下pyg库的各种基础知识）

         图的基本知识：点、点的属性、边、边的权重四个基本元素。因此构建图的过程中，首先确认什么为点，点的属性又是什么，以及如何确认边和边的权重。

         点：直接用脑电通道构成点。

         点属性：自己设定

          如何确定边：最简单的就是直接利用空间距离，设定好一个阈值，小于某个距离的确定为边。其他的可以使用各种连通性指标。例如 等等。其中脑电通道的坐标数据及距离见链接：

           脑电通道坐标距离

           脑电电极位置适用于DEAP数据集-深度学习文档类资源-CSDN下载

           边权重：确定边的时候所用到的数值。

           通过以上四个属性便可将频域特征，时域特征和空间域特征结合起来一起分析。

如图：

通过邻接矩阵选取边：

 处理边权重和点属性：

        由于边权重和点属性可以采取不同方案，从而组成不同的图信息。

        本代码采用不同的方案共构成了6种特征组合，并构建了两种模型进行训练。

两层GNN模型：

 GNN结合LSTM:

 最终结果准确率达到了95%。

更详细的细节建议看源码或者私聊我。

其中包含图卷积神经网络处理DEAP数据集进行脑电情绪识别的代码，准确率达到90。
主要是每一行代码都写满了注释，每一步都解释的很清楚，很适合新手学习。

这是一个完整的深度学习脑电情绪识别的项目，从数据提取到数据处理，再从数据处理到特征提取以及模型训练，优化参数，验证测试，每一行都写好了注释，很适合新手第一次学习该类型代码。

举个例子：

 可以看到函数前面写好了函数名、参数、返回值、功能
代码部分，几乎每一行都写满了是干啥的，甚至很多行下面写了print(...) 。

例如：

  print（batch） 是输出这个变量值 ，空格后面表示的是输出的结果

 写出了输出的结果，以及print(out.shape)  显示输出的矩阵是1*1维的。

 print(type)  显示了生成变量的类型。

本研究在PyCharm上完成编程，环境搭建为Python3.7版本，CUDA为11.1版本，PyTorch为1.8.1版本。通过Anaconda来构建虚拟环境。

每一行都写满了代码注释，同时有每一行的输出，输出类型，输出维度也都写了。

源码链接：基于图卷积的脑电情绪识别

https://download.csdn.net/download/qq_45874683/20242874?spm=1001.2014.3001.5503