首先看運(yùn)行結(jié)果，準(zhǔn)確率94%。

?最終結(jié)果：

?很明顯，平均準(zhǔn)確率達(dá)到了94.257，達(dá)到了實(shí)驗(yàn)預(yù)期效果。

其中還嘗試了一下將結(jié)果導(dǎo)入到txt文件：

在terminal窗口，輸入： python main.py >> E:/1.txt即可（c盤會(huì)禁止訪問）。

以上便是運(yùn)行過程。?

論文講解：

? ? ? 該論文運(yùn)用的卷積神經(jīng)網(wǎng)絡(luò)（CNN）和LSTM，其中CNN處理頻率和空間信息，LSTM處理從CNN輸出中提取時(shí)間相關(guān)性，并將兩種模型進(jìn)行融合。數(shù)據(jù)集采用的是腦電研究中最常用的DEAP和SEED數(shù)據(jù)集并且在兩個(gè)數(shù)據(jù)集中都取得了很高的準(zhǔn)確率。都達(dá)到了94%左右的準(zhǔn)確率。：

? ? ? ?論文設(shè)計(jì)了一種新模型，稱為四維卷積遞歸神經(jīng)網(wǎng)絡(luò)。該模型將多通道腦電信號(hào)的頻域特征、時(shí)域特征和空間特征（頻率、空間和時(shí)間信息）集成在一起，用來提高腦電情緒識(shí)別的準(zhǔn)確率。

? ? ? ? 首先，提取腦電的這三種特征，我們將不同通道的差分熵特征轉(zhuǎn)換為4維結(jié)構(gòu)來訓(xùn)練深層模型。

? ? ? ? 然后，介紹了卷積神經(jīng)網(wǎng)絡(luò)（CNN）和長(zhǎng)短時(shí)記憶（LSTM）單元的遞歸神經(jīng)網(wǎng)絡(luò)相結(jié)合的CRNN模型。CNN用于從4D輸入的每個(gè)時(shí)間片中學(xué)習(xí)頻率和空間信息，LSTM用于從CNN輸出中提取時(shí)間相關(guān)性。LSTM最后一個(gè)節(jié)點(diǎn)的輸出執(zhí)行分類。

? ? ? ? 該模型在受試者內(nèi)部劃分的SEED和DEAP數(shù)據(jù)集上都達(dá)到了最先進(jìn)的性能。實(shí)驗(yàn)結(jié)果表明，結(jié)合腦電頻域特征、時(shí)域特征和空間域特征（頻率、空間和時(shí)間信息）進(jìn)行腦電情感識(shí)別是有效的。

結(jié)論：

? ? ? ? 提出了一種基于分段水平EEG的腦電情感分類方法，該方法能夠聚合腦電信號(hào)的頻率、空間和時(shí)間信息。該方法在SEED和DEAP數(shù)據(jù)集上實(shí)現(xiàn)了最先進(jìn)的性能。其關(guān)鍵步驟包括兩個(gè)部分：首先，將腦電信號(hào)特征構(gòu)建成四維特征結(jié)構(gòu)，明確組織腦電的頻率、空間和時(shí)間特征。其次，介紹了CNN和LSTM深度融合的CRNN模型。CNN處理頻率和空間信息，LSTM處理從CNN輸出中提取時(shí)間相關(guān)性。通過與四項(xiàng)競(jìng)爭(zhēng)性研究的比較，研究了從EEG中同時(shí)提取頻率、空間和時(shí)間信息的重要性。在基于EEG的情緒分類中，由于這三種線索的參與，性能大大提高。