描述：
模型首先对大量的脑电数据进行预处理，生成通道数为20，采样频率为256Hz, 采样点为15360的原始时域波形。然后通过CNN初步提取特征，之后在通过transformer更近一步的获取样本之间的联系得到最终的特征，最后通过分类网络输出。
模型采取类似BERT的方式首先对大量脑电进行预训练，提取共性特征，然后将特征输入分类网络进行分类。预训练和下游分类任务输入的长度是不同的，预训练是60s的时域波形采样点，下游任务微调的时候输入的是6s的时域波形。
效果：
通过自己跑的效果来看，添加transformer后效果并不是很好。另外代码中也是单人进行训练的，并没有考虑跨被试的情况。
描述：
模型对原始脑电数据先手动提取五个波段（ α \alpha α, β \beta β, θ \theta θ, δ \delta δ, γ \gamma γ ）DE微分熵特征，然后将62个通道映射到2D空间，生成 8 _9_5的3D数据，选择2S的数据，构成6 * 8 * 9 * 5的4D结构，但是作者没有用5个波段的数据，只选了4个通道，即形成6 * 8 * 9 * 4的结构，然后将此数据输入到CNN网络，生成512维的特征，之后输入到LSTM 网络得到128维度向量，然后送入到分类网络。
效果：只要在训练的时候训练集包含了被试的某些数据，那么在之后预测时结果会很好，但是如果预测的是新被试的数据，那么效果很差，即模型的跨被试能力很差，作者没有考虑跨被试的问题。
整体而言，EEGNet的跨被试能力也比较差。
整体描述，首先在大数据集下进行预训练，后面再进行所谓的元更新策略其实就是在整体训练的每一个Epoch下，网络分为两个部分，首先对分类头进行简单迭代训练，然后再训练整体网络，即每个Epoch下网络的输出都是在简单训练过分类头的情况下得到的，直白的说，模型forward里面套了一层分类头训练。
整体来看，网络属于预训练加微调的模式。当要测试新的被试的数据时，必须要有此被试少量带标签的数据训练分类头才可以得到比较好的结果，因此网络模型跨被试的能力强是需要目标被试带标签数据的，因此并没有真正结果跨被试的问题。
原始数据集：BCI-IV-2a
持续更新 。。。。
Original: https://blog.csdn.net/ZhangJingHuaJYO/article/details/125574178
Author: ZhangJingHuaJYO
Title: 脑电情绪分类网络汇总学习
原创文章受到原创版权保护。转载请注明出处：https://www.johngo689.com/666116/
转载文章受原作者版权保护。转载请注明原作者出处！