情绪分类 基于 EEG 情绪分类的依赖最大化特征选择。 该项目已作为 IIT 德里 2014 年秋季学期神经网络课程的一部分完成。 主管：Jayadeva博士 作者 Rishi Dua T Veeranjaneya Ashok 安装 安装 Python 和 scikit 将 DEAP 数据集（cPickle 预处理）复制到 data/raw 文件夹 运行脚本.sh 文档 请参阅 docs/readme.pdf 贡献 源代码： : 执照 该项目是根据 MIT 许可条款获得许可的。 有关详细信息，请参阅 LICENSE.txt

Speech Emotion Recognition 用 LSTM、CNN、SVM、MLP 进行语音情感识别，Keras 实现。 改进了特征提取方式，识别准确率提高到了 80% 左右。原来的版本的存档在 。 | 中文文档   Environments Python 3.6.7 Keras 2.2.4   Structure ├── models/ // 模型实现 │   ├── common.py // 所有模型的基类 │   ├── dnn // 神经网络模型 │   │ ├── dnn.py // 所有神经网络模型的基类 │   │ ├── cnn.py // CNN │   │ └── lstm.py // LSTM │   └── ml.py

matlab精度检验代码动作识别 在这项研究中，我们开发了一种基于价-兴奋模型的情绪识别系统。 应用独立成分分析（ICA）来消除眼球运动的影响。 之后，我们在处理过的脑电信号上应用了离散小波变换（DWT），该信号被分离为伽玛，贝塔，阿尔法和θ波段。 香农的熵和信号能量是通过这四个通道的时间窗口来计算的。 深度卷积神经网络（CNN）模型经过训练，可以将信号分类为化合价空间。 有关更多详细信息，请使用Deep CNN模型检查基于EEG信号的情感识别.pdf 套餐版本 python == 3.7.4 numpy == 1.16.5 pandas == 0.25.1 pytorch == 1.0.0 matplotlib ==3.1.2 pickle == 4.0 mne == 0.19.2 scipy == 1.3.1 sklearn == 0.20.0 pywt == 1.0.3 执行过程 有关更多详细信息，请检出src块。 运行Readmat.py以从AMIGOS数据集加载matlab文件。 是否使用ICA从EEG数据中消除眼球运动的影响？ 如果否，请执行ICA.py中的ProcessD

motion_detection_cpc 此存储库提供了使用语音作为输入的情感识别系统的代码。 通过使用对比预测编码（CPC）训练的自我监督表示，可以提高性能。 使用CPC时，结果的准确度从71％的基线提高到80％，这是30％的相对显着误差降低。 博客在这里： : 初始设置 安装依赖项 virtualenv -p python3.7 venv source venv/bin/activate make deps 下载资料 wget https://zenodo.org/record/1188976/files/Audio_Speech_Actors_01-24.zip $HOME/RAVDESS/Audio_Speech_Actors_01-24.zip unzip $HOME/RAVDESS/Audio_Speech_Actors_01-24.zip 创建训练，验证和测试数据

SinaWeibo-Emotion-Classification, 新浪微博情感分析应用

0.快速开始 挑战杯项目：金融文本情感分析模型|| 挑战杯项目：财务文本情感分析模型 金融领域短文本情感分析 配置要求： python 3.x 1.使用方法 1.0下载 sudo git clone https://github.com/AsuraDong/news-emotion.git news_emotion mv -R ./news_emotion/ 你的程序路径/ 1.1文件结构 clean_data / # 清洗数据 __init__ . py clean_html . py # 清洗网页标签 langconv . py # 简体和繁体转化 zh_w

语音情感识别 介绍 该存储库负责构建和培训语音情感识别系统。 该工具背后的基本思想是构建和训练/测试合适的机器学习（以及深度学习）算法，该算法可以识别和检测语音中的人类情感。 这对于许多行业领域很有用，例如提出产品推荐，情感计算等。 查看本以获取更多信息。 要求 Python 3.6+ Python包 librosa == 0.6.3 麻木 大熊猫 声音文件== 0.9.0 海浪 斯克莱恩 tqdm == 4.28.1 matplotlib == 2.2.3 pyaudio == 0.2.11 （可选） ：如果要通过转换为16000Hz采样率和convert_wavs.py提供的单声道来添加更多采样音频，则使用 通过以下命令安装这些库： pip3 install -r requirements.txt 数据集 该存储库使用了4个数据集（包括此仓库的自定义数据集），这些数

近年来，由于情感识别已成为情感计算的标志之一，因此人们越来越重视生理信号来进行情感识别。本文提出了一种利用来自多个对象的心电图（ECG）信号进行情感识别的方法。数据，我们采用电影剪辑的唤醒方法，使被摄对象体验到特定的情感而不受外界干扰。通过连续小波变换对P-QRS-T波进行精确定位，充分提取了许多ECG特征。由于特征选择是一种组合在最优化问题上，采用基于邻域搜索的改进二元粒子群算法（IBPSO），通过fisher或K最近邻（K-Nearest Neighbor，KNN）分类器，寻找有效的特征来改进情绪状态的分类结果。表明该方法是成功的，并且从心电信号获得的有效特征可以表达情绪稳定非常好。

情绪识别 涉及使用脑电图（EEG）信号进行情感识别的项目。 EEG .mat文件来自其DEAP数据集，由伦敦玛丽皇后大学提供。 目的是确定脑电信号的生存力，以此作为识别“情感计算”思想的动机，从而识别不同的情绪状态。 数据集 数据集包含来自32位参与者的生理数据。 每个参与者观看了40个一分钟长的音乐视频摘录，并且在每次观看过程中都记录了生理信号。 然后，参与者根据效价，唤醒，喜好和支配性对每次观看视频的体验进行评分。 生理数据由40个特征组成-32个EEG读数通道； 另外还包括8个外围读数，例如皮肤温度，呼吸幅度，眼电图（EOG），心电图（ECG），皮肤电React（GSR），体积描记仪的血容量以及Z肌和斜方肌的肌电图（EMG），但所有这些都是多余的。 根据10-20系统进行EEG记录，并按照标准记录了32个EEG通道。 数据预处理 脑电记录 从数据集中获得的EEG数据已在源中进行

使用TextCNN神经网络以及Attention机制来实现文本的情感分类,该文档只是提供了完整的模型部分,可以根据自己的需要更改数据集等以及数据预处理部分.