基于Python皮肤电信号的情绪识别算法源码+模型+PPT+详细文档+全部数据资料.zip

# emotion-recognition 基于皮肤电信号的情绪识别算法emotion-recognition 基于皮肤电信号的情绪识别算法 ### 代码架构 ├── butter.py 巴特沃斯滤波器（代码中并未使用，可参考） ├── data 训练数据集 │   ├── happy 高兴 │   │   ├── x.csv │   ├── normal 平静 │   │   ├── x.csv │   └── sad 悲伤 │   ├── x.csv ├── database.py 数据库连接 ├── generatevector.py 特征向量提取，调用getattr ├── getattr.py 提取算法 ├── main.py 主函数 ├── model 训练所得模型 │   ├── happy_model.m │   ├── happy_other.csv │   ├── normal_sad.csv │   ├── sad_model.m │   ├── train_model.m │   ├── vector.mat │   └── vector_select.m ├── my_svm.py 支持向量机 ├── plotdata.py 绘图（测试代码，未使用） ├── pre.pptx PPT展示 ├── __pycache__ │   ├── database.cpython-36.pyc │   ├── generatevector.cpython-36.pyc │   ├── getattr.cpython-36.pyc │   └── my_svm.cpython-36.pyc └── README.md ### 工作流程 1 通过MP150提取被试皮电信号，情绪激发通过视频素材激发 2 每个被试每种情绪采集80s有效信号，采样频率20Hz，共1600个数据点 3 提取皮电信号特征向量，时域信号28个，频域信号6个，共34个，如下表 | 特征编号 | 特征代号 | 特征含义 | | ---- | ----------------- | -------------- | | 1 | sc_mean | GSR信号均值 | | 2 | sc_median | GSR信号中值 | | 3 | sc_std | GSR信号标准差 | | 4 | sc_min | GSR信号最小值 | | 5 | sc_max | GSR信号最大值 | | 6 | sc_range | GSR最大值最小值之差 | | 7 | sc_min_ratio | GSR最小值比率 | | 8 | sc_max_ratio | GST最大值比率 | | 9 | sc1diff_mean | 一阶差分均值 | | 10 | sc1diff_median | 一阶差分中值 | | 11 | sc1diff_std | 一阶差分标准差 | | 12 | sc1diff_min | 一阶差分最小值 | | 13 | sc1diff_max | 一阶差分最大值 | | 14 | sc1diff_range | 一阶差分最大值最小值之差 | | 15 | sc1diff_min_ratio | 一阶差分最小值比率 | | 16 | sc1diff_max_ratio | 一阶差分最大值比率 | | 17 | sc1adiff_mean | 一阶差分绝对值均值 | | 18 | sc1gdiff_mean | 归一化信号一阶差分绝对值均值 | | 19 | sc2diff_mean | 二阶差分均值 | | 20 | sc2diff_median | 二阶差分中值 | | 21 | sc2diff_std | 二阶差分标准差 | | 22 | sc2diff_min | 二阶差分最小值 | | 23 | sc2diff_max | 二阶差分最大值 | | 24 | sc2diff_range | 二阶差分最大值最小值之差 | | 25 | sc2diff_min_ratio | 二阶差分最小值比率 | | 26 | sc2diff_max_ratio | 二阶差分最大值比率 | | 27 | sc2adiff_mean | 二阶差分绝对值均值 | | 28 | sc2gdiff_mean | 归一化信号二阶差分绝对值均值 | | 29 | scfft_mean | GSR频域均值 | | 30 | scfft_median | GSR频域中值 | | 31 | scfft_std | GSR频域标准差 | | 32 | scfft_min | GSR频域最小值 | | 33 | scfft_max | GSR频域最大值 | | 34 | scfft_range | GSR频域最大值最小值之差 | 4 特征选取，使用随机森林算法，最终选取贡献度为平均贡献度1.25倍的特征，组建新的特征向量。 5 训练模型，采取支持向量机，一对多策略从而实现多分类的目的。 6 预测，arduino进行信号采集写入到端口中，该工程读取串口数据存入缓存区。当缓存区数据点>50时，计算特征向量给出预测结果。整个过程通过matplotlib进行交互式展现。