数据集介绍以及特征部分见上篇文章：
https://blog.csdn.net/qq_45874683/article/details/118968019?spm=1001.2014.3001.5502
? ? ? ? 本文主要介绍利用图卷积神经网路结合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。
? ? ? ? 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
? ? ? ? ? ? ? ? ? ? ? ?https://download.csdn.net/download/qq_45874683/20398400?spm=1001.2014.3001.5503
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。
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