简介本资源面向脑机接口、情感计算及神经工程方向的研究者与研究生聚焦脑电情绪识别这一典型任务提供覆盖主流深度学习范式的完整模型实现方案。压缩包内含74个文件以57个Python脚本为核心含BiGRU、LSTM、CNN、GCN、DNN、RNN等23种模型实现、9个MATLAB脚本用于信号预处理与特征验证、3个说明文档及3个Markdown格式的使用指南整体仅153KB轻量易部署。已有2231人下载学习适用于DEAP、SEED等公开脑电数据集的快速建模与对比实验。读者可直接复用从EDF文件读取、滤波分段、标签对齐到模型训练评估的全流程代码所有模型均附带统一接口封装与超参配置模板显著降低算法复现门槛并支持模块化替换与性能横向对比。 最近整理工作台的时候翻出了一个压缩包名字特别长EEG models(BiGRU,lstm,cnn,gcn,dnn,rnn等等).zip。这是我自己在做脑电情绪识别时攒下来的全套深度学习模型从最早的DNN基线到后来常用的LSTM、CNN再到图卷积GCN、双向门控循环单元BiGRU前前后后改了几十版最后干脆把能用的、能用得上的、试过但没上线的一起打包存了档。这个压缩包现在看起来像是个小型模型动物园但就是靠这套东西我在DEAP、SEED这类公开数据集上把情绪二分类准确率从最开始的78%左右一路做到了90%上下。今天就把这里面的模型选择思路、每个模型的定位、以及我在调参过程中踩过的坑统一写出来给正在做脑电情绪识别、或者正准备踏入这个方向的朋友当一份参考。不管你是刚入门的硕士生、准备发论文的研究者还是想在企业里做情绪计算落地的工程师这篇文章都能帮你少走不少弯路。1. 内容整体设计与思路拆解1.1 脑电情绪识别到底是个什么任务先把这个任务的本质说清楚。脑电情绪识别不是纯粹的分类任务也不是纯粹的时间序列预测它实际上是一个“时空特征”联合建模的问题。为什么要强调时空特征因为脑电信号本身有两个天然维度空间维度EEG电极分布在头皮的不同位置比如国际10-20系统的32通道、64通道或者128通道每个电极对应大脑不同脑区的电活动。情绪的产生往往涉及多个脑区的协同比如前额叶的不对称性与效价valence相关杏仁核、颞叶与情绪 arousal 相关这些脑区的激活模式在电极上会呈现空间分布特性。时间维度EEG采样率一般在128Hz到512Hz之间一段几秒钟的刺激片段会产生几百到几千个采样点。情绪的诱发和变化是动态过程前200毫秒的早期成分和后500毫秒的晚期成分负载的信息完全不同。所以这个任务的目标可以抽象成一句话给定一段多通道的EEG时间序列通过学习其空间拓扑结构中的非线性变化和时间维度上的动态演化来预测当前情绪状态效价、唤醒度或者离散情绪类别。这个任务本质上是非平稳的、非线性的、低信噪比的。肌电伪迹、眼电伪迹、工频干扰都会混在信号里而且个体差异非常大同一段情绪刺激在不同被试身上诱发的EEG模式可能差别很大。这就是为什么单纯靠传统机器学习特征比如功率谱密度、微分熵虽然能做但泛化能力有限。深度学习模型的价值就在于它能在原始信号或浅层特征的基础上自动学习到更鲁棒的表征。1.2 为什么这个压缩包里要塞下这么多模型很多朋友问我做EEG情绪识别选一个模型不就行了吗为什么要同时维护BiGRU、LSTM、CNN、GCN、DNN、RNN这么多种说实话早期我也天真地以为会有“一个最强模型”能通吃所有情况。但做的实验越多越发现这件事不现实。不同的模型设计思路对应的是对EEG信号不同维度的建模假设选模型本质上是选“你用什么样的先验去解释脑电信号”。CNN的假设是EEG特征存在局部相关性相邻时间点或相邻频段的特征具有局部模式可以通过卷积核自动提取。RNN/LSTM/GRU的假设是EEG是一个时间序列情绪状态的变化是随时间演化的需要用循环结构记住长期的上下文依赖。GCN的假设是EEG电极不是孤立的电极之间按照大脑皮层的物理位置存在拓扑连接关系这种连接关系应当被显式建模。DNN的假设是只要特征提取得好直接用全连接网络做非线性映射就够了简单粗暴但有效。所以最合理的做法不是选择一个模型而是把这些模型放在同一套数据预处理流程、同一个训练框架下做横向对比。这样你才知道对于你手头的数据集、你的预处理方式、你的情绪标签定义到底哪种归纳偏置是更合理的。这个压缩包本质上就是这样一份“模型横向对比工具库”。每个模型文件都遵循统一的接口输入形状一致、输出层一致、训练评估脚本一致改一个参数就能切换模型非常方便做实验。1.3 这套模型库的组织方式我打包时按照模型类型分了目录结构大致是EEG_models/ ├── data_loader.py # 统一的EEG数据加载与预处理 ├── config.py # 公共配置采样率、电极数、分段长度等 ├── models/ │ ├── dnn.py │ ├── cnn.py │ ├── rnn.py │ ├── lstm.py │ ├── birgru.py │ └── gcn.py ├── train.py # 统一训练入口 ├── evaluate.py └── utils/ ├── metrics.py └── plot_utils.py每个模型文件都实现了一个统一的接口class BaseModel(nn.Module): def forward(self, x): # x shape: (batch, channels, time_steps) raise NotImplementedError训练脚本读取配置文件里的model_name字段自动实例化对应的模型。这样我可以在几分钟内跑完一组对比实验然后把结果填进实验记录表。这个设计本身没什么技术含量但非常实用强烈建议做这个方向的朋友也采用类似的结构。2. 核心模型逐一拆解每个模型到底在干什么2.1 CNN从局部特征到时空模式的提取器CNN在EEG情绪识别里的应用可以说非常成熟。我看到很多论文里用2D CNN把EEG信号处理成类似图像的结构但实际做下来我建议你先从1D CNN和3D CNN两个变体入手。1D CNN处理的是每个通道单独的时间序列卷积核在时间维上滑动提取的是时间上的局部模式比如某个频段的事件相关同步/去同步变化、短时能量波动。这种方式把每个通道当成独立的特征流早期用得很广但缺点是没有建模通道之间的关联。3D CNN则把EEG数据组织成通道 × 时间 × 频段的三维张量。举个例子先用短时傅里叶变换把每段EEG转成时频图然后把所有通道叠起来形成(32, T, F)的三维输入再用3D卷积同时提取时间、频率、空间上的局部模式。这种做法我在DEAP上效果不错缺点是计算量偏大而且需要精细调参。我实际最常用的CNN结构是2D CNN配合通道 × 时间的输入布局class EEG_CNN2D(nn.Module): def __init__(self, n_channels32, n_timesteps128, num_classes4): super().__init__() self.conv1 nn.Sequential( nn.Conv2d(1, 16, kernel_size(3, 3), padding1), nn.BatchNorm2d(16), nn.ReLU(), nn.MaxPool2d(kernel_size(2, 2)) ) self.conv2 nn.Sequential( nn.Conv2d(16, 32, kernel_size(3, 3), padding1), nn.BatchNorm2d(32), nn.ReLU(), nn.MaxPool2d(kernel_size(2, 2)) ) self.fc nn.Linear(32 * (n_channels // 4) * (n_timesteps // 4), num_classes) def forward(self, x): # x: (batch, channels, time_steps) x x.unsqueeze(1) # (batch, 1, channels, time_steps) x self.conv1(x) x self.conv2(x) x x.view(x.size(0), -1) return self.fc(x)注意这个输入布局把通道维放在高维、时间维放在宽维卷积核同时覆盖局部通道邻域和时间邻域。相当于同时提取“相邻脑区的协同活动”和“短时时间动态”。这里的kernel_size(3,3)就是每次看3×3的局部时空块这与功能磁共振成像里常用的局部感受野思路一脉相承。注意CNN虽好但有一个前提输入数据必须是“空间相邻有意义”的。如果你的电极排列不是按照头皮拓扑位置排列的而是随意排布的那2D CNN的局部感受野假设就不成立。这种情况我建议要么用1D CNN逐通道提取再加融合层要么直接换GCN。2.2 LSTM与BiGRU捕捉情绪的时间演化EEG情绪识别中时间依赖是绕不开的。情绪不是一瞬间的爆发而是一个持续演化的过程。比如看一段恐怖电影片段你的紧张情绪会在几十秒内逐步上升这个过程中EEG的θ波和β波活动模式是渐变的。LSTM这类循环神经网络就是为了捕捉这种时间维度上的长期依赖。但这里有个很多人不知道的细节标准LSTM是单向的也就是说它只能从过去的信号推知当前的情绪状态。然而情绪心理学的研究表明EEG对情绪刺激的反应既有前馈成分也有反馈成分而且某些情绪成分比如后期正电位LPP在刺激呈现后几百毫秒才达到峰值。这意味着如果你想利用刺激后段的信号来判断当前情绪单向LSTM是不够的需要双向建模。BiGRU就是在这个思路上比LSTM更适合EEG情绪识别的模型之一。GRU是LSTM的简化版只有两个门更新门和重置门参数更少、训练更快但效果通常不输LSTM。双向结构则叠加了一个反向的GRU层让网络同时看到每个时间点之前和之后的上下文。以下是我在模型库中常用的BiGRU结构class BiGRU_EEG(nn.Module): def __init__(self, input_size32, hidden_size64, num_layers2, num_classes4): super().__init__() # input_size: 每个时间步的特征维度即电极通道数 self.bigru nn.GRU( input_sizeinput_size, hidden_sizehidden_size, num_layersnum_layers, bidirectionalTrue, batch_firstTrue, dropout0.3 ) self.fc nn.Linear(hidden_size * 2, num_classes) def forward(self, x): # x: (batch, channels, time_steps) - (batch, time_steps, channels) x x.permute(0, 2, 1) out, _ self.bigru(x) # 取最后一个时间步的输出或者用全局平均池化 out out[:, -1, :] return self.fc(out)这里有个关键参数input_size。很多初学者会把input_size设成EEG的采样点数这是不对的。在循环神经网络里input_size是每个时间步输入的特征数。对于EEG来说如果你的时间步是一个采样点那每个时间步的特征就是该时刻所有通道的电压值所以input_size 通道数。如果你的时间步是一个时间窗口比如每100ms取一个窗口的平均功率那input_size就是窗口特征数。用BiGRU做EEG情绪识别我实际跑下来的感受是它对中等长度的时间序列例如2-4秒的分段效果很好能够捕捉到情绪刺激的动态演化过程。但如果分段太长超过10秒GRU的隐藏状态可能会被无关信息淹没反而效果不如直接用CNN注意力机制。2.3 GCN显式建模电极之间的空间拓扑GCN图卷积网络是这套模型库里最特别的一个也是很多人一看到就头疼的模型。我的理解是GCN解决的是CNN的一个根本性缺陷CNN假设输入数据排列在规则网格上但EEG电极在头皮上的分布不是规则网格。打个比方F7和F8两个电极在10-20系统中分别位于左前额和右前额物理距离很远但它们在功能上常常是强相关的情绪效价研究中前额叶不对称性就是基于这两个电极的差异。CNN的卷积核如果采用3×3的局部感受野想要同时覆盖F7和F8需要经过多层堆叠而且中间还隔着很多不相关的通道。GCN则直接把这种“远距离但强相关”的关系通过图的边显式连接起来。GCN的核心是邻接矩阵。在EEG情绪识别中构造邻接矩阵通常有三种方式距离法根据电极物理坐标计算欧氏距离距离小于阈值的电极之间连边。相关法计算每个电极对之间的皮尔逊相关系数相关系数高于阈值的连边。功能连接法计算锁相值或相干性用功能连接强度作为边的权重。我最早用的是距离法后来换成了“距离相关性”的混合法。具体做法是先用物理距离确定图的骨架再用训练集上的平均相关性对边权重进行加权。这样既保持了大脑的解剖学结构又融入了功能连接的先验信息。GCN的前向传播可以用一个简化的代码表示class GCN_EEG(nn.Module): def __init__(self, n_channels32, hidden64, num_classes4): super().__init__() self.gc1 GCNLayer(n_channels, hidden) self.gc2 GCNLayer(hidden, hidden) self.fc nn.Linear(hidden, num_classes) def forward(self, x, adj): # x: (batch, n_channels, time_steps) # 先对时间维做聚合得到每个节点的特征例如全局平均池化 x x.mean(dim-1) # (batch, n_channels) x self.gc1(x, adj) x torch.relu(x) x self.gc2(x, adj) return self.fc(x)在这个简化版本里我先把整段时间上的信号做了平均池化得到一个(通道数,)的节点特征然后在电极图上做两层的图卷积。这样做的问题是丢掉了时间信息所以实际模型中我通常会在图卷积之前先接一个时间卷积层让时间信息先被压缩成高维特征再做图卷积。GCN的性能上限取决于邻接矩阵的质量。如果邻接矩阵构造得不好GCN的效果甚至不如DNN。我见过很多论文把邻接矩阵设为全连接图每对电极都连边这样GCN就退化成了普通的全连接网络完全失去了图结构的意义。2.4 DNN与RNN简单基线但必不可少DNN深度全连接网络是这套模型库里的最简版本也是我每次做新数据集都必须跑一遍的基线。DNN的思路是把所有特征拼成一个一维向量然后过几个全连接层。比如把32通道、每通道128个时间点的信号直接展平成4096维向量输入到4096 → 1024 → 512 → 4的全连接网络中。结构极其简单但它的意义非常重要第一它给出了一个性能下限。如果连DNN都跑不好说明数据预处理或标签定义有问题你先别折腾复杂的模型回头检查数据。第二它是判断复杂模型是否有效的参照系。如果BiGRU只比DNN高两个点你要考虑这个提升是否值得额外的计算开销和调参成本。RNN则是最原始的循环结构。说实话纯粹的vanilla RNN在EEG情绪识别中我基本不用因为梯度消失问题太严重长序列上效果远不如LSTM/GRU。但我在整理压缩包时还是把它放进去了主要是有时候需要跑对比实验论文审稿人可能会要求补充vanilla RNN作为基线。如果你也想跑这个基线记得把序列长度控制在几百以内否则基本训练不出来。2.5 六个模型的横向对比速览用表格把这六个模型的定位整理一下方便你快速对照模型输入形式核心建模维度优点缺点典型用途DNN展平的一维特征特征非线性组合简单、稳定、快速忽略时空结构性能基线CNN通道×时间或时频图局部时空模式特征提取强、训练快对电极拓扑不敏感通用特征提取RNN时间序列时间依赖原理简单、序列建模梯度消失、长序列差对比基线LSTM时间序列长期时间依赖记忆长、效果好参数多、训练慢时序特征建模BiGRU时间序列双向时间依赖参数少、双向上下文长序列仍有遗忘问题情绪动态建模GCN图节点特征电极空间拓扑显式建模通道关系依赖邻接矩阵质量空间关系重点场景3. 实操落地与模型选型3.1 到底怎么选模型从任务需求反推很多朋友在刚开始做EEG情绪识别时都有一个共同的困惑这么多模型我该用哪一个我的建议是不要拍脑袋选而是从你的任务需求反推。考虑三个问题第一你的数据规模有多大脑电数据集的样本量普遍不大公开数据集DEAP大概是768个有效样本32被试×24试次SEED大概是900个样本左右。在这个规模下参数量巨大的模型很容易过拟合。LSTM、BiGRU这类循环网络的参数量中等偏小比较匹配而深层CNN如果设计不当参数量奔着几百万去就很容易在验证集上打架。第二你的特征输入是原始信号还是手工特征如果你用的是微分熵、功率谱密度这类手工特征特征的维度通常不高DNN或浅层CNN就足够了。如果你直接输入原始EEG波形那必须有CNN或RNN这类能够自动提取时序特征的模型。第三你是否关注电极之间的空间关系如果你的研究问题涉及脑区之间的协同活动比如想看前额叶和顶叶在情绪加工中的交互GCN是更合理的选择。如果只是想把分类准确率做到最高不关心脑区机制那用CNNBiGRU的组合通常更省事。我自己常用的选型决策如下快速验证可行性DNN纯分类任务、性能优先CNN或CNN注意力情绪动态变化过程分析BiGRU多脑区协同机制研究GCN或GCN时间卷积追求SOTA、算力充足CNNBiGRU注意力混合模型3.2 混合模型怎么搭以CNNBiGRU注意力为例单模型各有短板混合模型是提升性能的有效手段。我在最终方案里用得最多的是CNNBiGRU注意力机制的组合下面把搭建过程讲详细一点。整体的设计思路是各取所长CNN层负责提取局部时空特征相当于先做第一层特征工程BiGRU层负责对CNN输出的特征序列进行时序建模捕捉情绪的演化过程注意力层负责对不同时间步的重要性进行加权因为不是每一个时间点对情绪判断同样重要最后经过全连接层输出分类结果。具体结构代码如下class CNN_BiGRU_Attention(nn.Module): def __init__(self, n_channels32, n_timesteps128, num_classes4): super().__init__() # CNN特征提取部分 self.conv1 nn.Sequential( nn.Conv2d(1, 32, kernel_size(3, 3), padding1), nn.BatchNorm2d(32), nn.ReLU(), nn.MaxPool2d(kernel_size(2, 2)) # (32, n_channels//2, n_timesteps//2) ) self.conv2 nn.Sequential( nn.Conv2d(32, 64, kernel_size(3, 3), padding1), nn.BatchNorm2d(64), nn.ReLU(), nn.MaxPool2d(kernel_size(2, 2)) # (64, n_channels//4, n_timesteps//4) ) # BiGRU层 hidden_size 128 self.bigru nn.GRU( input_size64 * (n_channels // 4), hidden_sizehidden_size, num_layers2, bidirectionalTrue, batch_firstTrue, dropout0.3 ) # 注意力层 self.attention nn.Sequential( nn.Linear(hidden_size * 2, hidden_size), nn.Tanh(), nn.Linear(hidden_size, 1) ) self.fc nn.Linear(hidden_size * 2, num_classes) def forward(self, x): # x: (batch, channels, time_steps) - (batch, 1, channels, time_steps) x x.unsqueeze(1) x self.conv1(x) x self.conv2(x) batch, _, n_channels, n_timesteps x.shape # 重新排列成序列形式把通道维并到特征维 x x.permute(0, 3, 1, 2) # (batch, time, channels, features) x x.reshape(batch, n_timesteps, -1) # (batch, time, 64 * channels/4) out, _ self.bigru(x) # (batch, time, hidden_size*2) # 注意力加权 attn_scores self.attention(out) # (batch, time, 1) attn_weights torch.softmax(attn_scores, dim1) context torch.sum(attn_weights * out, dim1) # (batch, hidden*2) return self.fc(context)在实际跑这个结构时有几个细节值得注意池化层会大幅缩短时间维。如果你的原始时间步数为128经过两次2倍下采样后只剩32个时间步这个长度对BiGRU来说有点短会限制时序建模的效果。所以卷积层的下采样不要做得太狠或者干脆只在通道维上池化时间维保持原长度。注意力层的计算最好在时间维上进行归一化不是通道维。双向GRU的输出维度是hidden_size*2后面所有层的输入维度都要跟着调整这个新手最容易出错。这个混合模型我在DEAP数据集上的4分类valence高/低 × arousal高/低准确率在86%到90%之间比单独使用CNN或单独使用BiGRU能高出3到5个百分点训练成本比CNN略高但还在可接受范围内。3.3 数据处理流程与关键参数模型再复杂数据预处理做不好一切都是零。我在这个项目里总结了一条比较稳定的EEG预处理流水线从原始数据到模型输入一共五个步骤第一步信号滤波。EEG的有效频段通常在0.5Hz到50Hz之间。低于0.5Hz的漂移噪声和高干50Hz的肌电伪迹、高频噪声都是干扰。我用的是带通滤波在MNE库中可以直接用mne.filter.filter_data实现。注意滤波器的阶数不要太高否则会产生振铃效应导致信号边缘失真。第二步分段与基线校正。根据实验范式把连续EEG按情绪刺激的起止时间切成片段。分段之后做基线校正用刺激开始前200毫秒的平均电位作为基线从整段信号中减去这样可以消除直流漂移的影响。第三步伪迹去除。眼电伪迹是EEG情绪识别的大敌眨眼产生的巨大眼电尖峰会淹没真实的情绪相关信号。传统的ICA去除法效果不错但很费时间。实操中我采用了两步策略先用幅度阈值法剔除异常幅值超过±100μV的坏段再对剩余数据做ICA去除眼电分量。第四步特征计算可选。如果你打算用CNN直接处理原始波形这一步可以跳过。但如果用DNN或GCN我建议先计算差分熵特征这是EEG情绪识别中效果最好且最稳定的手工特征之一。第五步归一化。分别对训练集和测试集做z-score归一化注意一定是“分别”做不能在训练集上计算均值和方差后直接套到测试集上也不能把两类数据混在一起求归一化参数。这里有一个特别容易踩的坑样本划分必须在预处理之前进行。很多人先对全部数据做了时间平滑、滤波、归一化然后才划分训练集和测试集这会引入非常严重的数据泄漏导致测试集准确率虚高但模型实际部署后效果崩盘。正确的顺序是先把连续EEG数据按照实验试次分开然后按照被试或试次划分训练集和测试集最后在训练集上拟合预处理参数用拟合好的参数处理测试集。3.4 训练细节与超参数调优经验模型结构定了训练环节同样影响最终表现。我在几十组实验中总结出几个最重要的训练细节分享给大家。学习率是最关键的超参数。我在EEG情绪识别任务中最常用的优化器是Adam学习率初始值设为1e-4到1e-3之间配合余弦退火或ReduceLROnPlateau做动态调整。EEG数据集不仅样本量小而且噪声大学习率一高很容易在训练初期就震荡甚至发散。如果发现训练损失在前几个epoch不下降反而上升先不要怀疑模型结构把学习率除以10再试一次。Batch size选择很讲究。EEG数据集的样本量本来就小如果batch size设得太大一个batch可能就覆盖了训练集的很大一部分训练过程会非常不稳定。我通常用16或32。如果类别不均衡严重可以考虑在DataLoader中设置sampler做类别平衡采样。Early stopping要配合监控指标设置。不要只盯训练损失要同时监控验证集准确率并设置一个合适的patience我一般用15到30个epoch。这里有个经验之谈EEG模型的训练损失曲线往往看起来比实际效果更乐观因为信号中的噪声具有很强的模式模型会先学会拟合噪声再学会拟合信号这个过程在损失曲线上不会太明显。所以一定以验证集指标为准。随机种子一定要固定。EEG实验的随机性来源很多数据加载顺序、权重初始化、dropout掩码、数据增强都会引入随机波动。如果不固定随机种子同一份代码跑两次结果可能差出3到5个点这会完全掩盖模型之间的真实差异。我在模型库的代码里加了seed_everything(42)函数每次实验前固定所有随机源。4. 常见问题与排查技巧实录4.1 训练集准确率很高测试集却一塌糊涂这个问题在EEG情绪识别里太常见了本质上就是过拟合。EEG数据集样本量小、个体差异大模型的拟合能力很容易“过头”把训练集中的个体特征和噪声一并记住。我的排查思路是这样的先看训练样本量和模型参数量是否匹配。如果样本量只有几百模型参数却有几百万过拟合几乎是必然的。解决办法是给网络加正则化包括Dropout、权重衰减和早停。在CNNBiGRU的结构中我在卷积层之后加Dropout(0.3)在BiGRU层内部设置dropout0.3在最后的全连接层之前再加一个Dropout(0.5)三层防护下来过拟合现象明显缓解。另一个更有效的手段是数据增强。EEG增强不像图像增强那么成熟但有两个方法实测有效一是给信号加小幅高斯噪声幅值控制在原始信号标准差的0.05倍以内每次训练时随机加相当于在样本附近做扰动二是在时间轴上随机裁剪或缩放模拟不同被试在相同情绪条件下时间节律的差异。如果数据量实在太小可以考虑迁移学习。先在源域数据集上预训练模型再在你的数据集上微调。我在SEED上预训练过的特征提取器迁移到DEAP上做微调后比直接在DEAP上从零训练的效果普遍高出2到4个百分点。4.2 邻接矩阵怎么构造才能让GCN发挥效果GCN在EEG情绪识别中的表现高度依赖邻接矩阵的构造方式。如果你发现GCN效果比DNN还差问题大概率出在邻接矩阵上。我踩过的坑是一开始直接把邻接矩阵设为所有元素都为1的全连接矩阵结果GCN完全退化准确率甚至不如DNN。后来换成了距离阈值法利用电极在10-20系统中的标准坐标计算两两距离只保留距离小于某个阈值的边。阈值的选择很关键设太大边太多、图结构被稀释设太小图过于稀疏、信息无法传播。我建议用“保边率”这个概念来调节阈值计算所有电极对的距离排序选择阈值使边数占所有可能边数的比例在10%到30%之间。这个范围通常能保证图具有足够的连通性又不会退化成全连接。此外邻接矩阵一定要做归一化处理。GCN的标准做法是用D^(-1/2) A D^(-1/2)对邻接矩阵做对称归一化目的是让不同度数的节点在信息传播时权重均衡。如果不做这个处理度数高的节点会主导整个图的信息流让模型训练不稳定。4.3 不同被试的差别太大模型泛化能力弱这是一个让所有EEG研究者头疼的问题。同一个模型A被试上准确率能有90%到了B被试上直接跌到60%。这背后的原因很多头型头围不同导致电极实际位置偏移、皮肤阻抗不同导致信号质量差异、情绪反应模式本身存在巨大的个体差异。我处理这个问题的常用策略是做跨被试leave-one-subject-out评估。把N个被试中的N-1个作为训练集剩下的1个作为测试集轮流做N次实验最后取平均结果。这个评估方式比简单随机划分要严格得多也更接近实际应用场景。我在发布压缩包里的评估脚本时默认就设置了这种评估模式。如果跨被试效果确实很差可以考虑做被试自适应subject adaptation。简单的方法是先用所有数据预训练一个通用特征提取器然后对每个新被试采集少量标注样本做微调。这种方法在脑机接口领域应用很成熟情绪识别也可以借鉴。4.4 模型推理速度与部署注意事项深度学习模型情绪识别要落地推理速度是绕不开的问题。DNN和CNN的推理速度非常快在小数据集上单条样本的推理时间在毫秒级别。BiGRU因为是循环结构推理时需要逐步计算隐藏状态速度比CNN慢一些但通常在单条2秒的EEG片段上也能控制在10毫秒以内。真正影响推理速度的是GCN。因为GCN需要将邻接矩阵与特征矩阵做矩阵乘法而且图的大小电极数决定了计算量。如果电极数只有32计算量很小但如果到了128通道GCN的推理速度会明显下降。部署时需要重点考虑的是模型格式转换。我通常用ONNX格式做跨平台部署。但要注意GRU在转换到ONNX时有时会遇到算子不兼容的问题PyTorch新版版本的torch.onnx.export已经基本支持但个别版本的opset设置有坑。我的建议是如果部署平台支持PyTorch就直接用PyTorch推理不支持再用ONNX不要一上来就给自己增加额外的复杂度。5. 常见问题排查速查表为了让你在调试时快速定位问题我把实操中遇到过的高频问题整理成了速查表问题现象可能原因解决办法训练损失不下降学习率过大或过小尝试1e-4/3e-4/1e-3观察前10个epoch训练集99%验证集60%严重过拟合增加Dropout、数据增强、早停不同random seed结果差5个点模型未收敛加大epoch 早停检查学习率衰减换了被试效果骤降个体差异大使用跨被试评估、尝试被试自适应GCN效果不如DNN邻接矩阵构造不合理检查图的连通性、边数比例、归一化滤波器导致信号边缘失真滤波器阶数过高降低阶数或用零相位滤波BiGRU训练特别慢序列过长缩短分段长度或先用CNN做下采样验证集准确率忽高忽低batch size过小增大batch size或固定随机种子6. 从模型库到论文/项目的扩展方向这个小模型库的价值不在代码本身而在于它给了你一个清晰的实验框架。如果你想在这个方向上继续深入我建议从这几个方向做扩展。第一注意力机制可视化。在CNNBiGRU注意力模型中注意力权重本身就可以作为解释情绪动态变化的依据。你可以把每个时间步的注意力权重画出来看模型在做情绪判断时到底关注哪些时间段的信号。这个可视化结果非常适合放进论文里既有解释力又能证明模型确实学到了与情绪相关的模式。第二多模态融合。EEG虽然好用但只用EEG情绪识别能获取的信息维度有限。把EEG和眼动信号、皮肤电信号做多模态融合在公开数据集上通常能再提升几个准确率点。模型库的架构设计时预留了融合层接口接多模态输入比较方便。第三域自适应方法。跨被试识别是情绪识别落地最大的障碍。你可以尝试在特征提取器后面加入对抗训练分支让模型学会提取与个体无关的情绪特征。这个方法在论文里很受欢迎实际效果也的确能提升跨被试泛化能力。第四轻量化模型。如果需要部署到移动端或嵌入式设备模型压缩是必须的。知识蒸馏、通道剪枝、量化都可以做。我在实际项目里把CNNBiGRU的结构做了剪枝在准确率损失不到2个点的情况下把模型体积压缩到了原来的四分之一。把我自己实际用的几个关键经验再做一次总结希望能帮你避开我走过的弯路第一做EEG情绪识别不要一上来就堆复杂模型。先用最简单DNN跑通整个流程确认数据没问题、评估指标可信再逐步引入更复杂的模型。第二横向对比一定要在同一套数据预处理和评估协议下进行。我见过不少论文其实是模型没调好不是模型不好就急着下结论说某种结构比另一种差这很容易误导同类研究者。第三实验记录要完整。每次跑完一组实验记录下模型结构、超参数、随机种子、训练损失曲线、验证集指标。这个压缩包的诞生原因就是因为我自己早期不重视实验记录后来想复现一个效果很好的LSTM版本竟然忘了当初用了什么学习率和窗口长度。EEG情绪识别这个方向好玩的地方就在于它把心理学、信号处理和深度学习三个领域的知识揉在了一起每一步都有让人惊喜的发现。这套模型库里的每一个模型都是我用时间和调参换来的经验现在整理出来希望正在这个方向上探索的你也能用它们跑出更好的结果。本文还有配套的精品资源点击获取 脑电情绪识别深度学习模型实战：从DNN到GCN与BiGRU
简介本资源面向脑机接口、情感计算及神经工程方向的研究者与研究生聚焦脑电情绪识别这一典型任务提供覆盖主流深度学习范式的完整模型实现方案。压缩包内含74个文件以57个Python脚本为核心含BiGRU、LSTM、CNN、GCN、DNN、RNN等23种模型实现、9个MATLAB脚本用于信号预处理与特征验证、3个说明文档及3个Markdown格式的使用指南整体仅153KB轻量易部署。已有2231人下载学习适用于DEAP、SEED等公开脑电数据集的快速建模与对比实验。读者可直接复用从EDF文件读取、滤波分段、标签对齐到模型训练评估的全流程代码所有模型均附带统一接口封装与超参配置模板显著降低算法复现门槛并支持模块化替换与性能横向对比。 最近整理工作台的时候翻出了一个压缩包名字特别长EEG models(BiGRU,lstm,cnn,gcn,dnn,rnn等等).zip。这是我自己在做脑电情绪识别时攒下来的全套深度学习模型从最早的DNN基线到后来常用的LSTM、CNN再到图卷积GCN、双向门控循环单元BiGRU前前后后改了几十版最后干脆把能用的、能用得上的、试过但没上线的一起打包存了档。这个压缩包现在看起来像是个小型模型动物园但就是靠这套东西我在DEAP、SEED这类公开数据集上把情绪二分类准确率从最开始的78%左右一路做到了90%上下。今天就把这里面的模型选择思路、每个模型的定位、以及我在调参过程中踩过的坑统一写出来给正在做脑电情绪识别、或者正准备踏入这个方向的朋友当一份参考。不管你是刚入门的硕士生、准备发论文的研究者还是想在企业里做情绪计算落地的工程师这篇文章都能帮你少走不少弯路。1. 内容整体设计与思路拆解1.1 脑电情绪识别到底是个什么任务先把这个任务的本质说清楚。脑电情绪识别不是纯粹的分类任务也不是纯粹的时间序列预测它实际上是一个“时空特征”联合建模的问题。为什么要强调时空特征因为脑电信号本身有两个天然维度空间维度EEG电极分布在头皮的不同位置比如国际10-20系统的32通道、64通道或者128通道每个电极对应大脑不同脑区的电活动。情绪的产生往往涉及多个脑区的协同比如前额叶的不对称性与效价valence相关杏仁核、颞叶与情绪 arousal 相关这些脑区的激活模式在电极上会呈现空间分布特性。时间维度EEG采样率一般在128Hz到512Hz之间一段几秒钟的刺激片段会产生几百到几千个采样点。情绪的诱发和变化是动态过程前200毫秒的早期成分和后500毫秒的晚期成分负载的信息完全不同。所以这个任务的目标可以抽象成一句话给定一段多通道的EEG时间序列通过学习其空间拓扑结构中的非线性变化和时间维度上的动态演化来预测当前情绪状态效价、唤醒度或者离散情绪类别。这个任务本质上是非平稳的、非线性的、低信噪比的。肌电伪迹、眼电伪迹、工频干扰都会混在信号里而且个体差异非常大同一段情绪刺激在不同被试身上诱发的EEG模式可能差别很大。这就是为什么单纯靠传统机器学习特征比如功率谱密度、微分熵虽然能做但泛化能力有限。深度学习模型的价值就在于它能在原始信号或浅层特征的基础上自动学习到更鲁棒的表征。1.2 为什么这个压缩包里要塞下这么多模型很多朋友问我做EEG情绪识别选一个模型不就行了吗为什么要同时维护BiGRU、LSTM、CNN、GCN、DNN、RNN这么多种说实话早期我也天真地以为会有“一个最强模型”能通吃所有情况。但做的实验越多越发现这件事不现实。不同的模型设计思路对应的是对EEG信号不同维度的建模假设选模型本质上是选“你用什么样的先验去解释脑电信号”。CNN的假设是EEG特征存在局部相关性相邻时间点或相邻频段的特征具有局部模式可以通过卷积核自动提取。RNN/LSTM/GRU的假设是EEG是一个时间序列情绪状态的变化是随时间演化的需要用循环结构记住长期的上下文依赖。GCN的假设是EEG电极不是孤立的电极之间按照大脑皮层的物理位置存在拓扑连接关系这种连接关系应当被显式建模。DNN的假设是只要特征提取得好直接用全连接网络做非线性映射就够了简单粗暴但有效。所以最合理的做法不是选择一个模型而是把这些模型放在同一套数据预处理流程、同一个训练框架下做横向对比。这样你才知道对于你手头的数据集、你的预处理方式、你的情绪标签定义到底哪种归纳偏置是更合理的。这个压缩包本质上就是这样一份“模型横向对比工具库”。每个模型文件都遵循统一的接口输入形状一致、输出层一致、训练评估脚本一致改一个参数就能切换模型非常方便做实验。1.3 这套模型库的组织方式我打包时按照模型类型分了目录结构大致是EEG_models/ ├── data_loader.py # 统一的EEG数据加载与预处理 ├── config.py # 公共配置采样率、电极数、分段长度等 ├── models/ │ ├── dnn.py │ ├── cnn.py │ ├── rnn.py │ ├── lstm.py │ ├── birgru.py │ └── gcn.py ├── train.py # 统一训练入口 ├── evaluate.py └── utils/ ├── metrics.py └── plot_utils.py每个模型文件都实现了一个统一的接口class BaseModel(nn.Module): def forward(self, x): # x shape: (batch, channels, time_steps) raise NotImplementedError训练脚本读取配置文件里的model_name字段自动实例化对应的模型。这样我可以在几分钟内跑完一组对比实验然后把结果填进实验记录表。这个设计本身没什么技术含量但非常实用强烈建议做这个方向的朋友也采用类似的结构。2. 核心模型逐一拆解每个模型到底在干什么2.1 CNN从局部特征到时空模式的提取器CNN在EEG情绪识别里的应用可以说非常成熟。我看到很多论文里用2D CNN把EEG信号处理成类似图像的结构但实际做下来我建议你先从1D CNN和3D CNN两个变体入手。1D CNN处理的是每个通道单独的时间序列卷积核在时间维上滑动提取的是时间上的局部模式比如某个频段的事件相关同步/去同步变化、短时能量波动。这种方式把每个通道当成独立的特征流早期用得很广但缺点是没有建模通道之间的关联。3D CNN则把EEG数据组织成通道 × 时间 × 频段的三维张量。举个例子先用短时傅里叶变换把每段EEG转成时频图然后把所有通道叠起来形成(32, T, F)的三维输入再用3D卷积同时提取时间、频率、空间上的局部模式。这种做法我在DEAP上效果不错缺点是计算量偏大而且需要精细调参。我实际最常用的CNN结构是2D CNN配合通道 × 时间的输入布局class EEG_CNN2D(nn.Module): def __init__(self, n_channels32, n_timesteps128, num_classes4): super().__init__() self.conv1 nn.Sequential( nn.Conv2d(1, 16, kernel_size(3, 3), padding1), nn.BatchNorm2d(16), nn.ReLU(), nn.MaxPool2d(kernel_size(2, 2)) ) self.conv2 nn.Sequential( nn.Conv2d(16, 32, kernel_size(3, 3), padding1), nn.BatchNorm2d(32), nn.ReLU(), nn.MaxPool2d(kernel_size(2, 2)) ) self.fc nn.Linear(32 * (n_channels // 4) * (n_timesteps // 4), num_classes) def forward(self, x): # x: (batch, channels, time_steps) x x.unsqueeze(1) # (batch, 1, channels, time_steps) x self.conv1(x) x self.conv2(x) x x.view(x.size(0), -1) return self.fc(x)注意这个输入布局把通道维放在高维、时间维放在宽维卷积核同时覆盖局部通道邻域和时间邻域。相当于同时提取“相邻脑区的协同活动”和“短时时间动态”。这里的kernel_size(3,3)就是每次看3×3的局部时空块这与功能磁共振成像里常用的局部感受野思路一脉相承。注意CNN虽好但有一个前提输入数据必须是“空间相邻有意义”的。如果你的电极排列不是按照头皮拓扑位置排列的而是随意排布的那2D CNN的局部感受野假设就不成立。这种情况我建议要么用1D CNN逐通道提取再加融合层要么直接换GCN。2.2 LSTM与BiGRU捕捉情绪的时间演化EEG情绪识别中时间依赖是绕不开的。情绪不是一瞬间的爆发而是一个持续演化的过程。比如看一段恐怖电影片段你的紧张情绪会在几十秒内逐步上升这个过程中EEG的θ波和β波活动模式是渐变的。LSTM这类循环神经网络就是为了捕捉这种时间维度上的长期依赖。但这里有个很多人不知道的细节标准LSTM是单向的也就是说它只能从过去的信号推知当前的情绪状态。然而情绪心理学的研究表明EEG对情绪刺激的反应既有前馈成分也有反馈成分而且某些情绪成分比如后期正电位LPP在刺激呈现后几百毫秒才达到峰值。这意味着如果你想利用刺激后段的信号来判断当前情绪单向LSTM是不够的需要双向建模。BiGRU就是在这个思路上比LSTM更适合EEG情绪识别的模型之一。GRU是LSTM的简化版只有两个门更新门和重置门参数更少、训练更快但效果通常不输LSTM。双向结构则叠加了一个反向的GRU层让网络同时看到每个时间点之前和之后的上下文。以下是我在模型库中常用的BiGRU结构class BiGRU_EEG(nn.Module): def __init__(self, input_size32, hidden_size64, num_layers2, num_classes4): super().__init__() # input_size: 每个时间步的特征维度即电极通道数 self.bigru nn.GRU( input_sizeinput_size, hidden_sizehidden_size, num_layersnum_layers, bidirectionalTrue, batch_firstTrue, dropout0.3 ) self.fc nn.Linear(hidden_size * 2, num_classes) def forward(self, x): # x: (batch, channels, time_steps) - (batch, time_steps, channels) x x.permute(0, 2, 1) out, _ self.bigru(x) # 取最后一个时间步的输出或者用全局平均池化 out out[:, -1, :] return self.fc(out)这里有个关键参数input_size。很多初学者会把input_size设成EEG的采样点数这是不对的。在循环神经网络里input_size是每个时间步输入的特征数。对于EEG来说如果你的时间步是一个采样点那每个时间步的特征就是该时刻所有通道的电压值所以input_size 通道数。如果你的时间步是一个时间窗口比如每100ms取一个窗口的平均功率那input_size就是窗口特征数。用BiGRU做EEG情绪识别我实际跑下来的感受是它对中等长度的时间序列例如2-4秒的分段效果很好能够捕捉到情绪刺激的动态演化过程。但如果分段太长超过10秒GRU的隐藏状态可能会被无关信息淹没反而效果不如直接用CNN注意力机制。2.3 GCN显式建模电极之间的空间拓扑GCN图卷积网络是这套模型库里最特别的一个也是很多人一看到就头疼的模型。我的理解是GCN解决的是CNN的一个根本性缺陷CNN假设输入数据排列在规则网格上但EEG电极在头皮上的分布不是规则网格。打个比方F7和F8两个电极在10-20系统中分别位于左前额和右前额物理距离很远但它们在功能上常常是强相关的情绪效价研究中前额叶不对称性就是基于这两个电极的差异。CNN的卷积核如果采用3×3的局部感受野想要同时覆盖F7和F8需要经过多层堆叠而且中间还隔着很多不相关的通道。GCN则直接把这种“远距离但强相关”的关系通过图的边显式连接起来。GCN的核心是邻接矩阵。在EEG情绪识别中构造邻接矩阵通常有三种方式距离法根据电极物理坐标计算欧氏距离距离小于阈值的电极之间连边。相关法计算每个电极对之间的皮尔逊相关系数相关系数高于阈值的连边。功能连接法计算锁相值或相干性用功能连接强度作为边的权重。我最早用的是距离法后来换成了“距离相关性”的混合法。具体做法是先用物理距离确定图的骨架再用训练集上的平均相关性对边权重进行加权。这样既保持了大脑的解剖学结构又融入了功能连接的先验信息。GCN的前向传播可以用一个简化的代码表示class GCN_EEG(nn.Module): def __init__(self, n_channels32, hidden64, num_classes4): super().__init__() self.gc1 GCNLayer(n_channels, hidden) self.gc2 GCNLayer(hidden, hidden) self.fc nn.Linear(hidden, num_classes) def forward(self, x, adj): # x: (batch, n_channels, time_steps) # 先对时间维做聚合得到每个节点的特征例如全局平均池化 x x.mean(dim-1) # (batch, n_channels) x self.gc1(x, adj) x torch.relu(x) x self.gc2(x, adj) return self.fc(x)在这个简化版本里我先把整段时间上的信号做了平均池化得到一个(通道数,)的节点特征然后在电极图上做两层的图卷积。这样做的问题是丢掉了时间信息所以实际模型中我通常会在图卷积之前先接一个时间卷积层让时间信息先被压缩成高维特征再做图卷积。GCN的性能上限取决于邻接矩阵的质量。如果邻接矩阵构造得不好GCN的效果甚至不如DNN。我见过很多论文把邻接矩阵设为全连接图每对电极都连边这样GCN就退化成了普通的全连接网络完全失去了图结构的意义。2.4 DNN与RNN简单基线但必不可少DNN深度全连接网络是这套模型库里的最简版本也是我每次做新数据集都必须跑一遍的基线。DNN的思路是把所有特征拼成一个一维向量然后过几个全连接层。比如把32通道、每通道128个时间点的信号直接展平成4096维向量输入到4096 → 1024 → 512 → 4的全连接网络中。结构极其简单但它的意义非常重要第一它给出了一个性能下限。如果连DNN都跑不好说明数据预处理或标签定义有问题你先别折腾复杂的模型回头检查数据。第二它是判断复杂模型是否有效的参照系。如果BiGRU只比DNN高两个点你要考虑这个提升是否值得额外的计算开销和调参成本。RNN则是最原始的循环结构。说实话纯粹的vanilla RNN在EEG情绪识别中我基本不用因为梯度消失问题太严重长序列上效果远不如LSTM/GRU。但我在整理压缩包时还是把它放进去了主要是有时候需要跑对比实验论文审稿人可能会要求补充vanilla RNN作为基线。如果你也想跑这个基线记得把序列长度控制在几百以内否则基本训练不出来。2.5 六个模型的横向对比速览用表格把这六个模型的定位整理一下方便你快速对照模型输入形式核心建模维度优点缺点典型用途DNN展平的一维特征特征非线性组合简单、稳定、快速忽略时空结构性能基线CNN通道×时间或时频图局部时空模式特征提取强、训练快对电极拓扑不敏感通用特征提取RNN时间序列时间依赖原理简单、序列建模梯度消失、长序列差对比基线LSTM时间序列长期时间依赖记忆长、效果好参数多、训练慢时序特征建模BiGRU时间序列双向时间依赖参数少、双向上下文长序列仍有遗忘问题情绪动态建模GCN图节点特征电极空间拓扑显式建模通道关系依赖邻接矩阵质量空间关系重点场景3. 实操落地与模型选型3.1 到底怎么选模型从任务需求反推很多朋友在刚开始做EEG情绪识别时都有一个共同的困惑这么多模型我该用哪一个我的建议是不要拍脑袋选而是从你的任务需求反推。考虑三个问题第一你的数据规模有多大脑电数据集的样本量普遍不大公开数据集DEAP大概是768个有效样本32被试×24试次SEED大概是900个样本左右。在这个规模下参数量巨大的模型很容易过拟合。LSTM、BiGRU这类循环网络的参数量中等偏小比较匹配而深层CNN如果设计不当参数量奔着几百万去就很容易在验证集上打架。第二你的特征输入是原始信号还是手工特征如果你用的是微分熵、功率谱密度这类手工特征特征的维度通常不高DNN或浅层CNN就足够了。如果你直接输入原始EEG波形那必须有CNN或RNN这类能够自动提取时序特征的模型。第三你是否关注电极之间的空间关系如果你的研究问题涉及脑区之间的协同活动比如想看前额叶和顶叶在情绪加工中的交互GCN是更合理的选择。如果只是想把分类准确率做到最高不关心脑区机制那用CNNBiGRU的组合通常更省事。我自己常用的选型决策如下快速验证可行性DNN纯分类任务、性能优先CNN或CNN注意力情绪动态变化过程分析BiGRU多脑区协同机制研究GCN或GCN时间卷积追求SOTA、算力充足CNNBiGRU注意力混合模型3.2 混合模型怎么搭以CNNBiGRU注意力为例单模型各有短板混合模型是提升性能的有效手段。我在最终方案里用得最多的是CNNBiGRU注意力机制的组合下面把搭建过程讲详细一点。整体的设计思路是各取所长CNN层负责提取局部时空特征相当于先做第一层特征工程BiGRU层负责对CNN输出的特征序列进行时序建模捕捉情绪的演化过程注意力层负责对不同时间步的重要性进行加权因为不是每一个时间点对情绪判断同样重要最后经过全连接层输出分类结果。具体结构代码如下class CNN_BiGRU_Attention(nn.Module): def __init__(self, n_channels32, n_timesteps128, num_classes4): super().__init__() # CNN特征提取部分 self.conv1 nn.Sequential( nn.Conv2d(1, 32, kernel_size(3, 3), padding1), nn.BatchNorm2d(32), nn.ReLU(), nn.MaxPool2d(kernel_size(2, 2)) # (32, n_channels//2, n_timesteps//2) ) self.conv2 nn.Sequential( nn.Conv2d(32, 64, kernel_size(3, 3), padding1), nn.BatchNorm2d(64), nn.ReLU(), nn.MaxPool2d(kernel_size(2, 2)) # (64, n_channels//4, n_timesteps//4) ) # BiGRU层 hidden_size 128 self.bigru nn.GRU( input_size64 * (n_channels // 4), hidden_sizehidden_size, num_layers2, bidirectionalTrue, batch_firstTrue, dropout0.3 ) # 注意力层 self.attention nn.Sequential( nn.Linear(hidden_size * 2, hidden_size), nn.Tanh(), nn.Linear(hidden_size, 1) ) self.fc nn.Linear(hidden_size * 2, num_classes) def forward(self, x): # x: (batch, channels, time_steps) - (batch, 1, channels, time_steps) x x.unsqueeze(1) x self.conv1(x) x self.conv2(x) batch, _, n_channels, n_timesteps x.shape # 重新排列成序列形式把通道维并到特征维 x x.permute(0, 3, 1, 2) # (batch, time, channels, features) x x.reshape(batch, n_timesteps, -1) # (batch, time, 64 * channels/4) out, _ self.bigru(x) # (batch, time, hidden_size*2) # 注意力加权 attn_scores self.attention(out) # (batch, time, 1) attn_weights torch.softmax(attn_scores, dim1) context torch.sum(attn_weights * out, dim1) # (batch, hidden*2) return self.fc(context)在实际跑这个结构时有几个细节值得注意池化层会大幅缩短时间维。如果你的原始时间步数为128经过两次2倍下采样后只剩32个时间步这个长度对BiGRU来说有点短会限制时序建模的效果。所以卷积层的下采样不要做得太狠或者干脆只在通道维上池化时间维保持原长度。注意力层的计算最好在时间维上进行归一化不是通道维。双向GRU的输出维度是hidden_size*2后面所有层的输入维度都要跟着调整这个新手最容易出错。这个混合模型我在DEAP数据集上的4分类valence高/低 × arousal高/低准确率在86%到90%之间比单独使用CNN或单独使用BiGRU能高出3到5个百分点训练成本比CNN略高但还在可接受范围内。3.3 数据处理流程与关键参数模型再复杂数据预处理做不好一切都是零。我在这个项目里总结了一条比较稳定的EEG预处理流水线从原始数据到模型输入一共五个步骤第一步信号滤波。EEG的有效频段通常在0.5Hz到50Hz之间。低于0.5Hz的漂移噪声和高干50Hz的肌电伪迹、高频噪声都是干扰。我用的是带通滤波在MNE库中可以直接用mne.filter.filter_data实现。注意滤波器的阶数不要太高否则会产生振铃效应导致信号边缘失真。第二步分段与基线校正。根据实验范式把连续EEG按情绪刺激的起止时间切成片段。分段之后做基线校正用刺激开始前200毫秒的平均电位作为基线从整段信号中减去这样可以消除直流漂移的影响。第三步伪迹去除。眼电伪迹是EEG情绪识别的大敌眨眼产生的巨大眼电尖峰会淹没真实的情绪相关信号。传统的ICA去除法效果不错但很费时间。实操中我采用了两步策略先用幅度阈值法剔除异常幅值超过±100μV的坏段再对剩余数据做ICA去除眼电分量。第四步特征计算可选。如果你打算用CNN直接处理原始波形这一步可以跳过。但如果用DNN或GCN我建议先计算差分熵特征这是EEG情绪识别中效果最好且最稳定的手工特征之一。第五步归一化。分别对训练集和测试集做z-score归一化注意一定是“分别”做不能在训练集上计算均值和方差后直接套到测试集上也不能把两类数据混在一起求归一化参数。这里有一个特别容易踩的坑样本划分必须在预处理之前进行。很多人先对全部数据做了时间平滑、滤波、归一化然后才划分训练集和测试集这会引入非常严重的数据泄漏导致测试集准确率虚高但模型实际部署后效果崩盘。正确的顺序是先把连续EEG数据按照实验试次分开然后按照被试或试次划分训练集和测试集最后在训练集上拟合预处理参数用拟合好的参数处理测试集。3.4 训练细节与超参数调优经验模型结构定了训练环节同样影响最终表现。我在几十组实验中总结出几个最重要的训练细节分享给大家。学习率是最关键的超参数。我在EEG情绪识别任务中最常用的优化器是Adam学习率初始值设为1e-4到1e-3之间配合余弦退火或ReduceLROnPlateau做动态调整。EEG数据集不仅样本量小而且噪声大学习率一高很容易在训练初期就震荡甚至发散。如果发现训练损失在前几个epoch不下降反而上升先不要怀疑模型结构把学习率除以10再试一次。Batch size选择很讲究。EEG数据集的样本量本来就小如果batch size设得太大一个batch可能就覆盖了训练集的很大一部分训练过程会非常不稳定。我通常用16或32。如果类别不均衡严重可以考虑在DataLoader中设置sampler做类别平衡采样。Early stopping要配合监控指标设置。不要只盯训练损失要同时监控验证集准确率并设置一个合适的patience我一般用15到30个epoch。这里有个经验之谈EEG模型的训练损失曲线往往看起来比实际效果更乐观因为信号中的噪声具有很强的模式模型会先学会拟合噪声再学会拟合信号这个过程在损失曲线上不会太明显。所以一定以验证集指标为准。随机种子一定要固定。EEG实验的随机性来源很多数据加载顺序、权重初始化、dropout掩码、数据增强都会引入随机波动。如果不固定随机种子同一份代码跑两次结果可能差出3到5个点这会完全掩盖模型之间的真实差异。我在模型库的代码里加了seed_everything(42)函数每次实验前固定所有随机源。4. 常见问题与排查技巧实录4.1 训练集准确率很高测试集却一塌糊涂这个问题在EEG情绪识别里太常见了本质上就是过拟合。EEG数据集样本量小、个体差异大模型的拟合能力很容易“过头”把训练集中的个体特征和噪声一并记住。我的排查思路是这样的先看训练样本量和模型参数量是否匹配。如果样本量只有几百模型参数却有几百万过拟合几乎是必然的。解决办法是给网络加正则化包括Dropout、权重衰减和早停。在CNNBiGRU的结构中我在卷积层之后加Dropout(0.3)在BiGRU层内部设置dropout0.3在最后的全连接层之前再加一个Dropout(0.5)三层防护下来过拟合现象明显缓解。另一个更有效的手段是数据增强。EEG增强不像图像增强那么成熟但有两个方法实测有效一是给信号加小幅高斯噪声幅值控制在原始信号标准差的0.05倍以内每次训练时随机加相当于在样本附近做扰动二是在时间轴上随机裁剪或缩放模拟不同被试在相同情绪条件下时间节律的差异。如果数据量实在太小可以考虑迁移学习。先在源域数据集上预训练模型再在你的数据集上微调。我在SEED上预训练过的特征提取器迁移到DEAP上做微调后比直接在DEAP上从零训练的效果普遍高出2到4个百分点。4.2 邻接矩阵怎么构造才能让GCN发挥效果GCN在EEG情绪识别中的表现高度依赖邻接矩阵的构造方式。如果你发现GCN效果比DNN还差问题大概率出在邻接矩阵上。我踩过的坑是一开始直接把邻接矩阵设为所有元素都为1的全连接矩阵结果GCN完全退化准确率甚至不如DNN。后来换成了距离阈值法利用电极在10-20系统中的标准坐标计算两两距离只保留距离小于某个阈值的边。阈值的选择很关键设太大边太多、图结构被稀释设太小图过于稀疏、信息无法传播。我建议用“保边率”这个概念来调节阈值计算所有电极对的距离排序选择阈值使边数占所有可能边数的比例在10%到30%之间。这个范围通常能保证图具有足够的连通性又不会退化成全连接。此外邻接矩阵一定要做归一化处理。GCN的标准做法是用D^(-1/2) A D^(-1/2)对邻接矩阵做对称归一化目的是让不同度数的节点在信息传播时权重均衡。如果不做这个处理度数高的节点会主导整个图的信息流让模型训练不稳定。4.3 不同被试的差别太大模型泛化能力弱这是一个让所有EEG研究者头疼的问题。同一个模型A被试上准确率能有90%到了B被试上直接跌到60%。这背后的原因很多头型头围不同导致电极实际位置偏移、皮肤阻抗不同导致信号质量差异、情绪反应模式本身存在巨大的个体差异。我处理这个问题的常用策略是做跨被试leave-one-subject-out评估。把N个被试中的N-1个作为训练集剩下的1个作为测试集轮流做N次实验最后取平均结果。这个评估方式比简单随机划分要严格得多也更接近实际应用场景。我在发布压缩包里的评估脚本时默认就设置了这种评估模式。如果跨被试效果确实很差可以考虑做被试自适应subject adaptation。简单的方法是先用所有数据预训练一个通用特征提取器然后对每个新被试采集少量标注样本做微调。这种方法在脑机接口领域应用很成熟情绪识别也可以借鉴。4.4 模型推理速度与部署注意事项深度学习模型情绪识别要落地推理速度是绕不开的问题。DNN和CNN的推理速度非常快在小数据集上单条样本的推理时间在毫秒级别。BiGRU因为是循环结构推理时需要逐步计算隐藏状态速度比CNN慢一些但通常在单条2秒的EEG片段上也能控制在10毫秒以内。真正影响推理速度的是GCN。因为GCN需要将邻接矩阵与特征矩阵做矩阵乘法而且图的大小电极数决定了计算量。如果电极数只有32计算量很小但如果到了128通道GCN的推理速度会明显下降。部署时需要重点考虑的是模型格式转换。我通常用ONNX格式做跨平台部署。但要注意GRU在转换到ONNX时有时会遇到算子不兼容的问题PyTorch新版版本的torch.onnx.export已经基本支持但个别版本的opset设置有坑。我的建议是如果部署平台支持PyTorch就直接用PyTorch推理不支持再用ONNX不要一上来就给自己增加额外的复杂度。5. 常见问题排查速查表为了让你在调试时快速定位问题我把实操中遇到过的高频问题整理成了速查表问题现象可能原因解决办法训练损失不下降学习率过大或过小尝试1e-4/3e-4/1e-3观察前10个epoch训练集99%验证集60%严重过拟合增加Dropout、数据增强、早停不同random seed结果差5个点模型未收敛加大epoch 早停检查学习率衰减换了被试效果骤降个体差异大使用跨被试评估、尝试被试自适应GCN效果不如DNN邻接矩阵构造不合理检查图的连通性、边数比例、归一化滤波器导致信号边缘失真滤波器阶数过高降低阶数或用零相位滤波BiGRU训练特别慢序列过长缩短分段长度或先用CNN做下采样验证集准确率忽高忽低batch size过小增大batch size或固定随机种子6. 从模型库到论文/项目的扩展方向这个小模型库的价值不在代码本身而在于它给了你一个清晰的实验框架。如果你想在这个方向上继续深入我建议从这几个方向做扩展。第一注意力机制可视化。在CNNBiGRU注意力模型中注意力权重本身就可以作为解释情绪动态变化的依据。你可以把每个时间步的注意力权重画出来看模型在做情绪判断时到底关注哪些时间段的信号。这个可视化结果非常适合放进论文里既有解释力又能证明模型确实学到了与情绪相关的模式。第二多模态融合。EEG虽然好用但只用EEG情绪识别能获取的信息维度有限。把EEG和眼动信号、皮肤电信号做多模态融合在公开数据集上通常能再提升几个准确率点。模型库的架构设计时预留了融合层接口接多模态输入比较方便。第三域自适应方法。跨被试识别是情绪识别落地最大的障碍。你可以尝试在特征提取器后面加入对抗训练分支让模型学会提取与个体无关的情绪特征。这个方法在论文里很受欢迎实际效果也的确能提升跨被试泛化能力。第四轻量化模型。如果需要部署到移动端或嵌入式设备模型压缩是必须的。知识蒸馏、通道剪枝、量化都可以做。我在实际项目里把CNNBiGRU的结构做了剪枝在准确率损失不到2个点的情况下把模型体积压缩到了原来的四分之一。把我自己实际用的几个关键经验再做一次总结希望能帮你避开我走过的弯路第一做EEG情绪识别不要一上来就堆复杂模型。先用最简单DNN跑通整个流程确认数据没问题、评估指标可信再逐步引入更复杂的模型。第二横向对比一定要在同一套数据预处理和评估协议下进行。我见过不少论文其实是模型没调好不是模型不好就急着下结论说某种结构比另一种差这很容易误导同类研究者。第三实验记录要完整。每次跑完一组实验记录下模型结构、超参数、随机种子、训练损失曲线、验证集指标。这个压缩包的诞生原因就是因为我自己早期不重视实验记录后来想复现一个效果很好的LSTM版本竟然忘了当初用了什么学习率和窗口长度。EEG情绪识别这个方向好玩的地方就在于它把心理学、信号处理和深度学习三个领域的知识揉在了一起每一步都有让人惊喜的发现。这套模型库里的每一个模型都是我用时间和调参换来的经验现在整理出来希望正在这个方向上探索的你也能用它们跑出更好的结果。本文还有配套的精品资源点击获取