简介面向脑电信号分析与情绪识别的研究者和开发者这套源码基于PythonHTML覆盖信号预处理、特征提取、模型训练到前端展示的完整流程。压缩包共49个文件、约11.51MB包括8个HTML页面、6个Python源文件、6个XML配置、4个PyTorch模型pth、5个pkl模型以及jpg/png图像、csv数据、xlsx电极位置说明等。Python源码实现了脑电预处理、特征提取、模型定义与数据转换等关键模块训练好的pkl/pth模型可直接调用预测。已有483人学习/下载适合课程设计、竞赛或科研参考。通过源码可厘清EEG情绪识别技术路线复用MLP、LSTM等模型结构配合readme说明快速搭建自己的情绪分析系统。1. 基于EEG信号的脑电情绪分析系统为什么九成准确率到了新被试身上就崩一套脑电情绪分析系统最容易被低估的地方不是模型而是数据链路。很多初次接触这个方向的开发者都在同一个坑里翻车离线实验用随机划分跑出接近九成的准确率数据集一换、被试一换立刻掉到五六成甚至不如随机猜测。这不是模型不行而是从原始脑电到可训练样本之间的每一步——滤波、切窗、特征、数据划分——都藏着能改变结果的黑匣子。这个标题里的源码本质上卖的也不是一个分类器而是一条把原始脑电信号变成稳定情绪标签的完整流水线。本文会从工程落地的角度把这套系统的数据入口、预处理链路、特征设计、模型训练和实时推理逐个拆开告诉你每一步的参数怎么设、代码怎么写、哪里最容易踩坑。适合正在做情绪识别实验、或者想把自己的算法接进脑电设备读数里的开发者和研究人员。2. 从原始脑电到可训练样本数据解析与预处理链路2.1 数据入口与系统模块划分先搞清楚信号从哪来、流向哪拿到这套源码第一件事不是看模型而是看数据加载层。常见的脑电情绪分析源码文件结构大体分为六个模块数据读取、预处理、特征提取、模型训练、评估可视化、在线推理。我习惯先读数据读取和预处理因为这两个模块决定了后面所有训练样本是否可靠。# data_loader.py # 以常见的 EDF/BDF 脑电数据格式为例读取原始信号与事件标记 import mne def load_eeg_data(file_path): # 读取原始脑电文件 raw mne.io.read_raw_edf(file_path, preloadTrue, verboseFalse) # 提取事件标记情绪实验通常在特定时间点给出刺激标签 events, event_id mne.events_from_annotations(raw, verboseFalse) return raw, events, event_id这段代码核心是mne.events_from_annotations它把记录里的文字注释转成模型训练需要的数值事件。事件标记的准确性比采样率还重要——如果刺激触发时刻偏移几百毫秒之后切出来的样本内容就是错的。同时要注意不同采集设备的标记名称不一样有的叫stim有的直接写在注解里源码里通常需要根据实际实验范式微调映射关系。读完原始文件后常见做法是直接按事件切段。情绪实验一般用视频或图片诱发每个试次持续几秒到几十秒不等之后会有一段静息态作为基线。def create_epochs(raw, events, event_id, tmin-1, tmax4): # 以事件前 1 秒到事件后 4 秒为一个试次 epochs mne.Epochs( raw, events, event_idevent_id, tmintmin, tmaxtmax, baseline(tmin, 0), preloadTrue, verboseFalse, ) return epochs这里的baseline(tmin, 0)会按事件前 1 秒的均值做基线校正消除直流漂移。tmin-1, tmax4的意思是每个试次取刺激开始前 1 秒到刺激开始后 4 秒具体数值要跟实验设计对齐——如果诱发材料只有 3 秒tmax 设 4 秒就是在引入噪音段。有了epochs对象之后再把这批数据统一导出成 numpy 数组方便后续特征和模型部分直接处理。这里要特别强调的是情绪分析用的公开数据集通常包含多个被试同一个被试的多次实验记录不能丢后面做跨被试验证时要靠这个分组信息。2.2 预处理与滑窗切分滤波去伪迹的代码实现与参数设置预处理是整个系统里最需要手感和参数经验的部分。脑电信号幅度只有微伏级别极易被工频干扰、眼电、肌电污染。我一般按三件套来做先 50Hz 陷波去除工频国内电网是 50Hz再 0.5~45Hz 带通保留有效频段最后用 ICA 独立成分分析去除眼电伪迹。def preprocess_raw(raw): # 第一步50Hz 陷波消除工频干扰 raw.notch_filter(freqs50, verboseFalse) # 第二步0.5~45Hz 带通滤波保留 delta 到 gamma 主要频带 raw.filter(l_freq0.5, h_freq45, verboseFalse) # 第三步随机插值坏导联如果有记录标记为 bad raw.interpolate_bads(reset_badFalse, verboseFalse) return raw滤波参数上l_freq0.5是情绪分析最常见下限低于 0.5Hz 的慢波漂移基本不携带情绪信息保留反而会让基线不稳定h_freq45则避开 50Hz 工频如果实验记录里肌电干扰严重可以往下压到 40Hz。notch_filter和filter的顺序不要搞反先陷波再带通可以避免带通滤波产生的边缘振荡被工频放大。接下来是伪迹去除。很多人一上来就做 ICA但 ICA 的组件数量、输入数据长度都会影响结果处理不当会把有效脑电信号当成噪声一起滤掉。我的做法是只保留非眼电通道做 ICA然后靠自动识别眼电成分并剔除。def remove_eog_artifacts(raw, n_components15): # 创建 ICA 对象按数据方差保留前 n_components 个成分 ica mne.preprocessing.ICA( n_componentsn_components, methodinfomax, fit_paramsdict(extendedTrue), random_state42, ) ica.fit(raw, verboseFalse) # 自动找出眼电相关的独立成分并剔除 eog_indices, _ ica.find_bads_eog( raw, ch_nameFp1, threshold2.5, verboseFalse ) ica.exclude eog_indices # 重构去除伪迹后的信号 raw_cleaned raw.copy() ica.apply(raw_cleaned, verboseFalse) return raw_cleaned这里的n_components设置是常见的纠结点。它的含义是保留多少个独立成分设得越少被合并进主成分的信息越多眼电和脑电越难分开设得越多运算越慢尾部成分往往对应高频噪声。经验上取通道数的一半到三分之二比如 32 通道就设 15 到 20。ch_nameFp1指定前额眼电参考通道threshold2.5控制相关性强弱如果发现剔除后波形有明显畸变就调到 3.0 或更大。预处理完成后进入切窗环节。情绪分析很少把一个完整试次当成一个样本因为一个试次往往好几秒内部情绪状态本身有波动而且训练样本太少。常见做法是滑动窗口切分把每段试次切成多个固定长度的短窗每个短窗独立参与特征提取。def sliding_window(epochs_data, window_len2.0, step_len1.0, sfreq250): # epochs_data shape: (n_epochs, n_channels, n_timepoints) n_epochs, n_channels, n_time epochs_data.shape win_points int(window_len * sfreq) # 200 个采样点 step_points int(step_len * sfreq) # 100 个采样点 windows [] labels [] for ep_idx in range(n_epochs): # 当前试次的时间轴总长度按步长滑动 for start in range(0, n_time - win_points 1, step_points): end start win_points windows.append(epochs_data[ep_idx, :, start:end]) labels.append(ep_idx) # 实际使用时替换为情绪标签 return np.array(windows), np.array(labels)窗口长度的选择对结果影响很大。窗口越短样本越多但每个样本包含的稳态情绪信息越少单窗特征波动大窗口越长样本越少特征更平稳但时间分辨率差。在 128Hz 或 250Hz 的采样率下我一般用 2 秒窗口配 1 秒步长这样重叠区域能缓解边界效应又不会让样本过于重复导致过拟合。切窗完成后还有一个容易忽略的细节最后一段如果不完整直接丢掉。很多源码在这里是静默丢弃的问题是如果试次总时长不是步长的整数倍丢掉的尾部可能占到总数据的 10% 以上这部分往往对应情绪反应的回落段丢掉后训练样本的分布就偏了。我在实际项目中是单独统计丢弃比例超过 5% 就调整窗口或步长参数。预处理这块参数最密集、也最影响最终效果。随便调一个滤波边界特征分布就全变了所以参数定了之后最好固定下来不要每跑一次实验调一次。浮动的参数等于让系统在不可复现的随机游走里来回折腾后面模型调得再好也说不清是因为什么涨的。3. 特征提取与模型训练把情绪从波形里“算”出来3.1 微分熵特征提取为什么情绪识别普遍选择它原始脑电波形很难直接送进分类器原因是每个窗口几百上千个采样点维度高、信噪比低而且相邻采样点高度相关。情绪识别领域沉淀下来最常用、也最稳的特征之一是微分熵。它在认知负荷评估和情绪识别任务里表现都还不错核心思想是衡量信号在某个频带上的复杂度情绪状态变化时不同脑区的节律能量会重新分配DE 能把这种变化量化出来。DE 的计算不复杂对某段信号先做傅里叶变换得到功率谱然后在给定频带上求和取对数。对于服从高斯分布的信号微分熵就等于对数值。脑电信号在实际计算中近似满足这个假设所以这套做法工程上是成立的。def compute_de_feature(window_data, sfreq250, freq_bandsNone): 输入: window_data shape (n_channels, n_timepoints) 输出: (n_channels, n_freq_bands) 的 DE 特征矩阵 if freq_bands is None: freq_bands { delta: [1, 4], theta: [4, 8], alpha: [8, 13], beta: [13, 30], gamma: [30, 45], } n_channels window_data.shape[0] de_feature np.zeros((n_channels, len(freq_bands))) # 对所有通道逐一带通滤波并计算对数能量 for ch_idx in range(n_channels): for band_idx, (band_name, (low, high)) in enumerate(freq_bands.items()): # 使用 scipy 的 butterworth 带通滤波 b, a butter(N4, Wn[low, high], fssfreq, btypeband) filtered lfilter(b, a, window_data[ch_idx], axis-1) # 计算对数能量作为微分熵的近似 energy np.mean(filtered**2) 1e-10 de_feature[ch_idx, band_idx] np.log(energy) return de_feature频带划分用的是情绪识别里的经典五频段delta、theta、alpha、beta、gamma。注意这里把 1Hz 以下的成分剔除了因为预处理时已经做了 0.5Hz 高通如果这里再含低频漂移会污染能量估算。np.log前面加1e-10是为了防止静音段全零导致负无穷这是一种常见的数值稳定处理不要省。实际工程中逐通道逐频带跑 butterworth 滤波有点慢。样本量大的时候我会换成另一种方法用scipy.signal.stft短时傅里叶变换直接得到功率谱再按频带索引汇总。效果几乎一样但速度快很多。源码里两种写法都存在新手建议先用逐通道版本因为中间检查特征数值时容易定位问题。DE 特征提取之后每个 2 秒窗口会变成一个通道数乘 5 频带的特征矩阵。如果设备是 32 通道每个样本就是 160 维的特征向量。这个维度对传统机器学习模型已经足够了不需要再做 PCA 降维——情绪特征本身比较稀疏强行降维反而可能把个体差异抹掉。这里有一个我踩过好几次的坑特征提取之前一定要确认数据已经在预处理阶段完成了滤波。如果你在预处理阶段只做了 0.5~45Hz 带通特征提取又按五频带各滤一次那没问题但如果在特征提取前忘了全局滤波直接对原始信号算 DEgamma 频带会被 50Hz 工频严重污染特征数值会整体漂移。检查方法很简单打印几个通道的 DE 数值如果 beta、gamma 段明显比 alpha 大出 10 倍以上基本可以断定工频没滤干净。3.2 分类模型与训练评估SVM 基线到深度网络的工程取舍特征准备好之后分类模型的选择决定了整个系统在准确率和可解释性之间的取舍。情绪识别领域最经典的基线算法是带 RBF 核的支持向量机。它的优势很明显特征维度 160 维不算高SVM 在中小样本上表现稳定不容易过拟合而且核函数的惩罚参数可以控制模型复杂度。源码里通常把 SVM 和深度学习模型都实现了方便对比。from sklearn.svm import SVC from sklearn.pipeline import make_pipeline from sklearn.preprocessing import StandardScaler from sklearn.model_selection import cross_val_score def train_svm_baseline(X, y, subject_groups, C1.0, gammascale): X: (n_samples, n_features) y: (n_samples,) 情绪标签 subject_groups: (n_samples,) 每个样本所属的被试 ID用于跨被试划分 pipeline make_pipeline( StandardScaler(), SVC(kernelrbf, CC, gammagamma, class_weightbalanced, random_state42), ) # 跨被试验证划分同一被试的所有样本不能同时出现在训练和测试集 cv LeaveOneGroupOut() scores cross_val_score(pipeline, X, y, groupssubject_groups, cvcv, scoringf1_weighted) return pipeline, scoresclass_weightbalanced很关键。情绪实验的数据通常不会均匀分布正性、负性和中性样本数经常不均衡不平衡数据下普通 SVM 会把多数类全部猜中得到的准确率是虚高的。打上平衡权重后少数类的惩罚会加大分类边界不再倒向多数类。LeaveOneGroupOut是这套系统里最重要的划分方式。它保证训练集和测试集来自不同被试模拟的是系统对一个从未见过的人做情绪判断的场景。很多源码默认用train_test_split随机划分最后报告九成准确率那只是同被试记忆效应不是真实泛化能力。如果觉得 SVM 不够用或者样本量大、要接实时流式推理深度学习模型可以作为升级替换。情绪识别上二维卷积没有明显优势因为 DE 特征本质上是通道乘频带的矩阵没有空间平移不变性所以更常用的是全连接网络。这里保留一个轻量 MLP 作为参考实现import torch import torch.nn as nn class EmotionMLP(nn.Module): def __init__(self, n_channels32, n_bands5, n_classes4): super().__init__() # 输入展平为 n_channels * n_bands 维特征 self.net nn.Sequential( nn.Linear(n_channels * n_bands, 256), nn.ReLU(), nn.Dropout(0.3), nn.Linear(256, 128), nn.ReLU(), nn.Dropout(0.3), nn.Linear(128, n_classes), ) def forward(self, x): # x shape: (batch, n_channels, n_bands) return self.net(x.flatten(start_dim1))训练时需要注意一个工程细节把每个样本的 DE 特征提前算好落盘而不是在训练循环里现算。脑电数据量不小每个 2 秒窗口做一次傅里叶变换几万个样本算下来很耗时。把特征存成 numpy 文件训练时直接从磁盘加载可以缩短实验迭代周期。模型评估阶段最值得关注的是准确率和加权 F1但更重要的是看混淆矩阵。情绪四分类问题里相邻情绪如高唤醒正性和高唤醒负性往往比相对情绪更容易混混淆矩阵能帮你判断是不是模型在偷懒——比如所有样本都预测成数量最多的那一类。评估项SVM 基线跨被试MLP跨被试准确率四分类55%~72%58%~75%加权 F10.52~0.700.55~0.73单被试训练时长秒级分钟级推理耗时单窗口亚毫秒亚毫秒不要看到 70% 觉得低。跨被试四分类能稳定超过随机猜测 25% 并逼近 70%在情绪识别这个领域已经属于可用水平。如果有人报告离线随机划分 90%那基本可以判断是数据划分泄漏需要核查他的验证方式。4. 脑电情绪分析避坑五个直接影响准确率的细节4.1 滤波顺序不对导致特征被工频污染现象预处理按 0.5~45Hz 带通滤波后特征提取阶段 gamma 频带能量异常偏高分类准确率比随机略好。原因带通滤波只衰减了 50Hz 附近的信号但没有彻底去除工频能量残留在 45Hz 截止频率附近gamma 频带30~45Hz正好受到干扰。解决把 50Hz 陷波放在带通滤波之前先陷波再带通。如果设备受干扰严重可以用 49~51Hz 双陷波。修改后对比 gamma 频带能量均值应该下降一个数量级以上。4.2 同被试数据泄漏让准确率虚高现象随机划分验证集时准确率 85% 以上改用跨被试验证后掉到 60% 左右。原因同一个被试的相邻滑动窗口高度相似训练集和测试集里如果同时包含同一被试的样本模型等于在记忆波形的个体特征而不是学习情绪模式。解决划分数据集时按被试 ID 分组。用LeaveOneGroupOut或GroupKFold确保一个被试的所有样本只出现在训练集或测试集中的一侧。这是情绪识别源码里最容易被新手忽略、也最致命的问题。4.3 滑窗尾段被静默丢弃导致样本分布偏移现象训练样本数比预期少且测试集准确率波动大换一个被试差异明显。原因滑窗遍历时最后一段长度不足一个完整窗口被直接丢弃如果试次总时长不是步长的整数倍每次实验丢的段数不一样样本分布不稳定。解决在滑窗函数里统计丢弃比例打印日志超过 5% 就调整窗口长度。不要用 padding 硬填因为填充段的频谱特征和真实信号完全不同反而引入噪声。更稳的做法是从试次开头取整段末尾不足部分直接丢弃但要知晓丢弃比例对结果的影响。4.4 ICA 组分数设置不当把脑电信号一起滤掉现象完成 ICA 去眼电后alpha 频带能量明显减弱分类准确率不升反降。原因n_components设置过大时ICA 会分离出许多高频肌电成分自动识别眼电时可能顺手删掉了几个包含真实脑电信号的成分设置过小则眼电和脑电混合在一起分离不干净。解决n_components取通道数的二分之一到三分之二然后手动查看每个成分的时间序列和地形图确认剔除的确实是眼电成分。不要全自动ICA 的输出需要人工判断这是脑电工程的常态。4.5 在线推理时标准化参数不一致导致效果崩盘现象离线评估效果不错把模型部署到实时采集环境后预测结果明显偏向某一类。原因离线训练时用了全量数据的均值和标准差做标准化实时推理时单个窗口的均值和标准差不够无法直接匹配离线时的尺度。解决离线训练时只用训练集计算标准化参数保存为 json 文件在线推理时加载同一个标准化器。特征提取函数和预处理脚本在离线和在线共用不要各写一套。这条属于典型的「离线在线不一致」问题也是工程落地中最高频的翻车点。5. 从离线到在线把情绪识别接进实时链路的一个技巧离线实验跑通之后大家都会想做一件事把模型接到实时采集设备上看着屏幕上的情绪曲线跳动。这里有一个关键的工程技巧——不要重新实现一套在线特征提取而是复用离线那一套函数只是把输入源从数组换成缓冲区。class OnlineEmotionDetector: def __init__(self, model, scaler, sfreq250, window_len2.0): self.model model self.scaler scaler self.sfreq sfreq self.window_len int(window_len * sfreq) self.buffer np.zeros((32, self.window_len)) self.feature_fn compute_de_feature # 复用离线的特征函数 def update(self, new_sample): # new_sample: (32, n_new_points)把新数据滚动填入缓冲区 self.buffer np.roll(self.buffer, -new_sample.shape[1], axis-1) self.buffer[:, -new_sample.shape[1]:] new_sample # 一窗攒够即推一次 feat self.feature_fn(self.buffer, sfreqself.sfreq) feat_flat feat.flatten().reshape(1, -1) feat_scaled self.scaler.transform(feat_flat) label self.model.predict(feat_scaled)[0] return int(label)这里用np.roll实现了环形缓冲每收到一段新数据就挪动缓冲区始终只保留最近一个窗口长度的信号。特征函数用的是和离线完全相同的compute_de_feature连频带参数都不用改。这样做的目的是保证离线评估和在线推理之间没有特征漂移——这是我在实际项目里交了学费才养成的习惯。还有一个值得提的细节情绪分类的结果不要直接拿来当最终输出。滑动窗口按 1 秒步长输出一个标签原始标签抖动很大正常人一秒钟内情绪不会突变所以需要加一个平滑策略。简单的做法是取最近 5 次预测的众数作为显示结果或者对预测概率做指数滑动平均。# 预测平滑使用最近 N 次的众数, 避免单窗抖动 def smooth_predictions(pred_buffer, window5): from collections import Counter counter Counter(pred_buffer[-window:]) return counter.most_common(1)[0][0]把这条链路接进实时系统后的体验会完全不同屏幕上不再是单次预测的闪烁标签而是稳定平滑的情绪曲线。之前做某跨平台系统时我第一次上线时没有做平滑处理情绪标签在四个类别之间来回跳调试了很久才发现不是模型问题而是输出层没有做时间上的约束。从那以后不管离线实验还是在线部署我都会在最终评估指标之前加一句如果模型输入是滑动窗口输出必须考虑时间平滑。脑电情绪分析系统的价值不在于单个模型的准确率数字而在于整条链路是否可控、可复现。把预处理参数固定、把特征函数统一、把数据划分规范好——这些基础工作到位之后模型层面的调优才有意义。希望这篇笔记能帮你在自己的数据集和源码上少走几步弯路。本文还有配套的精品资源点击获取