基于SEED数据集的EEG情绪识别：从信号处理到机器学习实战

简介：本资源是一套基于SEED公开数据集的EEG情绪识别系统完整实现，面向计算机、自动化及相关专业本科生课程设计与大作业需求，聚焦脑电信号预处理、特征提取与深度学习/传统机器学习分类建模全流程。压缩包共18个文件，含4个核心Python脚本（如raw_eeg_CNN.py、de_LDS_SVM.py）、7个XML配置与IDE工程文件、2份结果记录文档（.docx与.txt）、2份Markdown说明文档及1份设计报告（.docx），总大小10.69MB，结构清晰，模块职责分明，便于理解EEG信号处理链路与模型对比实验设计。已有95人学习下载，项目经导师严格评审获96.5分高分，代码稳定运行，附带详细日志与结果记录，可直接用于课设提交或作为情绪计算方向的入门实战范例；基础扎实者还可基于CNN与SVM双模型框架拓展多模态融合或实时识别功能。

1. 项目概述：从SEED数据集到情绪识别系统

最近在整理过去的项目资料，翻出来一个基于SEED数据集的EEG情绪识别系统的完整实现。这个项目当时花了不少心思，从数据预处理、特征工程到模型构建和评估，走了一遍完整的机器学习流水线。对于刚接触脑电信号处理或者想找一个扎实的Python项目练手的朋友来说，这个源码包和报告是个不错的参考。它不只是一个简单的脚本合集，而是包含了从原始脑电数据到最终情绪分类预测的整套逻辑，其中涉及到的信号处理技巧和机器学习思路，在生物医学信号分析、神经工程乃至人机交互领域都有共通之处。

简单来说，这个项目要解决的核心问题是：如何让计算机“读懂”人的情绪？我们用的“语言”不是文字或图像，而是大脑产生的电信号——脑电图。SEED数据集提供了一个高质量的基准，里面记录了受试者在观看不同情绪影片时的脑电信号，并标注了对应的情绪状态（如积极、中性、消极）。我们的任务就是搭建一个系统，能够自动从一段脑电信号中识别出当前的情绪类别。这听起来很科幻，但背后的技术栈其实很接地气：Python、NumPy、SciPy用于数值计算和信号处理，scikit-learn和可能用到的深度学习框架（如PyTorch/TensorFlow）用于建模，Matplotlib/Seaborn用于可视化。整个过程就像一位侦探，从嘈杂的背景噪音（脑电中的伪迹）中，提取出与情绪相关的微弱“指纹”（特征），然后训练一个分类器来识别这些指纹的模式。

2. 核心思路与方案设计解析

2.1 为什么选择SEED数据集？

在开始敲代码之前，选择合适的数据集是成败的关键。SEED（SJTU Emotion EEG Dataset）之所以成为情绪识别领域的经典数据集，有几个硬核优势。首先，它的数据质量高。采集自多名受试者，使用国际标准的62导联脑电帽，确保了信号的时空分辨率足以捕捉情绪相关的神经活动。其次，它的诱发范式设计科学。通过让受试者观看精心挑选的、能有效诱发特定情绪的电影片段，并采用自我评估量表（如SAM量表）来标注情绪效价和唤醒度，为监督学习提供了可靠的标签。最后，它的公开性和完整性。数据集提供了原始的.mat文件，包含了预处理前后的数据、标签、实验信息等，极大降低了研究门槛。

在方案设计上，一个稳健的情绪识别系统通常遵循“数据预处理 -> 特征提取 -> 模型训练与评估”的流水线。我们的核心思路是：先净化，再浓缩，最后学习。

1. 净化（预处理）：原始脑电信号充斥着各种噪声，比如眼电、肌电、工频干扰。这一步的目标是尽可能还原“干净”的脑电信号。我们会采用带通滤波（如0.5-45 Hz）保留与认知情绪相关的频段，并可能使用独立成分分析（ICA）或回归等方法去除眼电等伪迹。
2. 浓缩（特征提取）：干净的信号数据量依然庞大。我们需要从中提取出能表征情绪状态的关键信息。常见的特征包括时域特征（如均值、方差）、频域特征（如各频段功率谱密度、微分熵）、时频域特征（如小波系数）以及非线性动力学特征。SEED数据集的文献中，微分熵（Differential Entropy, DE）被证明是有效的特征之一。
3. 学习（建模与评估）：将提取的特征向量和对应的情绪标签送入机器学习模型。我们可能会尝试多种模型，从传统的支持向量机（SVM）、随机森林，到更复杂的深度学习模型如卷积神经网络（CNN）、长短时记忆网络（LSTM）或图卷积网络（GCN，用于处理脑电通道间的拓扑关系）。评估则严格采用交叉验证，确保结果的泛化能力。

2.2 技术栈选型背后的考量

这个项目的Python技术栈是经过权衡的，每一环都有其道理。

• 数据处理基石：NumPy & SciPy。脑电数据本质是高维数组（试次×通道×时间点）。NumPy的数组操作效率极高，是进行滤波、重参考、分段等操作的绝对核心。SciPy则提供了丰富的信号处理函数（如scipy.signal中的滤波器和频谱分析工具）和科学计算模块。
• 机器学习核心：scikit-learn。对于传统机器学习流程，scikit-learn是“瑞士军刀”。它提供了统一的API用于特征标准化（StandardScaler）、降维（PCA）、模型训练（SVM, RandomForest）以及完整的评估工具链（交叉验证、分类报告）。它的稳定性和易用性能让我们快速搭建基线系统。
• 深度学习的可能性：PyTorch/TensorFlow。如果项目涉及更复杂的深度学习模型，那么选择一个深度学习框架是必要的。PyTorch因其动态计算图和更“Pythonic”的编程风格，在研究原型快速迭代中更受欢迎。TensorFlow则在生产部署和移动端支持上有其优势。在源码中，可能会看到基于这些框架构建的CNN或LSTM模型，用于直接从原始信号或特征序列中学习。
• 可视化与报告：Matplotlib & Seaborn。理解数据和模型行为离不开可视化。Matplotlib用于绘制基本的信号波形、频谱图、拓扑图。Seaborn则能制作更美观的统计图表，如特征分布图、混淆矩阵热力图、模型性能对比条形图等，让项目报告更具说服力。
• 项目管理与依赖：Jupyter Notebook / Python Scripts &requirements.txt。源码可能包含.ipynb文件用于分步骤探索和演示，以及.py脚本用于模块化、可复现的流水线。一个清晰的requirements.txt文件列出了所有依赖包及其版本，是项目可复现性的关键。

注意：技术栈的选择并非一成不变。例如，如果追求极致的实时性，可能会用MNE-Python这个专业的脑电处理库进行更专业的预处理和溯源分析。我们的选择是基于平衡开发效率、社区支持、功能完备性以及与SEED数据集常用处理流程的契合度。

3. 数据预处理：从原始信号到干净数据

3.1 SEED数据加载与初步探查

拿到SEED的.mat文件后，第一步不是急着处理，而是先“认识”它。使用scipy.io.loadmat可以加载数据。我们需要弄清楚数据的结构：通常是一个字典，包含data（脑电数据，形状可能是[n_trials, n_channels, n_samples]）、labels（情绪标签）、fs（采样率，如200Hz或1000Hz）等关键字段。

import scipy.io as sio import numpy as np # 示例：加载一个受试者的数据 mat_data = sio.loadmat('./SEED/1.mat') eeg_data = mat_data['data'] # 假设形状为 (15, 62, 时间点)，15个试次，62个通道 labels = mat_data['labels'].flatten() # 形状为 (15,) fs = mat_data['fs'].item() # 采样率，例如 200 print(f"数据形状: {eeg_data.shape}") print(f"标签: {labels}") print(f"采样率: {fs} Hz")

初步探查包括：检查数据是否有明显的异常值（如幅值超过±100μV的尖峰），查看不同情绪试次的原始信号波形有何直观差异（通常看不出），确认标签的编码（如-1:消极，0:中性，1:积极）。这一步能避免后续在错误的数据基础上白费功夫。

3.2 关键预处理步骤详解

预处理是脑电分析的基石，目的是减少噪声，提高信噪比。

1. 带通滤波：保留与情绪认知相关的频段。δ波（1-4 Hz）与深度睡眠相关，θ波（4-8 Hz）与 drowsiness、冥想相关，α波（8-13 Hz）与放松相关，β波（13-30 Hz）与活跃思考相关，γ波（>30 Hz）与高阶认知相关。情绪处理广泛涉及多个频段，通常采用0.5-45 Hz的带通滤波，以保留主要信息并去除直流偏移和高频噪声。可以使用scipy.signal.butter设计滤波器。

   from scipy.signal import butter, filtfilt def bandpass_filter(data, lowcut, highcut, fs, order=4): nyquist = 0.5 * fs low = lowcut / nyquist high = highcut / nyquist b, a = butter(order, [low, high], btype='band') # 使用filtfilt进行零相位滤波，避免引入时间延迟 filtered_data = filtfilt(b, a, data, axis=-1) # 沿时间轴滤波 return filtered_data # 对每个试次、每个通道进行滤波 filtered_eeg = np.zeros_like(eeg_data) for trial in range(eeg_data.shape[0]): for channel in range(eeg_data.shape[1]): filtered_eeg[trial, channel, :] = bandpass_filter(eeg_data[trial, channel, :], 0.5, 45.0, fs)

2. 重参考：脑电信号是相对的，需要选择一个参考点。SEED数据可能已经是平均参考或乳突参考。若需转换，平均参考是常见选择，即从每个通道的信号中减去所有通道的平均值，这有助于减少共同噪声。

   # 平均重参考 def average_reference(data): # data shape: (trials, channels, samples) avg = np.mean(data, axis=1, keepdims=True) # 计算每个试次、每个时间点的平均 rereferenced_data = data - avg return rereferenced_data eeg_reref = average_reference(filtered_eeg)

3. 伪迹去除（可选但重要）：眼电和肌电是主要污染源。对于离线分析，独立成分分析（ICA）是强大工具。它可以分解信号成统计独立的成分，然后根据成分的时间过程、频谱和拓扑图识别出眼电、心电等伪迹成分，将其剔除后再重建信号。可以使用MNE-Python库中的ICA功能，它更加专业和便捷。如果项目源码中未包含此步，可能因为SEED数据已提供预处理后的版本，或者为了简化流程。

4. 分段与基线校正：情绪诱发实验通常分析刺激呈现后的一段特定时间窗（如0-4秒）。需要根据标记将连续数据切分成一个个试次（epoch）。基线校正则是在每个试次中，减去刺激前一段时间（如-0.2~0秒）的平均幅值，以消除试次间的直流偏移差异。

实操心得：预处理参数的选取需要谨慎。滤波器的截止频率和阶数会影响信号的相位和幅值。高阶滤波器可能带来振铃效应，filtfilt的双向滤波可以避免相位失真，但会改变信号的时间关系。对于ICA，成分数量的选择（通常接近通道数）和伪迹成分的识别需要经验和可视化检查。一个黄金法则是：始终将原始数据备份，并在处理后的数据上明确标记所应用的预处理步骤，确保流程可追溯。

4. 特征工程：提取情绪的“指纹”

4.1 主流特征类型与计算

特征工程是将高维的脑电信号“压缩”成信息量丰富的低维向量的过程。对于SEED情绪识别，以下几类特征经证实是有效的：

• 微分熵：在SEED的相关研究中被广泛使用。微分熵是香农熵在连续概率分布上的推广，可以简单理解为信号在特定频段内复杂性的度量。对于一段服从高斯分布N(μ, σ^2)的信号，其微分熵有一个简洁的解析解：0.5 * log(2πeσ^2)。在实际计算中，我们通常假设每个频段内的信号近似服从高斯分布，先通过带通滤波得到各频段信号，然后计算该段信号的方差，再代入公式。微分熵特征对情绪状态的变化比较敏感。

  import numpy as np def compute_de(signal, fs, band): """ 计算信号在指定频段的微分熵。 signal: 一维时间序列 fs: 采样率 band: (lowcut, highcut) 频带范围 """ from scipy.signal import butter, filtfilt # 1. 带通滤波提取频段 low, high = band b, a = butter(4, [low/(0.5*fs), high/(0.5*fs)], btype='band') band_signal = filtfilt(b, a, signal) # 2. 计算方差 (假设均值为0，滤波后通常接近0) sigma2 = np.var(band_signal) # 3. 计算微分熵 (简化公式) de = 0.5 * np.log(2 * np.pi * np.e * sigma2) return de # 定义五个经典频段 bands = {'delta': (1, 4), 'theta': (4, 8), 'alpha': (8, 13), 'beta': (13, 30), 'gamma': (30, 45)} # 为每个通道、每个频段计算DE de_features = [] for trial_data in eeg_reref: # trial_data: (channels, samples) trial_feature = [] for ch_idx in range(trial_data.shape[0]): for band_name, (low, high) in bands.items(): de_val = compute_de(trial_data[ch_idx, :], fs, (low, high)) trial_feature.append(de_val) de_features.append(trial_feature) de_features = np.array(de_features) # 形状: (n_trials, n_channels * n_bands)

• 功率谱密度：计算信号在各频段的功率（能量）。可以通过周期图法或Welch法估计PSD，然后积分得到频段功率。这是更经典的特征，与DE有很强的相关性。

• 时域特征：如均值、方差、偏度、峰度、Hjorth参数（活动性、移动性、复杂性）等，计算简单，能反映信号的幅值统计特性。

• 功能连接特征：情绪处理涉及脑区间的协同。可以计算不同通道信号之间的相关性、相干性、相位锁定值等，构建脑功能连接网络，再提取网络属性（如节点度、聚类系数）作为特征。

4.2 特征选择与降维

提取出的特征维度可能很高（通道数×频段数），容易导致“维数灾难”和过拟合。因此需要进行特征选择或降维。

• 特征选择：选择与情绪标签最相关的特征。常用方法有：基于方差过滤（移除方差过低的特征）、基于单变量统计检验（如ANOVA F值，选择在不同情绪类别间差异显著的特征）、基于模型的特征重要性（如随机森林的feature_importances_）。
• 特征降维：使用主成分分析（PCA）或线性判别分析（LDA）将高维特征映射到低维空间，同时尽可能保留信息或最大化类间区分度。PCA是无监督的，常用于可视化或去相关；LDA是有监督的，直接以分类为目标。

在项目中，可能会采用一种混合策略：先使用方差阈值或F检验进行初筛，再用PCA降至一个合适的维度（例如，保留95%的方差），最后送入分类器。

注意事项：务必在训练集上拟合特征选择器/降维器，然后用其变换训练集和测试集。这是一个常见的错误点——如果在整个数据集上做PCA后再划分训练测试，就造成了数据泄露，会严重高估模型性能。正确的做法是：

from sklearn.feature_selection import SelectKBest, f_classif from sklearn.decomposition import PCA from sklearn.model_selection import train_test_split X_train, X_test, y_train, y_test = train_test_split(features, labels, test_size=0.2, random_state=42) # 特征选择 (在训练集上拟合) selector = SelectKBest(score_func=f_classif, k=100) X_train_selected = selector.fit_transform(X_train, y_train) X_test_selected = selector.transform(X_test) # 仅变换 # 降维 (在训练集上拟合) pca = PCA(n_components=0.95) # 保留95%方差 X_train_pca = pca.fit_transform(X_train_selected) X_test_pca = pca.transform(X_test_selected)

5. 模型构建、训练与评估

5.1 传统机器学习模型实践

对于特征工程后的数据，传统机器学习模型往往能取得不错的效果，且解释性相对较好。

• 支持向量机：特别适合小样本、高维度的分类问题。核函数的选择（线性、RBF）和正则化参数C是关键。可以结合网格搜索进行调优。

  from sklearn.svm import SVC from sklearn.model_selection import GridSearchCV from sklearn.preprocessing import StandardScaler from sklearn.pipeline import Pipeline # 创建管道，先标准化再SVM pipe = Pipeline([ ('scaler', StandardScaler()), ('svm', SVC(kernel='rbf', class_weight='balanced')) ]) # 参数网格 param_grid = { 'svm__C': [0.1, 1, 10, 100], 'svm__gamma': [0.001, 0.01, 0.1, 1] } grid_search = GridSearchCV(pipe, param_grid, cv=5, scoring='accuracy', n_jobs=-1) grid_search.fit(X_train_pca, y_train) print(f"最佳参数: {grid_search.best_params_}") print(f"最佳交叉验证准确率: {grid_search.best_score_:.3f}")

• 随机森林：集成学习方法，能处理非线性关系，且能输出特征重要性，有助于理解哪些脑区或频段对情绪识别贡献大。通过n_estimators（树的数量）、max_depth（树的最大深度）等参数控制复杂度。
• 逻辑回归：简单的线性分类器，配合L1或L2正则化可以防止过拟合，并且模型系数可以直观解释特征与情绪类别的关联方向。

5.2 深度学习模型探索

深度学习模型能够端到端地从原始信号或简单处理后的信号中学习特征，省去了复杂的手工特征工程。在脑电情绪识别中，常用的深度学习架构有：

• 卷积神经网络：可以将其应用于脑电的“图像”表示。一种常见做法是将多通道脑电信号按电极位置排列成2D拓扑图（类似图像），使用CNN提取空间特征。另一种是将每个通道的信号视为一个时间序列，使用一维CNN提取时域或时频域特征。
• 长短时记忆网络/门控循环单元：脑电信号是典型的时间序列。LSTM或GRU这类循环神经网络能够捕捉信号中的长时依赖关系，对于理解情绪随着时间演变的动态过程可能有帮助。
• 混合模型：结合CNN和RNN，先用CNN提取局部时空特征，再用RNN捕捉时间动态。或者使用图卷积网络（GCN），显式地利用脑电电极在头皮上的空间位置关系（图结构）进行信息传递。

深度学习模型的实现通常使用PyTorch或TensorFlow。代码结构会包含数据加载器（DataLoader）、模型定义（继承nn.Module）、训练循环（前向传播、损失计算、反向传播、优化器更新）和验证循环。

5.3 严谨的模型评估策略

评估是衡量模型泛化能力的关键，必须严谨。

1. 划分策略：绝不能简单地将所有数据随机打乱划分。因为脑电数据存在个体差异和试次间的时间依赖性。更合理的策略是按受试者划分（留一受试者交叉验证，LOSO-CV）或按会话划分。LOSO-CV将一名受试者的数据作为测试集，其余受试者作为训练集，轮流进行。这能更好地评估模型对新受试者的泛化能力，更具现实意义。
2. 评估指标：除了准确率（Accuracy），在类别可能不平衡的情况下，应同时查看精确率（Precision）、召回率（Recall）、F1分数以及宏平均/微平均。混淆矩阵（Confusion Matrix）能直观显示模型在哪些情绪类别上容易混淆。
3. 统计检验：当比较多个模型或不同特征集的性能时，不能只看平均准确率的高低。应该使用配对t检验、Wilcoxon符号秩检验等非参数检验，来判断性能差异是否具有统计显著性。

在项目报告中，应该清晰地展示采用的交叉验证策略、详细的性能指标表格、混淆矩阵的可视化，以及对结果的讨论（例如，模型对“积极”和“消极”情绪区分度好，但容易与“中性”混淆）。

6. 系统集成与结果可视化

6.1 构建可复现的流水线

一个完整的系统不仅仅是模型本身，而是一个可复现的端到端流水线。在源码中，应该能看到模块化的设计：

• data_loader.py: 负责加载和解析SEED.mat文件。
• preprocessing.py: 包含滤波、重参考、分段等预处理函数。
• feature_extraction.py: 实现DE、PSD等各种特征提取方法。
• models.py: 定义SVM、CNN、LSTM等模型类。
• train_eval.py: 包含训练、验证、测试的主循环，以及交叉验证的逻辑。
• utils.py: 存放辅助函数，如可视化、指标计算、文件保存等。
• main.py或run_experiment.ipynb: 主入口脚本或Notebook，通过配置参数（如选择哪种特征、哪个模型、哪种验证方式）来运行整个实验。

使用argparse或配置文件（如config.yaml）来管理超参数，能使实验管理更加清晰。同时，使用random.seed()和np.random.seed()固定随机数种子，是确保结果可复现的关键一步。

6.2 结果分析与可视化展示

一份好的报告离不开清晰的可视化。

1. 数据层面可视化：
   • 原始信号与滤波后信号对比：绘制同一通道在某个试次中的原始信号和滤波后信号，直观展示预处理效果。
   • 脑电地形图：将每个通道的特征值（如某个频段的平均功率）映射到头皮2D图上，可以观察不同情绪状态下大脑活动的空间分布差异。可以使用mne.viz.plot_topomap或自行插值绘制。
2. 特征层面可视化：
   • 特征分布：用箱线图或小提琴图展示不同情绪类别下，某个重要特征（如前额叶α波DE）的分布情况，观察其区分度。
   • 特征相关性热图：计算所有特征之间的相关性并用热图显示，高相关性的特征可能存在冗余。
3. 模型性能可视化：
   • 学习曲线：绘制训练集和验证集准确率/损失随训练轮次（对于深度学习）或样本量（对于传统模型）的变化，判断模型是否过拟合或欠拟合。
   • 混淆矩阵热图：这是最重要的可视化之一，清晰展示模型在各个情绪类别上的分类细节。
   • 模型比较条形图：用条形图对比不同模型（或不同特征集）在主要评估指标（如准确率、F1宏平均）上的表现，并附上误差棒（如标准差）。

这些图表不仅能提升报告的专业性和可读性，更能帮助你自己深入理解数据和模型的行为。

7. 常见问题、调优思路与避坑指南

在实际操作中，一定会遇到各种各样的问题。下面是一些典型问题及其解决思路：

调优思路：情绪识别是一个复杂问题，性能提升往往来自系统性的优化，而非单个“银弹”。

1. 特征融合：不要局限于一种特征。尝试将时域、频域、时频域甚至连接特征拼接起来，形成多模态特征向量。也可以尝试早期融合（直接拼接）或晚期融合（不同特征训练不同分类器，再投票或平均）。
2. 注意力机制：在深度学习模型中引入注意力机制（如通道注意力、时空注意力），让模型学会关注与情绪更相关的脑区、频段或时间点。
3. 集成学习：结合多个差异性较大的模型（如一个SVM基于频域特征，一个CNN基于原始信号）的预测结果，通过投票或加权平均来做出最终决策，通常能提升鲁棒性。
4. 超参数系统优化：使用网格搜索、随机搜索或更高级的贝叶斯优化工具（如optuna）对模型的关键超参数进行系统搜索。

最后的避坑提醒：

• 版本一致性：脑电处理和机器学习库更新较快。务必使用requirements.txt或environment.yml文件锁定关键库的版本，这是项目可复现的生命线。
• 计算资源管理：特征提取和模型训练（尤其是深度学习）可能比较耗时。对于大规模超参数搜索，考虑使用并行计算或云GPU。在代码中使用tqdm添加进度条，能让你对运行时间有更好的预期。
• 理解而非黑箱：即使使用了深度学习，也要尽力去理解模型。可视化第一层卷积核、使用Grad-CAM等方法生成显著性图，看看模型到底关注信号的哪些部分，这不仅能增加工作的可信度，也可能带来新的生理学发现。

本文还有配套的精品资源，点击获取