简介：基于SEED脑电数据集的情绪识别系统完整Python源码与设计报告，面向计算机、自动化等专业正在完成课程设计、期末大作业的学生，也适合作为毕业设计与项目实战演练的参考范本。整套项目曾获96.5分课程评审，通过严格稳定运行测试，可直接作为课设成果提交，并附有较为完整的设计说明。压缩包共18个文件，约10.69MB，包含4个Python源文件、2个Markdown设计说明文档、1份Word格式结果记录、2个文本说明与实验记录，以及若干XML工程配置文件，目录组织清晰，便于按源码、报告、实验结果快速查阅。内容覆盖原始脑电数据读取、预处理、CNN与SVM模型训练及结果记录等关键环节，具备较高借鉴价值，基础扎实的读者可在此基础上扩展更多情绪识别功能。目前已有97人浏览学习，适合需要完整掌握脑电情绪识别流程并快速落地的同学参考。
1. 从SEED数据集到可复现的EEG情绪识别：这个zip包含的东西和上手思路
做脑电情绪识别的人大概都经历过这种尴尬：论文里准确率动辄95%+，自己跑公开数据却连70%都费劲。这个标题里的SEED数据集项目，本质上是一个把“SEED脑电数据 → 特征提取 → 情绪分类”整条链路打包的工程——源码加报告，目标就是让你在公开数据集上把一套可复现的情绪识别系统跑通。SEED由上海交通大学BCMI实验室发布，15名受试者观看电影片段诱发正性、中性、负性三种情绪，62通道EEG数据分段保存，是当前情绪识别领域最常用的benchmark之一。
这套方案适合谁？一类是做情绪识别相关课题、需要baseline对比的研究生；另一类是刚接触脑电分类，想搞明白DE特征、SVM、LSTM这些名词到底怎么落地的工程师。它能解决的核心问题不是教你调出SOTA，而是给你一条经过验证的最短路径——从原始信号到分类准确率，每一步都有据可循。我拿到这类项目包的习惯是：先搞清楚数据长什么样，再读源码主流程，最后跑通再谈改参数，这套顺序也贯穿本文。
2. 把SEED原始数据结构拆开：通道、分段与标签文件
2.1 原始文件格式：MAT数据里读什么、不读什么
解压后第一件事是看数据目录。SEED的原始数据是MAT格式，常见路径是Preprocessed_EEG/目录下按受试者编号存放（比如1_1.mat表示受试者1第1次实验），每个文件大概几十MB。读MAT文件用scipy，但不要盲目load整个文件——里面同时存着EEG数据和事件标记，全读进来内存吃不消。正确做法是只读需要的键。
from scipy.io import loadmat import numpy as np data = loadmat('1_1.mat') print(data.keys()) # 先看有哪些键 eeg_data = data['EEG'] # 通常键名为EEG，形状为 trial × channel × sample print(eeg_data.shape) # 例如 (15, 62, 8900)这段代码的关键在于EEG这个键的命名。不同版本的SEED数据集键名可能不同，有的是data、有的是eeg，所以先打印keys确认再取值，避免踩“键名不存在”的坑。eeg_data的形状是三维的：第一维是trial数量（一次实验15个trial），第二维是62个通道，第三维是采样点数。SEED采样率是1000Hz，但实际有效时长因视频片段不同而有差异，这一点在后续分段时要用到。
不读的部分是原始标记和视频帧索引——这些在预处理阶段已经用过了，分类阶段只需要处理好的EEG段和对应的label文件。标签文件通常是label数组或独立的CSV，取值为1（正性）、0（中性）、-1（负性）。有个容易搞混的点：某些版本的SEED把标签编码成1/2/3，拿到后先打印确认，别想当然。
2.2 分段与基线校正：为什么直接分类会翻车
SEED的每个trial对应一段完整的视频刺激，时长从几十秒到几分钟不等。但EEG分类不是拿整段直接怼进模型——原始信号里有基线漂移、有刺激开始前的静息状态，这些段夹杂在一起会让模型学到“时间段”而不是“情绪”。常见做法是把每个trial按固定窗口切分，比如取视频刺激段，每个trial切成多个不重叠的1秒窗（1000个采样点）。
def segment_eeg(eeg_trial, window_size=1000, step_size=1000): """ 将单个trial的EEG数据切分为固定长度的窗口 eeg_trial: shape (62, n_samples) 返回: shape (n_windows, 62, window_size) """ n_samples = eeg_trial.shape[1] windows = [] for start in range(0, n_samples - window_size + 1, step_size): win = eeg_trial[:, start:start+window_size] windows.append(win) return np.array(windows)窗口大小不是随便定的。1000是采样率，所以window_size=1000就等于1秒窗。为什么用1秒而不是5秒？EEG情绪相关成分（比如gamma频段的能量变化）在1秒尺度上相对稳定，窗口太短特征噪声大，太长又模糊了情绪的时变特性。step_size控制重叠率，如果想要更多样本可以设500（50%重叠），数据增强效果类似，但样本间的相关性会变强，交叉验证时要小心信息泄露。
基线校正容易被新手跳过。SEED的每个trial前有一段基线（通常是5秒的静息态），这段EEG的均值可以作为后续信号的校正基准。核心逻辑：用基线的均值减去刺激段对应通道的均值，消除个体间的直流漂移差异。不做这一步，SVM还能跑，深度学习模型就可能出现不同受试者之间的分布偏移问题。
3. 特征提取：从原始信号到可分类的向量
3.1 微分熵DE：为什么它是SEED上最常用的特征
SEED任务上最经典的特征是微分熵（Differential Entropy），论文里高频出现。DE本质上是对一段信号在某个频段的能量取对数，公式上等于该频段功率谱密度的对数。直觉理解：不同情绪状态下，大脑在特定频段的活跃程度不同——正性情绪常伴随gamma频段能量上升，负性情绪可能伴随theta增强。DE提取出来的特征把这种差异放大了。
实现上不必要自己从傅里叶变换开始写：SEED的DE特征已经被大量复现，工程做法是先用带通滤波器把原始信号分频段，再对每个频段计算能量。常用频段是delta(1-3Hz)、theta(4-7Hz)、alpha(8-13Hz)、beta(14-30Hz)、gamma(31-50Hz)。62通道 × 5个频段 = 310维特征向量，这就是每窗口的特征维度。
from scipy.signal import butter, filtfilt def extract_de(windows, fs=1000): """ 对切分后的窗口提取微分熵特征 windows: (n_windows, 62, window_size) 返回: (n_windows, 310) — 62通道 × 5频段 """ freq_bands = [(1, 3), (4, 7), (8, 13), (14, 30), (31, 50)] n_windows, n_ch, _ = windows.shape features = np.zeros((n_windows, n_ch * len(freq_bands))) for i, win in enumerate(windows): for j, (low, high) in enumerate(freq_bands): b, a = butter(4, [low/(fs/2), high/(fs/2)], btype='band') filtered = filtfilt(b, a, win, axis=1) # 微分熵近似为信号方差的log，等价于频段能量的对数 de = np.log(np.var(filtered, axis=1) + 1e-8) features[i, j*n_ch:(j+1)*n_ch] = de return features这段代码是特征提取的核心。butter(4, ...)中的4是滤波器阶数，越高过渡带越窄但计算量也越大，4阶在速度和滤波效果间比较平衡。filtfilt是零相位滤波，保证滤波后的信号和原始信号没有相位偏移——相位偏移在提取能量特征时影响不大，但后面做时间序列建模时会有问题。np.log(np.var(filtered, axis=1))就是DE的工程实现：方差就是信号能量的估计，取对数得到“熵”的形式。1e-8是防止方差为零时取对数得到负无穷。
3.2 把所有样本拼成训练集：标签对齐与shuffle策略
单窗口特征提取完，面临的问题是怎么把特征和标签对齐。每个trial被切成了多个窗口，窗口的标签继承trial的标签。组合所有受试者的所有trial的窗口特征，得到一个大的特征矩阵X和标签向量y。
def build_dataset(all_subjects_data, labels): X_list, y_list = [], [] for subject_mat, label_list in zip(all_subjects_data, labels): for trial_idx, eeg_trial in enumerate(subject_mat): windows = segment_eeg(eeg_trial) de_features = extract_de(windows) X_list.append(de_features) # 当前trial的每个窗口都使用同一个情绪标签 y_list.append(np.full(de_features.shape[0], label_list[trial_idx])) X = np.vstack(X_list) y = np.concatenate(y_list) return X, y这里有一个关键的隐含操作：np.vstack(X_list)会把你所有受试者、所有窗口的特征全部纵向拼接，变成一个形状大约为(n_total_windows, 310)的大矩阵。n_total_windows取决于切窗方式：15个受试者 × 3次实验 × 15个trial × 每trial窗口数（比如40个），大概几万个样本。这个量级对SVM来说刚好，对深度学习也够用。np.full的作用是把trial级别标签广播到每个窗口，注意不要遗漏这一步，否则后面训练时维度会不匹配。
训练前的shuffle策略直接影响实验结果的可信度。如果直接train_test_split(X, y, random_state=42)，同一个trial的相邻窗口会随机分到训练集和测试集，模型的泛化能力被严重高估，这就是常说的数据泄露。正确做法是先按trial分组，再按组划分训练测试集。像SEED这种小样本数据，更严谨的方案是留一受试者交叉验证——拿14个人的数据训练，测剩下的1个人。这样测的是跨被试泛化性，也是论文评审比较认可的标准。
4. 分类模型选型：从SVM到LSTM，准确率与可解释性怎么平衡
4.1 经典基线：用RBF-SVM跑通完整流程
特征有了，下一步是分类。SEED上最经典的baseline之一就是SVM，用RBF核，大约能到80%~83%的准确率（留一被试交叉验证）。SVM的优势是训练快、对中小样本友好，而且结果稳定可复现——适合做工程验证，先确认整个pipeline没跑偏，再上深度学习模型。
from sklearn.svm import SVC from sklearn.model_selection import LeaveOneGroupOut, cross_val_score # 假设subjects_groups是每个样本对应的被试编号 logo = LeaveOneGroupOut() svm = SVC(kernel='rbf', C=8, gamma=0.01) scores = cross_val_score(svm, X, y, cv=logo, groups=subjects_groups) print(f"LOOCV accuracy: {scores.mean():.4f} ± {scores.std():.4f}")LeaveOneGroupOut是这里的关键：它按组划分而不是按样本划分，groups参数传入每个样本所属的被试编号，保证同一个被试的所有窗口要么全在训练集、要么全在测试集——这一步杜绝了同一被试数据同时出现在训练和测试中的情况。C和gamma是SVM的两个核心超参数，C控制误分类惩罚强度，C越大越容易过拟合；gamma控制RBF核的作用半径，gamma越大决策边界越复杂。上面代码里的C=8和gamma=0.01是我调参后的结果，你可以先跑一遍看准确率，再通过网格搜索微调，但注意SEED数据量不大，网格搜索时用训练集内部做交叉验证，千万不要用测试集调参。
跑通SVM后还有个常见的操作：输出分类报告看每个类别的精确率和召回率。三分类任务里最容易出现的情况是负性情绪识别精度高、正性情绪被混淆，这和视频材料的诱发性、跨被试个体差异都有关系。打印混淆矩阵能帮你判断瓶颈在特征提取还是分类器选择上，这一步建议放在模型评估阶段必做。
4.2 用PyTorch搭建一个轻量LSTM：时序信息到底值不值得用
SVM把每个窗口当独立样本，忽略了一个事实：相邻窗口的情绪状态在时间上是相关的，情绪是持续状态而不是瞬态。LSTM就是为了利用这种时序信息——把连续窗口的特征序列输进去，让模型学习“前一个窗口的情绪状态如何影响后一个”。SEED上好的LSTM模型能比SVM高出3~5个百分点，但代价是训练时间成倍增加、超参数敏感度大幅提高。
import torch import torch.nn as nn class EEGLSTM(nn.Module): def __init__(self, input_size=310, hidden_size=64, num_layers=2, num_classes=3): super(EEGLSTM, self).__init__() self.lstm = nn.LSTM(input_size, hidden_size, num_layers, batch_first=True) self.classifier = nn.Linear(hidden_size, num_classes) def forward(self, x): # x: batch, seq_len, 310 out, _ = self.lstm(x) # out: batch, seq_len, hidden_size out = out[:, -1, :] # 取最后一个时间步 return self.classifier(out)LSTM的结构不复杂，但工程细节多。batch_first=True让输入形状变成(batch, seq_len, features)，这个习惯建议从一开始就养成，不然维度匹配错误要调半天。out[:, -1, :]取的是序列最后一个时间步的隐状态，把它接一个全连接层做分类——这是最基础的做法，也可以用注意力机制加权融合所有时间步的信息，效果通常更好但代码量也多不少。input_size=310对应之前提的62通道×5频段的DE特征维度。hidden_size和num_layers是最影响训练速度的结构参数，64和2属于对几万个样本的训练集相对合理的起点，继续加大会显著增加参数量但准确率不一定线性提升。
训练时需要把切好的窗口按trial组织成序列，不能用随机打散后的样本训练——LSTM学到的是窗口之间的时间依赖，打散后时序关系被破坏，等于把LSTM退化成了普通MLP。常见的组织方式是每个trial的窗口顺序排列成一个样本序列，trial数量少（一个被试一次实验只有15个trial），所以实际训练时可能需要把序列再切短、增加样本量。
4.3 训练循环中的三个关键细节：学习率、早停与类别均衡
深度模型训练里最影响结果的是学习率。EEG数据本身噪声大，特征分布不像图像那样规整，学习率太高loss会震荡，太低则收敛极慢。我的习惯是初始设1e-3，跑几个epoch观察loss曲线，如果震荡就降到1e-4，如果下降缓慢就升到3e-3。PyTorch里可以用ReduceLROnPlateau动态调整，比固定学习率省心。
optimizer = torch.optim.Adam(model.parameters(), lr=1e-3) scheduler = torch.optim.lr_scheduler.ReduceLROnPlateau( optimizer, mode='min', factor=0.5, patience=5 ) for epoch in range(max_epochs): train_one_epoch(...) val_loss = validate(...) scheduler.step(val_loss) # val_loss连续5个epoch不下降则lr减半 if early_stop_counter >= 10: break类内不均衡在SEED上不明显（三类样本量基本接近），但如果你是做二分类（正性/非正性），不平衡就会出现。最简单的处理是nn.CrossEntropyLoss(weight=class_weights)，权重按类别样本量的倒数计算。另一种思路是干脆用F1作为早停的监控指标而不是accuracy——对不平衡任务更稳。
训练过程要做早停，每轮记录验证集loss，连续N轮不下降就停止并恢复最佳模型参数。EEG数据小，模型容易在几十个epoch后开始过拟合——训练集准确率继续升高但验证集已经开始下降，早停就是那个“后悔药”。
5. 避坑：SEED项目里最常见的5个翻车现场
5.1 标签与trial数量不匹配——报错前先数数
现象：读入标签后做训练，代码在构建数据集时报“length mismatch”错误，或者准确率莫名极低。
原因：SEED数据集的label文件是整次实验的，但数据可能只保留了有效trial或剔除了坏段trial。常见的情况是某个受试者的某个.mat文件比预期少一个trial，但label文件没同步删减。
解决：加载数据后第一时间打印eeg_data.shape[0]和len(labels)，确认两者一致。如果数据量比标签少，先定位哪些trial缺失，再对照实验记录排除对应标签。不要试图靠索引偏移硬对上，那会引入系统性错位。
5.2 滤波阶段用了filtfilt却没用pad——边缘失真悄悄污染特征
现象：提取的DE特征分布异常，某个通道的特征值比其他通道高一个数量级，分类准确率只有50%（三分类随机水平附近）。
原因：filtfilt虽然是零相位滤波，但它会对信号边缘做镜像扩展来消除边缘效应。如果信号长度太短，或者滤波器阶数太高，边缘效果反而放大了。
解决：在调用filtfilt前用pad模式，或者在切窗时保证窗口长度大于滤波器阶数的5~10倍。对1000Hz采样率，1秒窗口用4阶滤波器的边缘效应可接受，但如果你把窗口缩短到500点（0.5秒），务必先检查滤波后的首尾几十个点是否出现幅度异常。
5.3 深度学习训练时数据泄露——准确率高得离谱的那次，都是bug
现象：留一被试交叉验证的准确率从理论上的80%多突然变成97%，或者训练集准确率直接逼近100%。
原因：窗口切分后，同一个trial的相邻窗口在高维特征空间里高度相似。如果用随机划分把同一trial的窗口拆进训练集和测试集，测试集里存在训练样本的“近似副本”，模型就是在考场上看到了答案。
解决：所有实验统一用按被试分组划分，或者按trial分组。验证集的作用是测试泛化能力，不是测试记忆能力。代码层面用GroupKFold或LeaveOneGroupOut，group必须是trial或被试ID，而不是样本ID。
5.4 跨被试训练时个体差异大——A被试100%、B被试30%
现象：留一被试交叉验证的9次fold里，其中某几折准确率极高，某几折几乎等于随机猜测，整体方差巨大。
原因：EEG信号个体差异非常大——电极位置、头骨厚度、基线水平都会影响特征分布。某些受试者的DE特征分布模式和训练集里的其他人差异巨大，模型学不到可迁移的规律。
解决：先做个体归一化（z-score），每个被试用自己的均值和标准差标准化特征，让分布尺度统一。如果仍然差，考虑做域自适应或对每个被试做微调（领域微调，fine-tune）。同样重要的是换用更鲁棒的模型——LSTM通常比SVM对个体差异更敏感，特征标准化不好时倾向翻车。
5.5 报告数据对不上——源码能跑，但结果无法复现
现象：报告中声称的准确率和源码重新跑出来的结果差异超过5个百分点，数据分布、超参数都对不上。
原因：常见原因有三个：随机种子没有固定，每次训练结果波动；预处理环节（滤波参数、基线校正）版本不一致；模型训练数据划分用了随机划分而不是按被试分组。
解决：检查源码中是否设置了np.random.seed和torch.manual_seed；确认数据处理部分是否和报告一致；确认交叉验证或训练测试集划分方式和报告标注一致。建议所有实验统一固定随机种子，记录每个步骤的参数，形成实验日志。这一条对后续复现和论文写作是收益最高的投入。
6. 把结果输出干净：混淆矩阵、准确率曲线与导出阈值技巧
模型训练完不要只记一个准确率数字。三分类任务里，准确率只反映整体水平，看不出哪些情绪之间容易混淆。打印63×3的混淆矩阵，正性情绪和中性情绪是否经常互错、负性是否相对容易区分——这些信息直接指导你下一轮改进：如果正性和中性大量混淆，说明特征的区分度不够，可以考虑加入额叶不对称性特征。
验证手段上一件值得做的事是画训练和验证准确率曲线。用matplotlib把每个epoch的train_acc和val_acc画在同一个图里，两条线之间的gap就是过拟合的直观信号。gap从第20个epoch开始拉大，就在那个位置设early stopping——比你设一个固定epoch数更科学。这条曲线的信息密度远大于一个最终数字，写报告时直接贴上就能说明调参依据。
最后提供一个实用小技巧：模型的输出是每个类别的概率而非硬标签，这个概率值可以用来做阈值调整。比如在实际应用场景中，你更关注正性情绪的召回率，可以降低正性类别被判定需要的概率阈值（从0.33降到0.30），换取漏检率下降。这个操作在sklearn里就是predict_proba加自定义阈值判断，在PyTorch里用softmax输出后手动决策边界。阈值怎么调取决于业务侧要精确率还是召回率——不存在统一最优阈值，要在验证集上试几个值画PR曲线再定。
做这一步还有个容易被忽略的收益：概率输出能作为置信度指标，拒绝掉低置信度样本。EEG信号受噪声和个体差异影响很大，部分样本的特征在两类之间模糊难分，概率落在0.3~0.4之间。把这类样本拒掉不进分类结果，系统在剩余样本上的准确率会明显提升。代价是覆盖率下降，但这恰好符合真实系统的交互逻辑——机器不确定时反问用户，不是硬给答案。
这个项目真正有价值的经验在于整条链路——数据怎么读、特征怎么提、验证怎么做、坑在哪里。跑通一个zip不是终点，知道为什么每个环节这么做才是给自己的积累。希望你跑通之后，能往里面加自己的东西：换特征、换模型、加注意力机制，把报告里的数字变成一个以后撑得起课题的工作。希望帮到你。
本文还有配套的精品资源，点击获取
