DEAP数据集 2026最新Transformer算法 DEAP 数据集 下载

DEAP数据集下载：https://gitee.com/CodeStoreHub/deap-fat

Transformer算法下载：https://gitee.com/CodeStoreHub/deap-fat

本算法将傅里叶启发的周期性表示与可学习的通道邻接关系结合，在 Transformer 中同时建模样本相关性与共享结构，并通过 DEAP 的效价、唤醒度分类实验检验模型的识别与泛化能力。

01 / OVERVIEW研究目标与方法定位

脑电情绪识别需要在噪声、非平稳性和个体差异的共同影响下，从多通道信号中提取有效信息。单纯依赖固定脑区连边可能无法适应样本变化，而完全由输入决定的注意力又缺少稳定的通道结构约束。我们提出傅里叶邻接 Transformer（Fourier Adjacency Transformer，FAT），将两类信息整合到同一注意力计算中。

周期性表示

我们使用傅里叶解析线性层（FAL）生成余弦、正弦与线性分支，使周期成分和非周期成分在特征维度上显式分离，再分别进入注意力头。

结构先验

我们学习周期和非周期两组邻接矩阵，通过输入相关的门控控制其贡献，将跨样本共享的通道关系与当前样本的 Q–K 相关性相加。

本报告重点回答三个问题：该结构如何工作；DEAP 数据如何变成模型输入；在明确划分和统计口径后，完整实验与原论文基线有何差异。

02 / METHODFAT：从差分熵到情绪预测

图 1｜FAT 与 FAA 的模型框架。原论文 Figure 2；采用官方仓库model.jpg同版图，未重绘或更改结构。上半部分为完整网络，下半部分展开周期与非周期注意力分支。

2.1 输入表示与特征嵌入

我们不直接将 128 Hz 的原始波形输入 Transformer，而是对每个 EEG 窗口构建通道 × 频带的差分熵（Differential Entropy，DE）特征。在 DEAP 中，单个窗口为32 × 5；训练张量为B × 1 × 32 × 5，其中 B 为 batch size。序列 token 对应 EEG 通道，而非连续时间点。

嵌入模块先加入可学习的位置参数，再以两个 1×1 卷积实现逐通道的 5→20→40 维映射，各层配合 BatchNorm 与 ReLU。这样，每个通道被映射为一个 40 维 token。随后拼接可学习的 CLS token，并加入正弦位置编码，得到B × 33 × 40的序列。

X ∈ ℝB×C×F → ReLU(BN(f₂(ReLU(BN(f₁(X)))))) ∈ ℝB×C×E
DEAP：C = 32，F = 5，E = 40；实现接口额外包含一个长度为 1 的维度。

2.2 FAL：显式分离周期与非周期成分

我们用 FAL 替代普通线性 Q/K/V 投影。与 FAN 在非周期分支使用非线性激活不同，FAL 将该分支的激活设置为恒等映射，保留线性变换；周期分支通过可学习投影后的正弦和余弦构造特征。

Φ(x) = [cos(Wpx) ‖ sin(Wpx) ‖ (Wax + ba)]
‖ 表示拼接；p 表示周期分支，a 表示非周期分支。

当输出维度 E=40、代码中的p_ratio=0.25时，余弦和正弦分支各 10 维，线性分支为 20 维。因此，周期分支合计占输出的一半。8 个注意力头每头 5 维：前 4 个头处理周期特征，后 4 个头处理非周期特征。

这里的“傅里叶”是对正弦/余弦基函数表示的借鉴，不是对时间序列执行 FFT。模型学习的是 DE 特征空间中的周期性映射，不能直接将每个注意力头解释为某个物理脑电振荡频率。

2.3 FAA：把邻接关系加入注意力

我们分别通过 FAL 得到 Q、K、V，并对周期与非周期分支独立计算注意力。QKᵀ 描述输入样本中各通道之间的相关性；两组可学习邻接矩阵 Ap、Aa 表达训练中积累的共享关系。门控 g=σ(f(Q)) 让模型根据当前输入决定邻接项的权重。

Q = ΦQ(X)，K = ΦK(X)，V = ΦV(X)
Attentionr = softmax(QrKrT / √dk + σ(fr(Qr)) ⊙ Ar)，r ∈ {p, a}
O = [AttentionpVp ‖ AttentionaVa]
以上为论文的概念公式；⊙ 表示带广播的逐元素门控加权。

在公开实现中，两组邻接矩阵为33 × 33，包括 CLS token；先经 ReLU，再使用 D−1/2AD−1/2 归一化。邻接参数跨 6 层共享，而每层有自己的门控线性层。每组门控由该通道的 20 维查询生成一个标量，再广播到对应的 4 个头及各个 key 位置。

共享结构不等于解剖连接。该实现没有输入电极的物理距离或预先定义的脑区连接。邻接矩阵由任务损失学习，输入相关的变化主要来自 QKᵀ 与门控；它不应被直接当作经过神经科学验证的功能连接图。

2.4 Transformer 编码与分类头

我们堆叠 6 个编码模块，每个模块由预归一化注意力、残差连接及前馈网络组成。前馈网络将维度从 40 扩展到 160，经过 GELU 和 Dropout 后映射回 40。编码结束后，使用 CLS token 的表征，经 LayerNorm 和 40→2 的线性层输出二分类 logits。Valence 和 Arousal 各训练一套独立模型，不共享最终分类器。

DE 特征32 × 5

Stem32 × 40

CLS + 位置编码33 × 40

FAA 编码器 × 633 × 40

分类头2 logits

2.5 训练目标与数据增强

我们使用交叉熵和 Adam 优化器，学习率 0.001、weight decay 0.0001、batch size 32，固定训练 200 epochs，不使用测试集决定提前停止。每个训练样本的各频带独立乘以 U(0.9,1.1) 系数；Mixup 使用 α=0.2 的 Beta 分布对同一 batch 中的样本进行线性混合。

λ ∼ Beta(0.2, 0.2)，x̃ = λxi + (1−λ)xj
ℒ = λ CE(f(x̃), yi) + (1−λ) CE(f(x̃), yj)

我们保留频率 2、幅度 0.05 的正弦增强公式。但是在 5 个等间隔频带取样点上，sin(2 × linspace(0, 2π, 5))几乎全为零，实际扰动可以忽略。这不是本次额外修正后的增强。

03 / DATASETDEAP 数据集与学习任务

DEAP 是面向情感计算的多模态数据集，由 Koelstra 等人构建。32 位参与者分别观看 40 段时长约一分钟的音乐视频，同时采集 EEG 与外周生理信号，并对情绪体验进行主观评分；其中 22 位参与者还记录了正面面部视频。数据集的原始论文介绍了刺激材料筛选、实验流程与多模态情绪分析任务。本实验只使用 EEG，不使用外周信号或面部视频。

前 3 秒
384 点 · 丢弃

后 60 秒刺激 EEG
7,680 点 · 提取 59 个窗口

3.1 情感维度与二分类定义

Valence（效价）描述情绪体验的愉悦程度，从不愉悦到愉悦；Arousal（唤醒度）描述激活强度，从平静到兴奋。高唤醒不必然代表积极情绪，低唤醒也不等同于消极情绪，因此我们分别建立两个二分类任务。Dominance 表达主观控制感，Liking 表达喜好程度，二者保留在原始标签中但不用于此次训练。

y = 1，若 rating > 5；否则 y = 0
低类：rating ≤ 5；高类：rating > 5。评分等于 5 的 trial 不丢弃。

所用标签的四个情感维度采用 1–9 评分。评分阈值与边界归类在 FAT 原文中未给出完整 DEAP 细节，因此这里是明确记录的实现假设。每个 trial 的标签复制到其 59 个窗口；我们没有把窗口解释为具有独立瞬时情绪标注的样本。

上述类别计数来自本地 32 份 MATLAB 文件的实际 labels，而非引用其他实验的样本统计。不同被试类别比例不同，评估中额外保存由训练集多数类确定的测试基线。

04 / PROTOCOL特征提取与评估协议

4.1 从波形到差分熵

我们移除每个 trial 的前 384 个基线采样点，仅保留前 32 个 EEG 通道。以 256 点（2 秒）窗口、128 点（1 秒）步长滑动，从每个 60 秒 trial 提取 59 个重叠窗口。这里是直接丢弃基线段，并未再做基线 DE 相减。

Nwindow = ⌊(7,680 − 256) / 128⌋ + 1 = 59
Ntotal = 32 × 40 × 59 = 75,520

每个窗口、每个通道分别用四阶 Butterworth 带通滤波器和双向filtfilt处理，再以无偏样本方差估计高斯近似下的差分熵：

DE = ½ ln(2πeσ²)，σ² = var(signal, ddof=1)
使用自然对数；高斯假设是特征构造的近似，不表示 EEG 必然服从高斯分布。

这不是常见的 δ、θ、α、β、γ 五个互异频带；本次保留上游的两组 alpha 区间。随后对每个 trial 内每个通道/频带的 59 点 DE 序列做 LDS 平滑。随机游走模型取状态转移和观测系数为 1，过程噪声协方差 0.01，观测噪声协方差 1，初始均值取首点、初始协方差为 1。

向量化实现与官方逐通道滤波、方差计算及 pykalman 平滑的数值等价性已通过检查。每人保存40 × 59 × 32 × 5的特征；训练前仅用当前训练折计算各通道/频带的均值和标准差，再变换测试折。

4.2 三种划分，回答三类问题

窗口重叠与平滑的信息共享。相邻窗口共享 1 秒波形，LDS 平滑还利用整个 trial 的时间序列。window10 虽然样本索引不重叠，但原始信号来源和 trial 信息可以共享。trial10 将整个 trial 隔离；LOSO 进一步隔离被试。三个协议应分别解读。

论文只标记 DEAP 为 10-fold，并未公开全部划分索引或说明是否逐被试独立训练。我们依据其“训练与测试均含所有被试”的文字采用汇总训练；不将其视为作者未公开流水线的精确重放。少数被试某类 trial 少于 10 个时，trial 分层无法保证每折该被试都有两类，我们保留这些被试并记录 sklearn 提示。

4.3 结果统计规则

我们的主指标是固定第 200 epoch 的测试准确率。每折还记录 200 轮中的最高测试准确率，命名为“测试最高轮”；它只用于观察上游报告方式的乐观偏差，不参与训练决策。均值与总体标准差采用ddof=0：10 折按折统计，LOSO 按 32 位被试统计。没有挑最好的一折，也没有以最好一次运行代替全部结果。

基础 seed 为 42；实际模型 seed 加上折编号，Arousal 再加 1000 偏移。本次只有一组基础 seed，不代表多随机种子重复实验。完整训练量为2 × (10 + 10 + 32) = 104个模型，共 20,800 epochs。所有样本在每种协议/目标的折外预测（OOF）中恰好出现一次。

05 / RESULTS完整实验结果与论文基线对比

所有 104 次训练均完成 200 epochs，启动器于 2026-10-10 17:29:16 正常退出。以下单位均为百分比，格式为平均准确率 ± 标准差。原论文中的其他方法未在本次重新训练；它们是引用对照，不构成在完全相同预处理和数据划分下的受控排名。

读表说明。灰白行：原论文表 1 / 表 2 中的 DEAP 数值；绿色行：本次固定第 200 轮的主结果；浅橙行：本次每折测试最高轮的诊断值。“—”表示原论文未给出该方法在 DEAP 上的对应结果，而不是零准确率。论文未充分交代标准差的汇总单位，不能仅比较标准差大小就认定稳定性优劣。

5.1 被试相关 10 折：与论文表 1 对比

固定训练轮次下，我们在 Valence、Arousal 上得到83.96 ± 1.12%与84.96 ± 2.14%，分别比原论文 FAT 值低 6.14 和 4.22 个百分点。即使从测试曲线中挑最高轮，均值仍为 84.72%、86.11%，没有达到原论文的 90.10%、89.18%。

数值上，本次固定轮 Valence 略低于论文 DGCNN 的 84.69%，Arousal 高于其 83.02%；两项均高于论文 Conformer 的 80.71%、79.42%。由于并未重跑这些基线且 DEAP 划分细节缺失，我们不将这些差异表述为经过同条件验证的性能优越性。

5.2 跨被试 LOSO：与论文表 2 对比

固定第 200 轮时，Valence 为50.77 ± 8.17%，Arousal 为52.96 ± 14.14%，低于原论文 FAT 的 62.70%、60.00%。两项也低于本次按训练多数类得到的测试基线 55.31%、57.58%。这说明当前固定训练方案没有得到稳定有效的跨被试泛化。

但是，若每折选择测试最高轮，结果变为62.42 ± 6.84%与66.51 ± 8.66%，相较固定最后轮提高 11.65 和 13.55 个百分点。Valence 均值接近论文，Arousal 均值超过论文；此时标准差仍与论文报告不同。这种“接近或超过”依赖测试集选轮，不能作为独立验证集选模后的泛化成绩。

图 2｜FAT 的论文报告与本次实验对比。误差线表示各自统计口径下的标准差；论文统计单位未完全明确。纵轴从 0 开始，浅橙色为具有测试选择偏差的诊断值。图中仅展示 FAT 的不同来源/统计口径。

5.3 trial 隔离对照与完整统计

trial10 中 Valence 为63.12 ± 2.81%，Arousal 为62.97 ± 3.58%。相对于 window10，固定轮结果分别下降 20.84、21.99 个百分点。这表明“在同一 trial 的窗口之间插值”和“识别未参与训练的 trial”是难度不同的任务；重叠窗口与整段平滑使前者具有较强的 trial 信息共享。本次对照没有进一步分离共享波形、平滑和其他分布差异各自的因果贡献。

5.4 学习曲线：为什么最高轮与最后轮差距很大

图 3｜同一 epoch 上对所有折的测试准确率求均值。曲线仅用于事后诊断，没有参与本次训练控制。特别注意：“逐折最高值的平均”不等于“平均曲线的最高值”，不能用这幅图替代逐折最佳轮的统计。

跨 trial 和跨被试任务中，训练后期的测试表现未必继续改善。合理的模型选择应在训练数据内部建立独立验证集：trial 泛化任务按 trial 划分验证集，跨被试任务可留出训练被试作验证。然后只在最终测试集上评价选定模型。本次未运行这种嵌套验证，也未将其可能带来的改善计入结果。

展开 104 次训练的逐折结果

每行对应一个独立训练任务，均完成 200 epochs。完整 CSV 保存在工程的 results/deap_seed42/final_results.csv 中。

06 / ENVIRONMENT运行环境与安装方法

6.1 本次已验证环境

6.2 准备代码与 Python 环境

以下命令假设已取得本工作区完整工程，其中包含新增的experiments/目录。仅克隆原始 GitHub 仓库不能获得本次补充的 DEAP 入口。先进入工程根目录；如换机器，将第一行改为自己的工程路径。机器需已安装 Python 3.10（含 venv）以及可用的 NVIDIA 驱动。

cd /home/ubuntu/lishuo/code/FAT # 新机器首次安装使用；当前工作区已有可用 .venv，无需重建 python3.10 -m venv .venv .venv/bin/python -m pip install --upgrade pip # 精确锁定本次训练依赖（优先使用） .venv/bin/python -m pip install -r experiments/requirements.lock.txt

如果只需安装 DEAP 入口所用的核心依赖，可改用experiments/requirements.txt。完整锁文件进一步固定了 CUDA runtime 相关依赖和间接依赖。不要在本项目的 Python 3.10 环境中将 NumPy 随意升级到 2.x；本次 PyTorch 2.2.2 组合已固定为 NumPy 1.23.5。

# 核心依赖安装方案（二选一） .venv/bin/python -m pip install -r experiments/requirements.txt # 已安装 uv 的机器也可使用 uv venv --python python3.10 .venv uv pip install --python .venv/bin/python -r experiments/requirements.lock.txt

PyTorch 的这一安装组合包含运行所需的 CUDA 用户态库，训练本代码通常无需另行编译或安装整套 CUDA Toolkit；系统 NVIDIA 驱动仍必须可用。原仓库根目录的requirements.txt包含更多模型/绘图相关依赖，本次 DEAP 入口使用experiments/下的清单，额外补上了原清单缺失的 pykalman。

6.3 验证 GPU0 与依赖

export CUDA_DEVICE_ORDER=PCI_BUS_ID export CUDA_VISIBLE_DEVICES=0 export OMP_NUM_THREADS=1 export MKL_NUM_THREADS=1 export OPENBLAS_NUM_THREADS=1 nvidia-smi .venv/bin/python - <<'PY' import torch, numpy, scipy, sklearn, einops print('PyTorch:', torch.__version__, 'CUDA runtime:', torch.version.cuda) print('NumPy:', numpy.__version__, 'SciPy:', scipy.__version__) print('scikit-learn:', sklearn.__version__, 'einops:', einops.__version__) assert torch.cuda.is_available() assert torch.cuda.device_count() == 1 print('Visible GPU:', torch.cuda.get_device_name(0)) PY

训练入口内部也设置了 GPU0 可见性。可通过nvidia-smi --query-compute-apps=gpu_uuid,pid,process_name --format=csv将训练 PID 与物理卡对应。仅看到显存空闲较多并不意味着计算没有充分执行；当前模型参数量较小，主要开销来自大量小 batch 的重复计算与调度。

展开完整依赖锁文件

07 / REPRODUCIBILITY从数据到完整实验的运行步骤

7.1 目录与数据准备

FAT/ ├── FAT_model.py / FANLayer.py / utils.py ├── 0161_paper.pdf / model.jpg ├── experiments/ │ ├── prepare_deap.py # 预处理、标签和数据摘要 │ ├── run_deap.py # 三种协议、两类目标、结果汇总 │ ├── cuda_step.py # CUDA Graph 训练步 │ ├── check_deap.py # 特征等价性与分折检查 │ ├── check_cuda_step.py # 图捕获与 eager 数值检查 │ ├── check_resume.py # 连续训练与续训检查 │ ├── launch_deap.sh # 检查 + 数据准备 + 完整训练 │ └── requirements.lock.txt ├── data/deap_raw/s01.mat ... s32.mat ├── data/deap_features/ # 预处理后自动生成 ├── results/deap_seed42/ # 本次已完成实验，保留不覆盖 └── report/ # 本 HTML 与文档生成源文件

把标准s01.mat至s32.mat放到data/deap_raw/。这些文件应来自data_preprocessed_matlab，不是原始 BDF，也不是已经提取好的 DE 特征。每个文件需包含data与labels。

.venv/bin/python experiments/check_deap.py .venv/bin/python experiments/check_cuda_step.py .venv/bin/python experiments/check_resume.py .venv/bin/python experiments/prepare_deap.py

预处理输出包含每人特征、四维评分与原始文件 SHA-256；manifest.json保存数据列表与预处理参数。输出存在时会验证原始数据摘要。新一轮训练前若变更预处理算法，应使用新的特征输出目录，避免旧缓存混入新实验。

7.2 先做短程检查

# 完整数据、第 1 折、2 epochs；仅检查流程，不用于论文结论 .venv/bin/python experiments/run_deap.py \ --protocols window10 --targets valence --folds 1 \ --epochs 2 --checkpoint-every 1 --out results/smoke_new

7.3 正式训练

以下使用新输出目录保护现有最终结果。第一个命令运行 104 次完整队列；第二个命令仅运行两项 window10，各自 10 折。运行时选择所需的一种，不要同时在 GPU0 启动两个队列。

# 完整队列：window10 + LOSO + trial10，两个目标，各 200 epochs bash experiments/launch_deap.sh results/deap_seed42_replay # 或：仅复现被试相关 window10（20 个模型） .venv/bin/python experiments/run_deap.py \ --protocols window10 --targets valence arousal \ --epochs 200 --out results/window10_seed42_new

完整队列按折交错运行协议与目标。已完成的实验原样保存，配置、源码摘要与输出目录不匹配时拒绝继续。不要在完整训练中途把 200 改成 50 后仍将结果标为同一实验。

7.4 后台执行、监控与续跑

mkdir -p results/deap_seed42_replay nohup bash experiments/launch_deap.sh results/deap_seed42_replay \ > results/deap_seed42_replay/launcher.log 2>&1 & echo $! > results/deap_seed42_replay/launcher.pid tail -f results/deap_seed42_replay/launcher.log cat results/deap_seed42_replay/status.json cat results/deap_seed42_replay/summary.json # 中断后，用原命令及原输出目录继续 bash experiments/launch_deap.sh results/deap_seed42_replay

每 5 epochs 原子保存一次检查点，包括模型、Adam 状态及 Python / NumPy / PyTorch / CUDA 随机状态。恢复时会重算未保存的尾部 epochs；已完成的折会跳过。目录锁防止同一队列误启动多个进程。summary.json从首个完整任务结束后才出现；completed.json只在指定队列全部完成后生成。

7.5 输出文件与检查依据