简介：基于EEG的情绪检测是情感计算与脑机接口领域的热点方向。资源收录一篇英文研究论文，面向计算机、生物医学工程方向的本科生、研究生及毕业设计开发者，聚焦DEAP与SEED-IV公开数据库上的情绪识别任务，给出完整SVM分类方案。论文采用离散小波变换提取5个频段，综合功率、能量、微分熵和时域特征，通过通道级SVM分类器与通道组合器实现四类情绪状态判别，在DEAP和SEED-IV上分别取得74%～86%与74%～79%的分类率。压缩包仅含1个PDF文件，大小701KB，为IJRTE期刊发表的学术文献，内容涵盖相关综述、方法流程、实验设计与结果分析，适合作为算法复现、毕业设计方法论对照和论文写作引用的直接素材。目前已有346人学习下载，同领域学习者可借其快速了解公开数据集上的情绪分类实验框架。
1. 基于 EEG 的情绪检测：把 DEAP 和 SEED-IV 数据库跑通 SVM 支持向量机分类的实战路线
很多做毕业设计或情感计算方向的同学，第一次接触脑电情绪检测时，最容易被两个问题卡住：公开数据库那么多，该选哪个；模型跑出来精度上不去，到底是特征的问题还是分类器的问题。这篇论文给出的路线其实非常直白——先用 DEAP 和 SEED-IV 这两个公开数据库做数据来源，再用离散小波变换拆频段、提取 34 维特征，最后用支持向量机按通道训练分类器，再通过通道融合输出四类情绪状态。整个流程从数据读取到分类精度验证都有完整参数，适合拿来当毕业设计主线，也适合刚入 EEG 情绪检测方向的人做基线复现。它不玩深度学习的黑匣子，每一步都能拆开讲清楚。
2. 数据协议与预处理链路：从 500Hz 到 1000Hz 的采样差、重参考与事件切片
2.1 两个数据库的差异：DEAP 的 32 人 40 事件与 SEED-IV 的 45 人 24 事件
DEAP 和 SEED-IV 虽然都是多通道 EEG 情绪数据库，但采集协议差异很大，直接套用同一套处理代码会出问题。DEAP 用了 32 通道 EEG 设备，以 500Hz 采样率记录了 32 名被试观看 40 段 1 分钟视频时的脑电信号，每个视频对应一个情感标签，标签基于情感轮模型预先标注好了效价、唤醒度和喜好度。SEED-IV 则是 64 通道设备，采样率 1000Hz，记录了 15 名被试观看 24 段 2 分钟视频时的脑电数据，每人分 3 个不同日期的 session，所以实际等效 45 份数据，对应 4 类情绪标签（中性、悲伤、恐惧、高兴）。
这两个库最直观的区别决定了后续处理方式：DEAP 下发的 mat 文件里，每个被试的每个视频 trial 已经是单独切开的，而 SEED-IV 虽然也是 mat 文件，但每个 session 里包含的是连续采集后按事件切分的结构，你需要自己确认事件边界和通道顺序。论文在训练集划分上也不同——DEAP 拿 22 名被试训练、10 名被试测试，SEED-IV 拿 32 份数据训练、13 份测试。这里要特别注意：是按被试 ID 划分，而不是把所有 trial 混在一起随机切，否则同一个人的前后段数据会同时进训练集和测试集，精度虚高到了不真实的地步。
2.2 预处理五步：陷波滤波、平均参考、中值滤波、带通滤波与参数取值
论文给出的预处理链路是五步加工，每一步都有明确参数，这在实际复现时特别友好。首先，信号经过一个 50Hz 陷波器，目的是去掉工频干扰——国内电网是 230V/50Hz，采集设备如果没有做好屏蔽，EEG 信号里通常会混入 50Hz 的周期性噪声。如果你用的是美标设备或者数据来自其他地区，记得改成 60Hz。其次，原始数据从固定参考或共同参考转换到平均参考，因为电极分散在头皮各位置，单一参考点会引入空间偏差，常见做法是把所有通道信号做算术平均，再把每个通道减去这个平均参考信号。
第三步是 1 维 10 阶中值滤波，用 MATLAB 的 medfilt 函数实现，作用是剔除尖峰脉冲噪声。第四步是带通滤波，阶数 20，截止频率 0.1Hz 到 60Hz，用 filtfilt 做零相位滤波。filtfilt 和普通 filter 的区别在于它把信号正反各滤一遍，抵消相位偏移，这对后续提取时域特征很重要——相位歪了的波形会让一阶差分、二阶差分这类特征失真。第五步是事件分离，DEAP 和 SEED-IV 都各自在采集协议里定义好了事件时长，你需要按数据文件里的标注把每个事件的 EEG 片段取出来，后续特征提取全部基于这些切片。
以下是使用 Python 做预处理的参考代码：
import numpy as np from scipy import signal def preprocess_eeg(raw_data, fs, notch_freq=50.0, band_low=0.1, band_high=60.0): """ 对单个通道或整个 trial 的 EEG 信号做预处理 参数： raw_data: shape 为 (n_channels, n_samples) 的原始信号 fs: 采样率，DEAP 为 500，SEED-IV 为 1000 notch_freq: 陷波频率，国内数据填 50.0 """ # 1. 均值参考：所有通道平均后，每个通道减去平均值 avg_ref = np.mean(raw_data, axis=0, keepdims=True) data = raw_data - avg_ref # 2. 50Hz 陷波滤波，去除工频干扰 b_notch, a_notch = signal.iirnotch(notch_freq, Q=30.0, fs=fs) data = signal.filtfilt(b_notch, a_notch, data, axis=-1) # 3. 中值滤波剔除脉冲噪声 from scipy.ndimage import median_filter data = median_filter(data, size=(1, 5), mode='nearest') # 4. 带通滤波，0.1Hz 到 60Hz，20 阶 b_band, a_band = signal.butter(20, [band_low, band_high], btype='band', fs=fs) data = signal.filtfilt(b_band, a_band, data, axis=-1) return data这段代码对应论文的预处理流程。均值参考放在最前面，是为了后续滤波时所有通道处于同一个空间基准上，避免单通道的参考伪迹被滤波放大。陷波之后做中值与带通，顺序不要颠倒——如果先带通再做陷波，50Hz 附近的能量已经部分衰减，陷波器的作用就不明显了。中值滤波的核大小按 5 个采样点处理，500Hz 下对应 10ms 窗口，足以消除眨眼产生的瞬态尖峰，又不会破坏整体波形。
2.3 事件切片与数据组织：通道顺序对齐与标签映射
预处理完成后要组织特征提取的输入。我的习惯是先把每个被试的每个事件数据切成二维数组，形状记为 (n_channels, n_samples)，然后逐通道计算特征。这里有个容易被忽略的坑：DEAP 的通道排列顺序是固定的 32 通道标准 10-20 系统顺序，而 SEED-IV 的通道顺序也遵循国际标准，但两个库的通道编号不一定一一对应。论文说两个数据库选了相同通道做分析，实际复现时建议先根据 10-20 系统的电极名称做一次映射，而不是直接按下标对齐，否则通道错位会直接污染每个分类器的输入。
标签映射也要提前处理好。DEAP 给的是效价值和唤醒度评分，范围通常在 1 到 9，你需要设定阈值把连续评分转成四类：HAHV（高效价高唤醒）、HALV（高效价低唤醒）、LALV（低效价低唤醒）、LAHV（低效价高唤醒）。阈值怎么定直接决定类别平衡度，常见做法是用 5 作为中位切分点。SEED-IV 自带四类离散标签，不需要二次映射，但它的标签含义跟 DEAP 的四象限不是一一对应的，训练前要确认清楚当前分类器到底在预测什么语义。
3. 八层 db8 小波分解：从原始脑波到 34 维特征向量
3.1 为什么选 db8：小波基的选择与频带逼近
预处理之后的信号仍然是一个高维连续波形，直接拿去训练 SVM 既不高效也不稳定。论文采用的降维手段是离散小波变换，选择 Daubechies 小波族里的 db8，做 8 层分解，目标是得到 delta(1-3Hz)、theta(4-7Hz)、alpha(8-13Hz)、beta(14-30Hz)、gamma(31-60Hz) 这 5 个频段。小波基的选择从经验上讲，db4 到 db8 是脑电文献里最常见的范围：阶数太低，频带边界不够锐利；阶数太高，计算量变大且边界效应加重。db8 在频率分辨率和时域支撑长度上相对均衡，适合 60Hz 范围内的频带划分。
8 层分解的含义是把信号逐级二分：第 1 层得到高频细节 cD1 和低频近似 cA1，第 2 层把 cA1 再拆成 cD2 和 cA2，以此类推。最终得到 8 组细节系数和 1 组最深层近似系数。接下来需要把这些小波系数按频率对应关系重组到目标频段。这里有个关键细节：采样率决定了每一层分解对应的实际频率范围。500Hz 采样率下，第 1 层细节系数覆盖 125-250Hz，第 6 层细节系数大约覆盖 3.9-7.8Hz，跟 theta 频段接近；而 1000Hz 采样率下，同样层数对应的频率范围翻倍。论文用统一 db8 做 8 层分解并映射到 5 频段，前提是两个数据库的数据都经过了下采样或频段重组，否则同一层系数在两个库中代表的生理频段完全对不上。
3.2 34 维特征向量怎么凑出来：时域统计、频段能量、微分熵与 Hjorth 参数
特征表是这篇论文最有实用价值的部分。34 个特征由三块构成：第一块是时域统计特征，包括均值、均方根、标准差、一阶差分、归一化一阶差分、二阶差分、归一化二阶差分、峰度、偏度、方差、活动性、移动性和复杂度，其中 Hjorth 参数里常用的活动性在论文表格中由方差或均方根近似代替。第二块是对 5 个频带分别计算带能量、功率谱密度、微分熵和平均带功率，共 20 个特征。第三块是 Hurst 指数和排列熵，分别刻画信号的长程相关性和复杂度。
微分熵的定义是香农熵在连续信号上的推广，对高斯分布信号，微分熵可以直接由方差估计出来，这也是 DWT 分解后计算各频段微分熵的常用做法——每个频段的系数近似服从高斯分布，用方差取对数即可。排列熵对非平稳信号更鲁棒，而且计算速度快，适合跟时域统计特征搭配。特征数量 34 个不算多，但组合了三类互补信息：时域统计描述波形形态，频段特征描述能量分布，熵特征描述复杂度，这种搭配比只堆频域能量特征要稳定得多。
以下是特征提取的核心代码框架：
import pywt import numpy as np from scipy.stats import kurtosis, skew def extract_features(signal_1d, fs=500.0, wavelet='db8', levels=8): """ 对单个通道的一个事件切片提取 34 维特征 """ feat = [] # 1. 时域统计特征 diff1 = np.diff(signal_1d) diff2 = np.diff(diff1) pad1 = np.pad(diff1, (1, 0), mode='edge') pad2 = np.pad(diff2, (2, 0), mode='edge') feat.extend([ np.mean(signal_1d), # 均值 np.sqrt(np.mean(signal_1d**2)), # 均方根 np.std(signal_1d), # 标准差 np.mean(pad1), # 一阶差分 np.mean(pad1 / (np.std(pad1) + 1e-8)), # 归一化一阶差分 np.mean(pad2), # 二阶差分 np.mean(pad2 / (np.std(pad2) + 1e-8)), # 归一化二阶差分 kurtosis(signal_1d), # 峰度 skew(signal_1d), # 偏度 np.var(signal_1d), # 方差 np.var(pad1) / (np.var(signal_1d) + 1e-8), # Hjorth 移动性 np.var(pad2) / (np.var(pad1) + 1e-8), # Hjorth 复杂度 ]) # 2. DWT 分解，取逐层细节系数的能量与熵 coeffs = pywt.wavedec(signal_1d, wavelet, level=levels) for idx, detail in enumerate(coeffs[1:], start=1): band_energy = np.sum(detail**2) # 带能量 pxx = np.mean(detail**2) # 平均功率，近似 PSD de = 0.5 * np.log2(2 * np.pi * np.e * np.var(detail) + 1e-8) # 微分熵 perm_entropy = permutation_entropy(detail, order=3, delay=1) # 排列熵 feat.extend([band_energy, pxx, de, perm_entropy]) # 3. Hurst 指数（R/S 方法） hurst_val = hurst_exponent(signal_1d) feat.append(hurst_val) return np.array(feat)这段代码里的排列熵和 Hurst 指数需要自行实现或借用第三方库。注意归一化差分特征里加了极小值 1e-8 防止除零，这在数值上属于防御性写法，实际数据如果某段信号波动极小时依然可能出现异常值，建议特征提取后做一次标准化。DWT 分解这里有个值得强调的点：wavedec 返回的第 0 个元素是最后一层近似系数，通常不直接入特征，而是把每一层的细节系数当成一个频段的代表。
3.3 特征向量维度对齐：880×34 与 742×34 是从哪里算出来的
论文里有两个很具体的矩阵维度：DEAP 训练集每通道特征向量是 880×34，SEED-IV 是 742×34。880 = 22 名训练被试 × 40 个事件，也就是把 22 个人的所有事件按行堆叠，每个事件提取 34 个特征，形成一个样本数 880、特征维度 34 的训练矩阵。SEED-IV 的 742 = 32 份训练数据 × 24 个事件，再减去少量无效样本得到的近似值。这说明特征提取的组织方式是"每通道一张特征表"，而不是把所有通道拼接成高维向量。
这个设计选择很关键。如果直接把 32 通道 × 34 特征拼成 1088 维向量，样本量只有 880，维度几乎超过样本数，SVM 很容易过拟合。而每通道单独训练一个分类器，每个分类器只处理 34 维输入，训练样本却有 880 个，属于典型的低维高样本量场景，SVM 可以在这种数据上稳定收敛。我自己复现时第一版尝试过全通道拼接，准确率直接掉了 8 到 10 个百分点，这个对比非常直观。所以通道融合策略不是简单为了对齐论文流程，而是确实能缓解小样本高维度的压力。
4. 通道级 SVM 与融合投票：32 个分类器各看一头，再用四类结果说话
4.1 为什么每通道一个分类器：空间局部性与样本量之间的妥协
论文明确写了"channel wise SVM classifier is developed"，也就是对 32 个 EEG 通道分别训练一个支持向量机分类器，每个分类器输入其对应通道的 34 维特征向量，输出四类情绪状态。训练时 DEAP 每个通道的输入矩阵是 880×34，SEED-IV 是 742×34，这意味着每个通道的分类器只见得到自己这一路的信号特征，看不到其他通道的信息。这个设计思路跟卷积神经网络处理 EEG 时的早期融合相反，它保留了空间独立性，把跨通道的整合推迟到最后的决策层。
这么做的好处有三个。第一，训练效率高，32 个小分类器并行训练，耗时远低于一个超大规模模型。第二，单个分类器的输入维度低，不容易过拟合，对样本量不充裕的数据库特别友好。第三，每个通道的重要性可以通过后续融合过程中的分类精度单独评估，比如发现 Fz 通道精度显著低于其他通道，就可以排查该通道是否存在坏电极或噪声残留。代价是需要处理 32 个分类器的输出，并且要设计一个合理的融合规则。
4.2 SVM 参数选择：RBF 核的 C 和 gamma 怎么定
SVM 在特征维度 34、样本量 880 的场景下表现稳定，关键参数是正则化系数 C、核函数以及核系数 gamma。论文只说选择了合适的核函数和参数，没有给出具体数值，实际复现时最常用的是 RBF 径向基核，因为它在非线性分类上的表现比线性核好，又不像多项式核那样容易受特征尺度影响。RBF 核有两个核心参数：C 控制误分类惩罚力度，C 太大容易过拟合，C 太小欠拟合；gamma 控制单个样本的影响半径，gamma 太大决策边界过复杂，gamma 太小则边界过于平滑。
一个常见做法是通过 GridSearchCV 在训练集上用交叉验证选参。对 880 个样本的 34 维特征矩阵，网格搜索的开销不大，C 在 2 的幂次网格上遍历，gamma 同样取 2 的幂次，通常能得到不错的结果。特征标准化对 SVM 是必须的，尤其是时域统计特征里的均值、方差和频段能量之间的量纲差异很大，不归一化的话，数值范围大的特征会主导距离计算。
from sklearn.svm import SVC from sklearn.model_selection import GridSearchCV, train_test_split from sklearn.preprocessing import StandardScaler # 以 DEAP 为例：X 为 880*34 特征矩阵，y 为 880 个四类标签 scaler = StandardScaler() X_scaled = scaler.fit_transform(X) X_train, X_test, y_train, y_test = train_test_split( X_scaled, y, test_size=0.3, random_state=42, stratify=y) param_grid = { 'C': [0.1, 1, 10, 100], 'gamma': [0.001, 0.01, 0.1, 1], 'kernel': ['rbf'] } svm_model = SVC(class_weight='balanced', probability=True) grid = GridSearchCV(svm_model, param_grid, cv=5, scoring='accuracy', n_jobs=-1) grid.fit(X_train, y_train) print("Best params:", grid.best_params_) print("Best CV accuracy:", grid.best_score_)class_weight='balanced' 这行值得注意。四类情绪标签在 DEAP 数据里往往不是均匀分布的，跟具体阈值选取有关，不平衡的训练集会让 SVM 偏向多数类。加上均衡权重后，代价函数会自动给少数类更大的误分类惩罚，这在情绪分类的公开数据集上几乎是标配手段。random_state=42 是固定随机种子，保证训练/测试划分可复现，不然每次跑出来的精度都不一样，调参时很容易误判。
4.3 通道融合：多数投票以外的两种可选方案
32 个通道各自输出一个预测类别，最后如何得到唯一的情绪状态？论文采用通道组合器完成融合。最简单的方案是硬投票，所有通道的预测结果众数作为最终类别，平票时取置信度最高的那个。更精细的方案是软投票：训练时让每个 SVC 输出概率估计，融合时把 32 个概率向量相加或求平均，取最大概率对应的类别作为最终输出。我通常更倾向于软投票，因为它保留了每个分类器的置信度信息，单个通道即使分类错误但概率接近边界时，它在融合中的破坏力会小很多。
还有一类做法是给每个通道加权投票，权重由该通道在验证集上的准确率决定。这个方案的一般实现是：先用训练集训好 32 个分类器，再用独立验证集统计每通道的准确率，把准确率归一化作为投票权重，最后在测试集上做加权投票。这种做法的风险是验证集如果太小，权重估计噪声大，反而劣于平均投票。对于 DEAP 这种只分 22 人做训练的场景，验证集会比较紧张，所以我一般先用硬投票或软投票跑通，再考虑加权策略。
5. 避坑与常见问题：从标签映射到频带错位，六条可复现的排错记录
5.1 标签映射做错：DEAP 的效价唤醒度分数不是现成的四类标签
现象：照着论文的四类分类要求做，直接从 DEAP 的 mat 文件里读到的 label 字段只有效价、唤醒度、喜好度三类连续分数，拿来一跑发现 SVM 报错，或者精度在 40% 到 50% 之间徘徊，跟掷硬币差不多。原因：四类标签需要自己设定阈值切分，而每个被试的分数分布不一样，全局用固定阈值 5 切出来的类别可能严重不均衡。解决：先分析所有样本的效价和唤醒度分数分布，观察 5 作为中位切分点是否合理；如果训练集和测试集分数区间差异大，可以在每个被试内部做中位数切分，保证每个被试对四类的贡献相对均衡。从那以后我每次都会先画一张效价-唤醒度散点图，确认切分边界，再进入特征提取。
5.2 DWT 频带跟采样率不匹配：同一层细节系数在不同库里代表不同频率
现象：分别在 DEAP 和 SEED-IV 上做同样的 db8 八层小波分解，提取的特征喂给 SVM，SEED-IV 的分类精度比 DEAP 低了十多个百分点，排查不出原因。原因：DEAP 采样率 500Hz，SEED-IV 是 1000Hz，同一层细节系数对应的实际频率范围差了整整一倍。第 5 层细节系数在 500Hz 下覆盖约 7.8-15.6Hz，对应 alpha 频段；在 1000Hz 下却覆盖 15.6-31.25Hz，落到了 beta 频段。没有做频率对齐，等于两个模型学的根本不是同一组脑频带。解决：统一采样率是第一步，把 SEED-IV 的 1000Hz 数据降采样到 500Hz，或者把两个库都下采样到 128Hz 再计算 DWT 的层数分配。至少先画出每层系数的实际频率边界，再去对应 delta、theta、alpha、beta、gamma 五个频段，不要想当然地把第 n 层细节当成某个频段。
5.3 数据划分泄漏：同一被试的 trial 同时出现在训练集和测试集
现象：交叉验证精度做到 95% 以上，但独立测试集上精度崩到 60%，典型的训练-测试分布不一致。原因：代码里用 train_test_split 直接切分所有 trial，同一被试的 40 个 trial 被随机分到两边，模型记住了被试的个人特征而非情绪共性，换了新被试就失灵。解决：按被试 ID 分组划分，DEAP 用 22 人训练、10 人测试，SEED-IV 用 32 份数据训练、13 份数据测试，保证一个被试的所有数据只在一边。交叉验证也要用 GroupKFold 按被试分组，而不是普通 KFold。这个坑在脑电数据里几乎必踩，数据量越小越容易虚高。
5.4 特征量纲差异过大：SVM 距离计算被均值和频段能量主导
现象：不归一化直接训练 SVM，RBF 核的精度一直上不去，调 C 和 gamma 也没有明显效果。原因：时域均值、标准差可能在几百上千的量级，微分熵和排列熵可能只有几个单位，RBF 核的距离计算被大数值特征带偏。解决：每个通道的特征矩阵在训练前做 StandardScaler 标准化，注意标准化参数只能用训练集拟合，再应用到测试集，不能把训练测试放一起算均值方差，否则又引入泄漏。归一化之后再看 GridSearchCV 的结果，往往比之前平滑很多。
5.5 眼电伪迹清理不彻底：中值滤波不是万能除皱器
现象：预处理后的波形看起来仍然有规律的缓慢起伏，通道 Fp1、Fp2 对分类精度的贡献明显异常高，说明分类器在学眨眼伪迹而不是情绪信息。原因：10 阶中值滤波对脉冲类噪声有效，但眼电伪迹的频率范围主要在 0.5Hz 到 5Hz，跟 delta 和 theta 频段高度重叠，单靠带通滤波很难彻底消除。解决：DEAP 数据自带 EOG 通道记录，可以先用基于回归的伪迹去除法，把 EOG 信号按传播系数从 EEG 通道中减掉；SEED-IV 没有 EOG 通道，可以尝试 ICA 独立成分分析去眼电，但成分识别需要手动确认，我一般至少把前额通道的 delta 频段能量单独画出来看一眼，如果明显比其他通道高一个量级，就要警惕伪迹残留。
5.6 通道坏点没检查：平均参考把坏通道的噪声带给了所有通道
现象：某一次复现时，32 个通道的全部分类器精度都下降，连融合之后也比之前低一大截。原因：有一个通道的电极接触不良，信号全是高频毛刺，均值参考步骤把这个通道的噪声平均到了全部通道上，相当于污染了整体输入。解决：预处理之前先逐通道检查信号质量，最简单的方法是比较各通道的方差和峰值幅度，偏离中位数 3 倍以上的通道标记为坏道，用周围通道的插值替换或直接剔除。这项检查必须在平均参考之前做，否则坏道的影响已经扩散，再处理就晚了。
6. 落地验证技巧：用 GridSearchCV 复现精度并读透混淆矩阵
把 32 个通道的特征矩阵准备好之后，最有效的落地技巧是先不管复杂的通道融合，直接随机选 3 个通道跑通整个训练验证链路。具体做法是：选 Fz、Cz、Pz 三个通道的特征矩阵，分别做标准化，各自训练一个 RBF 核 SVM，输出三个预测类别，然后硬投票得到最终类别。这一步跑通了，再扩展到全部 32 通道。这样做的好处是调试时间从几十分钟缩短到几分钟，特征提取的 bug、标签映射的 bug、数据切分的 bug 都能在小规模上暴露出来。
验证指标上，论文给的是每类准确率 74%、86%、72%、84%，但实际复现时更值得看的是混淆矩阵。四类情绪中，邻接类别之间的混淆往往有共性，比如 HALV 容易被误判成 HAHV，因为激活水平相近，只是效价不同。画出混淆矩阵之后，如果某一对类别的混淆率高得异常，优先回去检查特征提取代码里微分熵的符号是否写反，或者两个类别的样本数是否严重失衡。class_weight='balanced' 可以缓解后者，但对前者无效。
记录训练参数是我养成的习惯：每次跑完实验，把 GridSearchCV 的最佳 C、gamma、特征维度、被试划分方式、每类准确率全部写进一个实验记录文件。因为 SVM 在这个数据集上的结果对参数扰动比较敏感，同一份特征矩阵，C 从 1 调到 10，精度可能波动 3 个百分点。如果没有实验记录，两周后再来复现同一组结果，很难说清楚当初到底调了什么参数才达到论文水平。
从那以后，我每次拿到一个新的 EEG 情绪数据集，都强制走一遍"画标签分布 → 检查通道质量 → 按被试分组划分 → 小规模跑通 → 全通道扩展"这五步链路才罢休，对自己的数据才敢说心里有数。希望这篇拆解能帮你避掉几个最扎手的坑，在毕业设计或基线复现的路上少走一段弯路。
本文还有配套的精品资源，点击获取
