企业官网建设流程全解析

简介：本资源面向脑机接口、情感计算及神经工程方向的研究者与研究生，聚焦脑电情绪识别这一典型任务，提供覆盖主流深度学习范式的完整模型实现方案。压缩包内含74个文件，以57个Python脚本为核心（含BiGRU、LSTM、CNN、GCN、DNN、RNN等23种模型实现）、9个MATLAB脚本（用于信号预处理与特征验证）、3个说明文档及3个Markdown格式的使用指南，整体仅153KB，轻量易部署。已有2231人下载学习，适用于DEAP、SEED等公开脑电数据集的快速建模与对比实验。读者可直接复用从EDF文件读取、滤波分段、标签对齐到模型训练评估的全流程代码，所有模型均附带统一接口封装与超参配置模板，显著降低算法复现门槛，并支持模块化替换与性能横向对比。 最近整理工作台的时候翻出了一个压缩包，名字特别长：EEG models(BiGRU,lstm,cnn,gcn,dnn,rnn等等).zip。这是我自己在做脑电情绪识别时攒下来的全套深度学习模型，从最早的DNN基线，到后来常用的LSTM、CNN，再到图卷积GCN、双向门控循环单元BiGRU，前前后后改了几十版，最后干脆把能用的、能用得上的、试过但没上线的一起打包存了档。

这个压缩包现在看起来像是个小型模型动物园，但就是靠这套东西，我在DEAP、SEED这类公开数据集上把情绪二分类准确率从最开始的78%左右一路做到了90%上下。今天就把这里面的模型选择思路、每个模型的定位、以及我在调参过程中踩过的坑统一写出来，给正在做脑电情绪识别、或者正准备踏入这个方向的朋友当一份参考。不管你是刚入门的硕士生、准备发论文的研究者，还是想在企业里做情绪计算落地的工程师，这篇文章都能帮你少走不少弯路。

1. 内容整体设计与思路拆解

1.1 脑电情绪识别到底是个什么任务

先把这个任务的本质说清楚。脑电情绪识别不是纯粹的分类任务，也不是纯粹的时间序列预测，它实际上是一个“时空特征”联合建模的问题。

为什么要强调时空特征？因为脑电信号本身有两个天然维度：

• 空间维度：EEG电极分布在头皮的不同位置，比如国际10-20系统的32通道、64通道或者128通道，每个电极对应大脑不同脑区的电活动。情绪的产生往往涉及多个脑区的协同，比如前额叶的不对称性与效价（valence）相关，杏仁核、颞叶与情绪 arousal 相关，这些脑区的激活模式在电极上会呈现空间分布特性。
• 时间维度：EEG采样率一般在128Hz到512Hz之间，一段几秒钟的刺激片段会产生几百到几千个采样点。情绪的诱发和变化是动态过程，前200毫秒的早期成分和后500毫秒的晚期成分负载的信息完全不同。

所以这个任务的目标可以抽象成一句话：给定一段多通道的EEG时间序列，通过学习其空间拓扑结构中的非线性变化和时间维度上的动态演化，来预测当前情绪状态（效价、唤醒度，或者离散情绪类别）。

这个任务本质上是非平稳的、非线性的、低信噪比的。肌电伪迹、眼电伪迹、工频干扰都会混在信号里，而且个体差异非常大，同一段情绪刺激在不同被试身上诱发的EEG模式可能差别很大。这就是为什么单纯靠传统机器学习特征，比如功率谱密度、微分熵，虽然能做，但泛化能力有限。深度学习模型的价值就在于：它能在原始信号或浅层特征的基础上，自动学习到更鲁棒的表征。

1.2 为什么这个压缩包里要塞下这么多模型

很多朋友问我，做EEG情绪识别选一个模型不就行了吗，为什么要同时维护BiGRU、LSTM、CNN、GCN、DNN、RNN这么多种？

说实话，早期我也天真地以为会有“一个最强模型”能通吃所有情况。但做的实验越多，越发现这件事不现实。不同的模型设计思路对应的是对EEG信号不同维度的建模假设，选模型本质上是选“你用什么样的先验去解释脑电信号”。

CNN的假设是：EEG特征存在局部相关性，相邻时间点或相邻频段的特征具有局部模式，可以通过卷积核自动提取。

RNN/LSTM/GRU的假设是：EEG是一个时间序列，情绪状态的变化是随时间演化的，需要用循环结构记住长期的上下文依赖。

GCN的假设是：EEG电极不是孤立的，电极之间按照大脑皮层的物理位置存在拓扑连接关系，这种连接关系应当被显式建模。

DNN的假设是：只要特征提取得好，直接用全连接网络做非线性映射就够了，简单粗暴但有效。

所以最合理的做法不是选择一个模型，而是把这些模型放在同一套数据预处理流程、同一个训练框架下做横向对比。这样你才知道，对于你手头的数据集、你的预处理方式、你的情绪标签定义，到底哪种归纳偏置是更合理的。

这个压缩包本质上就是这样一份“模型横向对比工具库”。每个模型文件都遵循统一的接口：输入形状一致、输出层一致、训练评估脚本一致，改一个参数就能切换模型，非常方便做实验。

1.3 这套模型库的组织方式

我打包时按照模型类型分了目录结构，大致是：

EEG_models/ ├── data_loader.py # 统一的EEG数据加载与预处理 ├── config.py # 公共配置（采样率、电极数、分段长度等） ├── models/ │ ├── dnn.py │ ├── cnn.py │ ├── rnn.py │ ├── lstm.py │ ├── birgru.py │ └── gcn.py ├── train.py # 统一训练入口 ├── evaluate.py └── utils/ ├── metrics.py └── plot_utils.py

每个模型文件都实现了一个统一的接口：

class BaseModel(nn.Module): def forward(self, x): # x shape: (batch, channels, time_steps) raise NotImplementedError

训练脚本读取配置文件里的model_name字段，自动实例化对应的模型。这样我可以在几分钟内跑完一组对比实验，然后把结果填进实验记录表。这个设计本身没什么技术含量，但非常实用，强烈建议做这个方向的朋友也采用类似的结构。

2. 核心模型逐一拆解：每个模型到底在干什么

2.1 CNN：从局部特征到时空模式的提取器

CNN在EEG情绪识别里的应用可以说非常成熟。我看到很多论文里用2D CNN把EEG信号处理成类似图像的结构，但实际做下来，我建议你先从1D CNN和3D CNN两个变体入手。

1D CNN处理的是每个通道单独的时间序列，卷积核在时间维上滑动，提取的是时间上的局部模式，比如某个频段的事件相关同步/去同步变化、短时能量波动。这种方式把每个通道当成独立的特征流，早期用得很广，但缺点是没有建模通道之间的关联。

3D CNN则把EEG数据组织成通道 × 时间 × 频段的三维张量。举个例子：先用短时傅里叶变换把每段EEG转成时频图，然后把所有通道叠起来，形成(32, T, F)的三维输入，再用3D卷积同时提取时间、频率、空间上的局部模式。这种做法我在DEAP上效果不错，缺点是计算量偏大，而且需要精细调参。

我实际最常用的CNN结构是2D CNN配合通道 × 时间的输入布局：

class EEG_CNN2D(nn.Module): def __init__(self, n_channels=32, n_timesteps=128, num_classes=4): super().__init__() self.conv1 = nn.Sequential( nn.Conv2d(1, 16, kernel_size=(3, 3), padding=1), nn.BatchNorm2d(16), nn.ReLU(), nn.MaxPool2d(kernel_size=(2, 2)) ) self.conv2 = nn.Sequential( nn.Conv2d(16, 32, kernel_size=(3, 3), padding=1), nn.BatchNorm2d(32), nn.ReLU(), nn.MaxPool2d(kernel_size=(2, 2)) ) self.fc = nn.Linear(32 * (n_channels // 4) * (n_timesteps // 4), num_classes) def forward(self, x): # x: (batch, channels, time_steps) x = x.unsqueeze(1) # (batch, 1, channels, time_steps) x = self.conv1(x) x = self.conv2(x) x = x.view(x.size(0), -1) return self.fc(x)

注意这个输入布局：把通道维放在高维、时间维放在宽维，卷积核同时覆盖局部通道邻域和时间邻域。相当于同时提取“相邻脑区的协同活动”和“短时时间动态”。这里的kernel_size=(3,3)就是每次看3×3的局部时空块，这与功能磁共振成像里常用的局部感受野思路一脉相承。

注意：CNN虽好，但有一个前提，输入数据必须是“空间相邻有意义”的。如果你的电极排列不是按照头皮拓扑位置排列的，而是随意排布的，那2D CNN的局部感受野假设就不成立。这种情况我建议要么用1D CNN逐通道提取再加融合层，要么直接换GCN。

2.2 LSTM与BiGRU：捕捉情绪的时间演化

EEG情绪识别中，时间依赖是绕不开的。情绪不是一瞬间的爆发，而是一个持续演化的过程。比如看一段恐怖电影片段，你的紧张情绪会在几十秒内逐步上升，这个过程中EEG的θ波和β波活动模式是渐变的。LSTM这类循环神经网络就是为了捕捉这种时间维度上的长期依赖。

但这里有个很多人不知道的细节：标准LSTM是单向的，也就是说它只能从过去的信号推知当前的情绪状态。然而情绪心理学的研究表明，EEG对情绪刺激的反应既有前馈成分也有反馈成分，而且某些情绪成分（比如后期正电位LPP）在刺激呈现后几百毫秒才达到峰值。这意味着，如果你想利用刺激后段的信号来判断当前情绪，单向LSTM是不够的，需要双向建模。

BiGRU就是在这个思路上比LSTM更适合EEG情绪识别的模型之一。

GRU是LSTM的简化版，只有两个门（更新门和重置门），参数更少、训练更快，但效果通常不输LSTM。双向结构则叠加了一个反向的GRU层，让网络同时看到每个时间点之前和之后的上下文。

以下是我在模型库中常用的BiGRU结构：

class BiGRU_EEG(nn.Module): def __init__(self, input_size=32, hidden_size=64, num_layers=2, num_classes=4): super().__init__() # input_size: 每个时间步的特征维度，即电极通道数 self.bigru = nn.GRU( input_size=input_size, hidden_size=hidden_size, num_layers=num_layers, bidirectional=True, batch_first=True, dropout=0.3 ) self.fc = nn.Linear(hidden_size * 2, num_classes) def forward(self, x): # x: (batch, channels, time_steps) -> (batch, time_steps, channels) x = x.permute(0, 2, 1) out, _ = self.bigru(x) # 取最后一个时间步的输出（或者用全局平均池化） out = out[:, -1, :] return self.fc(out)

这里有个关键参数：input_size。很多初学者会把input_size设成EEG的采样点数，这是不对的。在循环神经网络里，input_size是每个时间步输入的特征数。对于EEG来说，如果你的时间步是一个采样点，那每个时间步的特征就是该时刻所有通道的电压值，所以input_size = 通道数。如果你的时间步是一个时间窗口（比如每100ms取一个窗口的平均功率），那input_size就是窗口特征数。

用BiGRU做EEG情绪识别，我实际跑下来的感受是：它对中等长度的时间序列（例如2-4秒的分段）效果很好，能够捕捉到情绪刺激的动态演化过程。但如果分段太长（超过10秒），GRU的隐藏状态可能会被无关信息淹没，反而效果不如直接用CNN+注意力机制。

2.3 GCN：显式建模电极之间的空间拓扑

GCN（图卷积网络）是这套模型库里最特别的一个，也是很多人一看到就头疼的模型。我的理解是，GCN解决的是CNN的一个根本性缺陷：CNN假设输入数据排列在规则网格上，但EEG电极在头皮上的分布不是规则网格。

打个比方：F7和F8两个电极，在10-20系统中分别位于左前额和右前额，物理距离很远，但它们在功能上常常是强相关的（情绪效价研究中前额叶不对称性就是基于这两个电极的差异）。CNN的卷积核如果采用3×3的局部感受野，想要同时覆盖F7和F8需要经过多层堆叠，而且中间还隔着很多不相关的通道。GCN则直接把这种“远距离但强相关”的关系通过图的边显式连接起来。

GCN的核心是邻接矩阵。在EEG情绪识别中，构造邻接矩阵通常有三种方式：

• 距离法：根据电极物理坐标计算欧氏距离，距离小于阈值的电极之间连边。
• 相关法：计算每个电极对之间的皮尔逊相关系数，相关系数高于阈值的连边。
• 功能连接法：计算锁相值或相干性，用功能连接强度作为边的权重。

我最早用的是距离法，后来换成了“距离+相关性”的混合法。具体做法是：先用物理距离确定图的骨架，再用训练集上的平均相关性对边权重进行加权。这样既保持了大脑的解剖学结构，又融入了功能连接的先验信息。

GCN的前向传播可以用一个简化的代码表示：

class GCN_EEG(nn.Module): def __init__(self, n_channels=32, hidden=64, num_classes=4): super().__init__() self.gc1 = GCNLayer(n_channels, hidden) self.gc2 = GCNLayer(hidden, hidden) self.fc = nn.Linear(hidden, num_classes) def forward(self, x, adj): # x: (batch, n_channels, time_steps) # 先对时间维做聚合，得到每个节点的特征（例如全局平均池化） x = x.mean(dim=-1) # (batch, n_channels) x = self.gc1(x, adj) x = torch.relu(x) x = self.gc2(x, adj) return self.fc(x)

在这个简化版本里，我先把整段时间上的信号做了平均池化，得到一个(通道数,)的节点特征，然后在电极图上做两层的图卷积。这样做的问题是丢掉了时间信息，所以实际模型中我通常会在图卷积之前先接一个时间卷积层，让时间信息先被压缩成高维特征，再做图卷积。

GCN的性能上限取决于邻接矩阵的质量。如果邻接矩阵构造得不好，GCN的效果甚至不如DNN。我见过很多论文把邻接矩阵设为全连接图（每对电极都连边），这样GCN就退化成了普通的全连接网络，完全失去了图结构的意义。

2.4 DNN与RNN：简单基线，但必不可少

DNN（深度全连接网络）是这套模型库里的最简版本，也是我每次做新数据集都必须跑一遍的基线。

DNN的思路是把所有特征拼成一个一维向量，然后过几个全连接层。比如把32通道、每通道128个时间点的信号直接展平成4096维向量，输入到4096 → 1024 → 512 → 4的全连接网络中。结构极其简单，但它的意义非常重要：

第一，它给出了一个性能下限。如果连DNN都跑不好，说明数据预处理或标签定义有问题，你先别折腾复杂的模型，回头检查数据。

第二，它是判断复杂模型是否有效的参照系。如果BiGRU只比DNN高两个点，你要考虑这个提升是否值得额外的计算开销和调参成本。

RNN则是最原始的循环结构。说实话，纯粹的vanilla RNN在EEG情绪识别中我基本不用，因为梯度消失问题太严重，长序列上效果远不如LSTM/GRU。但我在整理压缩包时还是把它放进去了，主要是有时候需要跑对比实验，论文审稿人可能会要求补充vanilla RNN作为基线。如果你也想跑这个基线，记得把序列长度控制在几百以内，否则基本训练不出来。

2.5 六个模型的横向对比速览

用表格把这六个模型的定位整理一下，方便你快速对照：

3. 实操落地与模型选型

3.1 到底怎么选模型：从任务需求反推

很多朋友在刚开始做EEG情绪识别时，都有一个共同的困惑：这么多模型，我该用哪一个？

我的建议是不要拍脑袋选，而是从你的任务需求反推。考虑三个问题：

第一，你的数据规模有多大？脑电数据集的样本量普遍不大，公开数据集DEAP大概是768个有效样本（32被试×24试次），SEED大概是900个样本左右。在这个规模下，参数量巨大的模型很容易过拟合。LSTM、BiGRU这类循环网络的参数量中等偏小，比较匹配；而深层CNN如果设计不当，参数量奔着几百万去，就很容易在验证集上打架。

第二，你的特征输入是原始信号还是手工特征？如果你用的是微分熵、功率谱密度这类手工特征，特征的维度通常不高，DNN或浅层CNN就足够了。如果你直接输入原始EEG波形，那必须有CNN或RNN这类能够自动提取时序特征的模型。

第三，你是否关注电极之间的空间关系？如果你的研究问题涉及脑区之间的协同活动，比如想看前额叶和顶叶在情绪加工中的交互，GCN是更合理的选择。如果只是想把分类准确率做到最高，不关心脑区机制，那用CNN+BiGRU的组合通常更省事。

我自己常用的选型决策如下：

• 快速验证可行性：DNN
• 纯分类任务、性能优先：CNN或CNN+注意力
• 情绪动态变化过程分析：BiGRU
• 多脑区协同机制研究：GCN或GCN+时间卷积
• 追求SOTA、算力充足：CNN+BiGRU+注意力混合模型

3.2 混合模型怎么搭：以CNN+BiGRU+注意力为例

单模型各有短板，混合模型是提升性能的有效手段。我在最终方案里用得最多的是CNN+BiGRU+注意力机制的组合，下面把搭建过程讲详细一点。

整体的设计思路是各取所长：

• CNN层负责提取局部时空特征，相当于先做第一层特征工程；
• BiGRU层负责对CNN输出的特征序列进行时序建模，捕捉情绪的演化过程；
• 注意力层负责对不同时间步的重要性进行加权，因为不是每一个时间点对情绪判断同样重要；
• 最后经过全连接层输出分类结果。

具体结构代码如下：

class CNN_BiGRU_Attention(nn.Module): def __init__(self, n_channels=32, n_timesteps=128, num_classes=4): super().__init__() # CNN特征提取部分 self.conv1 = nn.Sequential( nn.Conv2d(1, 32, kernel_size=(3, 3), padding=1), nn.BatchNorm2d(32), nn.ReLU(), nn.MaxPool2d(kernel_size=(2, 2)) # (32, n_channels//2, n_timesteps//2) ) self.conv2 = nn.Sequential( nn.Conv2d(32, 64, kernel_size=(3, 3), padding=1), nn.BatchNorm2d(64), nn.ReLU(), nn.MaxPool2d(kernel_size=(2, 2)) # (64, n_channels//4, n_timesteps//4) ) # BiGRU层 hidden_size = 128 self.bigru = nn.GRU( input_size=64 * (n_channels // 4), hidden_size=hidden_size, num_layers=2, bidirectional=True, batch_first=True, dropout=0.3 ) # 注意力层 self.attention = nn.Sequential( nn.Linear(hidden_size * 2, hidden_size), nn.Tanh(), nn.Linear(hidden_size, 1) ) self.fc = nn.Linear(hidden_size * 2, num_classes) def forward(self, x): # x: (batch, channels, time_steps) -> (batch, 1, channels, time_steps) x = x.unsqueeze(1) x = self.conv1(x) x = self.conv2(x) batch, _, n_channels, n_timesteps = x.shape # 重新排列成序列形式：把通道维并到特征维 x = x.permute(0, 3, 1, 2) # (batch, time, channels, features) x = x.reshape(batch, n_timesteps, -1) # (batch, time, 64 * channels/4) out, _ = self.bigru(x) # (batch, time, hidden_size*2) # 注意力加权 attn_scores = self.attention(out) # (batch, time, 1) attn_weights = torch.softmax(attn_scores, dim=1) context = torch.sum(attn_weights * out, dim=1) # (batch, hidden*2) return self.fc(context)

在实际跑这个结构时，有几个细节值得注意：

• 池化层会大幅缩短时间维。如果你的原始时间步数为128，经过两次2倍下采样后，只剩32个时间步，这个长度对BiGRU来说有点短，会限制时序建模的效果。所以卷积层的下采样不要做得太狠，或者干脆只在通道维上池化，时间维保持原长度。
• 注意力层的计算最好在时间维上进行归一化，不是通道维。
• 双向GRU的输出维度是hidden_size*2，后面所有层的输入维度都要跟着调整，这个新手最容易出错。

这个混合模型我在DEAP数据集上的4分类（valence高/低 × arousal高/低）准确率在86%到90%之间，比单独使用CNN或单独使用BiGRU能高出3到5个百分点，训练成本比CNN略高，但还在可接受范围内。

3.3 数据处理流程与关键参数

模型再复杂，数据预处理做不好，一切都是零。我在这个项目里总结了一条比较稳定的EEG预处理流水线，从原始数据到模型输入一共五个步骤：

第一步：信号滤波。EEG的有效频段通常在0.5Hz到50Hz之间。低于0.5Hz的漂移噪声和高干50Hz的肌电伪迹、高频噪声都是干扰。我用的是带通滤波，在MNE库中可以直接用mne.filter.filter_data实现。注意滤波器的阶数不要太高，否则会产生振铃效应，导致信号边缘失真。

第二步：分段与基线校正。根据实验范式把连续EEG按情绪刺激的起止时间切成片段。分段之后做基线校正，用刺激开始前200毫秒的平均电位作为基线，从整段信号中减去，这样可以消除直流漂移的影响。

第三步：伪迹去除。眼电伪迹是EEG情绪识别的大敌，眨眼产生的巨大眼电尖峰会淹没真实的情绪相关信号。传统的ICA去除法效果不错但很费时间。实操中我采用了两步策略：先用幅度阈值法剔除异常幅值超过±100μV的坏段，再对剩余数据做ICA去除眼电分量。

第四步：特征计算（可选）。如果你打算用CNN直接处理原始波形，这一步可以跳过。但如果用DNN或GCN，我建议先计算差分熵特征，这是EEG情绪识别中效果最好且最稳定的手工特征之一。

第五步：归一化。分别对训练集和测试集做z-score归一化，注意一定是“分别”做，不能在训练集上计算均值和方差后直接套到测试集上，也不能把两类数据混在一起求归一化参数。

这里有一个特别容易踩的坑：样本划分必须在预处理之前进行。很多人先对全部数据做了时间平滑、滤波、归一化，然后才划分训练集和测试集，这会引入非常严重的数据泄漏，导致测试集准确率虚高，但模型实际部署后效果崩盘。正确的顺序是：先把连续EEG数据按照实验试次分开，然后按照被试或试次划分训练集和测试集，最后在训练集上拟合预处理参数，用拟合好的参数处理测试集。

3.4 训练细节与超参数调优经验

模型结构定了，训练环节同样影响最终表现。我在几十组实验中总结出几个最重要的训练细节，分享给大家。

学习率是最关键的超参数。我在EEG情绪识别任务中最常用的优化器是Adam，学习率初始值设为1e-4到1e-3之间，配合余弦退火或ReduceLROnPlateau做动态调整。EEG数据集不仅样本量小，而且噪声大，学习率一高很容易在训练初期就震荡甚至发散。如果发现训练损失在前几个epoch不下降反而上升，先不要怀疑模型结构，把学习率除以10再试一次。

Batch size选择很讲究。EEG数据集的样本量本来就小，如果batch size设得太大，一个batch可能就覆盖了训练集的很大一部分，训练过程会非常不稳定。我通常用16或32。如果类别不均衡严重，可以考虑在DataLoader中设置sampler做类别平衡采样。

Early stopping要配合监控指标设置。不要只盯训练损失，要同时监控验证集准确率，并设置一个合适的patience（我一般用15到30个epoch）。这里有个经验之谈：EEG模型的训练损失曲线往往看起来比实际效果更乐观，因为信号中的噪声具有很强的模式，模型会先学会拟合噪声再学会拟合信号，这个过程在损失曲线上不会太明显。所以一定以验证集指标为准。

随机种子一定要固定。EEG实验的随机性来源很多：数据加载顺序、权重初始化、dropout掩码、数据增强都会引入随机波动。如果不固定随机种子，同一份代码跑两次结果可能差出3到5个点，这会完全掩盖模型之间的真实差异。我在模型库的代码里加了seed_everything(42)函数，每次实验前固定所有随机源。

4. 常见问题与排查技巧实录

4.1 训练集准确率很高，测试集却一塌糊涂

这个问题在EEG情绪识别里太常见了，本质上就是过拟合。EEG数据集样本量小、个体差异大，模型的拟合能力很容易“过头”，把训练集中的个体特征和噪声一并记住。

我的排查思路是这样的：先看训练样本量和模型参数量是否匹配。如果样本量只有几百，模型参数却有几百万，过拟合几乎是必然的。解决办法是给网络加正则化，包括Dropout、权重衰减和早停。在CNN+BiGRU的结构中，我在卷积层之后加Dropout(0.3)，在BiGRU层内部设置dropout=0.3，在最后的全连接层之前再加一个Dropout(0.5)，三层防护下来，过拟合现象明显缓解。

另一个更有效的手段是数据增强。EEG增强不像图像增强那么成熟，但有两个方法实测有效：一是给信号加小幅高斯噪声，幅值控制在原始信号标准差的0.05倍以内，每次训练时随机加，相当于在样本附近做扰动；二是在时间轴上随机裁剪或缩放，模拟不同被试在相同情绪条件下时间节律的差异。

如果数据量实在太小，可以考虑迁移学习。先在源域数据集上预训练模型，再在你的数据集上微调。我在SEED上预训练过的特征提取器，迁移到DEAP上做微调后，比直接在DEAP上从零训练的效果普遍高出2到4个百分点。

4.2 邻接矩阵怎么构造才能让GCN发挥效果

GCN在EEG情绪识别中的表现高度依赖邻接矩阵的构造方式。如果你发现GCN效果比DNN还差，问题大概率出在邻接矩阵上。

我踩过的坑是：一开始直接把邻接矩阵设为所有元素都为1的全连接矩阵，结果GCN完全退化，准确率甚至不如DNN。后来换成了距离阈值法：利用电极在10-20系统中的标准坐标，计算两两距离，只保留距离小于某个阈值的边。阈值的选择很关键，设太大边太多、图结构被稀释；设太小图过于稀疏、信息无法传播。

我建议用“保边率”这个概念来调节阈值：计算所有电极对的距离排序，选择阈值使边数占所有可能边数的比例在10%到30%之间。这个范围通常能保证图具有足够的连通性，又不会退化成全连接。

此外，邻接矩阵一定要做归一化处理。GCN的标准做法是用D^(-1/2) A D^(-1/2)对邻接矩阵做对称归一化，目的是让不同度数的节点在信息传播时权重均衡。如果不做这个处理，度数高的节点会主导整个图的信息流，让模型训练不稳定。

4.3 不同被试的差别太大，模型泛化能力弱

这是一个让所有EEG研究者头疼的问题。同一个模型，A被试上准确率能有90%，到了B被试上直接跌到60%。这背后的原因很多：头型头围不同导致电极实际位置偏移、皮肤阻抗不同导致信号质量差异、情绪反应模式本身存在巨大的个体差异。

我处理这个问题的常用策略是做跨被试（leave-one-subject-out）评估。把N个被试中的N-1个作为训练集，剩下的1个作为测试集，轮流做N次实验，最后取平均结果。这个评估方式比简单随机划分要严格得多，也更接近实际应用场景。我在发布压缩包里的评估脚本时，默认就设置了这种评估模式。

如果跨被试效果确实很差，可以考虑做被试自适应（subject adaptation）。简单的方法是：先用所有数据预训练一个通用特征提取器，然后对每个新被试，采集少量标注样本做微调。这种方法在脑机接口领域应用很成熟，情绪识别也可以借鉴。

4.4 模型推理速度与部署注意事项

深度学习模型情绪识别要落地，推理速度是绕不开的问题。DNN和CNN的推理速度非常快，在小数据集上单条样本的推理时间在毫秒级别。BiGRU因为是循环结构，推理时需要逐步计算隐藏状态，速度比CNN慢一些，但通常在单条2秒的EEG片段上也能控制在10毫秒以内。

真正影响推理速度的是GCN。因为GCN需要将邻接矩阵与特征矩阵做矩阵乘法，而且图的大小（电极数）决定了计算量。如果电极数只有32，计算量很小；但如果到了128通道，GCN的推理速度会明显下降。

部署时需要重点考虑的是模型格式转换。我通常用ONNX格式做跨平台部署。但要注意，GRU在转换到ONNX时有时会遇到算子不兼容的问题，PyTorch新版版本的torch.onnx.export已经基本支持，但个别版本的opset设置有坑。我的建议是：如果部署平台支持PyTorch就直接用PyTorch推理，不支持再用ONNX，不要一上来就给自己增加额外的复杂度。

5. 常见问题排查速查表

为了让你在调试时快速定位问题，我把实操中遇到过的高频问题整理成了速查表：

6. 从模型库到论文/项目的扩展方向

这个小模型库的价值不在代码本身，而在于它给了你一个清晰的实验框架。如果你想在这个方向上继续深入，我建议从这几个方向做扩展。

第一，注意力机制可视化。在CNN+BiGRU+注意力模型中，注意力权重本身就可以作为解释情绪动态变化的依据。你可以把每个时间步的注意力权重画出来，看模型在做情绪判断时到底关注哪些时间段的信号。这个可视化结果非常适合放进论文里，既有解释力，又能证明模型确实学到了与情绪相关的模式。

第二，多模态融合。EEG虽然好用，但只用EEG情绪识别能获取的信息维度有限。把EEG和眼动信号、皮肤电信号做多模态融合，在公开数据集上通常能再提升几个准确率点。模型库的架构设计时预留了融合层接口，接多模态输入比较方便。

第三，域自适应方法。跨被试识别是情绪识别落地最大的障碍。你可以尝试在特征提取器后面加入对抗训练分支，让模型学会提取与个体无关的情绪特征。这个方法在论文里很受欢迎，实际效果也的确能提升跨被试泛化能力。

第四，轻量化模型。如果需要部署到移动端或嵌入式设备，模型压缩是必须的。知识蒸馏、通道剪枝、量化都可以做。我在实际项目里把CNN+BiGRU的结构做了剪枝，在准确率损失不到2个点的情况下，把模型体积压缩到了原来的四分之一。

把我自己实际用的几个关键经验再做一次总结，希望能帮你避开我走过的弯路：

第一，做EEG情绪识别，不要一上来就堆复杂模型。先用最简单DNN跑通整个流程，确认数据没问题、评估指标可信，再逐步引入更复杂的模型。

第二，横向对比一定要在同一套数据预处理和评估协议下进行。我见过不少论文其实是模型没调好，不是模型不好，就急着下结论说某种结构比另一种差，这很容易误导同类研究者。

第三，实验记录要完整。每次跑完一组实验，记录下模型结构、超参数、随机种子、训练损失曲线、验证集指标。这个压缩包的诞生原因，就是因为我自己早期不重视实验记录，后来想复现一个效果很好的LSTM版本，竟然忘了当初用了什么学习率和窗口长度。

EEG情绪识别这个方向好玩的地方就在于，它把心理学、信号处理和深度学习三个领域的知识揉在了一起，每一步都有让人惊喜的发现。这套模型库里的每一个模型都是我用时间和调参换来的经验，现在整理出来，希望正在这个方向上探索的你也能用它们跑出更好的结果。

本文还有配套的精品资源，点击获取