DEAP脑电信号识别实战：CNN-LSTM代码详解与避坑指南-北京尧图网络

简介面向DEAP脑电情感识别任务的深度学习代码包提供结合CNN与LSTM的完整训练、验证与预测流程适合需要基于脑电信号进行情绪分类的研究者、学生或工程师参考。压缩包共35个文件、约11.86MB结构涵盖Jupyter Notebook实验脚本.ipynb、纯Python训练/测试程序.py、模型权重备份.h5/.npy以及大量数据可视化图.png和项目配置文件.xml/.iml等覆盖数据清洗、特征提取、带通滤波、模型构建、训练评估与结果可视化等环节。已有2521人学习下载。资源内不仅实现了标准LSTM还提供CNN1D与LSTM、GRU、SimpleRNN的多种组合对比实验多个notebook版本记录了不同超参数和特征的迭代过程同时附带theta/alpha/beta等频段分布图、混淆矩阵、loss曲线和滤波效果图便于用户快速理解数据特点与模型行为可直接作为复现DEAP情感识别结果的基线工程或进一步改进和迁移学习的起点。1. DEAP脑电信号识别CNN-LSTM代码这套组合到底在解决什么问题之前有人拿着“Deap脑电信号识别CNN-LSTM代码”来问训练时loss一路降到0.1以下测试准确率却卡在70%上不去。我看了看数据加载部分发现他把同一个受试者同一段视频的滑窗片段同时塞进了训练集和测试集这个数据泄漏不解决后面换任何模型都白搭。这个标题背后其实是公开数据集加CNN-LSTM的一套标准落地流程读取固定格式的脑电数据、滑窗构造样本、用CNN提取空间与局部特征、用LSTM捕捉时间依赖最后落到情绪或唤醒度二分类上。这篇文章把从数据到模型的完整代码讲清楚新手能照着复现熟手能对照自己的写法找问题。DEAP算不上新数据集但一直是做情绪识别的首选参考胜在样本形态规范、标签齐全。CNN-LSTM组合在这个场景里几乎是最经济的选择能解决的关键问题有两类电极通道上的空间分布特征以及几十秒内持续变化的时间规律。文章不讨论花哨的注意力模型只围绕这个标题把代码里的每一步说透。适合刚接触脑电数据、想快速跑通baseline的初学者也适合已经有模型但复现效果不稳、怀疑是数据或参数问题的从业者。2. 读取DEAP数据集从.mat原始文件到能送进网络的样本DEAP预处理版本的文件按被试存放每个.mat文件里有data和labels两个数组。data形状是(40, 40, 8064)40是trail数40是通道数8064是采样点128Hz乘以63秒labels是(40, 4)对应valence、arousal、dominance、liking四个维度的1到9打分。很多刚上手的人以为这些通道都是脑电实际前32路是EEG后8路是眼电、肌电等外围生理信号直接全用会引入噪声。2.1 用scipy读取单个被试文件常见做法是用scipy.io.loadmat读取。这里要注意loadmat解析后的嵌套问题mat[data]本身是(40, 40, 8064)的数组不需要额外转置。先写一个只取前32通道的函数import scipy.io as sio import numpy as np def load_deap_subject(path, n_channels32): mat sio.loadmat(path) eeg mat[data] # (40, 40, 8064) labels mat[labels] # (40, 4) eeg eeg[:, :n_channels, :].astype(np.float32) return eeg, labelsloadmat加载后的data是float64转换成float32能省一半内存。到这里eeg形状为(40, 32, 8064)labels仍是(40, 4)。为什么只取前32路因为眼电信号与情绪标签的相关性容易让模型学到数据集特有的伪规律换一批数据就失效实际部署时也不一定采集外围生理信号。想保留后8路的话可以单独分开编码不要和EEG混在一个Conv1d输入里。2.2 滑窗分段把1280条trail变成可训练样本直接拿每条trail整体作为样本一个被试只有40条总样本量1280条对CNN-LSTM来说太少。常见做法是滑窗分段。以4秒窗口512点、步长256点为例一条8064点的trail能切出30个左右的窗口样本量放大到3万以上模型才养得活。滑窗的代价是相邻窗口共享信息因此训练集和测试集的划分必须按trail而不是按窗口来切否则测试集失真。def make_windows(eeg, labels, window_len512, stride256): windows, targets [], [] n_trails, n_channels, n_samples eeg.shape for t in range(n_trails): signal eeg[t] label int(labels[t, 0] 5) # valence 二分类 for start in range(0, n_samples - window_len 1, stride): windows.append(signal[:, start:start window_len]) targets.append(label) return np.asarray(windows, dtypenp.float32), np.asarray(targets, dtypenp.int64)参数说明window_len512对应4秒stride256是2秒重叠一半。窗口太短比如1秒CNN提取不到足够的节律变化模式窗口太长比如8秒样本量骤减且相邻窗口几乎相同。我一般会先用512/256跑通baseline再试1024/64做对比。注意stride越小同一trail产生的窗口越多训练时越容易过拟合因为相邻窗口本质上是同一段信号。另外DEAP每条trail前3秒是基线很多论文直接用完整63秒而不单独做基线校正。前3秒能帮助模型估计静息状态但也会让模型学到“只看开头就知道这个人情绪状态”的捷径。我个人的习惯是保留基线让模型自己决定哪些时刻的信息有用同时把当前窗口减去基线段均值作为可选差分特征。2.3 标签二分类化阈值切在4.5还是5.0DEAP原始打分是1到9的连续值直接回归也可以但二分类更容易评估。labels[:, 0]是valencelabels[:, 1]是arousal取哪个维度取决于任务。常见阈值有4.5、5.0两种还有一种做法是用全体被试的平均值做阈值。阈值直接影响正负样本比例和准确率基线。def make_binary_labels(labels, dim0, threshold5.0): return (labels[:, dim] threshold).astype(np.float32).reshape(-1, 1)阈值5.0时正负样本相对均衡对应“一般以上算正类”阈值4.5会把更多样本归为正类准确率基线略有变化。建议报告结果时把阈值写清楚并列实验里用同一阈值否则复现时对不上。另一个常用维度是arousal它比valence更好分很多baseline论文的arousal准确率比valence高5到8个百分点这是数据本身的特性不是模型优势。3. 搭建CNN-LSTM主干空间特征提取与时间依赖建模CNN与LSTM在DEAP上的分工不是把整个序列扔给LSTM而是先用CNN在每个小段时间段内提取局部特征再用LSTM把这些段的特征串起来。这么做合理的地方在于脑电信号在几百毫秒尺度上有稳定的节律模式CNN的局部卷积核正好能捕获而情绪状态在几十秒内缓慢变化前后的特征向量存在时间依赖这是LSTM擅长的地方。3.1 为什么不用纯CNN或纯LSTM纯CNN在脑电上也能出结果靠多层卷积扩大感受野但要做到几十秒的依赖需要堆很多层卷积参数量大且解释性差。纯LSTM直接吃原始脑电得把128个采样点当输入维度维度灾难和梯度消失同时出现训练极不稳定。CNN-LSTM折中后各司其职参数量相对小训练速度快。据观察DEAP上的多数baseline准确率在60%到75%之间arousal任务更容易一些。这个区间的天花板不是模型而是DEAP标签本身的主观性同一个人看同一段视频两次可能有不同打分。所以发现模型只有70%准确率时先别怀疑代码先确认数据划分方式。3.2 完整网络结构按段做CNN提特征再用双向LSTM建模以4秒窗口512点为例把512点切成8段每段64点每段内用共享的卷积网络提取特征。8个特征向量作为8个时间步送进LSTM。这里的关键是共享权重同一个CNN作用于所有段保证不同时间段用相同的模式提取特征减少参数量。import torch import torch.nn as nn class SegmentCNN(nn.Module): def __init__(self, n_channels32, cnn_out128): super().__init__() self.cnn nn.Sequential( nn.Conv1d(n_channels, 64, kernel_size16, stride4, padding8), nn.BatchNorm1d(64), nn.ReLU(), nn.AdaptiveMaxPool1d(32), nn.Conv1d(64, cnn_out, kernel_size8, stride4, padding4), nn.BatchNorm1d(cnn_out), nn.ReLU(), nn.AdaptiveMaxPool1d(16), ) self.pool nn.AdaptiveMaxPool1d(1) def forward(self, x): # x: (B, 32, 64) h self.cnn(x) # (B, 128, 16) h self.pool(h).squeeze(-1) # (B, 128) return h class CNNLSTM(nn.Module): def __init__(self, n_channels32, window_len512, n_segments8, cnn_out128, lstm_hidden64, num_classes1): super().__init__() self.n_segments n_segments self.n_channels n_channels self.segment_len window_len // n_segments self.cnn SegmentCNN(n_channels, cnn_out) self.lstm nn.LSTM(cnn_out, lstm_hidden, batch_firstTrue, bidirectionalTrue) self.classifier nn.Sequential( nn.Linear(lstm_hidden * 2, 32), nn.ReLU(), nn.Dropout(0.5), nn.Linear(32, num_classes), ) def forward(self, x): # x: (B, 32, 512) B x.size(0) x x.view(B, self.n_channels, self.n_segments, self.segment_len) x x.permute(0, 2, 1, 3).contiguous() x x.view(B * self.n_segments, self.n_channels, self.segment_len) feat self.cnn(x) # (B * 8, 128) feat feat.view(B, self.n_segments, -1) # (B, 8, 128) out, _ self.lstm(feat) # (B, 8, 128)双向后128维 out out[:, -1, :] # 取最后时间步 return self.classifier(out)这里forward里的维度变换是容易写错的地方。x先view成(B, 32, 8, 64)第2维是通道第3维是段第4维是段内采样点需要permute把段维度换到第2维才能把8个段独立过CNN。permute后还要.contiguous()确保内存连续否则view会报错。feat前两维合并的目的是让CNN一次处理多个段比for循环高效。3.3 关键参数怎么调卷积核、LSTM隐藏层、dropout先看卷积核。第一层kernel_size16, stride4对应128Hz下约0.125秒的感受野适合捕捉α波和β波的局部模式。kernel太到32会把段内64个点压得太狠特征分辨率下降。AdaptiveMaxPool1d的作用是把长度不齐的特征对齐到指定长度避免人工计算池化尺寸出错。LSTM的lstm_hidden64双向后输出128维。DEAP样本量不大hidden超过128很容易过拟合低于32则表达力不足。dropout放在分类头最后一层前值取0.5同时配合训练时的早停。BatchNorm在这里也承担了稳定训练的作用但下一章会说它在跨被试场景下的问题。4. 训练与调参让模型在DEAP上真正收敛的配置模型结构确定后训练配置决定能否收敛。DEAP上最常见的失败不是代码错误而是训练集内部泄漏和超参不合适。这一章给出一个可以在单卡上跑通的训练流程并解释每个配置的动机。4.1 训练集与测试集划分按被试划分是最稳妥的方案DEAP有32个被试有人习惯随机打乱所有trail后按8:2划分这种做法在复现论文时得分高但模型见到的是同一批人的不同trail相当于用户内测试。真正有意义的是跨被试评估用26个被试做训练6个被试做测试测的是模型从未见过的人上的表现。两者准确率差距通常在10个百分点以上。from torch.utils.data import TensorDataset, DataLoader def build_dataset(subject_files, window_len512, stride256, n_channels32): xs, ys [], [] for path in subject_files: eeg, labels load_deap_subject(path, n_channels) wins, tgts make_windows(eeg, labels, window_len, stride) xs.append(wins) ys.append(tgts) x np.concatenate(xs, axis0) y np.concatenate(ys, axis0).reshape(-1, 1).astype(np.float32) return TensorDataset(torch.from_numpy(x), torch.from_numpy(y)) train_files [fdata_preprocessed_matlab/s{i:02d}.mat for i in range(1, 27)] test_files [fdata_preprocessed_matlab/s{i:02d}.mat for i in range(27, 33)] train_ds build_dataset(train_files) test_ds build_dataset(test_files) train_loader DataLoader(train_ds, batch_size64, shuffleTrue, num_workers2) test_loader DataLoader(test_ds, batch_size128, shuffleFalse, num_workers2)文件路径按实际目录改。构建数据集时把每个文件的窗口拼接起来批量操作比逐条循环快很多。注意y要reshape成(N, 1)BCEWithLogitsLoss要求目标和预测形状一致。4.2 损失函数、优化器与梯度裁剪二分类用BCEWithLogitsLoss理由是不用在forward里手动sigmoid数值上更稳定。优化器用AdamW而不用原版Adam权重衰减效果更好适合脑电这种小数据场景。梯度裁剪能防止LSTM在长序列上梯度爆炸clip值取1.0即可。def train_one_epoch(model, loader, criterion, optimizer): model.train() total_loss 0.0 for x, y in loader: optimizer.zero_grad() logits model(x) loss criterion(logits, y) loss.backward() torch.nn.utils.clip_grad_norm_(model.parameters(), 1.0) optimizer.step() total_loss loss.item() return total_loss / len(loader) model CNNLSTM(n_channels32, window_len512, n_segments8) criterion nn.BCEWithLogitsLoss() optimizer torch.optim.AdamW(model.parameters(), lr5e-4, weight_decay1e-4)lr5e-4是DEAP上比较稳的起点3e-3会在一开始就震荡。weight_decay1e-4对应L2正则一定程度上替代了数据增强。如果显存小batch_size可以降到32但BN会受影响避坑章节里专门说这个。4.3 早停、学习率衰减与epoch设置DEAP这类小数据集没有固定的epoch轮数常见做法是连续5个epoch验证集AUC不升就停。我习惯在前30个epoch内保留最佳模型而不是用最后一个epoch的结果。best_auc 0.0 patience 0 for epoch in range(50): train_loss train_one_epoch(model, train_loader, criterion, optimizer) val_metrics evaluate(model, test_loader) if val_metrics[auc] best_auc: best_auc val_metrics[auc] torch.save(model.state_dict(), best_model.pt) patience 0 else: patience 1 if patience 5: break print(epoch, train_loss, val_metrics)这里的evaluate函数在下一章给出。早停应该基于验证集而不是测试集如果直接用test_loader做早停判断本质上又是另一次数据泄漏。正确做法是把26个训练被试再拆出一部分做验证或者用训练集内部的交叉验证。先这样写能把流程跑通。5. 避坑DEAP CNN-LSTM常见的翻车现场数据量小、标签主观、通道格式固定这三个特点决定了DEAP上的坑很集中。下面把这些年帮别人排查代码时遇到的高频问题列出来每条按现象、原因、解决三步说清。5.1 数据泄漏滑窗把同一trail切进了训练和测试现象训练损失稳定下降测试准确率高达85%以上但换到按被试划分后掉到70%以下。常见原因是先对全部窗口做8:2随机划分测试集里包含大量来自训练trail的相邻窗口模型等于见过答案。原因滑窗生成样本后相邻窗口共享了80%以上的信号内容随机划分把强相关样本分到了两侧。解决划分一定发生在滑窗之前按trail或按被试切分。写法如上章窗口维度只存在于一个集合内部不在两个集合之间共享。5.2 BatchNorm在跨被试场景失效现象同一套代码在batch_size64时正常调到32后验证集指标大幅波动甚至训练集上也开始抖动。原因BatchNorm统计的是当前batch的均值和方差被试间的脑电幅值差异大小batch的统计量不稳定。解决跨被试场景把BatchNorm1d换成GroupNorm或者把batch_size保持在64以上。我一般会把卷积层后的BN换成GroupNorm(num_groups4)效果稳定且不再依赖batch大小。5.3 时间步划分错误LSTM根本没在建模时间现象模型结构没问题但loss下降后又反弹或者验证集指标始终在60%左右徘徊。原因把x.view成(B, n_segments, segment_len, n_channels)后忘记permute段内采样点被当成了时间步LSTM学到的不是段间变化而是段内噪声。解决打印中间张量shape确认进入LSTM前是(B, n_segments, cnn_out)。n_segments不要取1取1时LSTM只有一个时间步直接退化成了全连接层。5.4 归一化统计量用在了全数据集上现象复现他人代码时先计算全体数据的mean和std再归一化测试准确率虚高换环境后性能下降。原因全数据归一化混入了测试集信息属于轻度数据泄漏偷看了测试集的分布。解决只从训练集计算mean和std测试集沿用这两个值。脑电数据幅值差异大建议按被试分别做z-score后再合并效果更稳。5.5 阈值与维度不统一导致复现对不上现象用valence做分类时模型只有68%换arousal后到75%但和某篇论文对比还是差一截。原因不是模型问题是别人用了不同的标签维度和阈值arousal本来就比valence好分5.0和4.5的结果也不一样。解决报告结果时固定写法比如“DEAP valence二分类阈值5.0按被试划分”。如果只是为了模型对比统一取arousal更能看出模型差异。6. 验证与进阶用指标和跨被试评估证明模型有效训练完成后不能只打印准确率。DEAP正负样本在阈值5.0下基本均衡准确率尚可参考但如果有偏差AUC和F1更说明问题。这里给出一个完整的验证流程。from sklearn.metrics import roc_auc_score, classification_report, confusion_matrix def evaluate(model, loader): model.eval() all_logits, all_true [], [] with torch.no_grad(): for x, y in loader: logits model(x) all_logits.append(logits) all_true.append(y) logits torch.cat(all_logits).numpy() y_true torch.cat(all_true).numpy() probs 1.0 / (1.0 np.exp(-logits)) preds (probs 0.5).astype(int) return { auc: roc_auc_score(y_true, probs), report: classification_report(y_true, preds), confusion: confusion_matrix(y_true, preds) }这里用sigmoid把logits转成概率再算AUCclassification_report输出precision、recall、F1三项。我习惯把confusion_matrix单独打印看模型是把正类错当成负类还是反过来。情绪识别任务里recall低说明漏报多实际场景更在意识别出负面情绪的召回率。进阶部分如果按被试划分的模型泛化不佳可以试两件事。一是对窗口做数据增强给每个窗口加标准差为0.01的高斯噪声相当于扩充训练样本二是把LSTM换成单层TransformerEncoder序列长度只有8不需要位置编码也能跑效果与LSTM接近但对超参更敏感。都不理想时检查标签是否真的有可学习信号某些被试的valence打分与视频官方打分差异很大按被试划分时这类被试会拉低整体指标。我踩过的坑是以为加宽LSTM能提升跨被试效果结果hidden从64加到256过拟合反而更早到来验证集AUC直接掉了3个点。后来固定hidden64把精力放在数据划分和数据增强上指标才稳下来。这套CNN-LSTM代码在本地跑通后建议记录三件事标签阈值、数据划分方式、用BN还是GN这三个变量就能让结果出现巨大差异。希望帮到你。本文还有配套的精品资源点击获取

DEAP脑电信号识别实战：CNN-LSTM代码详解与避坑指南

相关推荐

C++双缓存与AI预测：乒乓球游戏开发实战解析

PLC200洗车机控制系统：顺序控制、状态机与现场调试

三阶对象根轨迹法控制器设计与Simulink仿真建模

更多资讯

纯Java自研Agent Harness平台：设计取舍与企业级落地复盘

CAP理论在PHP工程中的落地：缓存、消息队列与主从架构的一致性实践

纯Java构建企业级Agent Harness平台：治理设计与实践

Hadoop图书推荐系统实战：从伪分布式搭建到ItemCF算法落地

社区智能诊疗系统Java毕设全复盘：SpringBoot+Vue从设计到部署

ComfyUI本地部署完整指南：从环境配置到工作流搭建

今日更新

Susi AI API实战指南：susi_alexa_skill如何用Node.js调用chat.json获取智能回答

换新电脑了？KeyStats 恢复码数据找回完全指南，端到端加密统计一键重建

重建二叉树：由前序与中序遍历序列还原二叉树的原理与 Java 实现（YCBlogs 剑指 Offer 精讲）

本周精选

交通拥堵预测毕设：基于Python+LSTM的车辆流量预测系统全流程解析

MATLAB/Simulink搭建10机39节点电力系统暂态稳定仿真实战

无人机航拍三维重建全流程：从SfM到网格生成的避坑指南

本月热门

我发现了一个新思路：用 Remotion + Claude Code 像写代码一样自动化生成短视频

Windows下 Codex 中 Chrome 和 Computer Use 插件不可用问题排查及解决参考方式：TaoToken 统一 Key 配置与验证

2026 大模型集体涨价：用 Python 做企业 Token 成本测算与选型避坑（附配置）

读完文章，想聊聊您的网站？