脑机接口：基于EEG信号的情绪识别算法实践

EEG（脑电图）情绪识别是脑机接口的核心应用之一，通过分析大脑电信号识别喜悦、悲伤、愤怒等情绪状态。以下是完整的技术流程和算法实践指南：

---

一、技术流程

1. 数据采集

   • 设备：使用EEG帽（如NeuroScan, Emotiv）采集原始信号
   • 通道：常用64/128通道，采样率≥256Hz
   • 实验范式：
     • 被试者观看情绪诱发视频/图片（如IAPS数据集）
     • 同步记录情绪标签（离散：喜/怒/哀；连续：效价-唤醒度）

2. 信号预处理

   import numpy as np
   import mne  # EEG处理库
   
   # 1. 降噪
   raw = mne.io.read_raw_edf("eeg_data.edf", preload=True)
   raw.filter(1, 40)  # 带通滤波(1-40Hz)
   raw.notch_filter(50)  # 工频噪声滤除(50/60Hz)
   
   # 2. 伪迹去除
   ica = mne.preprocessing.ICA(n_components=20)
   ica.fit(raw)
   ica.exclude = [0, 1]  # 标记眼电/肌电成分
   raw_clean = ica.apply(raw)
   

3. 特征提取

   特征类型	计算方法	情绪关联性
   功率谱密度(PSD)	Welch方法计算频带能量	δ/θ波与消极情绪相关
   微分熵(DE)	$$ DE = \frac{1}{2}\log(2\pi e\sigma^2) $$	表征脑电复杂度
   功能连接	PLV/相干性计算脑区耦合	跨脑区情绪网络

4. 特征选择

   • 递归特征消除(RFE)
   • 互信息(MI)筛选Top-k特征

   from sklearn.feature_selection import mutual_info_classif
   
   mi_scores = mutual_info_classif(X, y)
   selected_idx = np.argsort(mi_scores)[-30:]  # 选择Top30特征
   

---

二、核心算法实践

1. 传统机器学习

   from sklearn.svm import SVC
   from sklearn.model_selection import cross_val_score
   
   # SVM分类器
   model = SVC(kernel='rbf', C=1.0, gamma='scale')
   scores = cross_val_score(model, X_features, y_labels, cv=5)
   print(f"准确率: {np.mean(scores):.2f}±{np.std(scores):.2f}")
   

   • 常用模型：SVM、随机森林、LDA
   • DEAP数据集典型准确率：65-75%

2. 深度学习模型

   • EEGNet（轻量化CNN）：

     from tensorflow.keras.models import Sequential
     from tensorflow.keras.layers import Conv2D, BatchNormalization, Activation
     
     model = Sequential([
         Conv2D(8, (1, 64), input_shape=(64, 256, 1)),  # 通道×时间点
         BatchNormalization(),
         Activation('elu'),
         # 深度可分离卷积（省略详细结构）
     ])
     model.compile(loss='categorical_crossentropy', optimizer='adam')
     

   • Transformer时序建模：
     $$ \text{Attention}(Q,K,V) = \text{softmax}\left(\frac{QK^T}{\sqrt{d_k}}\right)V $$
     • 优势：捕捉长时程EEG依赖关系

---

三、挑战与优化

1. 个体差异问题

   • 解决方案：迁移学习（Domain Adaptation）
     • 损失函数：$$ \mathcal{L} = \mathcal{L}{cls} + \lambda \mathcal{L}{MMD} $$
     • MMD（最大均值差异）减小源域与目标域分布差异

2. 实时性优化

   • 滑动窗口分割：窗口长度1-2s，重叠率50%
   • 轻量化模型：MobileNet-EEG参数量<100KB

3. 多模态融合

   • EEG + 生理信号（心率/皮电）
   • 特征级融合：早期拼接（Early Fusion）
   • 决策级融合：加权投票（Late Fusion）

---

四、完整代码示例

# 基于PyTorch的LSTM情绪识别
import torch
import torch.nn as nn

class EmotionLSTM(nn.Module):
    def __init__(self, input_dim, hidden_dim):
        super().__init__()
        self.lstm = nn.LSTM(input_dim, hidden_dim, batch_first=True)
        self.fc = nn.Linear(hidden_dim, 4)  # 4类情绪
        
    def forward(self, x):
        x, _ = self.lstm(x)  # x: [batch, seq_len, features]
        x = x[:, -1, :]     # 取最后时间步
        return self.fc(x)

# 训练循环
model = EmotionLSTM(input_dim=64, hidden_dim=128)
criterion = nn.CrossEntropyLoss()
optimizer = torch.optim.Adam(model.parameters(), lr=0.001)

---

五、应用场景

1. 精神疾病诊断：抑郁症情绪模式识别
2. 智能交互：VR场景中的实时情绪反馈
3. 神经营销：广告效果脑电评估

关键资源：

• 数据集：DEAP, SEED
• 工具库：MNE-Python, Braindecode
  注：实验需遵守伦理审查，原始EEG数据需脱敏处理