简介：这是一份基于GCN与LSTM的深度学习EEG情绪识别算法设计源码，面向深度学习、生物信号处理与情感计算方向的研究者和工程师，解决从脑电图信号中自动识别情绪状态的问题。压缩包共41个文件、约94MB，以24个Python源文件为核心，完整覆盖GCN与LSTM模型定义、DEAP数据集加载与预处理、对抗网络模块、训练与评估流程；另含5个编译文件、4个XML配置、feature.npy特征数据、train_losses.png损失可视化等，便于直接复现训练过程。文件按功能拆分GNNLSTM系列、DEAPDataset系列、train系列等脚本，其中多个版本模块体现了模型调参与对比思路，目录结构清晰，适合作为情绪识别论文复现、课程设计或入门实践的参考资料。目前已有227人学习，是一份可运行、可扩展的深度学习综合案例。
1. EEG情绪识别：为什么最终要落到GCN+LSTM
做EEG情绪识别实验的人都有过这种经历：单通道特征加SVM，精度卡在60%上下，调参调到怀疑人生；换成二维CNN把脑电当图像处理，又总觉得哪里不对劲——脑电信号本质是分布在头皮空间上的多通道时序数据，通道之间不是像素那样规整的网格关系。这份源码给我的第一印象就是它把两件事做对了：用GCN显式建模通道间的空间拓扑，再用LSTM吃时间维度。公开数据集上这套组合能比纯CNN高出十多个点，前提是预处理和图构建没翻车。适合手里有脑电数据、想复现高精度情绪识别基线、又不想从零手写全套管线的人。
2. 数据预处理与差分熵特征：从原始EEG到模型能吃的张量
2.1 原始数据读进来先干什么
源码的预处理管线，第一步是读取公开的EEG情绪数据集。常见做法是用DEAP系标准数据集，它给出的是32导联、128Hz采样率的原始记录，每个被试有40段实验。读入之后有四件事必须按顺序做：坏导联检测、带通滤波、基线校正、按被试归一化。
坏导联检测这一步很容易被跳过，但实际数据里总有一两个通道因为接触不良出现大幅漂移。常见做法是用标准差阈值或者看频谱能量分布，如果一个导联的方差超过其他导联均值的三倍，基本可以判定异常。滤波方面我一般会用0.5到45Hz的带通，保留theta到gamma的主要频带，同时把工频干扰压掉。基线校正针对的是DEAP这类有3秒静息态的数据，把每个trial前3秒的均值作为基线减掉，消掉直流漂移。
import numpy as np from scipy import signal def preprocess_eeg(raw, fs=128, l_freq=0.5, h_freq=45.0): """ raw: shape = (n_channels, n_samples) 返回滤波+基线校正后的数据 """ # 1. 带通滤波，抑制工频与高频噪声 sos = signal.butter(4, [l_freq, h_freq], btype='bandpass', fs=fs) filtered = signal.sosfilt(sos, raw, axis=-1) # 2. 基线校正：取前3秒均值作为参考 baseline_len = fs * 3 baseline_mean = filtered[:, :baseline_len].mean(axis=-1, keepdims=True) corrected = filtered - baseline_mean return corrected这段代码里sosfilt用四阶Butterworth滤波器做带通，比filtfilt慢一点但能保留因果性；基线校正用的是前3秒均值，这个假设成立的前提是静息态的脑电统计平稳。参数上，l_freq=0.5和h_freq=45是情绪识别任务里最常用的频段选择，既保住了theta波（4—8Hz）和gamma波（30—45Hz），又避开了50Hz工频。如果你的数据采样率不是128Hz，记得把fs改掉，否则滤波器系数全错。
2.2 差分熵而不是原始幅值：特征侧选型
原始脑电幅值直接送进网络，效果通常不好，因为幅值受个体差异和电极阻抗影响很大。源码在特征侧用的是差分熵（Differential Entropy），这是EEG情绪识别领域用得比较广的特征，它本质上是某个频带内信号能量密度的对数表示。
差分熵的物理含义很直观：脑电在清醒、放松、紧张状态下，各频带的能量分布差异明显。对一段信号做短时傅里叶变换，算出theta、alpha、beta、gamma四个频带的能量，差分熵就是对数化后的能量值。这样每个通道在每个时间窗内得到4个特征，32个通道就是128维特征向量，比原始采样点的维度压缩了一个量级。
def differential_entropy(x, fs=128, freq_bands=[(4,8),(8,13),(13,30),(30,45)]): """ x: 单通道信号, shape = (n_samples,) 返回该通道在四个频带的DE特征 """ # 短时傅里叶变换，窗长256，重叠128 f, t, Zxx = signal.stft(x, fs=fs, nperseg=256, noverlap=128) # 功率谱密度估计 psd = np.abs(Zxx) ** 2 de_feat = [] for lo, hi in freq_bands: idx = np.where((f >= lo) & (f < hi))[0] # 频带能量取均值后取对数，就是差分熵 energy = np.mean(psd[idx, :], axis=0) de = np.log(energy) de_feat.append(de.mean()) return np.array(de_feat)注意这里窗长256对应2秒，重叠128对应1秒，等效窗移是1秒。np.log(energy)这一步是差分熵公式的核心——如果能量接近0，对数之后会变成很大的负数，实际数据里应该对energy加一个极小值epsilon防止取零。频段划分参数可以根据任务微调，比如做唤醒度识别时把beta频段拆成beta1和beta2更有效。
2.3 滑窗与tensor组装：把特征拼成模型输入
特征提取之后，需要把单个窗口的128维特征组织成模型能吃的序列结构。这一步的目标是构造形状为(batch, time_steps, n_channels, n_features)的张量：时间步是滑窗数量，通道维度是32个导联，特征维度是4个频带的DE值。
滑窗参数直接影响时序建模的长度。我一般用窗口长度1秒、步长0.5秒，这样一段60秒的trial能产生119个时间步，序列足够长，LSTM能学到情绪随时间演化的规律。步长太短会让相邻窗口高度相关，训练时信息冗余；太长又会丢掉时序细节。还有一个容易忽略的点是把样本轨迹打散，也就是在训练集上按trial维度shuffle，而不是按窗口打散，否则同一trial的窗口会同时出现在训练集和测试集里造成数据泄漏，这是后文避坑章要展开的重点。
组装好的张量按7:1.5:1.5的比例切成训练、验证、测试集。取值标准是先按被试切分，不做跨被试的混合随机切分，情绪识别的泛化性验证才有意义。
3. GCN+LSTM模型构建：图卷积建模空间、LSTM建模时序
3.1 脑电通道为什么要建图
EEG信号天然是图结构数据——32个导联按照10-20系统分布在头皮表面，相邻导联之间存在空间关联，比如前额叶的F3和F4、顶叶的C3和C4。传统CNN在处理这类数据时直接把通道排成网格，强行套用卷积核的局部连接假设。问题在于头皮不是一个平面网格，通道之间的「邻居关系」由物理距离决定而非排列顺序，CNN的卷积核无法表达这一点。
GCN的思路是把每个导联当成图上的一个节点，通道间的关系用邻接矩阵的边权重表示。图卷积做的就是「对邻居节点的特征做加权聚合再更新自己」，这个操作和脑电信号在头皮上传播的物理过程天然匹配。同样的思路在水文观测网络、气象站网这类空间采样场景里也在用，本质都是把不规则空间结构建模成图。数据量小的时候，GCN比CNN更容易收敛，因为它不需要通过大量数据来学习空间位置的先验。
3.2 邻接矩阵的三种构建方式
图建得好不好，直接决定GCN的上限。源码里给出了三种邻接矩阵的构建方式，按推荐优先级排序：
第一是基于导联物理距离的阈值法。计算32个导联在球面上的三维坐标距离，小于某个阈值（比如60mm）就算相邻，构建出稀疏的二值邻接矩阵。这个方法的优点是先验性强，完全由物理位置决定，不需要从数据学习。第二是基于皮尔逊相关系数的方法，在训练集上计算通道间的信号相关性，取绝对值后作为边权重。这个方案的边是学出来的，能捕捉功能性连接，但计算量大且容易过拟合。第三是融合方案，物理距离决定图的稀疏结构，相关系数决定边的权重。
import torch from scipy.spatial import distance # electrode_pos: shape = (32, 3)，32个导联的三维坐标 def build_adj(electrode_pos, threshold=60.0): # 计算两两欧氏距离矩阵 dist_mat = distance.cdist(electrode_pos, electrode_pos) adj = (dist_mat < threshold).astype(float) # 加自环，GCN聚合时需要包含自身信息 adj = adj + np.eye(32) # 对称归一化：D^{-1/2} A D^{-1/2} deg = adj.sum(axis=1) deg_inv_sqrt = np.diag(np.power(deg, -0.5)) norm_adj = deg_inv_sqrt @ adj @ deg_inv_sqrt return torch.tensor(norm_adj, dtype=torch.float32)threshold是图中最敏感的超参数，设太小图会碎成不连通的小块，设太大每个节点都变成全连接，GCN退化成MLP。源码里的经验值是60mm，32导联的头皮布局下刚好让每个节点平均有4到6个邻居。np.eye(32)加自环是GCN实现里的习惯做法，否则节点在聚合时丢失自身信息。对称归一化的作用是让邻居多的节点不会被淹没，数值上更稳定。
3.3 GCN层与LSTM层的衔接问题
模型结构的核心难点在GCN和LSTM怎么接。一种做法是先把每个时间窗的特征矩阵（32节点×4特征）经过几层GCN做空间聚合，再把聚合后的节点特征按时间顺序排列，喂给LSTM做时序建模。这里的维度变化是：输入(window_steps, 32, 4)→ GCN聚合后(window_steps, 32, 64)→ 展平成(window_steps, 32*64)→ LSTM输出(window_steps, 128)→ 最后取最后一个时间步或做全局池化，接全连接层到2分类（正负效价）或4分类（效价×唤醒度）。
class GCNLayer(torch.nn.Module): def __init__(self, in_dim, out_dim, adj): super().__init__() self.adj = adj # 归一化邻接矩阵，32x32 self.W = torch.nn.Parameter(torch.randn(in_dim, out_dim)) self.b = torch.nn.Parameter(torch.zeros(out_dim)) def forward(self, x): # x: (batch, n_nodes, in_dim) h = torch.matmul(x, self.W) # 特征线性变换 agg = torch.matmul(self.adj, h) # 邻接矩阵聚合 return torch.relu(agg + self.b) class EmotionNet(torch.nn.Module): def __init__(self, adj, n_features=4, hidden_dim=64): super().__init__() self.gcn1 = GCNLayer(n_features, hidden_dim, adj) self.gcn2 = GCNLayer(hidden_dim, hidden_dim, adj) self.lstm = torch.nn.LSTM(hidden_dim * 32, 128, num_layers=2, batch_first=True) self.fc = torch.nn.Linear(128, 4) def forward(self, x): # x: (batch, time_steps, n_nodes, n_features) b, t, n, f = x.shape x = x.reshape(b * t, n, f) # 把时间步合并到batch维 x = self.gcn1(x) x = self.gcn2(x) x = x.reshape(b, t, -1) # 恢复序列结构 out, _ = self.lstm(x) out = out[:, -1, :] # 取最后一个时间步 return self.fc(out)这段代码里有几个值得注意的设计选择。x.reshape(b*t, n, f)把时间维合并进batch维，让GCN能并行处理所有时间窗的空间聚合，这是效率考虑；两层GCN都用了Relu，第二层输出的hidden_dim*32就是把每个节点的64维特征拼成2048维全连接向量，LSTM吃的是这个空间聚合后的序列。取out[:, -1, :]是情绪识别任务里的常见做法，因为情绪状态往往在trial末端趋于稳定，而LSTM最后一个时间步聚合了全部历史信息。如果你做的是实时情绪识别，这里改成取最后一个窗口的输出会更合理。
3.4 训练策略与超参数
训练阶段的要点是LSTM对梯度爆炸敏感，必须加梯度裁剪。我见过太多人LSTM不收敛，看loss曲线一飞冲天——基本都是梯度爆炸。源码里用的是Adam优化器，初始学习率1e-3，weight decay设5e-4做L2正则，每个epoch对GCN层和LSTM层的梯度统一裁剪到1.0。dropout建议加在GCN层的输出上而不是输入特征上，0.5是比较合适的值，太大欠拟合，太小过拟合。
optimizer = torch.optim.Adam(model.parameters(), lr=1e-3, weight_decay=5e-4) scheduler = torch.optim.lr_scheduler.ReduceLROnPlateau( optimizer, mode='min', factor=0.5, patience=10 ) criterion = torch.nn.CrossEntropyLoss() for epoch in range(100): model.train() for x_batch, y_batch in train_loader: optimizer.zero_grad() logits = model(x_batch) loss = criterion(logits, y_batch) loss.backward() # 梯度裁剪是LSTM训练的必要条件 torch.nn.utils.clip_grad_norm_(model.parameters(), max_norm=1.0) optimizer.step() # 验证loss不降时，学习率减半 val_loss = evaluate(model, val_loader) scheduler.step(val_loss)ReduceLROnPlateau比固定间隔衰减更实用，验证集loss连续10个epoch不降才减半，能有效避免学习率过早变小。训练epoch设100够用，测试集上过拟合一般会出现在70—80个epoch之间，用验证集选最优模型而不是最后一轮的权重保存模型。
4. 训练与复现的四个高频坑：现象、原因、解决
4.1 标准化位置错了，精度掉了十几个点
现象：训练集上loss正常下降，但测试集精度一直上不去，比基线还差。
原因：源码初始版本把z-score标准化放在了滑窗之后，每个窗口单独计算均值和方差，破坏了脑电信号的相对幅度关系。差分熵特征对幅值的尺度不敏感，但对同一次标准化内部的分布一致性敏感，窗口间独立的标准化等于给模型注入了随机噪声。更严重的是，如果标准化用的是全样本统计量，等于把测试集信息暴露给了训练集，精度虚高但换数据就崩。
解决：标准化只在对数熵计算之前做一次，用训练集的均值和方差去标准化验证集和测试集。具体就是保存训练集的mean和std，推理时用同样的值，不要在模型管线里反复计算。
4.2 数据泄漏：同一被试的窗口同时出现在训练和测试集
现象：验证集精度比测试集高很多，测试集上换一个随机种子结果波动巨大。
原因：按窗口随机切分时，同一个trial的相邻窗口被切到了不同数据集中。情绪识别任务里相邻窗口几乎复制了两个窗的重叠区域，信息高度重合，模型等于先看过答案再做测试。这是EEG序列任务里最典型的数据泄漏路径。
解决：按被试或按trial切分，同一trial下的所有窗口必须完整进入同一个集合。交叉验证时用Leave-One-Subject-Out更严谨，但计算量大，实践中最少也要保证trial级别的隔离。
4.3 GCN堆太深反而变笨
现象：GCN从两层加到五层，精度不升反降，验证集loss持续走平。
原因：GCN的过平滑问题——层数加深后，节点特征不断聚合邻居信息，所有节点的表征趋于一致，区分度消失。这个现象和图卷积的感受野有关，每一层聚合跳一次，五层之后每个节点都收到了整个图的信息，等于图结构被摊平了。
解决：源码里两层GCN是足够的，一层学局部空间关系，一层扩到次邻域。如果多分类任务确实需要更深的感受野，正确做法是加残差连接，把输入特征和GCN输出相加，让深层网络至少能保持浅层水平。
4.4 随机种子没固定，复现全靠运气
现象：同一个脚本跑两遍，精度差2到3个点，说不清是模型方差还是代码问题。
原因：PyTorch默认的随机初始化、CUDA的非确定性操作、DataLoader的shuffle随机性，三者叠加造成的。EEG数据本身的信噪比低，随机波动本来就大，再叠加网络初始化差异，结果不可控。
解决：固定三处种子——Python内置random.seed、np.random.seed、torch.manual_seed，同时给DataLoader设generator参数控制shuffle顺序。这样至少保证同环境同数据下结果是确定的，你才能把精力放在真正影响性能的环节。
5. 验证与进阶：通道贡献度分析与消融实验
模型训完不是终点，你还需要两件事：一是确认精度不是运气，二是搞清楚模型到底在利用哪些通道。第二件事对撰写论文和部署落地都关键。
通道贡献度分析的做法很简单，用mask遮住单个通道的特征，对比遮住前后的测试集精度下降幅度，下降越大说明该通道贡献越高。这个方法的变体是把某个通道的全部特征置零后跑一遍模型，记录logits变化量，或者更严格地做GradCAM类方法。源码里我一般先用简单的置零法，因为计算成本低，结果也足够解释。
def channel_importance(model, x, y, channel_idx): """ 遮住指定通道后，比较准确率下降幅度 返回非负的贡献度值 """ base_acc = evaluate(model, x, y) x_masked = x.clone() # 把目标通道的所有特征置零，破坏该通道信息 x_masked[:, :, channel_idx, :] = 0.0 masked_acc = evaluate(model, x_masked, y) return base_acc - masked_acc通常测试结果是颞叶和顶叶通道的贡献最大，额叶通道对效价识别更敏感，这跟情绪神经科学的文献结论一致。如果你的结果明显违背这个模式，大概率是特征提取环节出了问题，值得回头检查。消融实验则从模型结构入手，关掉GCN只用LSTM，或者关掉LSTM只用GCN加池化，三条基线放一起对比，能确认每一层都在起作用——很多论文审稿人会要看这个。
从那以后我每次拿到新的EEG数据，都会强制走一遍同样的流程：先做坏导联检测和trial级隔离，再跑一次基线消融，最后才敢上完整模型。这三步虽然不起眼，但能挡住大部分深坑，省下的调试时间远超这几步的耗时。希望帮到你。
本文还有配套的精品资源，点击获取
