别再只盯着原始EEG信号了！用Python+PyTorch Geometric实战CR-GCN，搞定脑电情感识别

用Python实战CR-GCN：从EEG信号到情感识别的完整指南

在脑机接口和神经科学领域，情感识别一直是个令人着迷的挑战。传统方法往往将EEG信号视为独立的时间序列，却忽视了大脑各区域之间复杂的交互关系。这正是CR-GCN（Channel-Relationships-Based Graph Convolutional Network）的创新之处——它将图神经网络引入EEG分析，同时考虑通道的物理拓扑结构和功能连接性。

1. 环境准备与数据理解

开始之前，确保你的Python环境已安装以下关键库：

pip install torch torch-geometric numpy mne scipy scikit-learn

EEG数据通常以.edf或.gdf格式存储，包含多个电极通道的时间序列。以DEAP数据集为例，每个样本包含32个电极的40秒记录，采样率128Hz。我们需要理解几个核心概念：

• 通道拓扑结构：描述电极在头皮上的物理位置关系
• 功能连接：反映不同脑区活动的统计相关性
• PSD特征：功率谱密度，表征不同频段的能量分布

提示：处理EEG数据时，务必注意采样率和电极名称的标准化，不同数据集可能使用不同的命名约定。

2. 数据预处理流程

2.1 基础预处理

完整的EEG预处理通常包括以下步骤：

1. 降采样至统一频率（如128Hz）
2. 带通滤波（0.5-45Hz）去除极端频率
3. 去除眼电、肌电等伪迹
4. 分段提取感兴趣的时间窗口

import mne raw = mne.io.read_raw_edf('sample.edf', preload=True) raw.filter(0.5, 45) # 带通滤波 raw.resample(128) # 降采样

2.2 特征提取关键步骤

CR-GCN的核心特征是基于频带的PSD计算：

计算PSD的Python实现：

from scipy import signal def compute_psd(eeg_segment, fs=128): freqs, psd = signal.welch(eeg_segment, fs=fs, nperseg=256) bands = { 'theta': (4, 8), 'alpha': (8, 13), 'beta': (13, 30), 'gamma': (30, 45) } band_features = [] for band, (low, high) in bands.items(): mask = (freqs >= low) & (freqs <= high) band_features.append(np.mean(psd[:, mask], axis=1)) return np.stack(band_features, axis=-1)

3. 构建图结构表示

3.1 通道拓扑矩阵

基于电极物理位置的邻接矩阵构建：

from sklearn.metrics.pairwise import euclidean_distances def build_topology_matrix(channel_positions): dist_matrix = euclidean_distances(channel_positions) sigma = np.mean(dist_matrix) # 自适应阈值 adj = np.exp(-dist_matrix**2 / (2 * sigma**2)) np.fill_diagonal(adj, 0) # 移除自连接 return adj

3.2 功能连接矩阵

使用PLV（相位锁定值）衡量通道间功能连接：

from mne.connectivity import spectral_connectivity def compute_functional_connectivity(eeg_data, method='plv'): con, freqs, times, n_epochs, n_tapers = spectral_connectivity( [eeg_data], method=method, mode='multitaper', sfreq=128, fmin=4, fmax=45, faverage=True) return np.squeeze(con)

3.3 矩阵融合策略

将两种矩阵加权融合：

def combine_matrices(topology, functional, alpha=0.5): # 归一化处理 topology = topology / np.max(topology) functional = functional / np.max(functional) return alpha * topology + (1 - alpha) * functional

4. CR-GCN模型实现

4.1 PyTorch Geometric模型架构

import torch import torch.nn as nn import torch.nn.functional as F from torch_geometric.nn import GCNConv class CRGCN(nn.Module): def __init__(self, num_features, num_classes): super(CRGCN, self).__init__() self.conv1 = GCNConv(num_features, 64) self.conv2 = GCNConv(64, 32) self.fc = nn.Linear(32, num_classes) def forward(self, x, edge_index, edge_weight): x = F.relu(self.conv1(x, edge_index, edge_weight)) x = F.dropout(x, training=self.training) x = self.conv2(x, edge_index, edge_weight) return F.log_softmax(self.fc(x), dim=1)

4.2 数据加载与训练

from torch_geometric.data import Data def create_graph_data(features, adj_matrix): edge_index = torch.tensor(np.where(adj_matrix > 0), dtype=torch.long) edge_weight = torch.tensor(adj_matrix[adj_matrix > 0], dtype=torch.float) x = torch.tensor(features, dtype=torch.float) return Data(x=x, edge_index=edge_index, edge_attr=edge_weight) # 示例训练循环 model = CRGCN(num_features=4, num_classes=2) optimizer = torch.optim.Adam(model.parameters(), lr=0.01) for epoch in range(100): model.train() optimizer.zero_grad() out = model(data.x, data.edge_index, data.edge_attr) loss = F.nll_loss(out, data.y) loss.backward() optimizer.step()

5. 实战技巧与问题排查

5.1 常见问题解决方案

• 维度不匹配：确保PSD特征矩阵形状为[通道数×频带数]
• 梯度消失：尝试在GCN层间添加残差连接
• 过拟合：增加Dropout比例或添加L2正则化

5.2 性能优化技巧

1. 使用混合精度训练加速计算

   scaler = torch.cuda.amp.GradScaler() with torch.cuda.amp.autocast(): out = model(data.x, data.edge_index, data.edge_attr)

2. 批处理多个图数据
3. 预计算邻接矩阵减少训练时间

5.3 评估指标选择

在情感识别任务中，由于正负样本往往不平衡，F1分数通常比准确率更有参考价值。