EEG情感分析入门：如何用DEAP数据集里的脑电波区分‘开心’和‘平静’？

EEG情感分析实战：从DEAP数据集解码快乐与平静的脑电密码

当你听到最喜欢的歌曲时，大脑会产生怎样的电信号变化？神经科学研究表明，不同的情绪状态会在大脑活动中留下独特的"指纹"。本文将带你探索如何利用DEAP数据集中的EEG数据，区分"快乐"和"平静"这两种基本情绪状态。

1. 理解EEG情感分析的基础

脑电图(EEG)记录了大脑皮层神经元群的电活动，这些微弱的电信号通过头皮上的电极捕捉并放大后，形成了我们看到的脑电波形。在情绪研究中，特定频段的脑电波与不同情绪状态存在显著关联：

DEAP数据集记录了32名参与者在观看40段音乐视频时的EEG信号和生理反应，每段视频都标注了愉悦度(Valence)和唤醒度(Arousal)评分。我们的目标是利用这些数据，建立能够区分高愉悦度(快乐)和低唤醒度(平静)状态的分类模型。

提示：在实际研究中，情绪通常用二维的"效价-唤醒"模型描述，其中愉悦度表示情绪的积极/消极程度，唤醒度表示情绪的强烈程度。

2. DEAP数据集预处理实战

2.1 数据加载与初步探索

DEAP提供了预处理后的Python格式数据，我们可以使用以下代码加载单个参与者的数据：

import pickle import numpy as np with open('s01.dat', 'rb') as f: data = pickle.load(f, encoding='latin1') # 提取EEG数据和标签 eeg_data = data['data'][:, :32, :] # 前32个通道是EEG labels = data['labels'][:, :2] # 取愉悦度和唤醒度 print(f"数据维度: {eeg_data.shape}") # 40 trials × 32 channels × 8064 points print(f"标签维度: {labels.shape}") # 40 trials × 2 (valence, arousal)

2.2 关键预处理步骤

原始EEG数据需要经过一系列处理才能用于分析：

1. 带通滤波：保留4-45Hz的有用信号，去除低频漂移和高频噪声
2. 降采样：从512Hz降至128Hz，减少计算量
3. 伪迹去除：使用独立成分分析(ICA)消除眼动和肌电干扰
4. 分段：将连续数据划分为与视频对应的60秒片段
5. 基线校正：去除每段开始前3秒的基线活动

以下是一个实现带通滤波的示例代码：

from scipy.signal import butter, filtfilt def bandpass_filter(data, lowcut=4.0, highcut=45.0, fs=128.0, order=5): nyq = 0.5 * fs low = lowcut / nyq high = highcut / nyq b, a = butter(order, [low, high], btype='band') return filtfilt(b, a, data) # 对单个通道应用滤波 filtered_channel = bandpass_filter(eeg_data[0, 0, :])

3. 特征提取：从原始EEG到情绪指标

3.1 频域特征提取

情绪状态最相关的特征是特定频段的功率变化。我们可以通过快速傅里叶变换(FFT)计算各频段的相对功率：

def compute_band_power(data, fs=128, bands=[(8,13), (13,30)], window_sec=4): window_size = window_sec * fs n_windows = data.shape[-1] // window_size power_features = [] for i in range(n_windows): segment = data[..., i*window_size:(i+1)*window_size] psd = np.abs(np.fft.fft(segment))**2 freqs = np.fft.fftfreq(window_size, 1.0/fs) band_powers = [] for low, high in bands: mask = (freqs >= low) & (freqs <= high) band_powers.append(np.mean(psd[..., mask], axis=-1)) power_features.append(band_powers) return np.array(power_features) # 计算Alpha和Beta波段的功率 power_features = compute_band_power(eeg_data[:1, :1, :]) # 示例：第一个试验的第一个通道

3.2 空间特征选择

不同脑区对情绪处理的贡献不同。DEAP数据集使用10-20系统布置电极，以下是与情绪相关的重要通道：

• 前额叶(Fp1, Fp2)：情绪调节和决策
• 颞叶(T7, T8)：听觉处理和音乐情绪反应
• 顶叶(P3, P4, Pz)：注意力和情绪体验
• 枕叶(O1, O2)：视觉处理

我们可以计算这些区域的平均功率作为特征：

frontal_channels = [0, 1, 16, 17, 18, 19, 20, 28] # Fp1, AF3, Fp2, AF4, Fz, F4, F8, AF4 temporal_channels = [2, 3, 6, 7, 25, 26] # F7, F3, FC5, T7, T8, FT8 frontal_alpha = power_features[:, 0, frontal_channels].mean(axis=-1) # Alpha波段前额叶功率 temporal_beta = power_features[:, 1, temporal_channels].mean(axis=-1) # Beta波段颞叶功率

4. 构建情绪分类模型

4.1 数据准备与标注

我们需要将EEG特征与情绪标签关联起来。根据研究，我们可以定义：

• 快乐状态：愉悦度>5且唤醒度>5
• 平静状态：愉悦度>5且唤醒度<5

def create_emotion_labels(valence, arousal, threshold=5): happy = (valence > threshold) & (arousal > threshold) calm = (valence > threshold) & (arousal < threshold) return happy.astype(int) + calm.astype(int) * 2 # 0:其他, 1:快乐, 2:平静 emotion_labels = create_emotion_labels(labels[:,0], labels[:,1])

4.2 机器学习模型构建

我们可以使用scikit-learn构建一个简单的分类器：

from sklearn.ensemble import RandomForestClassifier from sklearn.model_selection import train_test_split from sklearn.metrics import accuracy_score # 假设我们已经提取了所有试验的特征矩阵X和标签y X = np.concatenate([frontal_alpha, temporal_beta], axis=1) y = emotion_labels # 只保留快乐和平静的样本 mask = (y == 1) | (y == 2) X_filtered = X[mask] y_filtered = y[mask] # 划分训练测试集 X_train, X_test, y_train, y_test = train_test_split( X_filtered, y_filtered, test_size=0.2, random_state=42) # 训练随机森林分类器 clf = RandomForestClassifier(n_estimators=100, random_state=42) clf.fit(X_train, y_train) # 评估模型 y_pred = clf.predict(X_test) print(f"分类准确率: {accuracy_score(y_test, y_pred):.2f}")

4.3 模型优化方向

要提高分类性能，可以考虑以下改进：

1. 增加特征维度：

   • 加入更多频段(Theta, Gamma)的特征
   • 添加通道间的功能连接特征
   • 包含时域特征(如Hjorth参数)

2. 尝试深度学习模型：

   • 使用CNN处理原始EEG信号
   • 采用LSTM捕捉时序动态
   • 结合注意力机制突出重要时段

3. 数据增强：

   • 应用滑动窗口增加样本量
   • 添加噪声增强鲁棒性
   • 使用生成对抗网络(GAN)生成合成数据

5. 结果可视化与解释

理解模型如何做出决策同样重要。我们可以使用特征重要性分析和脑地形图来可视化关键特征：

import matplotlib.pyplot as plt # 绘制特征重要性 feature_names = ['Frontal Alpha', 'Temporal Beta'] importances = clf.feature_importances_ plt.bar(feature_names, importances) plt.title('特征重要性分析') plt.ylabel('重要性得分') plt.show() # 绘制Alpha功率地形图 def plot_topomap(data, channels, title): from mne.viz import plot_topomap pos = np.array([...]) # 各电极的3D位置 plot_topomap(data, pos, show=True) plt.title(title) avg_alpha = power_features[:,0,:].mean(axis=0) # 所有试验的平均Alpha功率 plot_topomap(avg_alpha, channels, '平均Alpha功率分布')

典型的结果可能显示：

• 快乐状态：前额叶Beta活动增强，颞叶Gamma活动增加
• 平静状态：枕叶Alpha活动占主导，整体同步性增强

在实际应用中，我发现前额叶区域的Alpha不对称性(右侧强于左侧)往往与积极情绪相关，而过度训练的模型容易过拟合个体差异，因此建议使用跨被试验证评估真实性能。