简介这份资源面向具备一定深度学习基础、希望动手实践脑电情感识别的学生与研究者围绕DEAP数据集给出CNN与LSTM结合的完整代码实现可用于生物信号处理、人机交互或心理健康相关的课程设计、毕设与实验复现。压缩包共35个文件、约11.86MB以15张png图像、6个ipynb笔记本、3个py脚本为主辅以xml工程配置、h5与npy模型权重等图像涵盖Delta、Theta、Alpha、Beta、Gamma频段分布以及混淆矩阵、accuracy与loss曲线notebook则记录特征提取、LSTM训练及CNN1D结合LSTM、GRU、SimpleRNN的对比实验脚本负责训练与测试入口。已有2522人学习下载。读者可据此完成从带通滤波、特征提取到建模训练与评估的全流程借助保存的权重直接预测并通过多版本实验记录理解超参数与网络结构对识别效果的影响减少自行搭建环境与调试的成本。1. 先看清这份 CNN-LSTM 代码包它替你把 DEAP 的哪几步做掉了如果你把 DEAP 的 pickle 直接塞进 LSTM十有八九会在第一个 epoch 就看到 loss 不动——这不是模型不灵而是通道、基线和切片顺序没对齐。这份 Deap脑电信号识别CNN-LSTM代码 把 32 导 EEG 的读取、去基线、2 秒窗切片、按被试划分、CNN-LSTM 训练和推理串成了一条线适合已经跑过普通时序分类、但被 DEAP 的 40×40×8064 形状卡住的人。它不替你调参也不承诺某个准确率价值在于把血泪经验里最容易翻车的几个接口先固定下来。更直白地说它解决的是“知道 CNN-LSTM 能做脑电情绪识别但不知道从哪一行开始改”的问题。新手可以顺着数据形状、切片、模型、训练四段代码跑通一个被试的小实验熟手可以直接看输入布局、损失函数和避坑清单把自己工程里的数据泄漏和标签对齐问题重新过一遍。下面按“数据怎么进、模型怎么搭、结果怎么验”的顺序拆每一步都给出可抄的代码和参数边界。2. 从 DEAP 原始 pickle 到可训练张量通道、基线、切片三件事DEAP 的原始文件不是“一个 CSV 扔进 DataLoader”那种结构。每个被试一个 pickle里面通常有data和labels两个键data是 40 个 trial × 40 个通道 × 8064 个采样点前 32 个通道是 EEG后 8 个是外周信号labels是 40 个 trial × 4 列前两列常被拿来做 valence 和 arousal 的二分类。采样率 128 Hz8064 个点里包含 3 秒静息基线也就是前 384 个点。很多人第一次跑 CNN-LSTM 时把所有通道和基线一起送进网络模型当然也能跑但学到的往往是“被试静息段差异”不是任务相关特征。2.1 先读 labels 和 data 的形状别急着进模型我一般会先写一个只做读取和打印的函数不接模型。先把形状、通道范围、标签范围确认清楚再谈切片。下面这段代码读取单个被试文件取前 32 个 EEG 通道去掉前 3 秒基线并做 0.5–45 Hz 的带通滤波。import pickle import numpy as np from scipy.signal import butter, filtfilt def load_deap_subject(path, fs128, baseline_sec3, use_channels32): with open(path, rb) as f: obj pickle.load(f, encodinglatin1) X obj[data] # (40, 40, 8064) y obj[labels] # (40, 4) eeg X[:, :use_channels, :] # 只取前 32 个 EEG 通道 baseline int(baseline_sec * fs) eeg eeg[:, :, baseline:] # 去掉 3 秒静息基线 # 0.5–45 Hz 带通axis-1 表示沿采样点方向滤波 b, a butter(4, [0.5 / (fs / 2), 45 / (fs / 2)], btypeband) eeg filtfilt(b, a, eeg, axis-1) return eeg.astype(np.float32), y.astype(np.float32) eeg, labels load_deap_subject(s01.dat) print(eeg.shape, labels.shape) # 期望 (40, 32, 7680) (40, 4) print(labels[:3])这段代码的逻辑很直接先按 DEAP 的原始维度取数再把通道维压到 32最后沿时间轴去基线、滤波。参数上fs128要和数据实际采样率一致baseline_sec3是 DEAP 常见设置use_channels32只保留 EEG后 8 个外周通道不建议和 EEG 混在一起送进同一个卷积核。滤波阶数用 4 阶 Butterworth 是常见做法截止频率 0.5 Hz 和 45 Hz 分别对应漂移和工频以上的高频噪声边界。若你的数据已经降采样或做过陷波这一段要相应改不能照抄。注意filtfilt的axis一定要指向时间轴。DEAP 的eeg是(trial, channel, time)所以是axis-1如果先把通道转置再滤波轴号会变这是很常见的翻车点。2.2 去基线、带通滤波与按时间窗切片整段 60 秒 EEG 直接送进 LSTM序列太长LSTM 很难在有限样本里学到稳定时序。常见做法是切成 1–4 秒的窗口窗口之间可以有重叠。情绪诱发响应不是毫秒级事件2 秒窗在我的经验里比较稳比 1 秒窗包含更多上下文又不像 4 秒窗那样让样本数掉得太快。下面按 2 秒窗、1 秒步长切片并在每个窗口内做通道级标准化。def make_windows(eeg, labels, fs128, win_sec2, stride_sec1, threshold5.0): win int(win_sec * fs) stride int(stride_sec * fs) X_win, y_win [], [] for i in range(eeg.shape[0]): trial eeg[i] # (32, 7680) for start in range(0, trial.shape[1] - win 1, stride): seg trial[:, start:start win] # (32, 256) # 每个通道在自己的窗口内做标准化降低被试间幅值差异 seg (seg - seg.mean(axis1, keepdimsTrue)) / ( seg.std(axis1, keepdimsTrue) 1e-6 ) X_win.append(seg.T) # (256, 32)时间在前通道在后 y_win.append((labels[i, :2] threshold).astype(np.float32)) return np.stack(X_win), np.stack(y_win) X, Y make_windows(eeg, labels) print(X.shape, Y.shape) # 约 (40*58, 256, 32) 和 (2320, 2)切片逻辑是“先按 trial 循环再按时间起点滑窗”这样不会把不同 trial 的尾部和头部拼在一起。win_sec2对应 256 个采样点stride_sec1表示 50% 重叠既能增加样本又保留时间连续性。threshold5.0是把 1–9 的 valence/arousal 打分二值化大于等于 5 记为正类这个阈值不是金标准后面评估时要允许调整。段内标准化用每个通道自己的均值和标准差而不是全数据集统一均值目的是削弱被试间幅值差异。注意标准化要放在切片之后、送模型之前且训练集和测试集不能互相借用统计量。提示先拿一个被试跑通切片打印X.shape和Y.mean(axis0)。如果正负比例极端到 9:1先别怀疑模型先看标签阈值和 trial 分布。2.3 标签二值化与按被试划分避免数据泄漏DEAP 有 40 个被试每个被试 40 个 trial。切片后同一个 trial 会产生几十个高度重叠的窗口如果随机打乱所有窗口再做训练/验证划分训练集和验证集里会同时出现同一个 trial 的相邻窗口指标会虚高。更稳妥的做法是按被试划分留几个被试做测试其余被试做训练和验证如果样本量实在小至少按 trial 划分。下面这个划分函数只做索引切分不碰数据内容。def subject_split(subject_ids, test_ids): test_ids set(test_ids) train_idx [i for i, sid in enumerate(subject_ids) if sid not in test_ids] test_idx [i for i, sid in enumerate(subject_ids) if sid in test_ids] return np.array(train_idx), np.array(test_idx) # 示例subject_ids 是每个窗口对应的被试编号 # 这里只演示划分思路实际要把多个被试的 X、Y 先拼起来 # train_idx, test_idx subject_split(subject_ids, test_ids{1, 2, 3})这段代码本身不复杂关键是划分发生在切片之前还是之后。我的习惯是先决定哪些被试进测试集再对这些被试的数据做切片不要在切片后的窗口层面随机train_test_split。参数上test_ids建议留 3–5 个被试做跨被试测试训练集内部再按被试留一个验证集。若你要做被试内分类也要按 trial 划分不能按窗口划分。DEAP 只有 40 个 trial窗口重叠又大泄漏一次就会让 AUC 看起来漂亮换一批被试立刻掉下来。3. 深度学习模型怎么搭CNN-LSTM 把局部电极相关性和秒级时序分开建模CNN-LSTM 在 DEAP 上的常见思路不是“卷积越大越好”而是分工一维卷积沿时间轴提取局部波形和相邻电极的组合模式LSTM 再把卷积输出的时间片段串起来。输入布局如果搞错卷积会把通道当时间LSTM 会把时间当特征最后模型也能训练但学的东西完全不对。这个章节先把形状固定再给一个可以直接改参数的小模型。3.1 输入布局为什么我常用 (batch, channels, time) 再转置DataLoader 里我通常让样本是(time, channels)因为切片时按时间窗取数据更自然进模型后第一件事是transpose(1, 2)变成(batch, channels, time)交给Conv1d。这样卷积核在时间轴上滑动in_channels就是 32 个 EEG 通道。下面这张表把几个关键形状列清楚改代码时对着看。位置形状含义原始data(40, 40, 8064)trial × 通道 × 采样点取 EEG 后(40, 32, 7680)去掉 3 秒基线单窗口(256, 32)2 秒 × 128 Hz时间在前模型输入(B, 256, 32)batch × time × channel卷积输入(B, 32, 256)transpose 后 channel × time参数上256是 2 秒窗的采样点数32是 EEG 通道数。若你把窗口改成 4 秒时间维变成 512卷积和 LSTM 的序列长度也跟着变若只选特定通道比如额区 8 导in_channels要同步改成 8。不要在一个已经训练好的模型上直接换通道数分类头的输入维度不会自动适配。3.2 Conv1D 提局部特征LSTM 接时序摘要下面这个模型用两层Conv1d加池化把时间维压到原来的四分之一再送双向 LSTM最后取最后一个时间步做二分类。输出 2 个 logits对应 valence 和 arousal多标签分类用BCEWithLogitsLoss。import torch from torch import nn class CNNLSTM(nn.Module): def __init__(self, n_ch32, n_classes2, hidden64, dropout0.3): super().__init__() self.conv nn.Sequential( nn.Conv1d(n_ch, 64, kernel_size7, padding3), nn.BatchNorm1d(64), nn.ReLU(), nn.MaxPool1d(2), nn.Conv1d(64, 128, kernel_size5, padding2), nn.BatchNorm1d(128), nn.ReLU(), nn.MaxPool1d(2), ) self.lstm nn.LSTM( input_size128, hidden_sizehidden, num_layers1, batch_firstTrue, bidirectionalTrue, ) self.head nn.Sequential( nn.Dropout(dropout), nn.Linear(hidden * 2, n_classes), ) def forward(self, x): # x: (B, T, C) - (B, C, T) x x.transpose(1, 2) x self.conv(x) # (B, 128, T/4) x x.transpose(1, 2) # (B, T/4, 128) out, _ self.lstm(x) # (B, T/4, hidden*2) last out[:, -1, :] # 取最后时间步 return self.head(last)逻辑说明第一层卷积核 7、64 个输出通道负责捕捉约 55 ms 的局部波形第二层卷积核 5、128 个输出通道继续组合更抽象的模式两次MaxPool1d(2)把 256 个时间点压到 64 个LSTM 的序列长度就是 64。hidden64加双向输出 128 维最后线性层映射到 2 个标签。dropout0.3放在分类头前减少小样本过拟合。num_layers1是有意为之DEAP 单被试只有 40 个 trial切片后样本看似多但相关性强堆两层 LSTM 很容易过拟合。参数上n_ch必须等于输入通道数n_classes2对应两个二分类标签如果你只做 valence 单任务把它改成 1损失函数也要相应调整。注意nn.LSTM的dropout只有在num_layers 1时才生效。单层 LSTM 写dropout0.5不会报错但也不会起作用别把它当成正则化手段。3.3 损失函数、类别权重与早停参数DEAP 的二值化标签经常不平衡尤其当阈值取 5 时某些被试的正负比例会偏。直接上BCEWithLogitsLoss可以用pos_weight给正类加权权重按训练集每个标签的负正比计算。优化器我一般用 AdamW学习率 1e-3权重衰减 1e-4配合ReduceLROnPlateau和早停。下面是一段配置代码。import numpy as np import torch from torch import nn, optim def build_loss(train_y): # train_y: (N, 2)计算每个标签的 neg/pos pos train_y.sum(axis0) neg len(train_y) - pos pos_weight torch.tensor(neg / np.maximum(pos, 1), dtypetorch.float32) return nn.BCEWithLogitsLoss(pos_weightpos_weight) model CNNLSTM(n_ch32, n_classes2, hidden64, dropout0.3) criterion build_loss(Y_train) optimizer optim.AdamW(model.parameters(), lr1e-3, weight_decay1e-4) scheduler optim.lr_scheduler.ReduceLROnPlateau( optimizer, modemax, factor0.5, patience5 )这段代码做了两件事计算每个标签的pos_weight以及把优化器和学习率调度器配好。pos_weight的直观含义是“正类样本少就给正类更大的损失权重”但不要把它当成万能药如果正负比超过 10:1先检查标签阈值是否合理。AdamW的weight_decay1e-4是轻量正则脑电小样本上比不加更稳。ReduceLROnPlateau的modemax表示监控验证集 AUC 或 F1patience5表示连续 5 个 epoch 不提升就减半学习率。早停的patience可以设 10–15和调度器分开避免刚减学习率就停。4. 训练与评估脚本固定随机种子、保存 best checkpoint、按被试汇总训练脚本最容易被忽略的不是模型而是“每次跑出来的数不一样”。DEAP 样本量小随机种子、数据顺序、权重初始化都会让 AUC 波动几个点。我的做法是把种子、划分文件、标准化参数和 best checkpoint 一起保存后面做消融时只改一个变量。这个章节给一个最小训练循环、一个评估函数和一个单 trial 推理入口。4.1 训练循环里必须记录的四个量训练循环不要只打印 loss。至少记录训练损失、验证 AUC、验证 F1 和当前学习率。AUC 看排序能力F1 看阈值 0.5 下的平衡表现学习率用来判断调度器有没有乱跳。下面是一个 epoch 的训练函数。import torch def train_one_epoch(model, loader, optimizer, criterion, device): model.train() total_loss, total_n 0.0, 0 for xb, yb in loader: xb, yb xb.to(device), yb.to(device) optimizer.zero_grad() logits model(xb) loss criterion(logits, yb) loss.backward() torch.nn.utils.clip_grad_norm_(model.parameters(), max_norm1.0) optimizer.step() total_loss loss.item() * xb.size(0) total_n xb.size(0) return total_loss / total_n逻辑说明前向、算损失、反向、梯度裁剪、更新参数是标准流程。clip_grad_norm_(..., max_norm1.0)对 LSTM 特别有用脑电序列里偶尔会出现幅度突变不裁剪容易让梯度炸掉。total_loss按样本数加权平均避免最后一个 batch 较小时把 epoch 损失带偏。参数上max_norm1.0是常见起点如果训练 loss 频繁 NaN先降到 0.5 试再检查输入是否标准化。device建议显式传cuda或cpu不要依赖默认张量位置。4.2 验证集指标与混淆矩阵验证函数要返回概率不要只返回 0/1。AUC 需要概率F1 需要阈值混淆矩阵需要离散标签。下面这个函数对两个标签分别算 AUC并在 0.5 阈值下算 F1。import numpy as np import torch from sklearn.metrics import roc_auc_score, f1_score, confusion_matrix torch.no_grad() def evaluate(model, loader, device): model.eval() probs, targets [], [] for xb, yb in loader: logits model(xb.to(device)) probs.append(torch.sigmoid(logits).cpu().numpy()) targets.append(yb.numpy()) probs np.concatenate(probs, axis0) targets np.concatenate(targets, axis0) aucs [roc_auc_score(targets[:, i], probs[:, i]) for i in range(targets.shape[1])] preds (probs 0.5).astype(np.int32) f1s [f1_score(targets[:, i], preds[:, i], zero_division0) for i in range(targets.shape[1])] cm confusion_matrix(targets[:, 0], preds[:, 0]) return probs, targets, aucs, f1s, cm这段代码先收集所有 batch 的概率再统一算指标。roc_auc_score对每个标签单独算最后取平均或分别报告f1_score的zero_division0防止某个标签全预测为负时报警。混淆矩阵这里只展示第一个标签实际项目里两个标签都看。参数上阈值 0.5 只是默认值若正类召回太低可以在验证集上扫 0.3–0.7 选阈值但不要在测试集上调。评估时保持model.eval()和torch.no_grad()否则 BatchNorm 和 Dropout 会让结果不稳定。4.3 推理脚本与单 trial 预测真正落地时输入往往是一个 trial 的整段 EEG而不是已经切好的窗口。推理脚本要负责切片、标准化、批量预测再把窗口概率聚合回 trial 级别。下面这个函数用均值聚合适合 2 秒窗、1 秒步长的配置。torch.no_grad() def predict_trial(model, trial_eeg, device, fs128, win_sec2, stride_sec1): # trial_eeg: (32, T)已去基线、已滤波 win int(win_sec * fs) stride int(stride_sec * fs) windows [] for start in range(0, trial_eeg.shape[1] - win 1, stride): seg trial_eeg[:, start:start win] seg (seg - seg.mean(axis1, keepdimsTrue)) / ( seg.std(axis1, keepdimsTrue) 1e-6 ) windows.append(seg.T) x torch.tensor(np.stack(windows), dtypetorch.float32).to(device) probs torch.sigmoid(model(x)).cpu().numpy() return probs.mean(axis0) # 输出形如 [valence_prob, arousal_prob]逻辑说明推理时复用训练阶段的窗口长度和步长每个窗口单独标准化模型输出概率后按窗口平均。参数上win_sec和stride_sec必须与训练一致否则分布会偏trial_eeg要提前去基线、滤波不能把原始 8064 点直接传进来。均值聚合简单但如果某些窗口明显是伪迹可以考虑中位数或去掉高方差窗口。返回两个概率后阈值仍按验证集选定的值走不要临时拍脑袋。5. 避坑排查DEAP 上 CNN-LSTM 最容易翻车的五个地方DEAP 上的 CNN-LSTM 代码看起来不长真正花时间的往往是排查。下面五条是我见过最多的翻车场景按“现象 → 原因 → 解决”写。它们不针对某个特定脚本而是针对这类数据形状和训练流程。你可以把它当成跑代码前的检查清单也可以当成指标异常时的排查顺序。5.1 数据层踩坑形状、基线、泄漏第一条是形状错位。现象是模型报维度不匹配或者 loss 一直是 NaN。原因通常是直接把data的(40, 40, 8064)当成(trial, time, channel)结果Conv1d的in_channels被设成 8064通道数完全对不上。解决方法是先打印X.shape确认第二维是通道、第三维是时间取前 32 个通道后再切片。切片输出我习惯用(time, channel)模型里transpose(1, 2)这样卷积的in_channels32。如果这一步不确定先写一个只有Conv1d的小网络输入(2, 32, 256)能跑通再接 LSTM。第二条是基线没去或滤波轴错。现象是验证 AUC 长期在 0.5 附近模型学不到任务相关差异。原因是 DEAP 的 8064 个点包含前 3 秒静息基线如果不去掉网络会把静息段和被试个体差异当成主要信号另一个常见错误是filtfilt的axis写成了axis1把通道方向滤了时间方向没动。解决方法是先去掉前3 * 128 384个点再沿最后一维滤波。切片后每个通道做段内标准化训练集和测试集分别用自己的窗口统计量不要全量一起标准化。排查时打印一个窗口的均值和标准差正常应该在 0 和 1 附近。第三条是数据泄漏。现象是验证集 AUC 很高换一批被试或换一个随机种子就大幅下降。原因是切片后同一个 trial 的相邻窗口高度重叠如果按窗口随机划分训练集和验证集会共享几乎相同的信息。解决方法是先按被试划分再切片至少也要按 trial 划分。具体做法是给每个窗口记录subject_id和trial_id划分时以 subject 或 trial 为单位不要用train_test_split直接打乱窗口。DEAP 只有 40 个被试留 3–5 个做测试并不算多指标会难看一点但更接近真实跨被试场景。5.2 训练层踩坑过拟合、阈值、显存第四条是标签阈值和类别不平衡。现象是 AUC 看起来还行但 F1 很低混淆矩阵里某一类几乎全空。原因是 valence/arousal 用 5 做阈值时正负比例可能偏斜模型偏向多数类另外多标签任务里两个标签的分布不一定一致不能用一个阈值套两个标签。解决方法是先打印训练集每个标签的正负比用pos_weight给正类加权评估时同时看 AUC 和 F1不要只盯准确率。阈值可以在验证集上按 F1 或召回扫一遍选好后固定再到测试集上跑。若某个标签正类少于 10%先确认这不是被试个体差异导致的再考虑合并标签或换任务定义。第五条是过拟合和显存。现象是训练 loss 持续下降验证 loss 早早抬头或者 batch 设到 64 就 OOM。原因是 DEAP 单被试样本有限切片后的窗口相关性又强双向 LSTM 加两层卷积容量偏大显存则和序列长度、batch、LSTM hidden 成正比。解决方法是先减小hidden到 32 或 48dropout保持 0.3–0.5加weight_decay和梯度裁剪早停耐心设 10–15。显存不够时优先减 batch 或窗口长度不要一上来换更小的模型结构。排查时记录每个 epoch 的训练损失和验证 AUC如果训练损失降到很低而验证 AUC 不涨基本就是过拟合不是数据不够。注意不要用测试集反复调阈值、调 hidden、调窗口。调参只在训练集内部划出的验证集上做测试集留到最后跑一次。DEAP 样本小反复看测试集很容易把结论调成“看起来能发论文换数据就不行”。6. 把复现结果变成可验证的结论三种消融与一个固定检查习惯复现实验最怕只看一个准确率。我的做法是跑三组消融固定同一份被试划分、同一个随机种子、同一套预处理只改模型结构第一组 CNN-only把 LSTM 换成全局平均池化第二组 LSTM-only去掉Conv1d直接把(B, T, C)送 LSTM第三组完整 CNN-LSTM。每组至少跑 3 个种子报告均值而不是单次最好结果。下面这张表是我会记录的格式指标列留空跑完再填。配置输入关键改动AUC-valenceAUC-arousalF1-valenceF1-arousalCNN-only(B, 256, 32)LSTM 换AdaptiveAvgPool1d(1)LSTM-only(B, 256, 32)去掉卷积LSTM 输入 32CNN-LSTM(B, 256, 32)完整结构表格不是为了好看而是逼自己把“结构变化”和“指标变化”对上。CNN-only 如果和完整模型差不多说明 LSTM 没带来时序增益先检查序列长度和池化是否把时间信息压没了LSTM-only 如果明显更差说明局部波形和通道组合确实有用但也可能是 LSTM 在小样本上更难训。消融跑完再决定要不要加通道选择、换窗口长度而不是一开始就把所有 trick 堆上去。固定检查习惯我一般放在训练脚本入口每次跑之前打印X_train.shape、Y_train.mean(axis0)、subject_ids的唯一值数量以及模型第一层卷积的in_channels。这四个量能挡掉大部分低级错误。训练结束后保存best_state_dict、划分文件、标准化参数和随机种子下一次换数据时只改路径不重写流程。从那以后我每次碰 DEAP 这类多 trial 脑电数据都强制先跑一个被试的过拟合小实验样本少、模型小能在训练集上把 AUC 拉到接近 1再谈跨被试泛化如果连小实验都过不了说明形状、标签或损失函数里还有黑匣子没打开。希望帮到你。本文还有配套的精品资源点击获取
简介这份资源面向具备一定深度学习基础、希望动手实践脑电情感识别的学生与研究者围绕DEAP数据集给出CNN与LSTM结合的完整代码实现可用于生物信号处理、人机交互或心理健康相关的课程设计、毕设与实验复现。压缩包共35个文件、约11.86MB以15张png图像、6个ipynb笔记本、3个py脚本为主辅以xml工程配置、h5与npy模型权重等图像涵盖Delta、Theta、Alpha、Beta、Gamma频段分布以及混淆矩阵、accuracy与loss曲线notebook则记录特征提取、LSTM训练及CNN1D结合LSTM、GRU、SimpleRNN的对比实验脚本负责训练与测试入口。已有2522人学习下载。读者可据此完成从带通滤波、特征提取到建模训练与评估的全流程借助保存的权重直接预测并通过多版本实验记录理解超参数与网络结构对识别效果的影响减少自行搭建环境与调试的成本。1. 先看清这份 CNN-LSTM 代码包它替你把 DEAP 的哪几步做掉了如果你把 DEAP 的 pickle 直接塞进 LSTM十有八九会在第一个 epoch 就看到 loss 不动——这不是模型不灵而是通道、基线和切片顺序没对齐。这份 Deap脑电信号识别CNN-LSTM代码 把 32 导 EEG 的读取、去基线、2 秒窗切片、按被试划分、CNN-LSTM 训练和推理串成了一条线适合已经跑过普通时序分类、但被 DEAP 的 40×40×8064 形状卡住的人。它不替你调参也不承诺某个准确率价值在于把血泪经验里最容易翻车的几个接口先固定下来。更直白地说它解决的是“知道 CNN-LSTM 能做脑电情绪识别但不知道从哪一行开始改”的问题。新手可以顺着数据形状、切片、模型、训练四段代码跑通一个被试的小实验熟手可以直接看输入布局、损失函数和避坑清单把自己工程里的数据泄漏和标签对齐问题重新过一遍。下面按“数据怎么进、模型怎么搭、结果怎么验”的顺序拆每一步都给出可抄的代码和参数边界。2. 从 DEAP 原始 pickle 到可训练张量通道、基线、切片三件事DEAP 的原始文件不是“一个 CSV 扔进 DataLoader”那种结构。每个被试一个 pickle里面通常有data和labels两个键data是 40 个 trial × 40 个通道 × 8064 个采样点前 32 个通道是 EEG后 8 个是外周信号labels是 40 个 trial × 4 列前两列常被拿来做 valence 和 arousal 的二分类。采样率 128 Hz8064 个点里包含 3 秒静息基线也就是前 384 个点。很多人第一次跑 CNN-LSTM 时把所有通道和基线一起送进网络模型当然也能跑但学到的往往是“被试静息段差异”不是任务相关特征。2.1 先读 labels 和 data 的形状别急着进模型我一般会先写一个只做读取和打印的函数不接模型。先把形状、通道范围、标签范围确认清楚再谈切片。下面这段代码读取单个被试文件取前 32 个 EEG 通道去掉前 3 秒基线并做 0.5–45 Hz 的带通滤波。import pickle import numpy as np from scipy.signal import butter, filtfilt def load_deap_subject(path, fs128, baseline_sec3, use_channels32): with open(path, rb) as f: obj pickle.load(f, encodinglatin1) X obj[data] # (40, 40, 8064) y obj[labels] # (40, 4) eeg X[:, :use_channels, :] # 只取前 32 个 EEG 通道 baseline int(baseline_sec * fs) eeg eeg[:, :, baseline:] # 去掉 3 秒静息基线 # 0.5–45 Hz 带通axis-1 表示沿采样点方向滤波 b, a butter(4, [0.5 / (fs / 2), 45 / (fs / 2)], btypeband) eeg filtfilt(b, a, eeg, axis-1) return eeg.astype(np.float32), y.astype(np.float32) eeg, labels load_deap_subject(s01.dat) print(eeg.shape, labels.shape) # 期望 (40, 32, 7680) (40, 4) print(labels[:3])这段代码的逻辑很直接先按 DEAP 的原始维度取数再把通道维压到 32最后沿时间轴去基线、滤波。参数上fs128要和数据实际采样率一致baseline_sec3是 DEAP 常见设置use_channels32只保留 EEG后 8 个外周通道不建议和 EEG 混在一起送进同一个卷积核。滤波阶数用 4 阶 Butterworth 是常见做法截止频率 0.5 Hz 和 45 Hz 分别对应漂移和工频以上的高频噪声边界。若你的数据已经降采样或做过陷波这一段要相应改不能照抄。注意filtfilt的axis一定要指向时间轴。DEAP 的eeg是(trial, channel, time)所以是axis-1如果先把通道转置再滤波轴号会变这是很常见的翻车点。2.2 去基线、带通滤波与按时间窗切片整段 60 秒 EEG 直接送进 LSTM序列太长LSTM 很难在有限样本里学到稳定时序。常见做法是切成 1–4 秒的窗口窗口之间可以有重叠。情绪诱发响应不是毫秒级事件2 秒窗在我的经验里比较稳比 1 秒窗包含更多上下文又不像 4 秒窗那样让样本数掉得太快。下面按 2 秒窗、1 秒步长切片并在每个窗口内做通道级标准化。def make_windows(eeg, labels, fs128, win_sec2, stride_sec1, threshold5.0): win int(win_sec * fs) stride int(stride_sec * fs) X_win, y_win [], [] for i in range(eeg.shape[0]): trial eeg[i] # (32, 7680) for start in range(0, trial.shape[1] - win 1, stride): seg trial[:, start:start win] # (32, 256) # 每个通道在自己的窗口内做标准化降低被试间幅值差异 seg (seg - seg.mean(axis1, keepdimsTrue)) / ( seg.std(axis1, keepdimsTrue) 1e-6 ) X_win.append(seg.T) # (256, 32)时间在前通道在后 y_win.append((labels[i, :2] threshold).astype(np.float32)) return np.stack(X_win), np.stack(y_win) X, Y make_windows(eeg, labels) print(X.shape, Y.shape) # 约 (40*58, 256, 32) 和 (2320, 2)切片逻辑是“先按 trial 循环再按时间起点滑窗”这样不会把不同 trial 的尾部和头部拼在一起。win_sec2对应 256 个采样点stride_sec1表示 50% 重叠既能增加样本又保留时间连续性。threshold5.0是把 1–9 的 valence/arousal 打分二值化大于等于 5 记为正类这个阈值不是金标准后面评估时要允许调整。段内标准化用每个通道自己的均值和标准差而不是全数据集统一均值目的是削弱被试间幅值差异。注意标准化要放在切片之后、送模型之前且训练集和测试集不能互相借用统计量。提示先拿一个被试跑通切片打印X.shape和Y.mean(axis0)。如果正负比例极端到 9:1先别怀疑模型先看标签阈值和 trial 分布。2.3 标签二值化与按被试划分避免数据泄漏DEAP 有 40 个被试每个被试 40 个 trial。切片后同一个 trial 会产生几十个高度重叠的窗口如果随机打乱所有窗口再做训练/验证划分训练集和验证集里会同时出现同一个 trial 的相邻窗口指标会虚高。更稳妥的做法是按被试划分留几个被试做测试其余被试做训练和验证如果样本量实在小至少按 trial 划分。下面这个划分函数只做索引切分不碰数据内容。def subject_split(subject_ids, test_ids): test_ids set(test_ids) train_idx [i for i, sid in enumerate(subject_ids) if sid not in test_ids] test_idx [i for i, sid in enumerate(subject_ids) if sid in test_ids] return np.array(train_idx), np.array(test_idx) # 示例subject_ids 是每个窗口对应的被试编号 # 这里只演示划分思路实际要把多个被试的 X、Y 先拼起来 # train_idx, test_idx subject_split(subject_ids, test_ids{1, 2, 3})这段代码本身不复杂关键是划分发生在切片之前还是之后。我的习惯是先决定哪些被试进测试集再对这些被试的数据做切片不要在切片后的窗口层面随机train_test_split。参数上test_ids建议留 3–5 个被试做跨被试测试训练集内部再按被试留一个验证集。若你要做被试内分类也要按 trial 划分不能按窗口划分。DEAP 只有 40 个 trial窗口重叠又大泄漏一次就会让 AUC 看起来漂亮换一批被试立刻掉下来。3. 深度学习模型怎么搭CNN-LSTM 把局部电极相关性和秒级时序分开建模CNN-LSTM 在 DEAP 上的常见思路不是“卷积越大越好”而是分工一维卷积沿时间轴提取局部波形和相邻电极的组合模式LSTM 再把卷积输出的时间片段串起来。输入布局如果搞错卷积会把通道当时间LSTM 会把时间当特征最后模型也能训练但学的东西完全不对。这个章节先把形状固定再给一个可以直接改参数的小模型。3.1 输入布局为什么我常用 (batch, channels, time) 再转置DataLoader 里我通常让样本是(time, channels)因为切片时按时间窗取数据更自然进模型后第一件事是transpose(1, 2)变成(batch, channels, time)交给Conv1d。这样卷积核在时间轴上滑动in_channels就是 32 个 EEG 通道。下面这张表把几个关键形状列清楚改代码时对着看。位置形状含义原始data(40, 40, 8064)trial × 通道 × 采样点取 EEG 后(40, 32, 7680)去掉 3 秒基线单窗口(256, 32)2 秒 × 128 Hz时间在前模型输入(B, 256, 32)batch × time × channel卷积输入(B, 32, 256)transpose 后 channel × time参数上256是 2 秒窗的采样点数32是 EEG 通道数。若你把窗口改成 4 秒时间维变成 512卷积和 LSTM 的序列长度也跟着变若只选特定通道比如额区 8 导in_channels要同步改成 8。不要在一个已经训练好的模型上直接换通道数分类头的输入维度不会自动适配。3.2 Conv1D 提局部特征LSTM 接时序摘要下面这个模型用两层Conv1d加池化把时间维压到原来的四分之一再送双向 LSTM最后取最后一个时间步做二分类。输出 2 个 logits对应 valence 和 arousal多标签分类用BCEWithLogitsLoss。import torch from torch import nn class CNNLSTM(nn.Module): def __init__(self, n_ch32, n_classes2, hidden64, dropout0.3): super().__init__() self.conv nn.Sequential( nn.Conv1d(n_ch, 64, kernel_size7, padding3), nn.BatchNorm1d(64), nn.ReLU(), nn.MaxPool1d(2), nn.Conv1d(64, 128, kernel_size5, padding2), nn.BatchNorm1d(128), nn.ReLU(), nn.MaxPool1d(2), ) self.lstm nn.LSTM( input_size128, hidden_sizehidden, num_layers1, batch_firstTrue, bidirectionalTrue, ) self.head nn.Sequential( nn.Dropout(dropout), nn.Linear(hidden * 2, n_classes), ) def forward(self, x): # x: (B, T, C) - (B, C, T) x x.transpose(1, 2) x self.conv(x) # (B, 128, T/4) x x.transpose(1, 2) # (B, T/4, 128) out, _ self.lstm(x) # (B, T/4, hidden*2) last out[:, -1, :] # 取最后时间步 return self.head(last)逻辑说明第一层卷积核 7、64 个输出通道负责捕捉约 55 ms 的局部波形第二层卷积核 5、128 个输出通道继续组合更抽象的模式两次MaxPool1d(2)把 256 个时间点压到 64 个LSTM 的序列长度就是 64。hidden64加双向输出 128 维最后线性层映射到 2 个标签。dropout0.3放在分类头前减少小样本过拟合。num_layers1是有意为之DEAP 单被试只有 40 个 trial切片后样本看似多但相关性强堆两层 LSTM 很容易过拟合。参数上n_ch必须等于输入通道数n_classes2对应两个二分类标签如果你只做 valence 单任务把它改成 1损失函数也要相应调整。注意nn.LSTM的dropout只有在num_layers 1时才生效。单层 LSTM 写dropout0.5不会报错但也不会起作用别把它当成正则化手段。3.3 损失函数、类别权重与早停参数DEAP 的二值化标签经常不平衡尤其当阈值取 5 时某些被试的正负比例会偏。直接上BCEWithLogitsLoss可以用pos_weight给正类加权权重按训练集每个标签的负正比计算。优化器我一般用 AdamW学习率 1e-3权重衰减 1e-4配合ReduceLROnPlateau和早停。下面是一段配置代码。import numpy as np import torch from torch import nn, optim def build_loss(train_y): # train_y: (N, 2)计算每个标签的 neg/pos pos train_y.sum(axis0) neg len(train_y) - pos pos_weight torch.tensor(neg / np.maximum(pos, 1), dtypetorch.float32) return nn.BCEWithLogitsLoss(pos_weightpos_weight) model CNNLSTM(n_ch32, n_classes2, hidden64, dropout0.3) criterion build_loss(Y_train) optimizer optim.AdamW(model.parameters(), lr1e-3, weight_decay1e-4) scheduler optim.lr_scheduler.ReduceLROnPlateau( optimizer, modemax, factor0.5, patience5 )这段代码做了两件事计算每个标签的pos_weight以及把优化器和学习率调度器配好。pos_weight的直观含义是“正类样本少就给正类更大的损失权重”但不要把它当成万能药如果正负比超过 10:1先检查标签阈值是否合理。AdamW的weight_decay1e-4是轻量正则脑电小样本上比不加更稳。ReduceLROnPlateau的modemax表示监控验证集 AUC 或 F1patience5表示连续 5 个 epoch 不提升就减半学习率。早停的patience可以设 10–15和调度器分开避免刚减学习率就停。4. 训练与评估脚本固定随机种子、保存 best checkpoint、按被试汇总训练脚本最容易被忽略的不是模型而是“每次跑出来的数不一样”。DEAP 样本量小随机种子、数据顺序、权重初始化都会让 AUC 波动几个点。我的做法是把种子、划分文件、标准化参数和 best checkpoint 一起保存后面做消融时只改一个变量。这个章节给一个最小训练循环、一个评估函数和一个单 trial 推理入口。4.1 训练循环里必须记录的四个量训练循环不要只打印 loss。至少记录训练损失、验证 AUC、验证 F1 和当前学习率。AUC 看排序能力F1 看阈值 0.5 下的平衡表现学习率用来判断调度器有没有乱跳。下面是一个 epoch 的训练函数。import torch def train_one_epoch(model, loader, optimizer, criterion, device): model.train() total_loss, total_n 0.0, 0 for xb, yb in loader: xb, yb xb.to(device), yb.to(device) optimizer.zero_grad() logits model(xb) loss criterion(logits, yb) loss.backward() torch.nn.utils.clip_grad_norm_(model.parameters(), max_norm1.0) optimizer.step() total_loss loss.item() * xb.size(0) total_n xb.size(0) return total_loss / total_n逻辑说明前向、算损失、反向、梯度裁剪、更新参数是标准流程。clip_grad_norm_(..., max_norm1.0)对 LSTM 特别有用脑电序列里偶尔会出现幅度突变不裁剪容易让梯度炸掉。total_loss按样本数加权平均避免最后一个 batch 较小时把 epoch 损失带偏。参数上max_norm1.0是常见起点如果训练 loss 频繁 NaN先降到 0.5 试再检查输入是否标准化。device建议显式传cuda或cpu不要依赖默认张量位置。4.2 验证集指标与混淆矩阵验证函数要返回概率不要只返回 0/1。AUC 需要概率F1 需要阈值混淆矩阵需要离散标签。下面这个函数对两个标签分别算 AUC并在 0.5 阈值下算 F1。import numpy as np import torch from sklearn.metrics import roc_auc_score, f1_score, confusion_matrix torch.no_grad() def evaluate(model, loader, device): model.eval() probs, targets [], [] for xb, yb in loader: logits model(xb.to(device)) probs.append(torch.sigmoid(logits).cpu().numpy()) targets.append(yb.numpy()) probs np.concatenate(probs, axis0) targets np.concatenate(targets, axis0) aucs [roc_auc_score(targets[:, i], probs[:, i]) for i in range(targets.shape[1])] preds (probs 0.5).astype(np.int32) f1s [f1_score(targets[:, i], preds[:, i], zero_division0) for i in range(targets.shape[1])] cm confusion_matrix(targets[:, 0], preds[:, 0]) return probs, targets, aucs, f1s, cm这段代码先收集所有 batch 的概率再统一算指标。roc_auc_score对每个标签单独算最后取平均或分别报告f1_score的zero_division0防止某个标签全预测为负时报警。混淆矩阵这里只展示第一个标签实际项目里两个标签都看。参数上阈值 0.5 只是默认值若正类召回太低可以在验证集上扫 0.3–0.7 选阈值但不要在测试集上调。评估时保持model.eval()和torch.no_grad()否则 BatchNorm 和 Dropout 会让结果不稳定。4.3 推理脚本与单 trial 预测真正落地时输入往往是一个 trial 的整段 EEG而不是已经切好的窗口。推理脚本要负责切片、标准化、批量预测再把窗口概率聚合回 trial 级别。下面这个函数用均值聚合适合 2 秒窗、1 秒步长的配置。torch.no_grad() def predict_trial(model, trial_eeg, device, fs128, win_sec2, stride_sec1): # trial_eeg: (32, T)已去基线、已滤波 win int(win_sec * fs) stride int(stride_sec * fs) windows [] for start in range(0, trial_eeg.shape[1] - win 1, stride): seg trial_eeg[:, start:start win] seg (seg - seg.mean(axis1, keepdimsTrue)) / ( seg.std(axis1, keepdimsTrue) 1e-6 ) windows.append(seg.T) x torch.tensor(np.stack(windows), dtypetorch.float32).to(device) probs torch.sigmoid(model(x)).cpu().numpy() return probs.mean(axis0) # 输出形如 [valence_prob, arousal_prob]逻辑说明推理时复用训练阶段的窗口长度和步长每个窗口单独标准化模型输出概率后按窗口平均。参数上win_sec和stride_sec必须与训练一致否则分布会偏trial_eeg要提前去基线、滤波不能把原始 8064 点直接传进来。均值聚合简单但如果某些窗口明显是伪迹可以考虑中位数或去掉高方差窗口。返回两个概率后阈值仍按验证集选定的值走不要临时拍脑袋。5. 避坑排查DEAP 上 CNN-LSTM 最容易翻车的五个地方DEAP 上的 CNN-LSTM 代码看起来不长真正花时间的往往是排查。下面五条是我见过最多的翻车场景按“现象 → 原因 → 解决”写。它们不针对某个特定脚本而是针对这类数据形状和训练流程。你可以把它当成跑代码前的检查清单也可以当成指标异常时的排查顺序。5.1 数据层踩坑形状、基线、泄漏第一条是形状错位。现象是模型报维度不匹配或者 loss 一直是 NaN。原因通常是直接把data的(40, 40, 8064)当成(trial, time, channel)结果Conv1d的in_channels被设成 8064通道数完全对不上。解决方法是先打印X.shape确认第二维是通道、第三维是时间取前 32 个通道后再切片。切片输出我习惯用(time, channel)模型里transpose(1, 2)这样卷积的in_channels32。如果这一步不确定先写一个只有Conv1d的小网络输入(2, 32, 256)能跑通再接 LSTM。第二条是基线没去或滤波轴错。现象是验证 AUC 长期在 0.5 附近模型学不到任务相关差异。原因是 DEAP 的 8064 个点包含前 3 秒静息基线如果不去掉网络会把静息段和被试个体差异当成主要信号另一个常见错误是filtfilt的axis写成了axis1把通道方向滤了时间方向没动。解决方法是先去掉前3 * 128 384个点再沿最后一维滤波。切片后每个通道做段内标准化训练集和测试集分别用自己的窗口统计量不要全量一起标准化。排查时打印一个窗口的均值和标准差正常应该在 0 和 1 附近。第三条是数据泄漏。现象是验证集 AUC 很高换一批被试或换一个随机种子就大幅下降。原因是切片后同一个 trial 的相邻窗口高度重叠如果按窗口随机划分训练集和验证集会共享几乎相同的信息。解决方法是先按被试划分再切片至少也要按 trial 划分。具体做法是给每个窗口记录subject_id和trial_id划分时以 subject 或 trial 为单位不要用train_test_split直接打乱窗口。DEAP 只有 40 个被试留 3–5 个做测试并不算多指标会难看一点但更接近真实跨被试场景。5.2 训练层踩坑过拟合、阈值、显存第四条是标签阈值和类别不平衡。现象是 AUC 看起来还行但 F1 很低混淆矩阵里某一类几乎全空。原因是 valence/arousal 用 5 做阈值时正负比例可能偏斜模型偏向多数类另外多标签任务里两个标签的分布不一定一致不能用一个阈值套两个标签。解决方法是先打印训练集每个标签的正负比用pos_weight给正类加权评估时同时看 AUC 和 F1不要只盯准确率。阈值可以在验证集上按 F1 或召回扫一遍选好后固定再到测试集上跑。若某个标签正类少于 10%先确认这不是被试个体差异导致的再考虑合并标签或换任务定义。第五条是过拟合和显存。现象是训练 loss 持续下降验证 loss 早早抬头或者 batch 设到 64 就 OOM。原因是 DEAP 单被试样本有限切片后的窗口相关性又强双向 LSTM 加两层卷积容量偏大显存则和序列长度、batch、LSTM hidden 成正比。解决方法是先减小hidden到 32 或 48dropout保持 0.3–0.5加weight_decay和梯度裁剪早停耐心设 10–15。显存不够时优先减 batch 或窗口长度不要一上来换更小的模型结构。排查时记录每个 epoch 的训练损失和验证 AUC如果训练损失降到很低而验证 AUC 不涨基本就是过拟合不是数据不够。注意不要用测试集反复调阈值、调 hidden、调窗口。调参只在训练集内部划出的验证集上做测试集留到最后跑一次。DEAP 样本小反复看测试集很容易把结论调成“看起来能发论文换数据就不行”。6. 把复现结果变成可验证的结论三种消融与一个固定检查习惯复现实验最怕只看一个准确率。我的做法是跑三组消融固定同一份被试划分、同一个随机种子、同一套预处理只改模型结构第一组 CNN-only把 LSTM 换成全局平均池化第二组 LSTM-only去掉Conv1d直接把(B, T, C)送 LSTM第三组完整 CNN-LSTM。每组至少跑 3 个种子报告均值而不是单次最好结果。下面这张表是我会记录的格式指标列留空跑完再填。配置输入关键改动AUC-valenceAUC-arousalF1-valenceF1-arousalCNN-only(B, 256, 32)LSTM 换AdaptiveAvgPool1d(1)LSTM-only(B, 256, 32)去掉卷积LSTM 输入 32CNN-LSTM(B, 256, 32)完整结构表格不是为了好看而是逼自己把“结构变化”和“指标变化”对上。CNN-only 如果和完整模型差不多说明 LSTM 没带来时序增益先检查序列长度和池化是否把时间信息压没了LSTM-only 如果明显更差说明局部波形和通道组合确实有用但也可能是 LSTM 在小样本上更难训。消融跑完再决定要不要加通道选择、换窗口长度而不是一开始就把所有 trick 堆上去。固定检查习惯我一般放在训练脚本入口每次跑之前打印X_train.shape、Y_train.mean(axis0)、subject_ids的唯一值数量以及模型第一层卷积的in_channels。这四个量能挡掉大部分低级错误。训练结束后保存best_state_dict、划分文件、标准化参数和随机种子下一次换数据时只改路径不重写流程。从那以后我每次碰 DEAP 这类多 trial 脑电数据都强制先跑一个被试的过拟合小实验样本少、模型小能在训练集上把 AUC 拉到接近 1再谈跨被试泛化如果连小实验都过不了说明形状、标签或损失函数里还有黑匣子没打开。希望帮到你。本文还有配套的精品资源点击获取
