🌟 引言：当深度学习遇见"大脑电流"
在人工智能的众多分支中，情感计算（Affective Computing） 始终是最具挑战性的领域之一。不同于通过面部表情或语音来识别情绪（这些行为可以被人类刻意伪装），脑电信号（EEG） 直接来源于中枢神经系统，被认为是捕捉人类真实情感的"黄金标准"。
本系列博客将带你走进 脑机接口（BCI） 的世界。我们将基于经典的 DEAP 数据集 ，从零开始构建一个能够"读懂人心"的情绪分类器。作为系列的第一篇，我们将完成最基础但也最关键的任务：理解脑电频率理论、解析 DEAP 数据架构、搭建开发环境，并绘制出属于你的第一行脑波图。
1. 脑电理论：解码大脑的"五重奏"
脑电信号（EEG）本质上是大脑皮层神经元群同步放电产生的电位总和。在情绪识别中，我们并不直接分析杂乱的波形，而是将其拆解为五个核心频带：
| 频带名称 | 频率范围 (Hz) | 生理状态与情感关联 |
|---|---|---|
| Delta ( \\delta) | 0.5 - 4 | 深度睡眠状态。在清醒情绪识别中通常被视为伪影噪声。 |
| Theta (\\theta) | 4 - 8 | 深度冥想、创造力。关联挫败感、失望或注意力分散。 |
| Alpha (\\alpha) | 8 - 13 | 放松、闭目养神。左侧额叶 Alpha 波减弱通常意味着积极情绪。 |
| Beta (\\beta) | 13 - 30 | 逻辑思考、高度警觉。关联焦虑、压力、兴奋。 |
| Gamma (\\gamma) | > 30 | 高级认知、多感官整合。关联极端情绪爆发或心流状态。 |
2. DEAP 数据集深度拆解：情绪研究的"ImageNet"
DEAP (Database for Emotion Analysis using Physiological signals) 是全球研究者公认的标准库。
2.1 数据采集协议
-
被试者：32名健康成年人。
-
刺激物：40段经过预选的音乐视频（Music Video），每段 60 秒。
-
多模态：除了 32 通道的 EEG，还记录了皮肤电导（GSR）、心电（ECG）、呼吸等外围生理信号。
2.2 数据格式 (The .dat Structure)
当你下载 DEAP 预处理版后，你会得到 32 个 .dat 文件（s01.dat - s32.dat）。每个文件是一个 Python 字典，结构如下：
-
data: 形状为(40, 40, 8064)-
40：试验次数 (Videos) -
40：通道数（前 32 个是 EEG，后 8 个是外围信号） -
8064：采样点（63秒 \\times 128Hz 采样率）
-
-
labels: 形状为(40, 4)- 四个维度分别是：Valence (效价) , Arousal (唤醒度), Dominance, Liking。
3. 数学模型：Russell 的情绪坐标系
我们如何定义"快乐"或"愤怒"？本项目采用 Russell 环状模型（Circumplex Model）。
3.1 坐标定义
情绪被映射到一个二维直角坐标系中：
-
Valence (效价)：描述情绪的"正负"。
-
V \> 5：愉快、积极。
-
V \< 5：痛苦、消极。
-
-
Arousal (唤醒度)：描述情绪的"强弱"。
-
A \> 5：兴奋、紧张、激活。
-
A \< 5：平静、疲惫、去激活。
-
3.2 离散化映射
在后续的 KNN 分类中，我们会将坐标划分为四个象限：
-
HVHA (高唤醒高效价)：快乐 (Happy) / 兴奋 (Excited)
-
LVHA (高唤醒低效价)：愤怒 (Angry) / 紧张 (Nervous)
-
LVLA (低唤醒低效价)：悲伤 (Sad) / 忧郁 (Depressed)
-
HVLA (低唤醒高效价)：放松 (Relaxed) / 平静 (Calm)
4. 环境搭建与依赖配置
在开始编码前，请确保你的 Python 环境已经安装了以下核心库：
Bash
# 核心计算与处理库
pip install numpy scipy pandas pickle-mixin
# 绘图与可视化
pip install matplotlib seaborn opencv-python
# 脑电专业库 (强烈建议安装)
pip install mne5. 实战代码：读取数据并可视化脑电波
下面这段代码演示了如何解析 DEAP 的原始文件，并提取第 1 个被试（s01）观看第 1 个视频时的 Fp1（前额极） 通道信号。
Python
import pickle
import numpy as np
import matplotlib.pyplot as plt
def load_deap_file(file_path):
"""
读取DEAP数据文件
"""
with open(file_path, 'rb') as f:
# Python 3 必须指定 encoding='latin1'
data_dict = pickle.load(f, encoding='latin1')
return data_dict['data'], data_dict['labels']
# 1. 加载第一个受试者数据
file_path = 's01.dat' # 请确保文件在当前目录下
data, labels = load_deap_file(file_path)
# 2. 提取数据
# 形状: (40试验, 40通道, 8064采样点)
# 我们取: 第1个视频, 第1个通道(Fp1), 全部时间点
trial_idx = 0
channel_idx = 0
signal = data[trial_idx, channel_idx, :]
label = labels[trial_idx]
# 3. 绘制波形图
fs = 128 # 采样率
time = np.arange(len(signal)) / fs
plt.figure(figsize=(15, 5))
plt.plot(time, signal, color='#1f77b4', lw=0.8)
plt.title(f'Subject 01 - Trial {trial_idx+1} - Channel Fp1\n'
f'Valence: {label[0]:.2f}, Arousal: {label[1]:.2f}')
plt.xlabel('Time (seconds)')
plt.ylabel('Amplitude ($\mu$V)')
plt.grid(alpha=0.3)
plt.show()
print(f"该试验的情绪标签: Valence={label[0]}, Arousal={label[1]}")💡 核心逻辑解析：
-
前 3 秒去基线：你会发现信号的前 384 个点（3秒 \\times 128Hz）波形可能比较特殊，那是基线测量期。在后续特征提取中，我们通常需要将其减去。
-
单位：DEAP 数据通常已经过微伏（\\muV）单位缩放和 0.4-45Hz 的带通滤波，可以直接进行频域分析。
6. 深度前瞻：为什么选择 KNN 分类？
在本项目的后续环节，我们将面临特征工程。原始数据维度太高（8064点），直接分类会遭遇"维度灾难"。
我们将采用以下策略：
-
FFT 转换：将 1D 时域信号转为频域。
-
特征压缩：计算 5 个频带的标准差（Standard Deviation），将 8064 个点降维成 5 个核心特征。
-
KNN 分类器：
-
Canberra 距离：相较于欧氏距离，它对特征值之间的比例变化更敏感，非常适合处理 EEG 这种个体差异巨大的数据。
-
参数 K 的选择：我们将通过实验证明，当 K=3 时，模型在 DEAP 数据集上的表现最为稳健。
-
7. 结语与下一步
本篇文章我们完成了脑电情绪识别的"理论筑基"。你已经了解了大脑如何通过电磁波表达情感，并亲手绘制出了大脑的原始信号。
下一篇预告：
我们将深入探讨 《脑电信号预处理：FFT 频域转换与特征提取实战》。届时，我们将把这些杂乱的波形转化为 160 维的特征向量，真正开始机器学习的训练。
动手挑战：
尝试修改代码，循环打印出 40 个视频的标签，看看受试者 s01 观看哪一个视频时 Valence（效价）最高？欢迎在评论区贴出你的发现！
关注专栏，第一时间获取代码更新！