企业官网建设流程全解析

简介：这套源码实现了一个基于脑电（EEG）信号的情绪分析系统，面向脑机接口、情感计算研究以及有Python基础的开发者，目标是通过对信号的特征提取与建模，识别开心、平静、压力等情绪状态。压缩包共49个文件、约11.51MB，主体由Python源文件构成，覆盖数据预处理、特征提取、模型训练与评估全流程；同时包含PyTorch模型权重（pth）、序列化模型（pkl）供直接使用或迁移学习，配合HTML页面提供可视化交互界面，图片文件包含波形图与预测结果展示，XML/配置文件则用于环境与项目结构管理。已有483人学习，说明该项目在情绪识别方向具有一定通用性和可复用性。从目录结构可清楚看到“数据描述—预处理—特征提取—模型存储—前端展示”的层次，便于按需修改算法、替换数据集或增加新分类器，适合用于毕业设计、科研预研及工程验证。

1. 从一段“情绪看得见”的脑电数据说起

第一次拿到DEAP数据集里某位被试的脑电原始信号时，我差点以为文件导错了：单通道几万采样点，电压在微伏量级里来回抖，看不出任何规律。可就是这样一段不起眼的头皮电位，经过预处理、特征提取和分类之后，能把积极情绪和消极情绪以七成以上的准确率分开。这就是基于EEG信号的脑电情绪分析系统设计要解决的问题：把电极帽采集到的电压变化，加工成能反映情绪状态的量化特征，再交给分类器输出可复现的判断。它离落地并没有想象中远，一台研究级脑电设备、一台不带独立显卡的电脑，加上一套结构清楚的源码工程，就能跑通完整闭环。这里不聊论文里的模型效果，只讲怎么把源码写出来、跑起来、调得动，以及哪些坑只有真正动手才会撞上。

2. 先把脑电情绪分析拆成四段管线：采集、预处理、特征、分类

一个能长期维护的脑电情绪分析系统，本质上是一条数据流水线。从电极帽到分类结果，中间至少隔着四段：采集、预处理、特征提取、模型分类。很多人拿到源码后第一件事就是跑分类模型，结果数据集本身没洗好，特征也不对齐，后面的指标再好看也经不起复现。相反，把前四段当作一个整体来设计，以后换数据集、换分类器，都只是替换某个模块的事。

我一般会先确认原始数据长什么样：通道数、采样率、有没有事件标记。这三样决定了后续所有参数。比如DEAP数据集是32通道、128Hz采样，自带实验事件标记；SEED数据集是62通道、200Hz，每个trial有明确的开始和结束点。如果是OpenBCI导出的CSV，就得自己在字段里找触发列。源码工程在这块最容易写乱，所以宁可多写几个通用加载函数，也不要每个脚本各写一套读取逻辑。

2.1 原始脑电为什么不能直接丢给模型

原始EEG首先是一个电压时间序列，幅值在微伏级别，动态范围往往不超过100μV。情绪相关脑电能量主要集中在0.5Hz到45Hz之间，其中alpha频段（8~13Hz）和theta频段（4~8Hz）与情绪唤醒、注意力分配关系最密切。可原始信号里混着大量与情绪无关的东西：眼电、心电、肌电、工频干扰、电极接触噪声，还有头部动作导致的基线漂移。把原始trial直接丢给分类模型，模型大概率学到的是被试个体的信号模式和噪声，而不是情绪。

更重要的是，不同被试的脑电幅度差异非常大。同一个快乐片段，被试A的alpha功率可能是被试B的三倍。如果模型拿绝对功率做输入，它很容易记住“某个被试本身处于高唤醒状态”这种虚假模式，换到新被试上就失效。这是脑电情绪识别系统里最常见的假阳性：同被试内准确率很高，跨被试一测就打回原形。所以预处理和特征设计的第一目标是消除个体量纲差异，让模型在相对变化层面做判断。

有少数端到端深度学习论文声称能从原始波形直接学出情绪特征，但那需要几百人的数据量和很强的正则化技巧，普通团队并不具备条件。作为落地源码，更稳妥的顺序是：先把信号对齐到同一个参考系，再抽取稳定特征，最后才建模型。这个思路和主流脑电文献一致，后续替换设备或数据集时也会轻松很多。

2.2 预处理到底处理了什么：降采样、滤波、去伪迹

预处理的第一步是降采样。多数专业设备采集时用512Hz或更高采样率，目的是满足硬件抗混叠要求，但情绪分析用不到这么高的频率。降到128Hz已经能覆盖45Hz以内的全部目标频段。降采样还有两个额外好处：数据量变成原来的四分之一，特征计算快一倍；高频噪声在降采样过程中被限制到新奈奎斯特频率之下，后续滤波更稳定。

然后是滤波。情绪脑电分析的标准做法是1Hz高通、45Hz低通，再做50Hz或60Hz陷波。高通是为了去掉直流漂移和出汗伪迹造成的缓慢基线变化；低通越过45Hz可以把大部分肌电干扰滤掉；陷波针对电源工频，在国内用50Hz，在美国用60Hz。我不建议把高通设到0.1Hz，学术上更严格，但工程上0.1Hz高通会保留大量慢波漂移，对分类特征干扰远大于收益。

再往下是去伪迹。眼电对额区电极的污染非常典型，每次眨眼都会在Fp1、Fp2附近产生一个大幅慢波。ICA（独立成分分析）是目前最常用的去伪迹方法。实际操作时，MNE这类库会先做主成分压缩，再做fastica分解，得到若干个独立成分。经验做法是观察独立成分的拓扑图，把前额区对称分布、时间序列上有明显眼电形态的独立成分移除。

ICA不是万能的。电极接触不良、数据里存在不连续漂移时，ICA会把真实脑电也当成独立成分剔掉。所以预处理流程里一定要留一步坏通道检测：用标准差和相关系数找出明显异常通道，先插值修复，再进入ICA，避免单通道噪声拉偏整个分解结果。

2.3 特征不只有频带功率：时域、频域、非线性特征怎么选

预处理之后的EEG是若干通道的干净时域波形，但分类器通常不直接用波形，而是从波形里提取特征。最经典的是频带功率：把delta、theta、alpha、beta、gamma五个频段分别计算平均功率。对情绪识别来说，alpha不对称性是更著名的指标：左侧额区alpha功率相对下降被认为与趋向性情绪相关，右侧额区alpha下降与回避性情绪相关。很多系统会把F3/F4或AF3/AF4的alpha功率差单独做成一个特征。

除了频带功率，差分熵（DE）也经常出现在情绪识别文献里。DE描述的是信号片段概率分布的复杂程度，对幅度尺度不敏感，跨被试时比绝对功率更稳。DEAP竞赛里的不少高分方案同时使用PSD和DE，再把两类特征拼接。还有一种快且稳的做法：提取时域统计量，比如过零率、峰峰幅度、Hjorth参数。这些特征单独区分力不强，但和频带特征拼在一起，往往能让SVM在小样本数据集上提高两三个百分点。

特征维度也不是越多越好。32通道、每个频段的PSD加DE、再加上时域统计，单个窗口可能产生两三百维特征。如果样本量只有几千，高维特征会让SVM陷入过拟合。常见做法是先做特征筛选，用SelectKBest或L1正则化筛出top 50维再进入分类器。源码里把特征提取和特征筛选切成两个模块，调参时就不必每次改特征都重写训练脚本。

2.4 分类器选择：传统机器学习比深度学习更先落地

在有限的样本集上，传统机器学习往往比深度学习更早出结果。DEAP包含32名被试，每名被试40个trial，滑窗之后样本量能达到几千，但独立被试只有32个。LSTM、Transformer这类模型能建模时序，却非常容易在小样本上过拟合，尤其对每一位被试的绝对幅度敏感，跨被试测试时成绩经常掉到接近随机猜测。

相比之下，SVM配合RBF核、随机森林、梯度提升树是更稳的起点。SVM对高维稀疏特征适应良好，对样本量要求相对温和，在标准化后的PSD/DE特征上效果稳定。随机森林对特征尺度不敏感，不需要精心做标准化，还能输出特征重要性，方便筛选。梯度提升树在大样本下会更好，但几千样本时超参数多，容易调出过拟合。

真正需要深度学习的时候是数据量上来了，或者你要做跨被试领域自适应。近几年有人用对比学习对脑电做domain adaptation，效果确实比SVM好，但工程复杂度也上了一个量级。作为系统设计源码，我建议把分类器封装成统一接口，传统模型和深度学习模型都实现同样的fit/predict方式，这样后续替换模型不会牵动前端数据管线。

3. 把源码拆成可替换模块：预处理、特征提取、训练评估的最小实现

前面把逻辑理清了，这一章给出一套能直接照着写的源码骨架。这个骨架不是某个论文的复现代码，只是最常见、最可靠的组织方式。核心事情只有一件：让每个环节都能独立替换。数据加载改动时不碰特征提取，特征提取改动时不碰训练脚本。

3.1 工程目录：先把边界划清楚

我习惯把工程分成五个目录。config.py放全局参数，data目录放原始文件和预处理缓存，features目录放特征函数，models目录放训练评估脚本，utils放公共工具。这样组织的最大好处是，新手拿到源码后只需要改config和models，不需要动其他部分。

# 建议的源码工程结构 eeg_emotion/ ├── config.py # 全局参数：采样率、频段、数据路径 ├── data/ │ ├── raw/ # 原始EEG文件，EDF/CSV/BDF均可 │ └── processed/ # 预处理后的epoched数据缓存 ├── features/ │ ├── extract_psd.py # PSD和DE特征提取 │ └── select_features.py ├── models/ │ ├── train_svm.py │ └── evaluate.py ├── utils/ │ ├── loader.py # 统一数据加载与标签对齐 │ └── io_tools.py # 文件读写、分类器导出 └── main.py # 一键执行入口

这个结构并不复杂，但它强制你把“读数据”和“算模型”解耦。实际写大型实验时，90%的排查时间都花在数据对齐上，而不是模型。把统一加载器放在utils里，让所有脚本都调同一个入口，相当于给系统加了一条安全带。

3.2 预处理模块：最值得花时间调试的地方

预处理模块的输入是原始数据路径和事件标记。下面这段代码用MNE读取EDF格式数据，完成降采样、滤波、平均参考和ICA去眼电。MNE是开源库，不需要自己实现滤波器，但参数必须懂。

import mne import config from mne.preprocessing import ICA def preprocess_raw(raw_path, event_id=1): # 1. 读取原始EDF文件，preload=True表示一次性加载进内存 raw = mne.io.read_raw_edf(raw_path, preload=True, verbose=False) # 2. 降采样到128Hz，与DEAP这类公开数据对齐 raw.resample(config.SFREQ, npad="auto") # 3. 带通滤波：1Hz高通去掉直流漂移，45Hz低通去掉肌电 raw.filter(1.0, 45.0, fir_design="firwin", verbose=False) # 4. 统一使用平均参考，避免单侧乳突参考带来的偏置 raw.set_eeg_reference("average", projection=False) # 5. 只保留EEG通道，排除ECG/EOG等辅助通道 raw.pick_types(eeg=True, stim=True) # 6. ICA去除眼电伪迹，n_components=0.95保留95%方差 ica = ICA(n_components=0.95, method="fastica", random_state=42) ica.fit(raw) # 自动识别眼电成分；如果没有EOG通道可去掉这行，手动检查exclude eog_indices, _ = ica.find_bads_eog(raw, ch_name="Fp1") ica.exclude = eog_indices raw = ica.apply(raw) # 7. 根据事件标记切分trial窗口，tmin/tmax决定窗口前后范围 events = mne.find_events(raw, stim_channel="STI 014") epochs = mne.Epochs(raw, events, event_id=event_id, tmin=0.0, tmax=config.WINDOW_SECONDS, baseline=None, preload=True, verbose=False) return epochs

这段代码的顺序有讲究：先降采样再滤波，计算量小；先平均参考再做ICA，ICA结果更稳定；先保留辅助通道再pick，避免后续找不到事件通道。参数上，SFREQ建议128，WINDOW_SECONDS建议3到4秒。窗口太短会牺牲频率分辨率，太长则把不同情绪状态混进同一个样本。如果你用的是OpenBCI原始CSV，不能直接读EDF，需要先用pandas读入，再构造MNE RawArray，之后再走同样的流程。

3.3 特征提取模块：PSD和DE的动手实现

特征提取是把每个epoch窗口转换成一个特征向量。下面这段代码不依赖专门的EEG特征库，只用numpy和scipy。它对每个通道计算PSD和DE，最后把所有通道的特征拼接成向量。

import numpy as np from scipy.signal import welch def extract_features(epochs_data, sfreq=128.0): """ 参数： epochs_data: (n_epochs, n_channels, n_times) 返回： (n_epochs, n_features) 特征矩阵 """ bands = { "delta": (1, 4), "theta": (4, 8), "alpha": (8, 13), "beta": (13, 30), } feature_list = [] for epoch in epochs_data: feats = [] for band, (fmin, fmax) in bands.items(): # welch返回频率序列和每个通道的功率谱密度 freqs, psd = welch(epoch, fs=sfreq, nperseg=256, axis=-1) mask = (freqs >= fmin) & (freqs <= fmax) psd_band = psd[..., mask] # shape: (n_channels, n_freq_bins) # PSD特征：log变换压缩动态范围，避免个别被试幅度主导 band_psd = np.log10(psd_band.mean(axis=-1) + 1e-10) # DE特征：先归一化得到概率分布，再计算差分熵 norm_band = psd_band / (psd_band.sum(axis=-1, keepdims=True) + 1e-10) band_de = -np.sum(norm_band * np.log10(norm_band + 1e-10), axis=-1) feats.append(band_psd) feats.append(band_de) feature_list.append(np.concatenate(feats)) return np.vstack(feature_list)

nperseg=256这个参数很关键。采样率128Hz时，256点对应2秒窗，频率分辨率足够看清delta频段。如果换成200Hz的SEED数据，建议把nperseg调到400或512，否则alpha频段的频谱边界会变模糊。DE的计算方式有很多种，这里用频带内功率谱归一化后计算Shannon熵，属于近似DE。严格版本需要先估计概率密度函数再积分，分类结果趋势一致，但计算慢很多。如果你做学术复现，建议用scipy.stats.gaussian_kde替换下面归一化那两行。

3.4 训练评估模块：跑通一个最小可用分类

最后是训练模块。这里用SVM打底，理由前面已经说过：特征几十到几百维，样本量几千个时，RBF SVM不容易翻车。

from sklearn.svm import SVC from sklearn.pipeline import make_pipeline from sklearn.preprocessing import StandardScaler from sklearn.model_selection import train_test_split from sklearn.metrics import accuracy_score, cohen_kappa_score # X由特征提取模块得到，y是情绪标签，二分类或三分类均可 X, y = load_all_features() # stratify保证训练集和测试集的类别比例一致 X_train, X_test, y_train, y_test = train_test_split( X, y, test_size=0.2, stratify=y, random_state=42 ) # 标准化对SVM是必须的，否则量级大的特征会主导距离度量 clf = make_pipeline(StandardScaler(), SVC( kernel="rbf", C=1.0, gamma="scale", class_weight="balanced" )) clf.fit(X_train, y_train) y_pred = clf.predict(X_test) print("accuracy:", accuracy_score(y_test, y_pred)) print("kappa:", cohen_kappa_score(y_test, y_pred))

class_weight="balanced"很重要，当使用评分5分作为正负类阈值时，两类样本往往不是对半开。加了均衡权重，模型不会因为某一类样本多就偏向那一类。训练完之后不要只看准确率，类别不平衡的数据上，准确率再高也可能只是把多数类全猜对了。更有效的指标是Cohen‘s Kappa，它扣除了随机一致率。后面还会讲到，单次随机划分评估并不够，要用跨被试分组验证回答“这套系统能不能换个人用”。

4. 关键参数对照表与模型选型：这些值决定了你的准确率上限

真正让两个源码工程拉开差距的，往往不是循环网络还是注意力，而是下面这几个参数。它们散落在预处理和特征提取模块里，却直接决定了分类器能吃到什么信号。我见过有人把采样率理解成越高越好，结果模型在1000Hz数据上训练，换到128Hz设备上直接不能用；也见过有人反复调SVM的C值，却始终没发现特征提取窗口只有0.5秒，alpha频段的分辨率根本不够。参数是一张相互牵连的网，不是孤立开关。

4.1 九个必调参数：采样率、窗口、频段、电极、标签

采样率是最外层的参数。情绪脑电目标频段到45Hz就够，按奈奎斯特定理，理论最低采样率只需90Hz，工程上留余量用128Hz已经很好。OpenBCI用250Hz采集时，第一步就应该降采样到128Hz，既保留有效信息，又让welch计算快很多。很多源码省掉这一步，直接拿250Hz算PSD，结果频带边界附近会多出一些混叠分量。

滤波上下限要按任务调整。做基本情绪分类，1~45Hz足够；如果更关注theta band，高通可以放到0.5Hz，因为theta的主要活动靠近低频。但0.1Hz高通会导致基线校正困难，尤其是原始记录里有较大电极直流偏置时，每个trial的均值会不稳定。我的经验是，没有特殊理由，就不要把高通切到0.5Hz以下。

窗口长度和重叠量决定了样本数和频率分辨率之间的平衡。4秒窗长在128Hz下包含512个采样点，welch做256点窗能稳定分辨alpha频段；如果窗口只有1秒，频率分辨率只有1Hz，alpha频段只剩5个频率点，再细分theta和delta基本看不了。滑窗重叠50%可以把样本量放大一倍，但要小心验证泄漏，这一点在第5章会展开。

频段选择不是越全越好。DEAP竞赛里常用的五个频段是delta、theta、alpha、beta、gamma，但简化的工程系统通常只保留theta、alpha、beta，因为gamma容易被肌电污染，delta又容易被低频漂移污染。真要追求准确率，可以保留五个频段再做特征筛选，让模型自己选；要追求可解释性和稳定性，就砍到三个频段。

电极选择影响整个系统的可复现性。DEAP是32通道，SEED是62通道，但情绪识别贡献最大的通道集中在额叶和颞叶，比如AF3/AF4、F3/F4、FC5/FC6、P7/P8。如果只保留8个通道做可穿戴设备，分类准确率会下降3到8个百分点，但设备成本会降很多。这个取舍要看系统是研究用还是工程产品用。

标签阈值经常被忽略。DEAP的valence是一个1到9的评分，直接用5作为阈值是常见做法，但不同被试的评分分布不一样，个别被试可能给出大量偏分。更稳的做法是使用数据集评分的中位数做阈值，让正负样本尽量均衡。源码里一定要把标签转换单独放一个模块，不要在训练脚本里写魔法数字5。

4.2 模型Mapper：SVM、随机森林、LSTM各自的适用边界

模型选型之前，先确定评估目标：同被试内还是跨被试。同被试内评估是为了验证特征和流程是否有效；跨被试评估才是检验系统泛化能力。两个目标下，模型选择完全不同。

如果目标是同被试内，SVM和随机森林都能做到80%以上准确率。SVM对高维特征敏感，必须和StandardScaler绑定；随机森林不需要标准化，但特征维度过高时更容易过拟合。LightGBM在特征多、样本多时会超过SVM，但EEG场景样本量几千，提升有限，反而多了一堆超参数要调。

如果必须做跨被试，我建议先试“被试级特征标准化”。把每个被试的每个特征单独做z-score，把绝对幅度差异压掉，这通常比换模型更能提升跨被试准确率。另一种常见做法是把SVM换成线性模型，准确率略低，但泛化和稳定性更好。LSTM和Transformer在跨被试上不稳定，因为它们会学到被试特有的时序模式，小样本上更明显。

源码里把分类器封装成统一接口，train_svm.py、train_rf.py、train_lstm.py都实现fit和predict。不要纠结哪个模型最好，先用SVM跑通，再用同一套特征去试别的模型。模型之间的差异远小于预处理和特征选择造成的差异。

4.3 用一张表格把调参方向固定下来

以下是九个关键参数的推荐起点与调参信号，可以直接贴到实验记录里。

调参时每次只动一列，观察测试集变化，这永远是效率和可重复性最高的方法。我自己翻过一次车：同时改了窗长和滤波参数，准确率掉了两个点，却说不清是哪个参数拖的后腿。从那以后，每次实验只改一个变量。

5. 避坑与排查：让情绪识别系统翻车的五个真相

这一章是脑电情绪识别项目里最容易浪费时间的五个坑。每一条我都踩过或者看着别人踩过，按现象、原因、解决三步记录，方便你排查时对照。

5.1 参考电极选错，所有特征全飘

现象：我在一个OpenBCI 8通道项目里，训练集准确率0.88，换到另一套采集设备上直接变成0.52。翻预处理日志发现，第一版源码默认使用单侧乳突参考，第二套设备没有乳突参考通道，代码静默使用了Cz作为参考。Cz本身带有明显alpha活动，于是所有通道的alpha功率都被参考信号污染，分类器学到的不是情绪，而是参考电极的伪信号。

原因：不同设备的参考通道位置不同，原始数据在导出时参考可能已经被替换，而源码没有在读取后重新设置参考。

解决：在预处理模块开头固定调用set_eeg_reference("average")，并把参考方式写进缓存文件名。如果通道数少于8，平均参考会损失太多信号，可以改双侧乳突或在线参考，但必须保证训练和推理用同一个参考方式。这个参数不影响训练速度，却能彻底改变特征分布。

5.2 滤波阶数过高，把有用信号滤没了

现象：用某些源码里的butter函数做带通，阶数设成8阶，波形看起来更“干净”，但beta频段的分类特征却显著下降。原因：高阶IIR滤波器的相位响应严重非线性，会让不同频段的时间延迟不一致。情绪分类窗口很短，相位扭曲后theta和alpha的相位关系被破坏，依赖跨通道同步的特征就失效了。

解决：EEG处理一般不用高阶IIR，MNE默认的FIR滤波器已经足够。如果一定要用scipy.signal.butter，阶数不要超过4，并且对比滤波前后的波形和频谱。我通常会在预处理输出里存一张PSD图，用眼睛确认alpha峰还在，再进入特征提取。滤波是个不可逆操作，做错了没有后悔药。

5.3 标签处理不统一，评分直接当类别

现象：DEAP的valence是1到9的连续评分，有人直接把它当回归目标，输出均方根误差看着不错，实际上预测值一直在5.5附近打转，根本没法用。还有人做二分类时用5作为阈值，但DEAP效价分布并不均匀，正负比可能到6比4。

原因：情绪评分是主观连续量，把它当类别问题前必须先定阈值。阈值不统一会让不同实验之间完全无法对比。

解决：同时计算均值阈值和中位数阈值，选两类样本更接近的那一个。在系统代码中把标签转换单独放到utils模块，不要在训练脚本里写魔法数字。换数据集时只改这一个函数，就能避免静默出错。

5.4 滑动窗口重叠造成验证泄漏，准确率虚高

现象：源码用滑窗把每个trial切成20个样本，随机划分训练集和测试集后准确率0.93。后来我用GroupKFold按trial划分，同一trial的样本必须放在同一个fold，准确率掉到0.81。原因是相邻窗口共享大部分时间点，随机切分时训练集和测试集高度重叠。

原因：同一个trial内的窗口并不独立，时间上相邻的窗口相似度极高。随机切分就是把同一段信号的近重复样本同时放进训练和测试。

解决：评估时必须按trial分组，不能按窗口随机切分。sklearn的GroupKFold是标准做法。更进一步就做跨被试验证：每次留出一个人，其他人训练，评估“给一个从没见过的新被试打标签”的效果。线下离线脚本必须先过这一关，再谈上线。

5.5 跨被试泛化差到让你怀疑人生

现象：同被试内10折交叉验证，SVM准确率0.84；跨被试留一验证，准确率掉到0.62，离随机0.5不远。原因：每个被试的脑电基础节律不同，电极位置也有偏差，绝对功率和波形分布差异很大。如果特征提取不做个体归一化，模型学习到的是被试ID而不是情绪。

解决：入门方案是先做被试内标准化。对每个被试的每个特征单独做z-score，把个体绝对差异去掉，再观察准确率是否回升。更进一步的方案是domain adaptation，用源域被试学一个变换，让目标域特征分布接近。但多数工程系统不需要走到那一步，先确认预处理、特征、评估框架都正确，再谈迁移学习。跨被试评估结果差，不代表源码不能用，而是代表它还没有解决泛化问题。

6. 让源码往前走一步：验证、可解释性与部署前的检查

离线脚本跑通只是起点，能部署才是重点。我见过太多脑电情绪源码在离线验证里指标不错，一接到实时设备就崩盘。问题通常不在模型，而在离线流程和在线流程之间没有做适配。这里只讲三个最值得投入的进阶点。

第一个是验证矩阵。训练脚本除了准确率，至少还要输出按被试分组的GroupKFold结果、混淆矩阵和每个类别的recall。如果只输出一个acc，你很难分辨是模型失效了，还是某一类情绪被持续误判。我每次换数据或换特征，都把GroupKFold结果写进实验记录，而不是依赖单次随机划分的值。跨被试结果和同被试结果相差太大，就先回去查预处理，不要急着换深度学习模型。

第二个是可解释性。用随机森林或SVM训练完之后，对特征做排列重要性分析，看排名靠前的特征是否对应前额通道的alpha或theta频段。如果排名前几的特征全是枕区的某个频段，说明数据或预处理有问题。这个检查只需要几分钟，但能防住黑匣子模型给出“看似合理、经不起推敲”的结论。

第三个是流式与离线的一致性。在线系统一般要把连续数据切成滑动窗口，每个窗口做相同的降采样、滤波、参考、特征计算。在线时不能把整段数据一起做ICA，所以离线预处理里的ICA步骤需要换成固定系数滤波器或干脆去掉。部署前，把训练好的特征提取器和SVM导出成在线推理脚本，用一段录好的真实数据回放，逐帧对比离线特征和在线特征。误差超过5%就排查滤波边界或参考方式，不要等到用户戴上了设备才发现数据不对。

我自己的习惯是每次实验结束，把调过的参数、当前分支的代码版本和评估结果一起存进实验记录。脑电情绪分析里变量互相牵连，没有记录，所有调参经验最后都会变成玄学。希望这套从源码结构到参数排查的经验能帮到你，少走一点我曾经走过的弯路。

本文还有配套的精品资源，点击获取