基于深度学习的脑电情绪识别项目产品系统

本项目面向情感计算、脑机接口与智能人机交互领域的科研实验场景，研究如何利用脑电信号识别不同情绪类别。脑电数据具有多通道、噪声较多及个体差异明显等特点，实验过程中需要统一数据组织、特征输入和模型评估流程。

项目以SEED情绪脑电数据集为基础，围绕积极、中性、消极三类情绪开展识别实验，通过图卷积网络学习脑电通道之间的关联，构建从数据处理、模型训练到结果分析的实验流程，为脑电情绪识别算法复现、参数调试和方法对比提供代码支持。

1. 数据读取与组织：读取SEED脑电数据及情绪标签，按被试、实验场次和试次整理样本，完成模型输入与标签的对应。
2. 特征加载：支持加载经过平滑处理的微分熵特征，组织多通道、多频带输入，用于情绪分类训练。
3. 电极拓扑构建：根据脑电通道位置信息生成邻接矩阵，为图模型提供空间关系初始化方案。
4. 情绪识别训练：基于DGCNN动态图库卷积模型开展三分类实验，支持可学习邻接矩阵，并配置学习率、批次大小、Dropout及正则化等参数。
5. 实验评估：计算准确率与宏平均F1，记录训练和验证过程，辅助比较不同实验设置。
6. 结果可视化：绘制损失、准确率及F1变化曲线，汇总多轮实验结果，便于分析模型收敛情况与表现差异。

在LibEER开源框架及DGCNN模型实现基础上，开展脑电情绪识别实验开发，主要工作包括数据处理与加载脚本适配、电极拓扑构建、模型训练配置、实验运行及结果可视化。

项目使用Python与PyTorch完成模型构建和训练，结合MNE读取脑电数据及通道信息，使用NumPy、SciPy进行数据处理，并通过scikit-learn计算分类指标。模型以脑电通道为图节点，利用图卷积与可学习邻接矩阵建模通道间关系，完成情绪三分类。

实现重点包括多被试、多场次数据与标签的正确对应，电极空间拓扑初始化方案，以及训练过程中的参数配置、正则化与指标记录。通过模块化组织数据加载、模型定义、训练评估和绘图代码，方便重复实验与结果对比。