当前位置：首页 > news >正文

【脑电分析系列】第25篇：情绪识别与认知研究中的EEG应用：一个完整的实验设计与数据分析流程

news 2025/9/23 8:32:26

摘要：

欢迎回到脑电分析系列！在前24篇中，我们系统学习了EEG信号处理、机器学习与深度学习模型，以及癫痫检测和运动想象BCI等实际应用。本篇，我们将聚焦EEG在情绪识别和认知研究中的关键应用。EEG以其高时间分辨率，能够实时捕捉大脑对情感和认知刺激的电生理响应，为我们理解人类内心情感世界和思维过程提供了独特的视角。

本文旨在提供一个完整的EEG情绪识别与认知研究实验设计与数据分析流程。我们将涵盖：

实验范式：介绍如何通过标准化刺激（如视频、图片）有效诱发情绪，并结合认知任务。
多模态融合：探讨如何将EEG与其他生理信号（如心率、GSR、眼动）结合，以提升情绪识别的鲁棒性和准确性。
EEG指标与行为学数据的关联：深入分析事件相关电位（ERP）、功率谱密度（PSD）等EEG特征如何与反应时（RT）、准确率等行为学指标相互印证，揭示情绪对认知的影响。
完整的实验设计与数据分析流程：从伦理审批到统计检验，提供详尽的步骤指南和Python代码示例（使用MNE、scipy和scikit-learn库），旨在帮助读者设计并实施可靠的EEG情绪/认知实验。

内容基于2025年最新研究进展，确保前沿性和实用性。

关键词：

脑电分析, EEG, 情绪识别, 认知研究, 实验设计, 数据分析, 多模态融合, ERP, 功率谱, 行为学, Python, 心灵探测器, 知情同意, 实时反馈

引言：洞悉大脑情感与认知的“心灵探测器”

大脑，这个复杂的器官，如何处理喜怒哀乐？情绪状态又如何影响我们的注意力、记忆和决策？这些是神经科学和心理学领域的核心问题。而脑电图（EEG），作为一种非侵入性、高时间分辨率的神经影像技术，正日益成为探究这些奥秘的“心灵探测器”。它能够实时捕捉大脑皮层神经元的微弱电活动，揭示与情绪和认知活动相关的瞬时脑电变化。

EEG的核心优势：在于其毫秒级的时间分辨率，能够精确捕捉情绪诱发或认知任务执行时的大脑瞬时反应，如事件相关电位（ERP）的出现或特定频段功率谱（PSD）的动态变化。
应用前景：基于EEG的情绪识别和认知研究不仅帮助我们深入理解基础科学，还在**脑机接口（BCI）、心理健康监测（如抑郁、焦虑早期预警）、人机交互（HRI）**等领域展现出巨大潜力。例如，一个能够实时识别用户情绪的智能系统，可以据此调整虚拟现实体验、智能家居环境，甚至提供个性化的心理干预。

本文作为脑电分析系列的第25篇，将引导你从零开始，设计并实施一个基于EEG的情绪识别与认知研究实验。我们将：

剖析实验范式：如何标准化地诱发目标情绪或认知状态。
探讨多模态融合：如何结合眼动、心率等其他生理指标，提升研究的深度和鲁棒性。
深入理解EEG与行为学指标的关联：如何将脑电信号的内部变化与外部行为表现相结合。
提供完整的实验设计与数据分析流程：从最初的伦理审批到最终的统计检验，确保你的研究科学严谨、结果可靠可复现。

内容将基于2025年最新的研究趋势，结合理论解释、数学公式和详尽的Python代码示例，让你能够快速上手并开展自己的EEG情绪与认知研究。

一、实验范式：如何精准诱发情绪与认知状态

实验范式是情绪识别与认知研究的基石，其设计旨在可靠且标准化地诱发目标情绪状态或激活特定认知过程。2025年的研究趋势强调范式的标准化和生态学效度。

1.1 被动诱发范式：直观的情绪唤起

这类范式通过呈现标准化刺激，让参与者被动体验情绪。

刺激类型：
- 国际情绪图片库 (International Affective Picture System, IAPS)：包含大量经过效价（Valence，愉悦度）和唤醒度（Arousal，兴奋度）评分的图片，是情绪研究的黄金标准。
- 电影片段/视频：能更长时间、更生动地诱发复杂情绪，具有更高的生态学效度。例如，来自DEAP、SEED等数据集的电影片段。
- 听觉刺激：音乐、声音片段等。
流程：
- 呈现中性、正面、负面刺激（如图片或视频）1-5秒（图片）或数分钟（视频）。
- 刺激间通常有5-10秒的空白或注视点（Fixation Cross）作为休息期。
- 在每个刺激后或一系列刺激后，让参与者通过**SAM量表（Self-Assessment Manikin）**或主观报告对诱发的情绪进行自评。
优势：
- 标准化强：IAPS等刺激库经过验证，易于跨研究比较。
- 情绪唤起效果好：尤其视频刺激，能够诱发更丰富、持久的情绪体验。
劣势：
- 被动性：参与者仅作为观察者，认知参与度较低。
- 个体差异：文化背景、个人经历等可能影响情绪诱发效果。
2025年应用：VR/AR环境中的沉浸式视频范式，进一步提升情绪唤起的真实感和强度（研究显示可提升唤起强度20%）。

Python示例（PsychoPy库）：呈现情绪图片

Python

from psychopy import visual, core, event, data# 初始化窗口
win = visual.Window([1024, 768], fullscr=False, monitor="testMonitor", units="pix")
# 假设我们有正面、负面、中性图片
image_paths = {'positive': 'happy.jpg','negative': 'sad.jpg','neutral': 'neutral.jpg'
}# 循环呈现不同情绪图片
emotions = ['positive', 'negative', 'neutral']
for emotion in emotions:# 加载图片刺激stim = visual.ImageStim(win, image=image_paths[emotion], size=(400, 300))# 呈现刺激stim.draw()win.flip()core.wait(2)  # 图片呈现2秒# 呈现注视点作为休息期fixation = visual.TextStim(win, text='+', color='white')fixation.draw()win.flip()core.wait(1)  # 休息1秒# 关闭窗口
win.close()
core.quit()

1.2 主动任务范式：情绪与认知的交互

这类范式将情绪诱发与特定的认知任务结合，旨在研究情绪如何影响注意力、决策、记忆等认知功能。

典型任务：
- 情绪Stroop测试：呈现情感词（如“快乐”、“悲伤”），要求参与者判断词语的颜色，忽略其情绪内容。情绪词与颜色不一致时（如“快乐”是绿色），反应会变慢，体现情绪对认知的干扰。
- 情绪性决策任务：如IOWA赌博任务，考察在不同情绪状态下风险决策的变化。
- 记忆任务：研究情绪对编码和检索过程的影响。
优势：
- 直接关联认知功能：能够直接探索情绪与认知过程的相互作用。
- 更深层次的参与：参与者需要主动完成任务，认知负荷更高。
劣势：
- 范式设计复杂：需要精确控制情绪和认知变量。
- 情绪唤起强度可能受认知任务影响。
2025年应用：结合运动想象（MI）的主动范式，在BCI中实现情绪调节下的意念控制，可提升准确率15%。

范式比较表

范式类型	刺激方式	优势	劣势	典型EEG指标	2025年应用趋势
被动诱发	图片/视频	唤起强，简单	被动，认知参与低	ERP, PSD	沉浸式VR情绪识别
主动任务	情绪Stroop, 决策	关联认知，深度参与	复杂，情绪唤起受限	ERP (P300, N200), PSD	情绪调节下的BCI控制

二、多模态融合：弥补单一模态的不足

单一的EEG模态在情绪识别中可能受噪声影响大、识别精度有限。多模态融合是将EEG与其他生理信号（如眼动、心率、皮肤电反应GSR、面部表情、语音）结合，以获取更全面、更鲁棒的情绪信息，从而显著提升识别准确率。2025年的研究显示，多模态融合能将准确率提升10-25%。

2.1 常见的融合模态

眼动数据（Eye-tracking）：通过注视点、注视时间、瞳孔直径等反映注意力和认知负荷，与情绪认知紧密相关。
心率 (Heart Rate, HR) / 心率变异性 (Heart Rate Variability, HRV)：反映自主神经系统的活动，与情绪的唤醒度密切相关。
皮肤电反应 (Galvanic Skin Response, GSR)：反映皮肤电导率变化，是衡量情绪唤醒度的重要指标。
面部表情 (Facial Expressions)：通过面部肌肉活动识别情绪，是情绪的外部直接表现。
语音特征 (Speech Features)：语速、语调、音高等也包含情绪信息。

2.2 融合级别

特征级融合 (Feature-level Fusion)：
- 将不同模态提取的特征连接成一个高维特征向量，然后输入到单一分类器中。
- 优势：实现简单，信息量最大化。
- 劣势：特征维度高，可能引入冗余信息或噪声，需要精细的特征选择。
- 示例准确率：90%。
决策级融合 (Decision-level Fusion)：
- 对每个模态独立训练分类器，然后将各个分类器的输出（如预测概率或类别标签）通过投票、加权平均等策略进行融合，得出最终决策。
- 优势：鲁棒性好，各模态独立处理，不易受单一模态噪声影响。
- 劣势：可能忽略模态间的深层交互信息。
- 示例准确率：92%。
模型级融合 (Model-level Fusion) / 深度融合 (Deep Fusion)：
- 设计一个多输入（Multi-input）深度学习模型，每个输入处理一个模态（如CNN处理EEG，RNN处理HR），并在模型的中间层进行信息融合。
- 优势：端到端学习不同模态间的复杂交互关系，潜力最大。
- 劣势：模型复杂，需要大量数据进行训练。
- 示例准确率：95%。
2025年最新进展：MBC-ATT模型（Multi-modal Bidirectional CNN-Attention Transformer）融合EEG+眼动数据，通过注意力机制捕捉跨模态的同步信息，在情绪识别中准确率可达95%以上。

融合比较表

级别	融合方法	优势	劣势	示例准确率
特征级	特征向量连接	实现简单，信息最大化	维度高，易冗余噪声	90%
决策级	独立分类，投票/加权	鲁棒性好，处理独立噪声	忽略模态间深层交互	92%
模型级	多输入深度学习模型	端到端学习复杂交互	模型复杂，需大量数据	95%

三、 EEG指标与行为学数据的关联：情绪-认知互动的证据

EEG不仅提供大脑内部的电生理活动，其变化往往与外部可观察的行为学数据（如反应时、任务准确率、主观评分）紧密关联。这种关联性是验证研究假设、深入理解情绪-认知互动机制的关键证据。

3.1 事件相关电位 (Event-Related Potentials, ERP) 与行为数据

ERP是与特定事件（如刺激呈现、任务响应）同步锁时的、从连续EEG中提取的诱发性电位。

P300波：
- 在刺激呈现后约300ms出现的一个正向波，主要与注意力分配、认知更新和工作记忆有关。
- 与反应时（RT）的关联：通常，P300的幅度越大，代表对刺激的关注度越高，认知处理效率越高，反应时（RT）越短，呈现负相关。在情绪Stroop任务中，与情绪不一致的词语往往会诱发更小的P300或更长的潜伏期，并伴随更长的RT。
- 与情绪的关联：正面情绪（如奖励性刺激）通常诱发更大的P300幅度，而负面情绪（如威胁性刺激）可能诱发更小或更复杂的P300。
N170/N200波：与早期注意力和刺激识别相关。
迟期正电位 (Late Positive Potential, LPP)：与情绪刺激的持续性加工和情绪唤醒度有关。
关联分析方法：
- 相关系数 (Pearson correlation)：计算ERP成分（如P300幅度）与行为数据（如RT）之间的相关性。
- 公式：
- 回归分析：建立ERP成分预测行为数据的回归模型。

3.2 功率谱密度 (Power Spectral Density, PSD) 与行为数据

PSD描述了EEG信号在不同频率上的功率分布，反映了不同节律性脑活动的强度。

Alpha波不对称性 (Frontal Alpha Asymmetry, FAA)：
- 特指额叶区域（如F3/F4或AF3/AF4）Alpha波段（8-12Hz）功率的不对称。
- 公式：
- 与情绪的关联：通常，左侧额叶Alpha功率相对较低（即右侧相对较高），或FAA值为正，与趋近行为（approach motivation）和正面情绪（如快乐、愤怒）相关；而右侧额叶Alpha功率相对较低，或FAA值为负，与回避行为（withdrawal motivation）和负面情绪（如悲伤、恐惧）相关。
- 与任务准确率：研究表明，更高的正面情绪状态（对应正向FAA）可能与某些认知任务的更高准确率相关。
Theta波功率 (4-8Hz)：与注意力、工作记忆和认知控制相关，认知负荷增加时Theta功率升高。
Gamma波功率 (30-80Hz)：与高阶认知功能、感知整合和意识体验相关。
关联分析方法：
- 与ERP类似，可使用Pearson相关、Spearman相关或回归分析。

3.3 连接性 (Connectivity) 与行为数据

通过计算不同脑区之间的相干性（Coherence）、相位锁定值（Phase Locking Value, PLV）等指标，可以评估脑区间的同步性或信息流。

与情绪状态：情绪状态的变化（如压力、放松）会影响不同脑区的连接模式。
与认知性能：特定的脑网络连接模式可能与高效率的认知任务表现相关。

关联表

EEG指标	行为数据	关联类型	示例r值	意义
P300幅度	反应时（RT）	负相关	-0.4	注意力资源分配多，反应速度快
额叶Alpha不对称	任务准确率	正相关	0.35	正面情绪（趋近动机）可能提升表现
Theta功率	注意力评分	正相关	0.5	专注、认知负荷高时，Theta活动增强
Gamma连接性	决策准确率	正相关	0.42	高阶认知整合可能提升复杂决策的准确性

这些关联性分析不仅揭示了EEG指标与行为表现之间的内在联系，也为基于EEG的情绪识别提供了强有力的生物学证据。

四、完整的实验设计流程：确保科学严谨

一个科学严谨的EEG实验设计是获得可靠结论的前提。以下是一个完整的实验设计流程，从概念化到数据采集，确保研究的有效性和可重复性。

4.1 实验设计流程图（文本）

问题定义 -> 伦理审批 -> 实验范式设计 -> 参与者招募 -> 数据采集 -> 质量控制

4.2 详细步骤

问题定义与假设（Hypothesis Formulation）：
- 目标：明确研究目的和要验证的假设。例如：“正面情绪是否会显著提升认知任务的准确率？”
- 具体化：需要比较中性、正面和负面情绪下，参与者在特定认知任务中的反应时、准确率，以及相应的EEG指标（如P300幅度、额叶Alpha不对称）。
- 数据选择：假设实验基于DEAP数据集（电影片段诱发情绪）或自行采集。
伦理审批与知情同意：
- 重要性：所有涉及人类参与者的研究都必须获得机构审查委员会（IRB）或伦理委员会的批准。
- 内容：提交详细的实验方案，包括目的、程序、风险、收益、数据处理方式等。
- 知情同意书：向参与者充分解释实验内容，确保他们自愿参与，并签署知情同意书。强调数据匿名化和随时退出的权利。
实验范式设计与实现：
- 选择范式：结合被动诱发和主动任务，以全面评估情绪和认知。
  - 被动诱发：40张IAPS图片（20正面，20负面），每张呈现5秒，间隔5秒注视点。图片后进行SAM量表自评。
  - 主动任务：情绪性Stroop任务。呈现情感词语，要求参与者判断词语颜色，记录反应时和准确率。
- 平衡与随机化：刺激呈现顺序应随机化或平衡，以避免顺序效应和疲劳。
- 软件实现：使用PsychoPy、E-Prime等专业心理学实验软件进行刺激呈现和行为数据记录。
参与者招募与筛选：
- 数量：根据统计学效力分析（Power Analysis）确定样本量，例如招募20名健康成人（18-30岁）。
- 筛选标准：平衡性别，排除有神经系统疾病、精神障碍、药物滥用史或听力视力障碍的参与者。
- 补偿：为参与者提供适当的报酬或学分。
数据采集：
- EEG设备：使用专业EEG采集系统（如Brain Products、Neuroscan、ActiChamp等），通道数32-64通道，遵循国际10-20或10-10系统。
- 同步采集：确保EEG与行为学数据、刺激呈现时间戳精确同步。
- 多模态设备：若进行多模态融合，同步采集眼动数据（如EyeLink、Tobii）和生理信号（如BIOPAC系统采集心电ECG、皮肤电GSR）。
- 环境：在安静、光线适宜的屏蔽室进行，减少外部干扰。
- 时长：合理控制实验总时长（通常1-2小时），避免参与者疲劳。
数据质量控制与预检：
- 实时监测：在采集过程中实时监测EEG信号质量，确保阻抗在可接受范围（通常<5kΩ）。
- 伪影标记：记录参与者在实验过程中发生的眼动、眨眼、头部运动等，便于后期伪影去除。
- 试次排除：初步检查数据，排除伪影过多（如超过10%的试次）或不符合任务要求的参与者。

五、数据分析流程：从原始信号到科学洞察

获得高质量的原始数据后，便进入关键的数据分析阶段。以下是一个标准的EEG数据分析流程，旨在从复杂的脑电信号中提取有意义的指标并进行统计推断。

5.1 数据分析流程图（文本）

预处理 -> 特征提取 -> 分类（情绪识别）-> 关联分析 -> 统计检验 -> 结果可视化

5.2 详细步骤与Python代码示例

预处理 (Preprocessing)：

MNE库是Python中处理EEG数据的强大工具。
加载数据：读取原始EEG数据（如.eeg、.edf、.fif格式）。
滤波：应用带通滤波器（如0.5-40 Hz）去除低频漂移和高频噪声；应用陷波滤波器去除工频干扰（50/60 Hz）。
伪影去除：
- 眼电（EOG）/肌电（EMG）伪影：使用**独立成分分析（ICA）**识别并移除EOG、EMG成分。
- 坏导插值：识别并修复（如通过球形样条插值）接触不良的坏电极。
- 基线校正：将每个Epoch减去前置基线期的平均值。
分段 (Epoching)：将连续数据根据事件标记切割成短时间窗口（Epoch），每个Epoch对应一个刺激或响应。

Python

import mne
import numpy as np
from mne.preprocessing import ICA# 假设 raw 是加载的原始EEG数据
# raw = mne.io.read_raw_edf('your_eeg_data.edf', preload=True) # 实际加载数据# 模拟数据用于演示，实际应加载你的数据
sfreq = 250
n_channels = 32
n_times = sfreq * 300 # 300秒数据
info = mne.create_info(ch_names=[f'EEG {i:03d}' for i in range(n_channels)], sfreq=sfreq, ch_types='eeg')
raw = mne.io.RawArray(np.random.randn(n_channels, n_times) * 1e-6, info, verbose=False) # 随机数据# 假设我们有正面和负面情绪刺激的事件
events_data = np.array([[1 * sfreq, 0, 1], # 刺激1 (正面)[10 * sfreq, 0, 2], # 刺激2 (负面)[20 * sfreq, 0, 1],[30 * sfreq, 0, 2],# ... 更多事件
])
event_id = {'positive': 1, 'negative': 2}# 1. 滤波
raw.filter(l_freq=0.5, h_freq=40.0, fir_design='firwin', verbose=False) # 带通滤波
raw.notch_filter(freqs=50, fir_design='firwin', verbose=False) # 陷波滤波# 2. ICA去除伪影 (在长程数据上fit，然后apply到raw)
ica = ICA(n_components=15, random_state=42, verbose=False) # 成分数可调
ica.fit(raw)
# ica.plot_sources(raw) # 可以可视化ICA成分以手动选择需要移除的成分
# ica.exclude = [0, 1] # 假设0, 1是眼动成分
raw = ica.apply(raw, exclude=[0,1], verbose=False) # 移除选定成分# 3. 分段 (Epoching)
tmin, tmax = -0.2, 0.8 # 刺激前200ms到刺激后800ms
epochs = mne.Epochs(raw, events_data, event_id=event_id, tmin=tmin, tmax=tmax, baseline=(-0.2, 0), preload=True, verbose=False) # 基线校正
print(f"预处理后Epochs数据形状: {epochs.get_data().shape}")

特征提取 (Feature Extraction)：

从预处理后的EEG数据中提取有意义的特征。
ERP分析：计算不同条件下的平均ERP波形，并识别P300、N170等成分的幅度和潜伏期。

Python

# 计算平均ERP波形
evoked_positive = epochs['positive'].average()
evoked_negative = epochs['negative'].average()# 绘制ERP
evoked_positive.plot(spatial_colors=True, gfp=True, titles='Positive ERP', verbose=False)
evoked_negative.plot(spatial_colors=True, gfp=True, titles='Negative ERP', verbose=False)
plt.show()# 提取P300幅度 (例如在Cz电极，300-500ms范围)
# 假设Cz是第15个通道 (索引14)
cz_idx = epochs.info['ch_names'].index('EEG 015') if 'EEG 015' in epochs.info['ch_names'] else 0 # 示例取第一个通道# 在指定时间窗内找到峰值
t_start, t_end = 0.3, 0.5 # P300时间窗p300_pos = evoked_positive.data[cz_idx, epochs.time_as_index(t_start):epochs.time_as_index(t_end)].max()
p300_neg = evoked_negative.data[cz_idx, epochs.time_as_index(t_start):epochs.time_as_index(t_end)].max()
print(f"Positive P300 amplitude at {epochs.info['ch_names'][cz_idx]}: {p300_pos * 1e6:.2f} uV")
print(f"Negative P300 amplitude at {epochs.info['ch_names'][cz_idx]}: {p300_neg * 1e6:.2f} uV")

功率谱密度 (PSD) 分析：计算不同频段（Delta, Theta, Alpha, Beta, Gamma）的功率或相对功率。

Python

from mne.time_frequency import psd_welch# 计算PSD
psds, freqs = psd_welch(epochs, fmin=0.5, fmax=40, n_fft=int(sfreq*2), n_per_seg=int(sfreq*1), verbose=False) # 2秒窗口，1秒重叠
# psds 形状: (n_epochs, n_channels, n_freqs)# 提取Alpha波不对称性 (FAA)
# 假设F3, F4分别对应索引 2, 3 (实际根据电极位置确定)
f3_idx = 2
f4_idx = 3# Alpha频带 (8-12Hz)
alpha_band_idx = np.where((freqs >= 8) & (freqs <= 12))[0]if len(alpha_band_idx) > 0:# 计算F3和F4通道的Alpha功率alpha_power_f3 = psds[:, f3_idx, alpha_band_idx].mean(axis=1)alpha_power_f4 = psds[:, f4_idx, alpha_band_idx].mean(axis=1)# 计算FAA (避免log(0)报错)epsilon = 1e-9 # 添加一个小的常数frontal_alpha_asymmetry = np.log(alpha_power_f4 + epsilon) - np.log(alpha_power_f3 + epsilon)print(f"额叶Alpha不对称性示例 (平均值): {frontal_alpha_asymmetry.mean():.4f}")
else:print("未找到Alpha频带或电极索引不正确。")

情绪分类 (Emotion Classification)：

使用提取的EEG特征训练机器学习或深度学习模型进行情绪识别。
传统机器学习：SVM、Random Forest等。
深度学习：CNN、LSTM、Transformer等。

Python

from sklearn.svm import SVC
from sklearn.model_selection import train_test_split
from sklearn.metrics import accuracy_score, classification_report
from sklearn.preprocessing import StandardScaler
from sklearn.pipeline import make_pipeline# 简化：使用PSD特征进行分类 (实际可组合多种特征)
# 对psds进行reshape，每个epoch一个样本，通道*频率为特征
n_epochs, n_channels, n_freqs = psds.shape
X_features = psds.reshape(n_epochs, n_channels * n_freqs)
y_class_labels = epochs.events[:, -1] # 再次获取标签# 划分训练集和测试集
X_train, X_test, y_train, y_test = train_test_split(X_features, y_class_labels, test_size=0.3, random_state=42, stratify=y_class_labels)# 构建并训练SVM分类器
svm_clf = make_pipeline(StandardScaler(), SVC(kernel='rbf', C=1.0, random_state=42))
svm_clf.fit(X_train, y_train)# 预测与评估
y_pred = svm_clf.predict(X_test)
print(f"\n--- SVM 情绪分类报告 (基于PSD特征) ---")
print(f"准确率: {accuracy_score(y_test, y_pred):.4f}")
print(classification_report(y_test, y_pred, target_names=['positive', 'negative']))

关联分析 (Correlation Analysis)：

研究EEG指标与行为学数据之间的统计关系。
假设：我们已经有了情绪Stroop任务的反应时（rt_data）和任务准确率（accuracy_data）。

Python

from scipy.stats import pearsonr# 模拟行为数据 (确保与EEG epoch数量一致)
num_epochs = X_features.shape[0]
rt_data = np.random.rand(num_epochs) * 500 + 500 # 500-1000ms
accuracy_data = np.random.rand(num_epochs) > 0.5 # 0或1# 关联P300幅度 (这里用之前计算的样本值，实际需要每个epoch的P300)
# 为了演示，假设我们有每个epoch的P300幅度列表
p300_amplitudes = np.random.rand(num_epochs) * 1e-6 # 模拟P300幅度# 关联P300幅度与反应时
r_p300_rt, p_p300_rt = pearsonr(p300_amplitudes, rt_data)
print(f"\n--- P300幅度与反应时的Pearson相关 ---")
print(f"相关系数 (r): {r_p300_rt:.4f}, p值: {p_p300_rt:.4f}")# 关联额叶Alpha不对称性与任务准确率 (同样需要每个epoch的FAA)
# 为了演示，假设我们有每个epoch的FAA列表
if 'frontal_alpha_asymmetry' in locals():r_faa_acc, p_faa_acc = pearsonr(frontal_alpha_asymmetry, accuracy_data)print(f"\n--- 额叶Alpha不对称性与任务准确率的Pearson相关 ---")print(f"相关系数 (r): {r_faa_acc:.4f}, p值: {p_faa_acc:.4f}")

统计检验 (Statistical Testing)：

目的：确定观察到的差异或关联是否具有统计学意义。
常用方法：
- t检验：比较两组（如正面情绪 vs 负面情绪）之间某个指标的平均值是否存在显著差异。
- 方差分析 (ANOVA)：比较三组或更多组（如正面 vs 中性 vs 负面）之间是否存在显著差异。
- 重复测量ANOVA：处理同一个参与者在不同条件下的测量数据。
- 非参数检验：如果数据不满足正态分布等参数检验假设，可使用Wilcoxon秩和检验、Kruskal-Wallis检验等。

Python

from scipy.stats import ttest_ind, f_oneway# 假设我们有正面情绪下的RT和负面情绪下的RT
rt_positive = rt_data[y_class_labels == 1]
rt_negative = rt_data[y_class_labels == 2]# 独立样本t检验：比较正面和负面情绪下RT的差异
t_val, p_val = ttest_ind(rt_positive, rt_negative)
print(f"\n--- 独立样本t检验：正面情绪RT vs 负面情绪RT ---")
print(f"t值: {t_val:.4f}, p值: {p_val:.4f}")# 假设有三个情绪条件: positive, negative, neutral (为了ANOVA演示)
# 如果实际只有两类，ANOVA会等同于t-test
# 模拟 neutral_rt
rt_neutral = np.random.rand(len(rt_positive)) * 500 + 500 # 方差分析 (ANOVA)
# f_val, p_val_anova = f_oneway(rt_positive, rt_negative, rt_neutral)
# print(f"\n--- 方差分析 (ANOVA)：RT在不同情绪条件下的差异 ---")
# print(f"F值: {f_val:.4f}, p值: {p_val_anova:.4f}")

结果可视化 (Result Visualization)：
- 使用matplotlib、seaborn等库绘制ERP波形图、拓扑图、功率谱图、柱状图、箱线图、散点图等，直观展示实验结果和统计发现。

六、最新进展（2025年）：多模态、可解释与实时AI

Transformer在多模态融合中的崛起：2025年研究显示，基于Transformer的自注意力机制在融合EEG与眼动、语音、面部表情等多模态数据方面表现出卓越性能，能够高效捕捉跨模态的复杂关联，将情绪识别准确率推高至98%。EmoTrans等模型融合EEG+音频，实现了前所未有的准确率。
可解释性AI (XAI)：随着深度学习模型复杂度的增加，解释模型“为什么”做出某个决策变得至关重要。XAI技术，如LRP (Layer-wise Relevance Propagation)、Grad-CAM和Shapley值，被广泛应用于EEG情绪识别，帮助研究者理解模型关注的EEG特征（通道、频段、时间点），提升模型的临床接受度和透明度。
实时情绪识别与反馈：结合轻量级深度学习模型和边缘计算设备，实现EEG情绪的实时识别和在线反馈。这为自适应BCI、智能心理干预、虚拟现实（VR）游戏等应用提供了技术基础。
预训练与迁移学习：在大型公开EEG数据集（如DEAP, SEED, DREAMER）上进行预训练，再针对特定情绪任务或个体进行微调，显著提升模型在小样本和新用户上的泛化能力。