### EEG情绪识别的Python示例代码 以下是一个简单的基于支持向量机（SVM）的情绪分类器实现，用于处理EEG数据。此代码假设已有一个预处理好的EEG特征矩阵 `X` 和对应的情感标签 `y`。 ```python from sklearn.model_selection import train_test_split from sklearn.svm import SVC from sklearn.metrics import classification_report, accuracy_score # 假设 X 是 EEG 特征矩阵 (n_samples, n_features)，y 是情感标签 (0 或 1 表示不同情绪) # 加载或生成您的数据集... # 这里仅作为演示用途，实际应用需替换为真实数据 import numpy as np np.random.seed(42) # 创建虚拟数据 X = np.random.rand(100, 10) # 示例：100个样本，每个有10个特征 y = np.random.randint(0, 2, size=100) # 示例：二分类标签 # 数据分割成训练集和测试集 X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42) # 初始化 SVM 分类器 svm_classifier = SVC(kernel='linear', C=1.0, gamma='scale') # 训练模型 svm_classifier.fit(X_train, y_train) # 预测测试集 predictions = svm_classifier.predict(X_test) # 输出评估指标 print("Accuracy:", accuracy_score(y_test, predictions)) print("\nClassification Report:\n", classification_report(y_test, predictions)) ``` 上述代码展示了如何利用SVM对EEG信号中的情绪进行分类[^1]。需要注意的是，在实际应用中，您可能需要先提取EEG信号的时间域、频域或其他类型的特征，并将其转换为适合输入到机器学习模型的形式。 --- ### MATLAB中的简单EEG情绪检测代码 以下是MATLAB的一个简化版本，展示如何使用SVM来完成类似的任务： ```matlab % 假设 X 是 EEG 特征矩阵 (n_samples x n_features), y 是情感标签 (0 或 1 表示不同情绪) % 此处仅为示例，实际应加载真实的EEG数据 rng('default'); % 设置随机种子以便结果可重复 % 创建虚拟数据 X = rand(100, 10); % 示例：100个样本，每个有10个特征 y = randi([0, 1], 100, 1); % 示例：二分类标签 % 将数据分为训练集和测试集 cvp = cvpartition(size(X,1),'HoldOut',0.2); idxTrain = training(cvp); idxTest = ~idxTrain; Xtrain = X(idxTrain,:); Ytrain = y(idxTrain,:); Xtest = X(idxTest,:); Ytest = y(idxTest,:); % 使用线性核函数创建并训练SVM分类器 SVMModel = fitcsvm(Xtrain,Ytrain,'KernelFunction','Linear'); % 对测试集预测 YPred = predict(SVMModel,Xtest); % 显示准确性和其他性能度量 accuracy = sum(Ytest == YPred)/numel(Ytest)*100; disp(['Accuracy: ', num2str(accuracy), '%']); confusionchart(Ytest, YPred); ``` 该脚本同样依赖于预先准备好的EEG特征矩阵以及相应的情感标签。在实际操作过程中，通常还需要额外的数据清理与特征工程工作。 --- ### 注意事项 以上两段代码均假定已有经过适当前处理后的EEG特征集合可用作输入。如果原始EEG时间序列尚未被转化为有意义的数值表示，则还需执行一系列步骤如滤波、分段、降维等以获得合适的特征空间。