生理信号情感识别（EEG/心率）：读懂身体里的“情绪气象站”

可视化演示

生理信号基础

想象这座“情绪气象站”的三种核心仪表：头顶的雷达（脑电EEG）能看到大脑皮层神经群体的放电节奏，放松时α波（8-13Hz）节奏舒缓，警觉时β波（14-30Hz）变得细密急切；胸前的风速计（心率）记录心脏每搏动量，更有意思的是相邻两次心跳间隔的微小抖动——心率变异性（HRV），它像鼓手手中鼓点间隔的微妙变化，压力大时鼓点机械均匀，放松时鼓点则舒展多变；指尖的湿度计（皮肤电导EDA）感受汗腺活动，情绪被唤起时交感神经让手心微微出汗，电阻下降、电导上升。

这三种信号各自擅长不同任务：EEG时间分辨率高达毫秒级，能捕捉瞬间的情绪波动，但对身体晃动极其敏感；心率大约一秒一跳，节奏稳定且抗干扰；EDA响应慢至数秒，却几乎不受意识控制，想说谎都难。单独看任何一只能“仪表”，都像只凭风速就预报天气一样容易误判。因此情感计算常把多种信号放到“效价-唤醒度”这个二维坐标系里看：效价衡量愉悦程度（开心还是难过），唤醒度衡量激动程度（平静还是亢奋）。心率飙升可能既出现在愤怒时也出现在惊喜时，只有结合效价维度才能区分“狂风暴雨”和“烟花绽放”。

气象站的观察员正是靠这些“仪表读数”初步判断天气趋势。但要做出可靠的预报，还得先把电极贴好、把传感器戴稳。

信号采集技术

架设气象站不是画几根线就完事，采集生理信号同样需要扎实的设备工程。EEG采集通常在头皮按国际10-20系统放置Ag/AgCl电极，传统湿电极需要导电膏降低阻抗，准备时间长但信号干净；新兴的干电极免去了涂膏步骤，代价是运动时噪声更大。心电信号可以从胸导联获得，手环则常用光电容积描记（PPG）：用绿光照射皮肤，通过反射光强弱感知血管搏动，间接推算心率。EDA电极则贴在皮脂腺密集的手指或掌心，那里的汗腺对情绪变化最敏感。

采集的底线是采样定理：采样率至少要达到信号最高频率的两倍，否则高频成分会混叠成虚假的低频信息。EEG的有效成分最高到几十赫兹，工程上常用250-1000Hz采样；心率信号只需50-100Hz便足够。真实场景里，眨眼的瞬间EEG会窜出巨大的尖峰，走路时PPG波形剧烈漂移，电源还会引入50/60Hz工频干扰。预处理管线通常先做高通/低通滤波，再用50Hz陷波器消除工频，最后用独立成分分析（ICA）把眼电伪影从脑电里“拆”出去——就像气象台先把行人撑伞的身影从摄像头画面里剔除，才不会误判成乌云。

观测设备架设完毕，雷达屏幕上还只是连绵不断的波形。下一节要做的事，是把这些原始曲线变成可计算的“天气指标”。

特征提取方法

雷达屏幕上的波形让人眼花缭乱，预报员必须把波形压缩成语义明确的指标：温度、气压、湿度。特征提取就是这段“从波形到指标”的浓缩过程。对EEG，常用Welch法把长段信号切成一帧帧短窗，加窗后做傅里叶变换再对功率谱平均，从而得到δ、θ、α、β、γ各频带的功率；α/β功率比是常用的放松度指标——比值越高，越接近闭目养神的状态。对HRV，时域有RMSSD、SDNN，频域有低频功率（LF）与高频功率（HF）之比，LF/HF被用来粗略估计交感与副交感的平衡。对EDA，则拆出慢变的皮肤电导水平（SCL）与快速起伏的皮肤电导反应（SCR），前者代表背景紧张度，后者对应外界刺激引发的瞬间唤起。

此外，样本熵等非线性特征能刻画信号内部的不规则程度，情绪状态变化时，生理信号的复杂度往往随之改变。特征之间量纲差异巨大——RMSSD是几十毫秒，EDA是微西门子——直接喂给模型会让大数吞掉小数。因此一般要做标准化：

指标齐备，气象预报员就可以上岗了。接下来看看他如何从历史天气中学会规律。

分类识别模型

预报员看过上千场历史天气，总结出“气压骤降+湿度飙升+风速加快”对应暴风雨的规律。情感分类模型做的事情完全相同：从带标签的生理特征里学习“平静”“开心”“紧张”各自的模样。经典机器学习路线常用支持向量机（SVM）、随机森林和K近邻，它们在中小样本上表现稳定、可解释性强，生产环境部署也方便。深度路线则让CNN自动学习波形中的局部模式，用LSTM或Transformer建模心跳与脑电的时序依赖，适合数据充足的场景。

模型输出的目标有两种形态：一种是把情绪分成离散的几类，直接做分类；另一种是预测连续空间里的效价和唤醒度数值，做回归。因为人的情绪本来就不是非黑即白的开关，连续维度建模往往更贴近真实感受。无论哪种，评估都不能只看一个数字：要用留出法或交叉验证估计泛化能力，类别不平衡时要看F1值而不是准确率，因为“99%的时间处于平静”的数据集里，全猜平静也能得到99%的准确率，却毫无实用价值。模型的输出层常用softmax把得分变成概率：

单一预报员总可能看走眼。气象台的真正智慧，在于让多位观测员坐到一起开联合会商。

多模态融合

湿度计说“要下雨了”，风速计却说“晴空万里”，这时该信谁？气象台的联合会商给出了答案：让每个观测员各自陈述依据，再综合裁决。多模态融合就是这个“联合会商”的过程。特征级融合最直接——把EEG、HRV、EDA的特征向量拼接成一个大向量喂给模型，信息保留最完整，但特征维度升高后容易过拟合，三种信号各自的噪声也会被一并拼进去。决策级融合则让每个模态先独立训练一个分类器，得到各自的“情绪概率预报”，再用加权投票或平均合成最终结论；某一路信号被噪声污染时，其他路仍能兜底，鲁棒性更强。此外还有介于两者之间的模型级融合，让各模态在神经网络的不同层逐步汇合。

融合的前提是时间对齐。EEG眨眼之间就有反应，心率以秒计，EDA则慢至数十秒；若不做同步，就像把昨天的气压和今天的湿度放在一起预报，自然错漏百出。工程上通常用滑动窗口截取固定长度的多模态片段，保证窗口内各信号描述的是同一段时间的情绪状态。加权决策融合可以写成：

联合会商让预报更准，但气象台不能永远盖在城市中央。把整套系统塞进手腕上的手表，才是真正的工程挑战。

实时监测挑战

把整个气象站装进手表，会遇到气象站从来不必操心的问题：手腕晃动、电池撑不到一天、芯片算力捉襟见肘。可穿戴实时情感识别，就是在“手腕上的微型气象站”里完成预报。首要敌人是运动伪影——走路时PPG信号剧烈漂移，抬手时EEG电极接触电阻突变。对策包括引入加速度计做参考，检测到强运动时暂停输出或提高滤波强度；也可以实时计算信噪比，只在高信噪比的时段发布“预报”，就像航空公司在大风天取消航班而不是硬着头皮起降。第二个难题是个体差异：同一心率95bpm，对马拉松运动员是放松，对你是紧张。可穿戴设备通常需要个性化校准：用户佩戴初期采集几分钟基线，再用迁移学习调整模型，让预报从“大众版”变成“私人版”。

算力与功耗更是一对天然矛盾。云端推理延迟高、耗电大，数据还涉及隐私；因此模型必须轻量化后放进边缘端——量化到int8、剪枝、知识蒸馏，把推理延迟压到100毫秒以内，同时保证24小时续航。信噪比是判断信号能否使用的关键指标：

把气象站塞进手表只是第一步。要让它真正被人天天佩戴，还得想清楚为谁预报、报什么、怎么报。

系统设计建议

气象台在动工之前，要先决定服务对象：是给农户发霜冻预警，还是给机场发大风警报？一套情绪识别系统同样要先想清楚用户和场景。评估指标体系要围绕业务目标设计：情感陪伴应用看重离线分类的F1值，健康监测产品则更关注在线推理延迟、误报率和电池续航；如果产品承担风险预警职责，漏报的代价远高于误报，评估时就要给召回率更高权重。隐私与伦理是绕不开的底线——生理信号属于敏感生物数据，必须默认本地处理、匿名化存储，告知用户数据用途并允许一键删除。用户体验设计讲究“可理解、可行动”：与其抛出一个冰冷的“紧张指数87%”，不如在用户连续高压两小时后提示“要不要做个深呼吸练习”。

系统上线也不是终点，而是迭代起点。冷启动阶段用公开数据集预训练通用模型，上线后靠用户授权采集的自有数据做个性化微调；每一次情绪标签反馈都成为新样本，驱动模型在下一次更新中变得更好。系统设计建议评估指标的综合形态可以用F1值概括：

一座好的情绪气象网，不只是算法堆砌，更是对用户生活的温柔关照——身体仪表从不撒谎，而AI要做那个听懂并回应的人。从认识信号原理到搭建多模态融合系统，这条路上既有严谨的信号处理，也有对“人”的深刻理解。

AI 应用场景

Python 演示

# -*- coding: utf-8 -*-"""多模态生理信号情感识别演示(纯numpy实现)特征: [EEG alpha/beta比值, HRV RMSSD, 平均心率, EDA水平]模型: 最近类中心分类(nearest centroid)"""import numpy as np  def make_data(n_per_class=40, seed=7):    rng = np.random.default_rng(seed)    feats = {        "calm":   np.array([1.8, 0.42, 68.0, 0.8]),        "happy":  np.array([1.2, 0.36, 82.0, 1.4]),        "stress": np.array([0.6, 0.20, 95.0, 2.2]),    }    spread = np.array([0.25, 0.05, 6.0, 0.3])    X, y, names = [], [], []    for idx, (name, mu) in enumerate(feats.items()):        for _ in range(n_per_class):            X.append(rng.normal(mu, spread))            y.append(idx)            names.append(name)    return np.array(X), np.array(y), names  def split_data(X, y, test_ratio=0.3, seed=0):    rng = np.random.default_rng(seed)    idx = rng.permutation(len(X))    n_test = int(len(X) * test_ratio)    return X[idx[n_test:]], y[idx[n_test:]], X[idx[:n_test]], y[idx[:n_test]]  def standardize(X_tr, X_te):    mu = X_tr.mean(axis=0)    sigma = X_tr.std(axis=0) + 1e-9    return (X_tr - mu) / sigma, (X_te - mu) / sigma  def fit_centroids(Xtr, ytr):    centroids = []    for k in range(3):        centroids.append(Xtr[ytr == k].mean(axis=0))    return np.array(centroids)  def predict(X, centroids):    dists = np.linalg.norm(X[:, None, :] - centroids[None, :, :], axis=2)    return dists.argmin(axis=1)  if __name__ == "__main__":    X, y, names = make_data()    Xtr, ytr, Xte, yte = split_data(X, y)    Xtr, Xte = standardize(Xtr, Xte)    centers = fit_centroids(Xtr, ytr)    pred = predict(Xte, centers)    acc = (pred == yte).mean()    print("test accuracy: %.2f%%" % (acc * 100))    for k, name in enumerate(["calm", "happy", "stress"]):        mask = yte == k        correct = (pred[mask] == k).mean() * 100        print("%-6s samples=%d acc=%.2f%%" % (name, mask.sum(), correct))

1. feats = {...}定义三类情绪的特征中心，对应正文中生理信号的典型取值：开心时α/β比值降低、唤醒度升高。
2. rng.normal(mu, spread)在类中心附近加高斯噪声，模拟真实世界个体差异导致的特征波动。
3. rng.permutation(len(X))随机打乱样本顺序再切分训练/测试集，保证评估不受样本排列影响。
4. (X_tr - mu) / sigma用训练集的均值与标准差做z-score标准化，正文中强调模型不能直接看到测试集统计量。
5. fit_centroids对每个类别计算特征均值，作为该类的“气象模板”。
6. np.linalg.norm(X[:, None, :] - centroids[None, :, :], axis=2)计算每个样本到三类中心的欧氏距离矩阵，距离最近即预测类别。
7. (pred == yte).mean()计算整体测试准确率，是最直观的模型评估指标。
8. for k, name in enumerate(...)分类别打印准确率，便于观察模型在哪些情绪上容易混淆。

常见误区

面试题