企业官网建设流程全解析

简介：面向情绪识别与人机交互研究场景，这份以Python实现的皮肤电信号（EDA/GSR）情绪识别算法包，适合机器学习初学者、高校学生及从事生理信号分析的研究者，用于解决从皮肤电原始数据中提取特征、训练情绪分类模型并完成效果评估的完整流程。源码均经本地编译验证，可稳定运行，整体难度适中，经助教审定，评审分达95分以上，可直接用于课程设计、毕业设计或算法复现。 包体共102个文件，大小仅1.91MB，其中78个csv为分段标注后的情绪皮肤电数据集，7个py为核心训练与预测脚本，6个xml保存工程运行配置，4个m为MATLAB辅助分析脚本，3个pyc为已编译模块，1个pptx用于结果汇报，1个md记录使用说明，另有iml工程文件与mat矩阵数据；数据类别覆盖happy、normal、sad等情绪标签，便于对照实验。目前已有217人学习下载，附带模型、PPT及详细文档，利于从数据读取、特征工程到模型评估全程跟练，适合希望快速搭建情绪识别基线方案的学习者。

1. 皮肤电信号情绪识别：这个 Python 源码包把从 CSV 到模型的链路全跑通了

做情绪识别的人拿到皮肤电信号（GSR/EDA）之后的第一反应，大多是直接扔给分类器，结果准确率常常低到没法看。这份基于 Python 的皮肤电信号情绪识别源码包，把从 CSV 原始数据到模型评估的完整链路都跑通了，源码本地编译可运行，评审分 95 以上，压缩包里还带着模型文件、答辩 PPT 和详细文档。它适合两类人：一是做课设或毕设、需要完整可复现项目的人，包括刚入门 Python 的初学者；二是接触生理信号处理、想看看数据清洗和特征工程在代码层面怎么落地的工程师。我拆完这个包最大的体会是，它的价值不在模型多高级，而在把最脏最累的预处理和特征提取做扎实了，下载之后改改路径就能复现整套结果。

2. 数据与预处理：从 10 个 CSV 到干净的可训练样本

2.1 文件构成与标签划分：先搞清楚手里有什么

压缩包里数据文件的名字其实已经把设计意图说了一半。happy_other.csv 和 normal_sad.csv 是按情绪标签组织的样本段文件，前者对应积极情绪，后者对应中性加消极情绪，这是典型的两分类情绪识别设定。剩下 1.csv、2.csv、9.csv、18.csv、19.csv、20.csv、21.csv、22.csv 这类数字命名的文件，按常见实验范式看，应该是分受试者或分 session 的原始记录，每一行一般是时间戳和皮肤电导值，单位通常是 uS（微西门子），有些记录还会带事件标记列。

我拿到数据的第一件事不是跑模型，而是先画一条时间序列看看。直接 pd.read_csv 之后把 GSR 列画出来，能一眼看出有没有明显的基线漂移、毛刺和掉线段。这个包选择两分类是有道理的：皮肤电信号本质上对唤醒度敏感，对效价不敏感，让它区分「激动对平静」比区分「高兴对难过」可靠得多，所以 happy_other 和 normal_sad 这种标签设计，在生理信号上比四分类现实很多。标签映射关系在训练脚本里通常写成 normal_sad=0、happy_other=1，后面所有脚本都用这套映射，别在某个环节单独改。

2.2 滤波与滑动窗口：GSR 信号处理的第一个坎

皮肤电导反应（SCR）的生理特性决定了它的频谱范围：一个典型的 SCR 上升沿持续 1 到 3 秒，加上恢复期，有效成分基本都在 2Hz 以下。高于这个频率的，多半是工频干扰、运动伪迹和设备底噪。常见做法是先低通滤波再切窗。切窗用滑动窗口，窗口长度取 5 到 10 秒，步长取 2 到 5 秒，让相邻窗口有重叠，本质上是一种数据扩增，一段 5 分钟的记录能切出七八十个样本。

import numpy as np import pandas as pd from scipy.signal import butter, filtfilt, detrend def preprocess_gsr(raw, fs=20.0, cutoff=2.0, order=4): """ 皮肤电信号预处理：低通滤波 + 去趋势。 raw: 原始 GSR 一维数组，单位 uS fs: 采样率，Hz，包里没写的话要先从数据推断 """ # 低通滤波：2Hz 以上基本是噪声，保住 SCR 上升沿即可 b, a = butter(order, cutoff / (fs / 2), btype='low') filtered = filtfilt(b, a, raw) # 去趋势：扣掉缓慢的基线漂移，防止滑动窗口均值被基线带着走 filtered = detrend(filtered) return filtered

参数说明：cutoff 取 2.0Hz 是保守做法，取太低会把 SCR 的幅值削平，特征里就只剩波动趋势；filtfilt 是零相位滤波，不像普通 filter 会把波形整体滞后，这对后面提取上升沿斜率很关键。order 取 4 足够，再高阶会引入数值抖动。采样率 fs 如果包里没写，最简单的办法是看两个相邻时间戳的差，取倒数就是实际采样率，常见 GSR 设备是 4Hz、8Hz、20Hz 或 128Hz，预处理参数要跟着 fs 一起改。

2.3 特征提取：把一段波形压成一行数字

切完窗之后，每个窗口是一个一维数组。特征提取的目标是把这段波形压成一行数字特征，之后交给分类器。时域特征包括均值、标准差、极差、线性拟合斜率、偏度和峰度；频域特征可以取功率谱在 0 到 2Hz 频段的积分；另外还有 SCR 事件统计，比如窗口内超过阈值的峰个数和平均幅值，这类特征对唤醒度识别特别有效。

from scipy.signal import find_peaks def extract_features(window, fs=20.0, peak_thresh=0.1): """把一个滑动窗口压成一行特征字典。""" peaks, _ = find_peaks(window, height=peak_thresh, distance=int(fs)) feat = { 'mean': np.mean(window), # 均值：受基线影响，配合去趋势使用 'std': np.std(window), # 标准差：波动强度，情绪越激动通常越大 'range': np.max(window) - np.min(window), # 极差：窗口内动态范围 'slope': np.polyfit(range(len(window)), window, 1)[0], # 一阶斜率 'skew': pd.Series(window).skew(), # 偏度：上升沿陡峭会拉高偏度 'kurt': pd.Series(window).kurtosis(), 'n_peaks': len(peaks), # SCR 峰个数：唤醒度的重要指标 'peak_amp_mean': np.mean(np.abs(window[peaks])) if len(peaks) else 0.0, } return feat

逻辑说明：polyfit 拟合斜率比简单取首尾差值更抗噪声，因为窗口内的基线会有微小波动，最小二乘拟合能平滑掉这些扰动。find_peaks 的 height 参数是绝对阈值，不同个体基线不同，这个阈值最值得调；distance 用 int(fs) 表示至少间隔 1 秒才算两个独立的峰，避免同一个反应被重复计数。把每个窗口的特征收集成 DataFrame，再拼上标签列，就是后面训练脚本的输入，特征列的顺序从这一步开始固定下来，后面预测阶段要复用。

3. 模型训练与评估：传统机器学习在这个体量下的胜出理由

3.1 为什么不用神经网络

以这个包的数据量级，十几段实验记录切出来的样本撑死几百到几千条，喂给神经网络很容易过拟合。皮肤电信号不是图像或文本，没有天然的局部结构可以让卷积层去利用，强行搭 LSTM 反而会把简单问题复杂化。在这个体量下，传统机器学习是性价比最高的选择：随机森林和 SVM 对标准化之后的特征表现可靠，训练快，结果可解释，答辩的时候能指着特征重要性说「唤醒度主要由峰个数和标准差贡献」，这一点神经网络很难给出来。我一般的做法是先用随机森林打底，调不动了再试 SVM 和 XGBoost，不要一上来就上深度模型。

3.2 训练流程：标准化 + 交叉验证

训练脚本里的核心流程是：读特征表，切特征和标签，用 Pipeline 把标准化和分类器串起来，再做交叉验证。标准化这一步必须放在交叉验证内部，如果先对整个数据集做 StandardScaler 再切折，缩放统计量里就带进了验证集的信息，属于轻度数据泄露。

from sklearn.model_selection import cross_val_score from sklearn.ensemble import RandomForestClassifier from sklearn.preprocessing import StandardScaler from sklearn.pipeline import make_pipeline feature_cols = ['mean', 'std', 'range', 'slope', 'skew', 'kurt', 'n_peaks', 'peak_amp_mean'] X = df[feature_cols].values y = df['label'].values # 标签已经映射成 0/1 pipe = make_pipeline( StandardScaler(), RandomForestClassifier(n_estimators=200, max_depth=8, random_state=42) ) scores = cross_val_score(pipe, X, y, cv=5, scoring='f1_macro') print("5-fold F1: %.3f ± %.3f" % (scores.mean(), scores.std()))

参数说明：scoring 用 f1_macro 而不是 accuracy，是因为 happy 和 normal_sad 的样本数通常不平衡，准确率会被多数类带偏；cv=5 对这个量级是合适的，样本太少的话改成 StratifiedKFold(n_splits=5) 保证每折类别比例一致。n_estimators=200、max_depth=8 是控制过拟合的保守组合，树再多效果不会更好，只会更慢。

3.3 评估：混淆矩阵比准确率诚实

交叉验证跑完之后，包里配套的评估脚本会打印分类报告和混淆矩阵。情绪识别最怕的不是整体准确率低，而是系统性把某一类全部划到另一类。逻辑很简单：如果混淆矩阵显示几乎全部样本被分到 happy_other，说明模型学到的其实只是先验概率，特征没有提供判别信息；如果两类能互相错分且比例接近，说明特征有效，只是边界模糊。

from sklearn.metrics import classification_report, confusion_matrix from sklearn.model_selection import cross_val_predict y_pred = cross_val_predict(pipe, X, y, cv=5) print(classification_report(y, y_pred, target_names=['normal_sad', 'happy_other'])) print(confusion_matrix(y, y_pred))

这套输出要保留下来，做课设或汇报的时候，分类报告里 precision、recall、f1-score 三项是评委最常盯的东西，比「准确率 90%」这种一句话有说服力得多。我一般会顺手把特征重要性也打出来，确认模型没有依赖某个「运气好」的特征，比如某个文件的编号被当成隐式标签学进去了。

4. 避坑与排查：GSR 数据里五个高频翻车点

4.1 预处理和特征环节的三个坑

坑一：准确率 99%，一换数据就崩。现象：在包里自带数据上交叉验证 F1 接近 1.0，但随便换一个受试者的新记录，预测结果几乎全错。原因：这是典型的数据泄露，同一个受试者的相邻窗口高度相关，如果切分时把同一条记录的窗口同时分进训练集和验证集，模型等于提前看到了答案。解决：按文件（受试者）分组切分，用 sklearn 的 GroupKFold 或直接按文件名留一折验证。这也是数字命名的原始文件存在的意义，1.csv、2.csv 就是天然的分组依据。

坑二：滤波之后特征全钝了。现象：低通滤波后画图，波形是光滑了，但特征提取出来的标准差、极差普遍变小，分类器怎么调 F1 都上不去。原因：截止频率取得太低，0.5Hz 的 cutoff 把 SCR 的上升沿也滤掉了，剩下几乎只是缓慢的基线趋势。解决：把 cutoff 提到 1 到 2Hz，并且观察滤波前后的波形叠加图，确认上升沿还在。GSR 的决策权在时域波形形状，不在高频细节。

坑三：峰个数特征在换人之后失效。现象：用 find_peaks 提取 n_peaks，在训练集上很有区分度，新用户数据上却变成垃圾特征。原因：height 参数是绝对幅度阈值，而个体间皮肤电导基线差异极大，同一阈值对甲是噪声、对乙是有效峰。解决：先用 z-score 对每个受试者的整段信号做标准化，再对窗口提取峰特征，让阈值跟个体基线脱钩。

4.2 训练和评估环节的两个坑

坑四：类别不平衡让模型偷懒。现象：训练过程看起来正常，但分类报告里少数类 recall 只有 0.2，多数类 precision 虚高。原因：happy 样本远多于 normal_sad，决策树默认按多数类偏移。解决：两个手段二选一，给模型传 class_weight='balanced'，或者对少数类做 SMOTE 过采样。注意 SMOTE 要在交叉验证内部做，否则会像坑一那样泄露。

坑五：预测脚本报维度错误或结果错乱。现象：新数据跑 predict 时报特征数量不匹配，或者不报错但预测结果明显不对。原因：新数据走了另一套特征提取逻辑，列顺序和训练时不一致。sklearn 的特征完全按位置解析，列名对不上也不报错，这是最隐蔽的坑。解决：把特征提取封装成同一个函数，训练和预测共用；保存模型时同时保存 feature_cols 列表，预测前核对列顺序。

5. 新数据预测：模型加载与情绪分类的完整流程

5.1 加载模型与新数据预处理

包里的模型文件（.pkl 或 .joblib）可以直接加载，不需要重新训练。新数据进来之后，必须走完全一样的预处理和特征提取管道：同一个滤波函数、同一个窗口长度、同一个特征列顺序。很多人以为模型文件是万能钥匙，其实 GSR 模型对输入分布极敏感，预处理不一致等于给自己埋雷。

import joblib model = joblib.load("emotion_model.joblib") feature_cols = joblib.load("feature_cols.joblib") # 训练时保存的特征列 raw = pd.read_csv("22.csv")["gsr"].values # 假设列名为 gsr processed = preprocess_gsr(raw, fs=20.0, cutoff=2.0) feat = extract_features(processed) row = np.array([[feat[c] for c in feature_cols]]) # 列顺序必须与训练一致

逻辑说明：我把特征列名和模型一起序列化保存，就是为了避免换环境之后列顺序漂移。这一步看起来多余，实际是踩过坑之后的后悔药。新数据的采样率如果和设备不一样，先重采样到训练时的 fs，再进预处理函数；列名对不上时先打印 CSV 的表头确认，别默认第一列是时间戳第二列是 GSR。

5.2 类别映射与置信度输出

预测结果不能只输出一个 0/1，要把概率输出出来。包里的情绪类别映射是 normal_sad 对应 0，happy_other 对应 1，这个映射在训练脚本里定义，预测时保持一致即可。

label_map = {0: "normal_sad", 1: "happy_other"} proba = model.predict_proba(row)[0] pred = int(np.argmax(proba)) print("预测情绪:", label_map[pred]) print("置信度: normal_sad=%.3f, happy_other=%.3f" % (proba[0], proba[1]))

这里把置信度打出来，是因为情绪识别的真实场景里，概率在 0.5 附近徘徊的样本根本不该硬判。包里带的文档对这部分有解释，答辩时可以重点强调「我们不止给出类别，还给出置信度」，这是评审愿意给高分的理由之一。

5.3 参数调整建议

预处理和模型里的核心参数，给出我调过的取值范围，方便直接照抄起步：

这套参数在包里自带数据上能复现评审分 95 以上的结果。换了环境或换了采集设备，第一件事是重画波形图确认预处理效果，而不是调模型参数，数据侧的问题在模型侧永远调不出来。

6. 进阶用法：用置信度阈值把硬分类改成三类输出

二分类模型调稳之后，下一步不是盲目扩类别，而是把置信度当成工具。我的做法是给 predict_proba 的输出加两个阈值：概率大于 0.7 判 happy_other，小于 0.3 判 normal_sad，中间一律归为「不确定」。这样做的直接好处是，误判率最高的中间地带被单独拎出来，在真实场景里比硬分类可靠得多。

def decide(proba, hi=0.7, lo=0.3): if proba[1] >= hi: return "happy_other" if proba[1] <= lo: return "normal_sad" return "uncertain"

把「不确定」的样本单独收集起来，攒够一批之后用增量方式重训模型，比每次从零开始省事。包里的详细文档其实也暗示了这条路径：数据文件按 session 分开存放，本身就是为增量实验设计的。如果你现在正需要一套能直接跑通的皮肤电情绪识别项目，这份带着模型、PPT 和全部数据资料的源码包能省下几天的折腾时间。

我自己的习惯是，每次调完阈值都打印一次概率分布直方图，看看阈值该往哪边偏，而不是拍脑袋定 0.7。以前我总想一步到位做四分类情绪识别，翻车几次之后才明白，皮肤电信号能支撑的可靠粒度就是唤醒度层面的二分类，先把置信度和不确定性管理好，比堆类别数有用得多。从那以后我每次接手生理信号数据，都强制自己先跑一遍预处理管道、看波形、打印分类报告，最后才碰模型参数。希望帮到你。

本文还有配套的精品资源，点击获取