本文是由CSDN用户[Memory逆光]授权分享。主要介绍了使用 1D 卷积和 LSTM 混合模型做 EEG 信号识别。感谢Memory逆光！

内容包括：1. 数据集(1.1 数据集下载、1.2 数据集解释）；2. 读取数据；3. 搭建模型；4. 训练模型；5. 展示结果；6. 完整代码。

1. 数据集

1.1 数据集下载：

https://archive.ics.uci.edu/ml/datasets/Epileptic+Seizure+Recognition

打开看一下

1.2 数据集解释：

表头为 X* 的是电信号数据，共有 11500 行，每行有 178 个数据，表示 1s 时间内截取的 178 个电信号；表头为 Y 的一列是该时间段数据的标签，包括 5 个分类：

5-记录大脑的EEG信号时病人睁开了眼睛；

4-记录大脑的EEG信号时患者闭上了眼睛；

3-健康大脑区域的脑电图活动；

2-肿瘤所在区域的脑电图活动；

1-癫痫发作活动；

2. 读取数据

import pandas as pddata = "data.csv"df = pd.read_csv(data, header=0, index_col=0)
df1 = df.drop(["y"], axis=1)
lbls = df["y"].values - 1

这里使用 pandas 库读取 data.csv，df1 保存电位数据，lbls 保存标签；

import numpy as npwave = np.zeros((11500, 178))z = 0
for index, row in df1.iterrows():wave[z, :] = rowz+=1mean = wave.mean(axis=0)
wave -= mean
std = wave.std(axis=0)
wave /= stddef one_hot(y):lbl = np.zeros(5)lbl[y] = 1return lbltarget = []
for value in lbls:target.append(one_hot(value))
target = np.array(target)
wave = np.expand_dims(wave, axis=-1)

我们将数据保存在数组 wave 和 target 中，将点位数据标准化（减去均值后除以方差），并将标签转换成 one hot 的形式；

3. 搭建模型

我们使用 keras 搭建一个模型，包括 1D 卷积层和几个堆叠的 LSTM 层：

from keras.models import Sequential
from keras import layersmodel = Sequential()
model.add(layers.Conv1D(64, 15, strides=2,input_shape=(178, 1), use_bias=False))
model.add(layers.ReLU())
model.add(layers.Conv1D(64, 3))
model.add(layers.Conv1D(64, 3, strides=2))
model.add(layers.ReLU())
model.add(layers.Conv1D(64, 3))
model.add(layers.Conv1D(64, 3, strides=2))  # [None, 54, 64]
model.add(layers.BatchNormalization())
model.add(layers.LSTM(64, dropout=0.5, return_sequences=True))
model.add(layers.LSTM(64, dropout=0.5, return_sequences=True))
model.add(layers.LSTM(32))
model.add(layers.Dense(5, activation="softmax"))
model.summary()

网络结构如图：

即该模型使用 1D 卷积进行特征提取，使用 LSTM 进行时域建模，最后通过一个全连接层预测类别；

4. 训练模型

我们使用 Adam 优化器，并设置学习率衰减来进行训练：

import matplotlib.pyplot as plt
import pandas as pd
from keras.models import Sequential
from keras import layers
from keras import regularizers
import os
import kerasimport keras.backend as Ksave_path = './keras_model.h5'if os.path.isfile(save_path):model.load_weights(save_path)print('reloaded.')adam = keras.optimizers.adam()model.compile(optimizer=adam,loss="categorical_crossentropy", metrics=["acc"])
# 计算学习率
def lr_scheduler(epoch):# 每隔100个epoch，学习率减小为原来的0.5if epoch % 100 == 0 and epoch != 0:lr = K.get_value(model.optimizer.lr)K.set_value(model.optimizer.lr, lr * 0.5)print("lr changed to {}".format(lr * 0.5))return K.get_value(model.optimizer.lr)lrate = LearningRateScheduler(lr_scheduler)history = model.fit(wave, target, epochs=400,batch_size=128, validation_split=0.2,verbose=1, callbacks=[lrate])model.save_weights(save_path)

这样就可以开始训练啦：

训练的模型参数保存在 sace_path 中；

5. 展示结果

print(history.history.keys())
# summarize history for accuracy
plt.plot(history.history['acc'])
plt.plot(history.history['val_acc'])
plt.title('model accuracy')
plt.ylabel('accuracy')
plt.xlabel('epoch')
plt.legend(['train', 'test'], loc='upper left')
plt.show()
# summarize history for loss
plt.plot(history.history['loss'])
plt.plot(history.history['val_loss'])
plt.title('model loss')
plt.ylabel('loss')
plt.xlabel('epoch')
plt.legend(['train', 'test'], loc='upper left')
plt.show()

这时我们可以查看训练结果（因为时间有限，我只训练了 100 个 epoch：

6. 完整代码

import matplotlib.pyplot as plt
import pandas as pd
from keras.models import Sequential
from keras import layers
from keras import regularizers
import os
import kerasimport keras.backend as Kimport numpy as npfrom keras.callbacks import LearningRateSchedulerdata = "data.csv"df = pd.read_csv(data, header=0, index_col=0)
df1 = df.drop(["y"], axis=1)
lbls = df["y"].values - 1wave = np.zeros((11500, 178))z = 0
for index, row in df1.iterrows():wave[z, :] = rowz+=1mean = wave.mean(axis=0)
wave -= mean
std = wave.std(axis=0)
wave /= stddef one_hot(y):lbl = np.zeros(5)lbl[y] = 1return lbltarget = []
for value in lbls:target.append(one_hot(value))
target = np.array(target)
wave = np.expand_dims(wave, axis=-1)model = Sequential()
model.add(layers.Conv1D(64, 15, strides=2,input_shape=(178, 1), use_bias=False))
model.add(layers.ReLU())
model.add(layers.Conv1D(64, 3))
model.add(layers.Conv1D(64, 3, strides=2))
model.add(layers.BatchNormalization())
model.add(layers.Dropout(0.5))
model.add(layers.Conv1D(64, 3))
model.add(layers.Conv1D(64, 3, strides=2))
model.add(layers.BatchNormalization())
model.add(layers.LSTM(64, dropout=0.5, return_sequences=True))
model.add(layers.LSTM(64, dropout=0.5, return_sequences=True))
model.add(layers.LSTM(32))
model.add(layers.Dropout(0.5))
model.add(layers.Dense(5, activation="softmax"))
model.summary()save_path = './keras_model3.h5'if os.path.isfile(save_path):model.load_weights(save_path)print('reloaded.')adam = keras.optimizers.adam()model.compile(optimizer=adam,loss="categorical_crossentropy", metrics=["acc"])
# 计算学习率
def lr_scheduler(epoch):# 每隔100个epoch，学习率减小为原来的0.5if epoch % 100 == 0 and epoch != 0:lr = K.get_value(model.optimizer.lr)K.set_value(model.optimizer.lr, lr * 0.5)print("lr changed to {}".format(lr * 0.5))return K.get_value(model.optimizer.lr)lrate = LearningRateScheduler(lr_scheduler)history = model.fit(wave, target, epochs=400,batch_size=128, validation_split=0.2,verbose=2, callbacks=[lrate])model.save_weights(save_path)print(history.history.keys())
# summarize history for accuracy
plt.plot(history.history['acc'])
plt.plot(history.history['val_acc'])
plt.title('model accuracy')
plt.ylabel('accuracy')
plt.xlabel('epoch')
plt.legend(['train', 'test'], loc='upper left')
plt.show()
# summarize history for loss
plt.plot(history.history['loss'])
plt.plot(history.history['val_loss'])
plt.title('model loss')
plt.ylabel('loss')
plt.xlabel('epoch')
plt.legend(['train', 'test'], loc='upper left')
plt.show()

作者博客：

https://blog.csdn.net/weixin_44936889/article/details/105202661

文章来源于网络，仅用于学术交流，不用于商业行为

若有侵权及疑问，请后台留言，管理员即时删侵！

更多阅读

【脑电信号分类】脑电信号提取PSD功率谱密度特征

EEG伪影类型详解和过滤工具的汇总(一)

临床脑电图常用术语(二)-脑波及相关形态和分布

清华张钹院士专刊文章：迈向第三代人工智能（全文收录）

脑机接口拼写器是否真的安全？华中科技大学研究团队对此做了相关研究

脑机接口和卷积神经网络的初学指南(一)

脑电数据处理分析教程汇总(eeglab, mne-python)

P300脑机接口及数据集处理

快速入门脑机接口：BCI基础(一)

如何快速找到脑机接口社区的历史文章？

脑机接口BCI学习交流QQ群：515148456