这两天需要对预实验的脑电进行一个分类，在这里记录一下流程

脑电分析系列文章
mne官网
mne教程
随机森林分类
Python 多因素方差分析

文章目录

1. 脑电数据的处理
- 1.1 基本概念
- 1.2 实际处理
- 1.3 全部代码
2. 随机森林分类
- 1. label的制作
- 2. 使用随机森林进行分类
- 3. 全部代码
3. 显著性检验
4. 多文件测试
- 1. 文件选择
- 2. 精确度分析
- 3. anova分析
4. 可扩展性
- 1. 抽取代码
- 2. 有待扩展

1. 脑电数据的处理

1.1 基本概念

由于是刚刚学习的一些概念，这里就不做过多的解释贻笑大方了。就简单说一下自己的理解。

raw ：读取脑电的原始数据，里面重要的数据结构如下：
- info：记录一些备注信息，比如哪些是坏通道
- ch_name：采集数据用到的channel名字
epoch：把原始的数据划分成段，方便后续的分析
annotation/event: 每一段epoch的标签,两者区别具体看官方文档。不过用起来基本是一样的，并且有mne.events_from_annotations和events_from_annotations可以相互转换。

了解完以上的概念之后，就可以进行实际的操作了。

1.2 实际处理

实际需求

由于采集数据的时候，没有进行annotation和event的标记，所以直接使用时间作为划分epoch的依据，这里采用30s作为一个epoch。
采集的是全64个通道，但是真正采集的就9个通道，需要对通道进行过滤
每20Min受试者报告一次或者两次本阶段的困倦程度，所以10 or 20min内的所有epoch都是一样的annotation
由于采集的时候电解液的风干，以及电极帽的接触不良，所以有的通道的数据可能不能用，应该进行过滤。

处理过程

1. 数据读取

import numpy as np
import mne
from mne.time_frequency import psd_welch
import os################# 文件路径 ######################
filename = "D:/data/eeg/physionet-sleep-data/SC4001E0-PSG.edf"
filename2 = "D:/data/eeg/qyp.edf"
savepath = "result"
## 使用hxx作为训练数据, qyp作为测试数据
resultName = "features_test.npy"# ############# 1. 读取文件 #################
raw = mne.io.read_raw(filename2, preload=True)

2. 数据预处理

数据预处理分成两步：

过滤不必要的频域
过滤不需要的通道


############# 2. 预处理 #####################
# 过滤高低频域，过滤防止0的干扰，同时减少数据量
raw.filter(l_freq=0.1, h_freq=40)
# 选择通道
alllist = ['Fpz', 'Fp1', 'Fp2', 'AF3', 'AF4', 'AF7', 'AF8', 'Fz', 'F1', 'F2', 'F3', 'F4', 'F5', 'F6', 'F7', 'F8', 'FCz', 'FC1', 'FC2', 'FC3', 'FC4', 'FC5', 'FC6', 'FT7', 'FT8', 'Cz', 'C1', 'C2', 'C3', 'C4', 'C5', 'C6', 'T7', 'T8', 'CP1', 'CP2', 'CP3', 'CP4', 'CP5', 'CP6', 'TP7', 'TP8', 'Pz', 'P3', 'P4', 'P5', 'P6', 'P7', 'P8', 'POz', 'PO3', 'PO4', 'PO5', 'PO6', 'PO7', 'PO8', 'Oz', 'O1', 'O2', 'ECG', 'HEOR', 'HEOL', 'VEOU', 'VEOL']
goodlist = ['FCz', 'Pz', 'Fpz', 'Cz', 'C1', 'C2','O1', 'O2', 'Oz',]
goodlist = set(goodlist)
badlist = []
for x in alllist:if x not in goodlist:badlist.append(x)
picks = mne.pick_channels(alllist, goodlist, badlist)
raw.plot(order=picks, n_channels=len(picks))
for x in badlist:raw.info['bads'].append(x)

3. 按时间划分epoch

# 30s一个epoch
epochs = mne.make_fixed_length_epochs(raw, duration=30, preload=False)

4. 特征提取

def eeg_power_band(epochs):"""脑电相对功率带特征提取该函数接受一个""mne.Epochs"对象，并基于与scikit-learn兼容的特定频带中的相对功率创建EEG特征。Parameters----------epochs : EpochsThe data.Returns-------X : numpy array of shape [n_samples, 5]Transformed data."""# 特定频带FREQ_BANDS = {"delta": [0.5, 4.5],"theta": [4.5, 8.5],"alpha": [8.5, 11.5],"sigma": [11.5, 15.5],"beta": [15.5, 30]}psds, freqs = psd_welch(epochs, picks='eeg', fmin=0.5, fmax=30.)# 归一化 PSDs,这个数组中含有0元素，所以会出现问题，正确的解决方式，从epoch中去除或者从数组中去除# psds = np.where(psds < 0.1, 0.1, psds)# sm = np.sum(psds, axis=-1, keepdims=True)# psds = numpy.divide(psds, sm)psds /= np.sum(psds, axis=-1, keepdims=True)X = []for fmin, fmax in FREQ_BANDS.values():psds_band = psds[:, :, (freqs >= fmin) & (freqs < fmax)].mean(axis=-1)X.append(psds_band.reshape(len(psds), -1))return np.concatenate(X, axis=1)

5. 保存文件

由于实验2个小时，所以会划分成240个epoch，但是有的可能会长，有的可能会短一个，长的应该直接舍去，因为这个是实验之后关闭设备采到的。

ans = eeg_power_band(epochs)
# 截取前240个数据
if ans.shape[0] > 240 :ans = ans[:240]
print(ans.shape) ## hxx(240, 45), qyp (239, 45)if not os.path.exists(savepath):os.mkdir(savepath)
np.save(savepath + "/" + resultName, ans)

1.3 全部代码

"""
@author:fuzekun
@file:myFile.py
@time:2022/10/10
@description:
"""
import numpy as np
import mne
from mne.time_frequency import psd_welch
import os################# 文件路径 ######################
filename = "D:/data/eeg/physionet-sleep-data/SC4001E0-PSG.edf"
filename2 = "D:/data/eeg/qyp.edf"
savepath = "result"
## 使用hxx作为训练数据, qyp作为测试数据
resultName = "features_test.npy"# ############# 1. 读取文件 #################
raw = mne.io.read_raw(filename2, preload=True)# ############ 2. 预处理 #####################
# # 过滤防止0的干扰
raw.filter(l_freq=0.1, h_freq=40)
# # 选择通道
alllist = ['Fpz', 'Fp1', 'Fp2', 'AF3', 'AF4', 'AF7', 'AF8', 'Fz', 'F1', 'F2', 'F3', 'F4', 'F5', 'F6', 'F7', 'F8', 'FCz', 'FC1', 'FC2', 'FC3', 'FC4', 'FC5', 'FC6', 'FT7', 'FT8', 'Cz', 'C1', 'C2', 'C3', 'C4', 'C5', 'C6', 'T7', 'T8', 'CP1', 'CP2', 'CP3', 'CP4', 'CP5', 'CP6', 'TP7', 'TP8', 'Pz', 'P3', 'P4', 'P5', 'P6', 'P7', 'P8', 'POz', 'PO3', 'PO4', 'PO5', 'PO6', 'PO7', 'PO8', 'Oz', 'O1', 'O2', 'ECG', 'HEOR', 'HEOL', 'VEOU', 'VEOL']
goodlist = ['FCz', 'Pz', 'Fpz', 'Cz', 'C1', 'C2','O1', 'O2', 'Oz',]
goodlist = set(goodlist)
badlist = []
for x in alllist:if x not in goodlist:badlist.append(x)
picks = mne.pick_channels(alllist, goodlist, badlist)
raw.plot(order=picks, n_channels=len(picks))
for x in badlist:raw.info['bads'].append(x)# ############## 2. 切分成epochs ################
epochs = mne.make_fixed_length_epochs(raw, duration=30, preload=False)# ############# 3 特征提取 ##################
def eeg_power_band(epochs):"""脑电相对功率带特征提取该函数接受一个""mne.Epochs"对象，并基于与scikit-learn兼容的特定频带中的相对功率创建EEG特征。Parameters----------epochs : EpochsThe data.Returns-------X : numpy array of shape [n_samples, 5]Transformed data."""# 特定频带FREQ_BANDS = {"delta": [0.5, 4.5],"theta": [4.5, 8.5],"alpha": [8.5, 11.5],"sigma": [11.5, 15.5],"beta": [15.5, 30]}psds, freqs = psd_welch(epochs, picks='eeg', fmin=0.5, fmax=30.)# 归一化 PSDs,这个数组中含有0元素，所以会出现问题，正确的解决方式，从epoch中去除或者从数组中去除# psds = np.where(psds < 0.1, 0.1, psds)# sm = np.sum(psds, axis=-1, keepdims=True)# psds = numpy.divide(psds, sm)psds /= np.sum(psds, axis=-1, keepdims=True)X = []for fmin, fmax in FREQ_BANDS.values():psds_band = psds[:, :, (freqs >= fmin) & (freqs < fmax)].mean(axis=-1)X.append(psds_band.reshape(len(psds), -1))return np.concatenate(X, axis=1)ans = eeg_power_band(epochs)
# 截取前240个数据
if ans.shape[0] > 240 :ans = ans[:240]
print(ans.shape) ## hxx(240, 45), qyp (239, 45)if not os.path.exists(savepath):os.mkdir(savepath)
np.save(savepath + "/" + resultName, ans)

2. 随机森林分类

1. label的制作

label制作分成两部分：

将原始的label从excel或者txt文件中提取出来
对原始label进行扩展，形成维度和特征相同的label列表

步骤1：

# 没有操作excel，直接复制粘贴的，应该采用excel的操作更加通用一些
"""
@author:fuzekun
@file:generateLabelFile.py
@time:2022/10/12
@description: 由原始标签生成每一个用户的id:label对应的set
"""
from collections import defaultdict
from json import dump, loadrawlabelFile = "result/rawLabel.json"# 文件夹下面的名字
fileName = ["hxx.edf", "qyp.edf"]
# 对应的label
raws = []
raw1 = [(4, 5), 6, 7, 7, 6, 6] # hxx
raw2 = [4, 6, 7, (7, 6), (7, 5),5] #qup
raws.append(raw1)
raws.append(raw2)ans = dict(zip(fileName, raws))print(ans)with open(rawlabelFile, 'w') as fp:dump(ans, fp)with open(rawlabelFile, 'r') as fp:ans = load(fp)print(ans)

将用户的文件名和label做一个映射：类似下面这种

步骤2：


def extractLabel(raw, n, spliteY, splitT, totalT):"""raw:原始标记n: 特征的数量spliteY: 划分的阈值splitT: 划分epoch的时间 stotalT: 总时常 h"""# 总共有多少段，然后每一个标签应该对应多少段splitTime = totalT * 3600 // splitT // len(raw)label = []for i, x in enumerate(raw):med = min(n, (i + 1) * splitTime)mbg = i * splitTimeif (str.isdigit(str(x))):x = 0 if x <= spliteY else 1  # [1,4]打成0，否则打成1for _ in range(mbg, med):label.append(x)else:  ## 一次回答两个数值的情况x, y = xx = 0 if x <= spliteY else 1y = 0 if y <= spliteY else 1for _ in range(mbg, mbg + splitTime // 2):label.append(x)for _ in range(mbg + splitTime // 2, med):label.append(y)return label

2. 使用随机森林进行分类

"""
@author:fuzekun
@file:myFile.py
@time:2022/10/10
@description:
"""
import numpy as np
from sklearn.ensemble import RandomForestClassifier
from sklearn.metrics import accuracy_score, classification_report
from sklearn.model_selection import train_test_splitX_file = "result/X.npy"
y_file = "result/y.npy"X = np.load(X_file)
y = np.load(y_file)Xtrain, Xtest, Ytrain, Ytest = train_test_split(X,y,test_size=0.3)
clf = RandomForestClassifier(max_depth=2,random_state=0)
clf.fit(Xtrain, Ytrain)
# print(clf.feature_importances_)y_predict = clf.predict(Xtest)
acc = accuracy_score(Ytest, y_predict)print("Accuracy score: {}".format(acc))
print(classification_report(Ytest, y_predict))

可以看到效果还是比较显著的。

3. 全部代码

整合数据

"""
@author:fuzekun
@file:extractFetures.py
@time:2022/10/12
@description: 特征提取
"""
import os
from json import loadimport numpy as np
import mne
from mne.time_frequency import psd_welchdataFilePath = "D:/data/eeg"
rawLabelFile = "result/rawLabel.json"
save_X = "D:/data/X.npy"
save_y = "D:/data/y.npy"def extractFeture(dataFile:str, ch_name:list, spliteT:int, totalT:int):"""根据文件和chnnel提取特征dataFile: 文件名ch_name: 通道名称spliteT:划分的时间stotalT: 总时长hreturn: 返回特征numpys数组"""# ############# 1. 读取文件 #################raw = mne.io.read_raw(dataFile, preload=True)# ############ 2. 预处理 ###################### # 过滤防止0的干扰raw.filter(l_freq=0.1, h_freq=40)# # 选择通道alllist = ['Fpz', 'Fp1', 'Fp2', 'AF3', 'AF4', 'AF7', 'AF8', 'Fz', 'F1', 'F2', 'F3', 'F4', 'F5', 'F6', 'F7', 'F8','FCz', 'FC1', 'FC2', 'FC3', 'FC4', 'FC5', 'FC6', 'FT7', 'FT8', 'Cz', 'C1', 'C2', 'C3', 'C4', 'C5', 'C6','T7', 'T8', 'CP1', 'CP2', 'CP3', 'CP4', 'CP5', 'CP6', 'TP7', 'TP8', 'Pz', 'P3', 'P4', 'P5', 'P6', 'P7','P8', 'POz', 'PO3', 'PO4', 'PO5', 'PO6', 'PO7', 'PO8', 'Oz', 'O1', 'O2', 'ECG', 'HEOR', 'HEOL', 'VEOU','VEOL']goodlist = ch_namegoodlist = set(goodlist)badlist = []for x in alllist:if x not in goodlist:badlist.append(x)# picks = mne.pick_channels(alllist, goodlist, badlist)# raw.plot(order=picks, n_channels=len(picks))for x in badlist:raw.info['bads'].append(x)# ############## 2. 切分成epochs ################epochs = mne.make_fixed_length_epochs(raw, duration=spliteT, preload=False)# ############# 3 特征提取 ##################def eeg_power_band(epochs):"""脑电相对功率带特征提取该函数接受一个""mne.Epochs"对象，并基于与scikit-learn兼容的特定频带中的相对功率创建EEG特征。Parameters----------epochs : EpochsThe data.Returns-------X : numpy array of shape [n_samples, 5]Transformed data."""# 特定频带FREQ_BANDS = {"delta": [0.5, 4.5],"theta": [4.5, 8.5],"alpha": [8.5, 11.5],"sigma": [11.5, 15.5],"beta": [15.5, 30]}psds, freqs = psd_welch(epochs, picks='eeg', fmin=0.5, fmax=30.)# 归一化 PSDs,这个数组中含有0元素，所以会出现问题，正确的解决方式，从epoch中去除或者从数组中去除# psds = np.where(psds < 0.1, 0.1, psds)# sm = np.sum(psds, axis=-1, keepdims=True)# psds = numpy.divide(psds, sm)psds /= np.sum(psds, axis=-1, keepdims=True)X = []for fmin, fmax in FREQ_BANDS.values():psds_band = psds[:, :, (freqs >= fmin) & (freqs < fmax)].mean(axis=-1)X.append(psds_band.reshape(len(psds), -1))return np.concatenate(X, axis=1)ans = eeg_power_band(epochs)n = totalT * 3600 // spliteT# 截取前n个数据if ans.shape[0] > n:ans = ans[:n]print(ans.shape)  ## hxx(240, 45), qyp (239, 45)return ansdef extractLabel(raw, n, spliteY, splitT, totalT):"""raw:原始标记n: 特征的数量spliteY: 划分的阈值splitT: 划分epoch的时间 stotalT: 总时常 h"""# 总共有多少段，然后每一个标签应该对应多少段splitTime = totalT * 3600 // splitT // len(raw)label = []for i, x in enumerate(raw):med = min(n, (i + 1) * splitTime)mbg = i * splitTimeif (str.isdigit(str(x))):x = 0 if x <= spliteY else 1  # [1,4]打成0，否则打成1for _ in range(mbg, med):label.append(x)else:  ## 一次回答两个数值的情况x, y = xx = 0 if x <= spliteY else 1y = 0 if y <= spliteY else 1for _ in range(mbg, mbg + splitTime // 2):label.append(x)for _ in range(mbg + splitTime // 2, med):label.append(y)return labeldef extract(filePath, splitT, totalT, spliteY) : # 提取文件夹下的全部efg作为训练集，同时进行标签的填充X = []y = []with open(rawLabelFile, 'r') as fp:AllRawLabels = load(fp)for fileName in os.listdir(filePath):file = os.path.join(filePath, fileName)if not os.path.isfile(file): continuech_name = ['FCz', 'Pz', 'Fpz', 'Cz', 'C1', 'C2','O1', 'O2', 'Oz',]features = extractFeture(file, ch_name, splitT, totalT)rawLabel = AllRawLabels[fileName]labels = extractLabel(rawLabel, len(features), spliteY, splitT, totalT)X.extend(list(features))y.extend(labels)return X, yX, y = extract(dataFilePath, 30, 2)
X, y = np.array(X), np.array(y)
print(X.shape, y.shape)
np.save(save_X, X)
np.save(save_y, y)

随机森林

"""
@author:fuzekun
@file:myFile.py
@time:2022/10/10
@description:
"""
import numpy as np
from sklearn.ensemble import RandomForestClassifier
from sklearn.metrics import accuracy_score, classification_report
from sklearn.model_selection import train_test_splitX_file = "result/X.npy"
y_file = "result/y.npy"X = np.load(X_file)
y = np.load(y_file)Xtrain, Xtest, Ytrain, Ytest = train_test_split(X,y,test_size=0.3)
clf = RandomForestClassifier(max_depth=2,random_state=0)
clf.fit(Xtrain, Ytrain)
# print(clf.feature_importances_)y_predict = clf.predict(Xtest)
acc = accuracy_score(Ytest, y_predict)print("Accuracy score: {}".format(acc))
print(classification_report(Ytest, y_predict))

3. 显著性检验

显著性检验分成四步

读取numpy数组
将numpy数组转化成pandas数组
使用函数进行anova分析，首先进行主观效应，其次进行多重比较检验
根据结果判断是否影响是否显著

"""
@author:fuzekun
@file:anova.py
@time:2022/10/12
@description: 方差分析
"""import pandas as pd
import numpy as np
from statsmodels.formula.api import ols
from scipy import stats
import statsmodels.api as sm
import matplotlib.pyplot as pltfeature_name_list = []
for i in range(45) :feature_name_list.append('f' + str(i))
# print(feature_name_list)data_array = np.load("result/X.npy")
label_array = np.load("result/y.npy")data_df = pd.DataFrame(data_array, columns=feature_name_list)
data_df['target'] = label_array# print(data_df)
# print(label_df)
formula = 'target ~ '
for i, x in enumerate(feature_name_list):if i != len(feature_name_list) - 1 :formula += x + '+'else :formula += x# print(data_df['f0'])
tired_anova = sm.stats.anova_lm(ols(formula,data = data_df).fit(),typ = 3)
print(tired_anova)

可以看到，上面的f0, f2, f4的远远小于了0.05, 也就是说拒绝了原假设，选择备择假设，可以说这些都是和target的相关性较强的点。

4. 多文件测试

1. 文件选择

使用了7个文件，选择了每一个文件的公共通道进行训练。部分脑电的图片如下所示：

2. 精确度分析

使用7个文件分类效果如下所示：精确度78%

3. anova分析

可以看到显著性较为明显

4. 可扩展性

1. 抽取代码

Json文件中存放了原始的标签。可以通过下面的代码生成，也可以直接进行编写。

"""
@author:fuzekun
@file:generateLabelFile.py
@time:2022/10/12
@description: 由原始标签生成每一个用户的id:label对应的set
"""
from collections import defaultdict
from json import dump, loadrawlabelFile = "result/rawLabel.json"# 文件夹下面的名字
fileName = ["hxx.edf", "qyp.edf", "1_1.edf", "4_1.edf", "7_1.edf", "11_1.edf", "csk.edf"]
# 对应的label
raws = []
raw1 = [(4, 5), 6, 7, 7, 6, 6] # hxx
raw2 = [4, 6, 7, (7, 6), (7, 5),5] #qup
raw3 = [7, (9, 8), (5, 7), (5, 4), 4,  3] # 1_1
raw4 = [2, 5,  4,  5,  7,  8] # 4_1
raw5 = [7, 7,  8,  7,  6,  5] # 7_1
raw6 = [3, 5,  8,  6,  9,  5] # 11_1
raw7 = [3, 4,  5,  5,  6,  5] # cskraws.append(raw1)
raws.append(raw2)
raws.append(raw3)
raws.append(raw4)
raws.append(raw5)
raws.append(raw6)
raws.append(raw7)ans = dict(zip(fileName, raws))print(ans)with open(rawlabelFile, 'w') as fp:dump(ans, fp)with open(rawlabelFile, 'r') as fp:ans = load(fp)print(ans)

将label和特征的生成抽取成文件。

划分epoch的时间进行抽取
实验的时长，以及每一次询问的间隔。需要满足整数次
选择的通道进行抽取

"""
@author:fuzekun
@file:extractFetures.py
@time:2022/10/12
@description: 特征提取
"""
import os
from json import loadimport numpy as np
import mne
from mne.time_frequency import psd_welch### 原始的标签放在了rawLable.json文件中，可以进行编写，也可以直接修改generateLableFile生成。dataFilePath = "D:/data/eeg"
rawLabelFile = "result/rawLabel.json"
save_X = "result/X.npy"
save_y = "result/y.npy"
ch_name = ['FCz', 'Pz', 'Fpz', 'Cz', 'C1', 'C2', ]def extractFeture(dataFile:str, ch_name:list, spliteT:int, totalT:int):"""根据文件和chnnel提取特征dataFile: 文件名ch_name: 通道名称spliteT:划分的时间stotalT: 总时长hreturn: 返回特征numpys数组totalT * 3600 / spliteT一定要能整除。"""# ############# 1. 读取文件 #################raw = mne.io.read_raw(dataFile, preload=True)# ############ 2. 预处理 ###################### # 过滤防止0的干扰raw.filter(l_freq=0.1, h_freq=40)# # 选择通道alllist = ['Fpz', 'Fp1', 'Fp2', 'AF3', 'AF4', 'AF7', 'AF8', 'Fz', 'F1', 'F2', 'F3', 'F4', 'F5', 'F6', 'F7', 'F8','FCz', 'FC1', 'FC2', 'FC3', 'FC4', 'FC5', 'FC6', 'FT7', 'FT8', 'Cz', 'C1', 'C2', 'C3', 'C4', 'C5', 'C6','T7', 'T8', 'CP1', 'CP2', 'CP3', 'CP4', 'CP5', 'CP6', 'TP7', 'TP8', 'Pz', 'P3', 'P4', 'P5', 'P6', 'P7','P8', 'POz', 'PO3', 'PO4', 'PO5', 'PO6', 'PO7', 'PO8', 'Oz', 'O1', 'O2', 'ECG', 'HEOR', 'HEOL', 'VEOU','VEOL']goodlist = ch_namegoodlist = set(goodlist)badlist = []for x in alllist:if x not in goodlist:badlist.append(x)# picks = mne.pick_channels(alllist, goodlist, badlist)# raw.plot(order=picks, n_channels=len(picks))for x in badlist:raw.info['bads'].append(x)# ############## 2. 切分成epochs ################epochs = mne.make_fixed_length_epochs(raw, duration=spliteT, preload=False)# ############# 3 特征提取 ##################def eeg_power_band(epochs):"""脑电相对功率带特征提取该函数接受一个""mne.Epochs"对象，并基于与scikit-learn兼容的特定频带中的相对功率创建EEG特征。Parameters----------epochs : EpochsThe data.Returns-------X : numpy array of shape [n_samples, 5]Transformed data."""# 特定频带FREQ_BANDS = {"delta": [0.5, 4.5],"theta": [4.5, 8.5],"alpha": [8.5, 11.5],"sigma": [11.5, 15.5],"beta": [15.5, 30]}psds, freqs = psd_welch(epochs, picks='eeg', fmin=0.5, fmax=30.)# 归一化 PSDs,这个数组中含有0元素，所以会出现问题，正确的解决方式，从epoch中去除或者从数组中去除# psds = np.where(psds < 0.1, 0.1, psds)# sm = np.sum(psds, axis=-1, keepdims=True)# psds = numpy.divide(psds, sm)psds /= np.sum(psds, axis=-1, keepdims=True)X = []for fmin, fmax in FREQ_BANDS.values():psds_band = psds[:, :, (freqs >= fmin) & (freqs < fmax)].mean(axis=-1)X.append(psds_band.reshape(len(psds), -1))return np.concatenate(X, axis=1)ans = eeg_power_band(epochs)n = totalT * 3600 // spliteT# 截取前n个数据if ans.shape[0] > n:ans = ans[:n]print(ans.shape)return ansdef extractLabel(raw, n, spliteY, splitT, totalT):"""raw:原始标记n: 特征的数量spliteY: 划分的阈值splitT: 划分epoch的时间 stotalT: 总时常 h"""# 总共有多少段，然后每一个标签应该对应多少段# 注意这个一定要能整除，否则出现标签数量过少的情况splitTime = totalT * 3600 // splitT // len(raw)label = []for i, x in enumerate(raw):med = min(n, (i + 1) * splitTime)mbg = i * splitTimeif (str.isdigit(str(x))):x = 0 if x <= spliteY else 1  # [1,4]打成0，否则打成1for _ in range(mbg, med):label.append(x)else:  ## 一次回答两个数值的情况x, y = xx = 0 if x <= spliteY else 1y = 0 if y <= spliteY else 1for _ in range(mbg, mbg + splitTime // 2):label.append(x)for _ in range(mbg + splitTime // 2, med):label.append(y)return labeldef extract(filePath, splitT, totalT, spliteY, ch_name) : # 提取文件夹下的全部efg作为训练集，同时进行标签的填充X = []y = []with open(rawLabelFile, 'r') as fp:AllRawLabels = load(fp)for fileName in os.listdir(filePath):print('##################' + fileName + '###################')file = os.path.join(filePath, fileName)if not os.path.isfile(file): continuefeatures = extractFeture(file, ch_name, splitT, totalT)rawLabel = AllRawLabels[fileName]labels = extractLabel(rawLabel, len(features), spliteY, splitT, totalT)print(len(features), len(labels))X.extend(list(features))y.extend(labels)return X, yX, y = extract(dataFilePath, 30, 2, 4, ch_name)
X, y = np.array(X), np.array(y)
print(X.shape, y.shape)
np.save(save_X, X)
np.save(save_y, y)

2. 有待扩展

应该从excel文件中直接读取，但是没有这样做，还需要手动写。
实验如果有中断，每一个文件的时常会变化，单是extract()函数默认每一个文件的时长和划分的间隔都是一样的。可以修改extract函数，将每一个文件的时长形成列表。然后分别extractLable和extractFeatur

数据分析实战＜一＞脑电(EEG)分析相关推荐

脑电EEG代码开源分享【6. 分类模型-深度学习篇】
往期文章希望了解更多的道友点这里 0. 分享[脑机接口 + 人工智能]的学习之路 1.1 . 脑电EEG代码开源分享 [1.前置准备-静息态篇] 1.2 . 脑电EEG代码开源分享 [1.前置准备- ...
Python + 大数据 - 数仓实战之智能电商分析平台
Python + 大数据 - 数仓实战之智能电商分析平台 1. 项目架构 2. 数据仓库维度模型设计-事实表事实表的特征:表里没有存放实际的内容,他是一堆主键的集合,这些ID分别能对应到维度表中的一 ...
Python数据分析实战：降雨量统计分析报告分析
本文的文字及图片来源于网络,仅供学习.交流使用,不具有任何商业用途,如有问题请及时联系我们以作处理. 以下文章来源于菜J学Python ,作者小小明最近遇到一个有点烧脑的需求,其实也不算烧pytho ...
用于穿戴脑机接口的脑电EEG传感芯片KS1092
脑科学和脑机接口作为前沿科学已成为多国未来发展的重点.脑电EEG芯片作为脑机接口的核心技术是引领脑科技的"智"高点,而国内在这一技术领域基本属于空白.由于脑电EEG信号十 ...
脑电(EEG)等公开数据集汇总
目录 EEG-Datasets 运动影像数据情绪识别数据误差相关电位(ErrP) 视觉诱发电位(VEPs) 事件相关电位(ERPs) 慢皮质电位(SCPs) 休息状态音乐与EEG 眨眼/眼动 M ...
【脑电(EEG)等公开数据集汇总】
链接1: 脑电(EEG)等公开数据集汇总该链接中包含: 运动想象数据情绪识别数据误差相关电位(ErrP) 视觉诱发电位(VEPs) 事件相关电位(E ...
脑电溯源分析/源定位 EEG source analysis / Localization
脑电溯源定位,即脑电逆向问题,是根据头表记录到的电位信号,反向推算出估计的脑内神经活动源的位置.方向和强度信息. 参考链接:脑电溯源定位本质上,脑电逆问题是非线性优化问题,考虑到计算的复杂性,因而近 ...
脑电EEG概念解释及深度学习结合
这篇文章,是我做完毕设写的,机器学习的脑电信号的四分类,基于python的代码. 基本的源码,论文讲解都有下载链接: 源码学习下面是过程中的经验吧,希望你能快速上手,快速有一些基础. 获取了数据还要 ...
脑电EEG常用的特征
最近学习有关脑电的一些基础知识,基于深度学习对脑电信号进行分类时,首先需要对脑电信号进行预处理(滤波等),这时一般不能将其作为数据进行学习,更常见的是提取脑电信号的特征,然后再用深度学习发掘特征与 ...

数据分析实战＜一＞脑电(EEG)分析