沃·夏澈德的博客

【代码】MNE绘制自定义通道位置及名字的脑地形图。

共空间模式 （CSP）python 实现

BCI4-2b研究进展论文年份方法数据选取精度(%)kappa备注Feature Extraction of EEG Signal by Power Spectral Density for Motor Imagery Based BCI2021PSD；LDA按每个sub来，各做各的。没有说明训练集和测试集的划分，言语间应该是按比赛那边的来。740.52RFNet: Riemannian Fusion Network for EEG-based Brain-

pip install PyWavelets

效果图t = np.arange(0,time,1.0/sampling_rate)wavename = 'morl' # "cmorB-C" where B is the bandwidth and C is the center frequency.totalscal = 64 # scale fc = pywt.central_frequency(wavename) # central frequencycparam = 2 * fc * totalscalscale

网上找的def butter_bandpass(lowcut, highcut, fs, order): nyq = 0.5*fs low = lowcut/nyq high = highcut/nyq b, a = signal.butter(8, [low, high], 'bandpass') return b, adef butter_bandpass_filter(data, lowcut, highcut, fs, order): b

from scipy import signalb,a=signal.butter(8,[(8*2/128),(32*2/128)],'bandpass')buffer_x_test=signal.filtfilt(b,a,data,axis=0)butter：过滤8-32Hz的信号，128为采样率，8是阶数，’basspass‘是带通滤波。filtfilt：数据格式不系不大，关键axis得对应到time那一维就好。...

其实是一种降维方法，将原始数据投影到CSP空间中，在该投影方向上，一类信号的方差被 极大化，一类极小化。学习资料：运动想象中共空间模式算法（CSP）的实现_zhoudapeng01的专栏-优快云博客_csp算法...

在使用深度学习模型对数据进行分类时，出现loss=nan的现象。原因：数据中有接近0的坏数据或者Nan例如：解决方法：去掉就好nan的检测与去除可以参考此处。

# get CSP featurefrom mne.decoding import CSPcsp = CSP(n_components=10, reg=None, log=True, norm_trace=True)csp_train = csp.fit_transform(train_data, train_label)'''其中 train_data 的格式为[trial,time,channel]；train_label的为[trial,]'''详情可以参考mne官网 文档.

'''画图，输入多条数据，进行可视化对比。建议10以内。'''import plotly.graph_objs as goimport numpy as npfrom plotly.subplots import make_subplotsdef plot_various_chns(data,names = []): ''' 画图，输入多条数据，进行可视化对比。建议10以内。 @Input: data: list,要画的数据 .

参考论文：Thestudy ofc0complexityonepilepticabsenceseizuredef C0_complexity(single): ''' 计算C0复杂度 ''' x = fft(single) N = x.shape[0] avgx = np.average(x) # 计算幅度谱的平均值 new_x = [] for i in x: if abs(i) &g...

import mathimport numpy as npdef shannon_entropy(single,k): ''' single:1-D信号 k: 分多少个bin ''' numofx = single.shape[0] maxV = np.max(single) minV = np.min(single) bin = np.linspace(minV,maxV,k+1) bin_numx = [0].