目录
一、简要介绍
（一）材料与准备工具
数据集下载
数据集是国外团队实验数据（建议用FTP或者迅雷下载，减少不必要的时间）
这个团队邀请了54位实验人员，做了两天实验，里面有多个范式，只用MI范式就可以了
这个数据的文件名是sess01_subj1_EEG_MI.mat的格式
里面的sess表示是第几天的数据（session1和session2），subj表示被试者（实验人员）
下载地址：GigaDB Dataset – DOI 10.5524/100542 – Supporting data for “EEG Dataset and OpenBMI Toolbox for Three BCI Paradigms: An Investigation into …
工具箱下载
下载地址：http://openbmi.org
github：GitHub – PatternRecognition/OpenBMI: An open software package dedicated for the development of Brain-Computer Interfaces with various advanced pattern recognition algorithms
参考
这里给出其它作者的一篇博客，这个作者前面的东西非常详细，但是在分类器设计那里使用的是Matlab，不太适合所有人，但还是非常值得参考
参考链接：基于OpenBMI的运动想象分类_半個俗人的博客-CSDN博客_知乎openbmi
（二）OpenBMI工具箱介绍
这个工具箱是国外团队写的工具，使用的是Matlab，它相当于是一个集成的函数、类，使用的时候直接调用就可以了
比如这样，Load_MAT其实是它工具箱的函数
（三）数据集详细介绍
数据拆分
每一个文件，也就是单个session中的某一个subject，例如sess01_subj1_EEG_MI.mat，这个文件中其实包含了两个文件，通过Matlab读取的时候也能发现，一个是train，一个是test，但其实并不是真正意义上的训练集和测试集，train代表的是离线数据，test是在线数据（就是做实验的方式有些许区别），也就是这样理解
数据解读
读取数据后，得到这么一个struct数据（不管是train还是test），因为脑电信号是随时间变化的图像，以下为部分理解
X：输入，可知维度
t：取样时间，这里1X100，表示有100个取样点
fs：取样频率
y_dec：y标签，1表示左，2是右。（这里也知道是一个二分类问题了）
y_logic：y标签的逻辑值
y_class：y标签的类
class：类别
chan：通道数，1X62表示是62个通道
time_interval：采样持续时间，这里是4000ms
这个时候，我们能知道特征和标签，之后会经常提到trial（这个概念对后续数据划分设计很重要），实际上对应就是y标签的数量，这里实际上是进行了100次间歇性实验，所以有100个结果，那么，一个train或者test对应就是100个trial
二、预处理
（一）目标
看到x的维度非常奇怪，脑电信号有很多通道，自然是非常奇怪。我们要使用一些算法，把某些频率的信号进行增强，然后提取出其中重要的特征，然后作为处理后的输入。
常见的算法有CSP，FCSP等等，这些东西都已经集成在工具箱内，你需要看懂那些函数的输入和输出是什么，然后就可以对x进行滤波操作
（二）特征提取
代码
这里给出我预处理使用的代码，实际上这个代码是从工具箱提供者的论文中搬过来的，所以，有时间一定要去看看原作者的论文，其实他们写的一些东西也非常详细的，你也可以看到分类的准确率，可以与自己的做对比
另外，原作者在后面其实加上了LDA分类器，这个是Matlab实现的，所以就一起写进去了，loss是损失，也就是可以说是错误率
%读取数据集
[CNT_tr,CNT_te] = Load_MAT('./sess02_subj04_EEG_MI.mat');
%训练集预处理
CNT_tr = prep_selectChannels(CNT_tr,{'Index',1:20});%划分电极1到20
CNT_tr = prep_filter(CNT_tr,{'frequency',[8,30]});%划分频率8到30赫兹
SMT_tr = prep_segmentation(CNT_tr,{'interval',[1000,3500]});%数据分段，10ms分一段，为250X20X100（trials）
%得到SMT下一步数据
%测试集预处理
CNT_te = prep_selectChannels(CNT_te,{'Index',1:20});
CNT_te = prep_filter(CNT_te,{'frequency',[8,30]});
SMT_te = prep_segmentation(CNT_te,{'interval',[1000,3500]});
%CSP训练
[CSP_tr,CSP_W] = func_csp(SMT_tr,{'nPatterns',[2]});%csp空间滤波，得到滤波后的训练集、滤波参数，滤波评分
FT_tr=func_featureExtraction(CSP_tr,{'feature','logvar'});%对滤波后的训练集进行特征提取
CF_PARAW=func_train(FT_tr,{'classifier','LDA'});%训练LDA模型，得到分类器参数
%CSP测试
CSP_te = func_projection(SMT_te,CSP_W);%csp空间再滤波，得到滤波后的测试集
FT_te = func_featureExtraction(CSP_te,{'feature','logvar'});%对滤波后的测试集特征提取
cf_out = func_predict(FT_te,CF_PARAW);%输入分类器参数和滤波后的测试集特征，得到结果
loss = eval_calLoss(FT_te.y_dec,cf_out);%将测试集结果和滤波特征结果进行比对解释
然后你会发现在Matlab左侧出现了一堆变量
Matlab会存储你的每一行代码运行结果，这点我觉得比较可以的，然后，FT变量就是提取出来的特征变量（就是feature的缩写），比如FT_te
进入这个变量，你会发现某些变量变化了，比如x，现在变成了4X100大小，也就是说，CSP滤波提取出了4个特征。
你需要做的就是把这里的x和y_dec作为数据的特征和标签导出来
这里给出我的导出代码，这个也是Matlab代码
FT_tr_x = FT_tr.x;
FT_tr_y = FT_tr.y_dec;
save('E:\learning\data\train\sess02_subj04_FT_tr_x.mat',"FT_tr_x")
save('E:\learning\data\train\sess02_subj04_FT_tr_y.mat',"FT_tr_y")新建变量存储特征结构体中的x和y，然后用save函数导出（这里只是sess01_subj1_EEG_MI.mat，根据你需要多少trial，以及你的设计方式提取足够的特征数据）
三、分类器设计
（一）划分方式
假如我们把所有的数据集都已经提取过，然后我们需要对数据进行拼接和划分，确定哪些是模型的训练集和测试集，这里数据量仅仅使用前10个subj
这里介绍一下概念，不跨被试的意思就是，仅仅对单个被试者的数据进行建模和预测，不把其它的被试者数据拼接。跨被试的意思就是，将你手上被试者的数据拼接在一起，进行建模和预测
第一种不跨被试
10个分类器，把每个subj的train和test拼接在一起（也就是200个trial），作为不跨被试的数据集，然后对数据集进行交叉验证，至于是几折，则依据情况确定（这个概念不懂的自己去查）
第二种不跨被试
10个分类器，把每个subj的train和test拼接在一起（200个trial），然后以session01作为训练集，session02作为测试集
跨被试
1个分类器，把每个subj的train和test拼接在一起（200个trial），然后9个subj拼接在一起作为训练集，剩余一个作为测试集（其实是留一验证法）
（二）分类器
不跨被试
import pandas
from scipy.io import loadmat
from sklearn.model_selection import KFold
from sklearn.model_selection import cross_val_score
from sklearn.linear_model import LogisticRegression
from sklearn import svm
import pandas as pd
def preprocess(data):
for i in data.keys():
if i == "FT_tr_x":
data = data["FT_tr_x"]
elif i == "FT_tr_y":
data = data["FT_tr_y"]
elif i == "FT_te_x":
data = data["FT_te_x"]
elif i == "FT_te_y":
data = data["FT_te_y"]
else:
continue
data = pd.DataFrame(data)
data = data.T
return data
x1_train = loadmat("E:\\learning\\data\\train\\sess01_subj01_FT_tr_x.mat")
x1_train = preprocess(x1_train)
x2_train = loadmat("E:\\learning\\data\\test\\sess01_subj01_FT_te_x.mat")
x2_train = preprocess(x2_train)
x_train = pd.concat([x1_train,x2_train])
y1_train = loadmat("E:\\learning\\data\\train\\sess01_subj01_FT_tr_y.mat")
y1_train = preprocess(y1_train)
y2_train = loadmat("E:\\learning\\data\\test\\sess01_subj01_FT_te_y.mat")
y2_train = preprocess(y2_train)
y_train = pd.concat([y1_train,y2_train])
KF = KFold(n_splits=10,random_state=3,shuffle=True)
model = svm.SVC(C=10,kernel='linear',probability=True)
score_accuracy1 = cross_val_score(model,x_train,pd.DataFrame(y_train).values.ravel(),cv=KF,scoring='accuracy',n_jobs=-1)
print(f"SVM准确率:{score_accuracy1.mean()}")
log = LogisticRegression(max_iter=1000)
score_accuracy2 = cross_val_score(log,x_train,pd.DataFrame(y_train).values.ravel(),cv=KF,scoring='accuracy',n_jobs=-1)
print(f"LOG准确率:{score_accuracy2.mean()}")这里仅仅给出不跨被试的python代码，跨被试的代码太多，平台撰写的时候崩了，不放这里
里面可以看到文件读取操作，这个是绝对路径，如果想让代码正常运行，建议新建一样路径下的文件夹，然后把特征数据这些也放到对应的位置，或者就自己改地址，改到自己电脑中放的位置
我对原特征矩阵进行了转置，因为正常来说列表示特征，行表示样本量，4X100的x就变成了100X4
里面的SVM和Logistic是sklearn中的模型，没有仔细调参，只设置了惩罚系数、最大收敛值、核函数这些，实际上一个模型变量很多（这里建议熟悉机器学习的自己建模，毕竟你已经的到特征和标签了）
这里给出一个sklearn机器学习库的参考博客：【Sklearn】【API详解】【SVM】sklearn.svm.SVC参数详解（一）_拾夕er的博客-CSDN博客_sklearn.svm.svc
最后给出我的源代码链接：
链接：百度网盘 请输入提取码
提取码：2023
文章出处登录后可见！
