16接口脑电信号按时域提取特征用于分类的python代码

以下是一个示例的Python代码，用于提取脑电信号的时域特征并用于分类：

import numpy as np
from scipy.signal import butter, lfilter
from scipy.stats import kurtosis, skew

def extract_time_domain_features(signal):
    # 平均值
    mean = np.mean(signal)
    
    # 方差
    variance = np.var(signal)
    
    # 峰度
    kurt = kurtosis(signal)
    
    # 偏度
    skewness = skew(signal)
    
    # 返回提取的特征向量
    features = [mean, variance, kurt, skewness]
    return features

# 示例使用
# 假设有一个脑电信号数据，存储在一个一维数组中
eeg_signal = np.array([0.1, 0.2, 0.3, 0.4, 0.5])

# 使用带通滤波器滤波（可根据需要自定义滤波器参数）
lowcut = 0.5  # 低频截止频率
highcut = 30.0  # 高频截止频率
fs = 100.0  # 采样率

# 滤波器设计
nyquist = 0.5 * fs
low = lowcut / nyquist
high = highcut / nyquist
b, a = butter(4, [low, high], btype='band')
filtered_signal = lfilter(b, a, eeg_signal)

# 提取时域特征
features = extract_time_domain_features(filtered_signal)

# 打印特征向量
print(features)

请注意，此代码仅提供了一种常见的方法来提取脑电信号的时域特征。根据具体的需求和数据类型，您可能需要根据情况进行调整和修改。