SEED脑电数据集的预处理python

SEED脑电数据集的预处理主要包括以下步骤：

1. 导入数据：使用Python中的pandas库读取SEED脑电数据集的CSV文件，将数据存储到DataFrame中。

2. 数据清洗：删除无用的列和行，去除缺失值和异常值，确保数据的质量。

3. 信号滤波：使用滤波器对原始脑电信号进行预处理，去除高频和低频噪声。

4. 信号分割：将连续的脑电信号分割成一段段固定长度的小块，以便进行后续处理。

5. 特征提取：从每个小块中提取出有意义的特征，如功率谱密度、时域特征、频域特征等。

6. 数据标准化：对提取出的特征进行标准化处理，以消除不同特征之间的量纲差异，使得它们可以进行比较。

7. 数据降维：使用PCA等降维算法将高维特征映射到低维空间中，以减少数据的维度和复杂度。

8. 数据划分：将处理后的数据划分为训练集、验证集和测试集，以便进行模型训练和测试。

9. 数据保存：将处理后的数据保存到本地文件中，以便后续使用。

下面是使用Python代码实现SEED脑电数据集的预处理的示例：

import pandas as pd
import numpy as np
from scipy import signal
from sklearn.decomposition import PCA

# 导入数据
data = pd.read_csv('SEED.csv')

# 数据清洗
data.drop(['Unnamed: 0', 'id'], axis=1, inplace=True)  # 删除无用的列
data.dropna(inplace=True)  # 删除缺失值
data = data[(data['label'] == 1) | (data['label'] == 2)]  # 只保留正常和精神异常的数据

# 信号滤波
fs = 256  # 采样频率
lowcut = 0.5  # 低通滤波截止频率
highcut = 30  # 高通滤波截止频率
order = 4  # 滤波器阶数

def butter_bandpass_filter(data, lowcut, highcut, fs, order):
    nyq = 0.5 * fs
    low = lowcut / nyq
    high = highcut / nyq
    b, a = signal.butter(order, [low, high], btype='band')
    y = signal.filtfilt(b, a, data)
    return y

data['filtered'] = data['eeg'].apply(lambda x: butter_bandpass_filter(x, lowcut, highcut, fs, order))

# 信号分割
segment_length = 256  # 分段长度
segments = []

for i in range(0, len(data), segment_length):
    segment = data.iloc[i:i+segment_length]
    if len(segment) == segment_length:
        segments.append(segment)

# 特征提取
def extract_features(segment):
    power, freqs = psd(segment['filtered'], fs=fs, nperseg=256, noverlap=128)
    mean_power = np.mean(power, axis=0)
    max_power = np.max(power, axis=0)
    min_power = np.min(power, axis=0)
    std_power = np.std(power, axis=0)
    skew_power = skew(power, axis=0)
    kurt_power = kurtosis(power, axis=0)
    features = np.concatenate([mean_power, max_power, min_power, std_power, skew_power, kurt_power])
    return features

X = np.array([extract_features(segment) for segment in segments])
y = np.array([segment['label'].iloc[0] for segment in segments])

# 数据标准化
from sklearn.preprocessing import StandardScaler

scaler = StandardScaler()
X_scaled = scaler.fit_transform(X)

# 数据降维
pca = PCA(n_components=10)
X_pca = pca.fit_transform(X_scaled)

# 数据划分
from sklearn.model_selection import train_test_split

X_train, X_test, y_train, y_test = train_test_split(X_pca, y, test_size=0.2, random_state=0)

# 数据保存
np.savez('SEED_processed.npz', X_train=X_train, y_train=y_train, X_test=X_test, y_test=y_test)