对脑电信号采用STFT提取特征分类的python实例

短时傅里叶变换（STFT）是一种分析非平稳信号的常用方法，它通过将信号分解为一系列短时间窗口上的频谱，从而得到信号随时间变化的频率信息。在脑电信号（EEG）处理中，STFT可以用于提取时间-频率特征，这些特征随后可以用于分类等机器学习任务。

以下是一个简单的Python实例，展示了如何使用STFT来提取脑电信号特征，并为后续的分类任务准备数据：

import numpy as np
import matplotlib.pyplot as plt
from scipy.signal import stft, spectrogram
from sklearn.preprocessing import StandardScaler
from sklearn.ensemble import RandomForestClassifier
from sklearn.model_selection import train_test_split
from mne import create_info, EpochsArray

# 假设我们有一个二维数组data，其中每一行代表一个脑电通道的时间序列数据
# data.shape == (通道数, 时间点数)
data = np.random.randn(32, 1000)  # 生成一个随机的脑电信号数据

# 创建一个模拟的事件数组，用于定义分类标签（例如，0或1）
labels = np.array([0, 1])  # 假设有两种不同的状态或类别

# 将脑电信号数据转换为mne的EpochsArray对象，方便后续处理
info = create_info(ch_names=range(data.shape[0]), sfreq=100, ch_types='eeg')
epochs = EpochsArray(data, info, tmin=0, verbose=False)

# 定义STFT参数
n_fft = 512  # 傅里叶变换的点数
fs = 100  # 采样频率

# 对每个通道进行STFT
stft_features = []
for ch_idx in range(data.shape[0]):
    # 对当前通道数据进行STFT
    f, t, Zxx = stft(data[ch_idx, :], fs=fs, n_fft=n_fft, return_onesided=True)
    
    # 从STFT结果中提取特征，例如取模后的幅值
    feature_matrix = np.abs(Zxx)  # 转换为幅度谱
    
    # 将特征矩阵展平，以便于后续处理
    stft_features.append(feature_matrix.flatten())

# 将特征堆叠起来，形成一个二维数组，每行对应一个样本的特征向量
stft_features = np.vstack(stft_features)

# 将标签与特征对齐
label_idx = 0
X = []
y = []
for label in labels:
    X.append(stft_features[label_idx])
    y.append(label)
    label_idx += len(data) // len(labels)

X = np.array(X)
y = np.array(y)

# 数据标准化
scaler = StandardScaler()
X_scaled = scaler.fit_transform(X)

# 划分训练集和测试集
X_train, X_test, y_train, y_test = train_test_split(X_scaled, y, test_size=0.2, random_state=42)

# 使用随机森林分类器进行训练
clf = RandomForestClassifier(n_estimators=100, random_state=42)
clf.fit(X_train, y_train)

# 对测试集进行分类预测
y_pred = clf.predict(X_test)

# 打印分类准确率
print('分类准确率:', np.mean(y_pred == y_test))

在这个实例中，我们首先模拟生成了一个脑电信号数据集，然后使用STFT来提取每个通道的时间-频率特征，并将特征展平后用于训练随机森林分类器。最后，我们在测试集上评估了分类器的性能。