脑电信号python

### 使用Python处理和分析脑电信号

#### 加载必要的库
为了有效地处理和分析脑电信号（EEG），可以使用多个专门设计用于生物医学信号处理的Python库。其中最常用的是`MNE-Python`，它提供了丰富的功能来读取、预处理以及可视化EEG数据。

import mne
from mne.datasets import sample

#### 数据加载与预处理
当涉及到实际的数据集时，通常会先从文件中导入原始记录。这些文件可能是EDF、BDF或其他格式。一旦加载完成，就需要执行一些基本的操作如滤波去除噪声、重采样调整频率等操作以提高后续分析的质量[^1]。

data_path = sample.data_path()
raw_fname = data_path + '/MEG/sample/sample_audvis_raw.fif'
raw_data = mne.io.read_raw_fif(raw_fname, preload=True)

# 应用带通滤波器移除不需要的频率成分
raw_data.filter(l_freq=1., h_freq=40.)

对于某些特定的应用场景可能还需要设定参考电极。如果不希望改变现有的参照方式，则可以通过设置参数`ref_channels=[]`来保持原状而不让软件默认添加额外的平均参考投影[^3]。

#### 频谱分析
频域特征提取是理解大脑活动模式的重要手段之一。通过对不同频段的能量分布情况进行考察可以帮助揭示潜在的认知过程或病理状态。

psds, freqs = mne.time_frequency.psd_welch(raw_data, fmin=1, fmax=40)
print(f"Power Spectral Density shape: {psds.shape}")

#### 特征工程与分类模型构建
在准备好了干净且具有代表性的训练样本之后就可以考虑采用机器学习方法来进行更深层次的任务了，比如情感识别。支持向量机(SVM)是一种广泛应用于此类问题的有效算法，在此之前需要准备好合适的输入矩阵X及其对应的标签y，并将其划分为训练集和测试集以便评估性能表现[^2]。

from sklearn.model_selection import train_test_split
from sklearn.svm import SVC
from sklearn.metrics import accuracy_score

# 假设我们已经有了经过适当转换后的特征向量 X 和对应的情绪类别 y
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)

clf = SVC(kernel='linear')
clf.fit(X_train, y_train)

predictions = clf.predict(X_test)
accuracy = accuracy_score(y_test, predictions)
print(f'Accuracy of the model is {accuracy*100:.2f}%')