這篇文章，是我做完畢設寫的，機器學習的腦電信號的四分類，基於python的代碼。QQ1281037486,歡迎交流。
下面是過程中的經驗吧，希望你能快速上手，快速有一些基礎。
獲取了數據還要讀懂數據，週期，時間，採樣頻率，通道等等信息，可以通過說明文檔，一般數據都會有。或者用matlab打開數據集來獲取。
一、腦電信號數據
開源數據集，注意數據的格式，我用過，mat，gdf，以前都沒處理過這種格式的數據。
1、非常好用的腦電信號數據集，BNCI地平線2020：http://bnci-horizon-2020.eu/database/data-sets
裏面包括BCI競賽的數據等等26個，可以直接單個下載。
2、BCI競賽的數據集：http://www.bbci.de/competition/
使用：進去某一年的競賽數據，找到下載數據集。填寫好信息，會發送一個下載鏈接給你的郵箱，還有登陸的賬號和密碼。
3、 https://github.com/meagmohit/EEG-Datasets
2、數據的讀取
https://mne-tools.github.io/stable/index.html
用於探索，可視化和分析人類神經生理學數據的開源Python軟件：MEG，EEG，sEEG，ECoG等。
3、算法的庫
小波變換的庫
https://pywavelets.readthedocs.io/en/latest/#
4、一些基礎概念
人腦具有電活動是Hans Berger於1924年首先檢測到的，並將這種檢測方法命名爲腦電圖（electroencephalo-graph，EEG）。腦電信號主要由皮質內大量神經元突觸後電位同步總和形成，是很多神經元共同活動的結果。傳統腦電信號分析大多由專家根據經驗辨別僞差目測完成，並根據腦電圖波形的幅度、頻率和瞬態分佈等給出評價。這使對腦電信號的特徵提取與分析停留在主觀水平上。傅立葉變換進行腦電圖分析後，相繼引入頻域分析、時域分析等腦電圖分析的經典處理方法，腦電信號的處理理論與方法均有較大的進展。
採樣頻率，也稱爲採樣速度或者採樣率，定義了每秒從連續信號中提取並組成離散信號的採樣個數，它用赫茲（Hz）來表示。採樣頻率的倒數是採樣週期或者叫作採樣時間，它是採樣之間的時間間隔。通俗的講採樣頻率是指計算機每秒鐘採集多少個聲音樣本，是描述聲音文件的音質、音調，衡量聲卡、聲音文件的質量標準。
通俗的講採樣頻率是指計算機每秒鐘採集多少個樣本（樣本點）。採樣頻率越高，即採樣的間隔時間越短，則在單位時間內計算機得到的聲音樣本數據就越多，對聲音波形的表示也越精確。採樣頻率與聲音頻率之間有一定的關係，根據奈奎斯特理論，只有採樣頻率高於聲音信號最高頻率的兩倍時，才能把數字信號表示的聲音還原成爲原來的聲音。
腦信息解碼被廣泛用於腦機接口系統（brain computer interface system, BCIs）
腦機接口（英語：brain-computer interface，簡稱BCI；有時也稱作direct neural interface或者brain-machine interface），是在人或動物腦（或者腦細胞的培養物）與外部設備間創建的直接連接通路。在單向腦機接口的情況下，計算機或者接受腦傳來的命令，或者發送信號到腦（例如視頻重建），但不能同時發送和接收信號[1]。而雙向腦機接口允許腦和外部設備間的雙向信息交換。
BCIs主要包括信號採集，信號特徵提取和模式分類三個部分
信號採集
腦信息記錄信號分爲侵入式或非侵入式
侵入式腦機接口
侵入式腦機接口主要用於重建特殊感覺（例如視覺）以及癱瘓病人的運動功能。此類腦機接口通常直接植入到大腦的灰質，因而所獲取的神經信號的質量比較高。但其缺點是容易引發免疫反應和愈傷組織（疤），進而導致信號質量的衰退甚至消失。
非侵入式腦機接口
優點：非入侵式腦機接口具有良好的時間分辨率、易用性、便攜性和相對低廉的價格。
缺點：雖然這種非侵入式的設備方便佩戴於人體，但是由於顱骨對信號的衰減作用和對神經元發出的電磁波的分散和模糊效應，記錄到信號的分辨率並不高。這種信號波仍可被檢測到，但很難確定發出信號的腦區或者相關的單個神經元的放電。存在較低的信噪比和空間分辨率等問題。
範式
它指的是一個共同體成員所共享的信仰、價值、技術等等的集合。指常規科學所賴以運作的理論基礎和實踐規範，是從事某一科學的研究者羣體所共同遵從的世界觀和行爲方式。開展科學研究、建立科學體系、運用科學思想的座標、參照系與基本方式，科學體系的基本模式、基本結構與基本功能。
實驗範式
實驗範式即相對固定的實驗程序。在許多領域尤其是心理學中，爲了驗證某種假設，以及發現某些有意思的現象。實驗者會設計具有驗證性目的的實驗。有些實驗比較經典，被有相同或類似目的的後來人多次沿用，就形成了一種實驗範式。實驗範式包括實驗的目的、具體流程、手段以及是被試內還是被試間或者是混合實驗設計等。用一句話講就是：實驗範式在具體的實驗中可以做爲模板，並根據自己的新要求進行修改。比如，在決策心理學中，經典的實驗範式有：愛荷華博弈任務、劍橋博弈任務等。
兩個腦電方面的實驗範式
1、MI
運動想象（Motor Imagery, MI）是利用自發腦電信號實現無動作人機交互的一種重要BCI實驗範式
2、SSVEP
穩態視覺誘發電位 （英語：Steady state visually evoked potential, SSVEP） 是指大腦對於特定頻率的視覺刺激會誘發的訊號。當視網膜接收到 3.5Hz 至 75Hz 的視覺刺激，大腦會產生和視覺刺激相同頻率或倍數頻率的電氣活動[
在概述國內外穩態視覺誘發電位腦機接口技術研究的基礎上，針對傳統穩態視覺誘發電位 (SSVEP)在腦一機接口(BCI)系統應用中存在的問題，在範式設計方面，分別提出了基於牛頓環、高 頻組合編碼和幅值調製的SSVEP的3種BCI範式。
10-20系統電極位置
世界上絕大多數實驗室採用的是國際10-20系統(the 10-20 international System)電極放置法
其特點是：
電極有各自的名稱：位於左側的是奇數，右側的是偶數。
按近中線的用較小的數字，較外側的用較大的數字。
電極名稱包括電極所在頭部分區的第一個字母。
諸點電極的間隔均以10%和20％來測量
二個電極間電位差變化的形式 謂之波形。
二個相同的波連續出現，謂之電活動 。
三個以上大小、形狀相同的腦波稱之爲節律。
大腦皮質分區
腦電圖、腦波圖（英語：Electroencephalography, EEG）是透過醫學儀器腦電圖描記儀，將人體腦部自身產生的微弱生物電於頭皮處收集，並放大記錄而得到的曲線圖。
腦電解碼
腦電解碼是通過對原始腦電信號進行預處理，特徵提取然後分類識別的過程
腦機接口系統中EEG信號特徵提取與分類（http://www.wanfangdata.com.cn/details/detail.do?_type=perio&id=wjsjxx200818108）
推薦一個微信公衆號：https://mp.weixin.qq.com/s/NVDAGZjxc4SmIINRCYRL_g
預處理
將從頭皮表層採集到的含有大量外界及內源干擾噪聲的腦電進行提純，保留下與腦活動有關的主要信息成分。
（1）信號濾波
由於腦電信號信噪比較低，內含大量外界干擾噪聲(設備儀器工頻干擾等)和僞跡成分（人體內部振盪引起的非腦電信號，如眼動，心跳等）。外界干擾噪聲頻率較高，可以利用濾波器分離，但人體內部引起的僞跡成分與腦電有效成分的頻率接近，需要用其他預處理方法進行濾除。
（2）信號分割
對於連續的腦電信號，我們只關心包含運動想象信息的部分
（3）僞跡去除
針對採集的腦電數據中可能存在的眨眼、心電、肌電等僞跡干擾問題
主成分分析法（PCA）、獨立成分分析法（ICA）、
特徵提取
特徵提取是將相關的信號特徵與無關的成分分開，並以緊湊或有一定意義的形式表達的過程
ERD and ERS
兩篇相關的文獻
The blocking of the rolandic wicket rhythm and some central changes related to movement-
作者：Gian EmilioChatrianM.D.Magnus C.PetersenM.D.Jorge A.LazarteM.D.
Event-related cortical desynchronization detected by power measurements of scalp EEG.
作者：PFURTSCHELLER,G.
事件相關去同步化（event-related desynchronization，ERD）和事件相關同步化（event related synchronization，ERS）是研究腦功能信號有用的分析方法（http://news.medlive.cn/ns/info-progress/show-145145_181.html）
Phenomena reflecting sensorimotor brain activity resulting in an amplitude decrease (ERD) or increase (ERS) of oscillatory components.
當某一皮層區域活躍起來, 特定頻率的節律性活動表現爲幅度的降低，生理現象稱作 事件相關去同步化（event-related desynchronization，ERD）
在大腦靜息或者惰性狀態下表現出明顯波幅增高，事件相關同步化（event related synchronization，ERS）
首先報道alpha去同步化活動的是 Berger的先驅性工作，又稱爲"alpha波阻滯"。之後Gastaut和Chatrian等發現10Hz的去同步化活動與手運動密切相關， 而且僅侷限於運動皮質的Rolantic區 。 由於10Hz與運動系統的特異性，這些學者將10Hz命名爲“rolantic mu rhythms”或者“central mu rhythms”，也就是mu節律。其後Pfurscheller等將alpha頻譜去同步化的現象作稱作ERD，並進行了大量與運動相關作業的研究，他們進一步證實不僅alpha頻譜而且beta頻譜對運動具有反應敏感的特點 。與此同時，他們還發現與ERD 截然不同的現象 ，alpha和beta頻譜在大腦靜息或惰性狀態下表現出明顯波幅增高的電活動，將其稱爲事件相關同步化（event related synchronization，ERS）
在時序信號上出現的幅度增減變化即是時域特徵
PFURTSCHELLER和ANDREW在1999年證實在單手準備和執行運動時，對側感覺運動皮質腦電信號中α頻段（8~12Hz）和β頻段（13~30Hz）出現振幅降低，並稱爲ERD，代表受激活的皮質腦電信號振幅減低。同時，運動手同側的腦皮質信號中α頻段（8~12Hz）和β頻段（13~30Hz）出現振幅增加，稱爲ERS，代表相應皮質在靜息狀態下出現波幅增高。
研究表明，大腦在想象或實施動作時均能顯著地改變所誘發 ERP信號內某些特徵頻段成分 （ 如α波、β波和 µ 節律 ）的功率譜強弱比率.這一現象被稱爲事件相關去同步（ event related desynchronization，ERD ） 或事件相關同步 （ event related synchronization，ERS ） 現象 [3-4] ．ERD對應於功率譜比率下降，ERS 則對應於功率譜比率上升．並且，對應於大腦主觀想象肢體動作思維和作業提示所誘發被動思維的 ERD／ERS 在具體表現特徵頻段和運動皮層區域均有所不同．例如，對應於手部運動的 ERD 多發生在 10～11,Hz 及 20～24,Hz 頻段，而與足部運動有關的 ERD 則常見於 7～8,Hz 與20～24,Hz 頻段 [4] ．
當某一皮層區域活躍起來, 特定頻率的節律性活動表現爲幅度的降低或稱爲事件相關去同步(event-related desynchronization, ERD);當某一活動在一定時刻沒有使相關皮層區域明顯地活躍起來 ,特定頻率就表現爲幅度升高或稱爲事件相關同步(event-related synchronization, ERS)。運動感覺區的固有頻率就是典型的 EEG 局部分量 , 如 μ(mu)、中心β和α節律
時域分析的常用分析方法有方差分析、相關分析以及微分、積分、直方圖、峯值檢驗等
ERD/ERS量化方法
方法包括：經典頻帶功率法、試用方差法、自迴歸模型和頻譜分解法、時間頻譜演化方法、任務相關能量的增減方法、柯氏複雜性和傅里葉譜熵。除柯氏複雜性和傅里葉譜熵是非線性測量之外，其他都是鑑於該頻帶的功率熵
功率譜分析是頻域特徵分析的主要手段
基於公共空間模式(common spatial Pattem，CSP)的方法對基於事件相關去同步的運動相關電位的信號特徵提取具有很好的分離效果。但是由於EEG信號信噪比很低，單純依靠CSP提取特徵是不夠的，還需要利用數據驅動的方法作進一步處理．從數據中
提取特徵規律。特徵提取分爲三步，首先是CSP濾波，接下來是連續小波(continuous wavelet transform，CWT)分析，最後採用T加權方法提取特徵。
支持向量機(support Vector Machines，SVM)，是在高維特徵空間使用線性函數假設空間的學習系統，該方法已成功應用於多維模式識別的分類和迴歸。近些年來，研究人員開始將其應用於事件相關的EEG信號的處理，同樣取得了比較理想的分類效果。我們將該算法應用於運動想象實驗範式，算法性能較爲突出，在小樣本的情況下識別正確率較高。
2001 年 Litt 提出了積累能量算法並分析了癲癇發作前後的能量變化，實驗結果表明癲癇發作期前能量發生了明顯的變化，而且結果的正確性還比較高 [4, 15] 。
模式識別
模式識別過程是預先用提取的特徵訓練識別模型，讓識別模型學習並對特徵保留下“記憶”，以便以後遇到類似特徵的數據能夠快速判別出
目前常用於MI-EEG的分類方法主要有線性判別分析 (linear discriminant analysis，LDA)、樸素貝葉斯(Naive Bayes，NB) 、支持向量機(Support Vector Machine, SVM)和基於反向傳播(BackPropagation，BP)的神經網絡
神經網絡，進一步的深度神經網絡
CNN,RNN,LSTM,GAN等等
GAN
Generative Adversarial Network，就是大家耳熟能詳的 GAN，由 Ian Goodfellow 首先提出
什麼是生成（generation）？就是模型通過學習一些數據，然後生成類似的數據。讓機器看一些動物圖片，然後自己來產生動物的圖片，這就是生成。
discriminator 就是一個二分類器
（一）
主要流程類似上面這個圖。首先，有一個一代的 generator，它能生成一些很差的圖片，然後有一個一代的 discriminator，它能準確的把生成的圖片，和真實的圖片分類，簡而言之，這個 discriminator 就是一個二分類器，對生成的圖片輸出 0，對真實的圖片輸出 1。
接着，開始訓練出二代的 generator，它能生成稍好一點的圖片，能夠讓一代的 discriminator 認爲這些生成的圖片是真實的圖片。然後會訓練出一個二代的 discriminator，它能準確的識別出真實的圖片，和二代 generator 生成的圖片。以此類推，會有三代，四代。。。n 代的 generator 和 discriminator，最後 discriminator 無法分辨生成的圖片和真實圖片，這個網絡就擬合了。
（二）
GAN的基本原理其實非常簡單，這裏以生成圖片爲例進行說明。假設我們有兩個網絡，G（Generator）和D（Discriminator）。正如它的名字所暗示的那樣，它們的功能分別是：
- G是一個生成圖片的網絡，它接收一個隨機的噪聲z，通過這個噪聲生成圖片，記做G(z)。
- D是一個判別網絡，判別一張圖片是不是“真實的”。它的輸入參數是x，x代表一張圖片，輸出D（x）代表x爲真實圖片的概率，如果爲1，就代表100%是真實的圖片，而輸出爲0，就代表不可能是真實的圖片。
在訓練過程中，生成網絡G的目標就是儘量生成真實的圖片去欺騙判別網絡D。而D的目標就是儘量把G生成的圖片和真實的圖片分別開來。這樣，G和D構成了一個動態的“博弈過程”。
最後博弈的結果是什麼？在最理想的狀態下，G可以生成足以“以假亂真”的圖片G(z)。對於D來說，它難以判定G生成的圖片究竟是不是真實的，因此D(G(z)) = 0.5。
這樣我們的目的就達成了：我們得到了一個生成式的模型G，它可以用來生成圖片。