MetaBCI：15分钟跑通第一个脑机接口实验的 Python 开源平台

MetaBCI15分钟跑通第一个脑机接口实验的 Python 开源平台【免费下载链接】MetaBCIMetaBCI: China’s first open-source platform for non-invasive brain computer interface. The project of MetaBCI is led by Prof. Minpeng Xu from Tianjin University, China.项目地址: https://gitcode.com/gh_mirrors/me/MetaBCIMetaBCI 是一个非侵入式脑机接口BCI即通过采集脑电信号实现人机交互开源平台由天津大学团队主导。它面向开发者和研究者把 EEG 数据集加载、预处理、解码算法和在线实验框架打包在一起让你不必再为数据格式和算法复现从零写起。15分钟上手如何安装 MetaBCI 并跑通第一个实验安装分两步。先克隆仓库git clone https://gitcode.com/gh_mirrors/me/MetaBCI然后按模块安装依赖全量安装一条命令即可pip install metabci[all]只想要数据与算法部分就装pip install metabci[brainda]在线采集装[brainflow]刺激呈现装[brainstim]也可以组合安装。conda 用户可以直接用仓库里的environment.yml建环境。跑通第一个实验用 AlexMI 公开数据集做左右手/脚的运动想象即被试想象做某个动作二分类。仓库demos/FBCSP.py的完整流程是MotorImagery范式对象声明通道、事件和时间窗get_data一次取出特征矩阵 X、标签 y 和元信息 meta再用FBCSP滤波器组CSP先分频段再提空间滤波特征的分类器接线性 SVM 做 5 折交叉验证。核心代码如下from metabci.brainda.datasets import AlexMI from metabci.brainda.paradigms import MotorImagery dataset AlexMI() paradigm MotorImagery(events[right_hand, feet], intervals[(0, 3)], srate128) X, y, meta paradigm.get_data(dataset, subjects[3], return_concatTrue)拿到的 X 是可直接喂给 sklearn 的 ndarray。仓库自带示例在 AlexMI 上报告准确率约 0.875你可以照着demos/FBCSP.py复现并在此基础上改算法。这张图展示了brainda的数据处理链路Epoch 提取 → 重采样 → 特征生成每个环节之间留了钩子hook接口后面会用到。功能导览按你的场景选模块MetaBCI 分三个模块对应三类典型场景你的场景用什么模块能做什么离线分析公开数据集metabci/brainda/数据加载、预处理、算法训练与评估在线实时采集解码metabci/brainflow/放大器对接、多进程数据流、实时推理设计被试实验metabci/brainstim/MI / P300 / SSVEP 范式的刺激呈现界面brainda离线研究的主战场。数据集侧内置了 AlexMI、BNCI2014001/004、PhysionetMI、Schirrmeister2017 等运动想象数据集以及 Nakanishi2015 等 SSVEP稳态视觉诱发电位数据集调用时不需要关心底层存储格式。算法侧覆盖四类分解方法CSP/MultiCSP/FBCSP、CCA 家族、TRCA/TDCA 系列、Riemann 流形与对齐方法、深度学习网络EEGNet、ShallowConvNet、ConvCA、GuneyNet、迁移学习MEKT、LST。所有算法都是 sklearn 风格的fit/transform/predict接口可以直接拼进make_pipeline。brainflow把模型搬进在线实验。提供放大器封装metabci/brainflow/amplifiers.py和ProcessWorker工作器metabci/brainflow/workers.py用多进程组织采集—缓冲—推理流水线把你离线训练好的模型直接带进在线解码。示例见demos/brainflow_demos/。brainstim实验刺激呈现。基于 PsychoPy 封装内置运动想象、P300、SSVEP 等范式的刺激界面metabci/brainstim/paradigm.py实验设计和数据采集可以跑在同一套代码风格里。场景实践从复现算法到插入自定义预处理问题一想验证一个新算法但不想手写数据管道。用paradigm.get_data把数据、标签、元信息一次取出后算法验证就退化成普通的 sklearn 工作流。metabci/brainda/algorithms/utils/model_selection.py还提供了EnhancedLeaveOneGroupOut、generate_kfold_indices这类按被试分组的交叉验证工具避免同一被试的数据同时出现在训练和测试集里造成虚高。问题二默认预处理不满足我的需求。范式对象支持三级钩子函数register_raw_hook在原始数据阶段插入操作例如 6–30Hz 带通滤波register_epochs_hook在 Epoch 阶段操作register_data_hook在最终数据矩阵阶段操作。demos/FBCSP.py里就是注册了 raw 钩子做零相位滤波全程没改任何框架代码。钩子之间还能通过caches字典传递状态方便在多级之间共享中间结果。问题三从离线走向在线。流程是离线用 brainda 训练并保存模型 → 在线用 brainflow 的ProcessWorker接放大器 → 把模型放进 worker 的算法列表做实时推理。示例在demos/brainflow_demos/Online_mi.py等文件中brainflow/README.md有模块说明。进阶定制添加自己的数据集与算法自定义数据集继承metabci/brainda/datasets/base.py的BaseDataset声明被试、事件、通道等元信息并实现_get_single_subject_data的加载逻辑即可被范式对象识别。demos/brainflow_demos/datasets.py里有一个读本地 CNT 文件的完整例子。自定义算法在metabci/brainda/algorithms/decomposition/下按基类约定实现fit/transform保持 sklearn 接口即可被流水线直接使用。提速get_data支持n_jobs参数用 joblib 并行加载多被试数据下载支持 proxy 参数应对网络问题。轻量化安装按pip install metabci[brainda]之类的 extras 组合只装你实际用到的模块依赖。踩坑FAQ⚠️通道名大小写不匹配选通道报错不同设备导出的通道命名规范不同用metabci/brainda/utils/channels.py的upper_ch_names统一为大写后再操作。数据集首次下载很慢或失败data_path相关接口提供proxies参数配置代理多被试加载时传n_jobs并行可明显缩短耗时。小样本下模型在测试集上明显不如训练集这是跨被试场景的常态可换用 MEKT、LST 这类迁移学习算法metabci/brainda/algorithms/transfer_learning/或做预训练微调metabci/brainda/algorithms/deep_learning/pretraining.py。在线系统延迟偏高优先换更轻量的算法如 CSP 系替代深度学习网络并检查缓冲与进程配置demos/brainflow_demos/中的示例给出了可直接参考的 worker 参数写法。结尾与资源MetaBCI 的思路很直接把 BCI 研究里最耗时的数据与工程环节标准化让你把时间留给算法本身。示例代码demos/含brainflow_demos/、brainstim_demos/、dynamic_stopping_demos/及各类算法单文件示例API 文档源docs/source/可用 Sphinx 构建官方论文与联系方式见根目录README.md联系邮箱 TBC_TJU_2022163.com仓库地址https://gitcode.com/gh_mirrors/me/MetaBCI【免费下载链接】MetaBCIMetaBCI: China’s first open-source platform for non-invasive brain computer interface. The project of MetaBCI is led by Prof. Minpeng Xu from Tianjin University, China.项目地址: https://gitcode.com/gh_mirrors/me/MetaBCI创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考