处理 EEG 数据的分类任务代码架构

该代码主要用于处理 EEG 数据，并使用卷积神经网络（CNN）进行分类

代码架构总结：

        数据预处理、模型构建、模型训练和评估

1. 导入必要的库

numpy：用于数值计算和数组操作

scipy.io：用于加载 .mat 文件

tensorflow 和 tensorflow.keras：用于构建和训练深度学习模型

sklearn.model_selection：用于数据集的划分

sklearn.preprocessing：用于标签编码（如果需要）

matplotlib.pyplot：用于绘制训练过程中的损失和准确度曲线

import numpy as np
import scipy.io as sio
import tensorflow as tf
from tensorflow.keras.models import Sequential
from tensorflow.keras.layers import Conv1D, MaxPooling1D, Flatten, Dense
from sklearn.model_selection import train_test_split
from sklearn.preprocessing import LabelEncoder
import matplotlib.pyplot as plt

2.数据预处理

load_mat_data 函数部分

def load_mat_data(mat_file_paths):
    eeg_data_list = []
    labels_list = []

    for mat_file in mat_file_paths:
        data = sio.loadmat(mat_file)

        # 假设 EEG 数据在 'data' 中，标签在 'labels' 中
        eeg_data = data['data']  # EEG 数据 (假设形状为 (通道数, 时间点数, 样本数))
        labels = data['labels'].flatten()  # 标签 (样本数,)

        # 获取 EEG 数据的样本数
        num_samples = eeg_data.shape[2]

        # 根据标签数量筛选数据样本
        num_labels = len(labels)

        # 如果标签数小于 EEG 数据的样本数，截取前 num_labels 个样本进行训练
        if num_labels < num_samples:
            eeg_data = eeg_data[:, :, :num_labels]

        # 保留有效标签的 EEG 数据
        eeg_data_valid = eeg_data
        labels_valid = labels[:eeg_data_valid.shape[2]]  # 保留有效标签

        # 将有效的 EEG 数据和标签添加到列表中
        eeg_data_list.append(eeg_data_valid)
        labels_list.append(labels_valid)

    # 确保至少有一个有效的实验数据
    if not eeg_data_list:
        raise ValueError("没有有效的 EEG 数据和标签，所有文件都被跳过。")

    # 将所有实验数据拼接在一起
    eeg_data = np.concatenate(eeg_data_list, axis=2)  # 按照样本维度拼接
    labels = np.concatenate(labels_list, axis=0)  # 标签的拼接

    print(f"拼接后的 EEG 数据形状: {eeg_data.shape}")
    print(f"拼接后的 标签形状: {labels.shape}")

    # 将数据转置为 (样本数, 时间点数, 通道数)
    eeg_data = eeg_data.transpose(2, 1, 0)

    # 训练集和测试集划分
    X_train, X_test, y_train, y_test = train_test_split(eeg_data, labels, test_size=0.2, random_state=42)

    # 如果是回归任务，直接使用原始标签，不需要 LabelEncoder
    # 对标签进行编码（如果是分类问题，才需要进行编码）

    # 输出训练集和测试集形状
    print(f"训练集形状: {X_train.shape}")
    print(f"测试集形状: {X_test.shape}")

    return X_train, X_test, y_train, y_test

1）输入.mat 文件路径列表。用for循环 遍历每个 .mat 文件，加载 EEG 数据和标签。

 1. 假设 EEG 数据的形状为 (通道数, 时间点数, 样本数)，标签的形状为 (样本数,)。

 2. 如果标签数量小于 EEG 数据的样本数，截取前 num_labels 个样本。

  3. 将所有实验数据拼接在一起，形成最终的 EEG 数据和标签。

4. 将 EEG 数据转置为 (样本数, 时间点数, 通道数) 的形状，以便输入到 CNN 中。

2） 使用 train_test_split 将数据划分为训练集和测试集。并输出训练集和测试集的 EEG 数据及对应的标签。

        load_mat_data(mat_file_paths) 函数用于加载并处理EEG数据，数据和标签的分割、拼接等操作。代码首先加载MATLAB .mat 文件中的EEG数据，假设数据存在于 data 键中，标签在 labels 键中。

        数据的形状会根据需要进行调整，并分割为训练集和测试集。

3. 构建 CNN 模型

build_model 函数部分

def build_model(input_shape, num_classes):
    # 构建卷积神经网络模型
    model = Sequential()
    model.add(Conv1D(64, 3, activation='relu', input_shape=input_shape))
    model.add(MaxPooling1D(pool_size=2))
    model.add(Conv1D(128, 3, activation='relu'))
    model.add(MaxPooling1D(pool_size=2))
    model.add(Flatten())
    model.add(Dense(128, activation='relu'))
    model.add(Dense(num_classes, activation='softmax'))  # 假设是分类问题

    model.compile(optimizer='adam', loss='sparse_categorical_crossentropy', metrics=['accuracy'])
    return model

输入形状 (时间点数, 通道数) 和类别数量 num_classes。

1）模型结构

  1. 1D 卷积层 (Conv1D)：64 个滤波器，卷积核大小为 3，激活函数为 relu。

  2. 1D 最大池化层 (MaxPooling1D)：池化大小为 2。

  3. 第二个 1D 卷积层：128 个滤波器，卷积核大小为 3，激活函数为 relu。

  4. 第二个 1D 最大池化层：池化大小为 2。

  5. 展平层 (Flatten)：将多维输入展平为一维。

  6. 全连接层 (Dense)：128 个神经元，激活函数为 relu。

  7. 输出层 (Dense)：num_classes 个神经元，激活函数为 softmax（用于多分类任务）。

2）模型编译

  使用 adam 优化器，损失函数为 sparse_categorical_crossentropy，评估指标为 accuracy。

        build_model(input_shape, num_classes) 使用 Sequential API 构建了一个带有两层卷积和池化层的模型。这个模型通过 Conv1D 和 MaxPooling1D 层来处理1D时间序列数据，最后通过全连接层（Dense）输出预测结果。

        编译模型时使用了 Adam 优化器，并选择了 sparse_categorical_crossentropy 损失函数，这是针对分类任务的常用选择。

4. 训练和评估模型

train_and_evaluate 函数部分

def train_and_evaluate(mat_file_paths):
    # 加载数据并分割训练集和测试集
    X_train, X_test, y_train, y_test = load_mat_data(mat_file_paths)

    # 确定输入形状和类别数量
    input_shape = (X_train.shape[1], X_train.shape[2])  # 输入形状是 (时间点数, 通道数)
    num_classes = len(np.unique(y_train))  # 分类任务的类别数

    # 构建模型
    model = build_model(input_shape, num_classes)

    # 训练模型
    history = model.fit(X_train, y_train, epochs=50, batch_size=32, validation_data=(X_test, y_test))

    # 评估模型
    loss, accuracy = model.evaluate(X_test, y_test)
    print(f"Test Loss: {loss}")
    print(f"Test Accuracy: {accuracy}")

1）输入

输入.mat 文件路径列表。

2）训练

1. 调用 load_mat_data 函数加载数据并划分训练集和测试集。

  2. 确定输入形状和类别数量。

  3. 调用 build_model 函数构建 CNN 模型。

  4. 使用训练集数据训练模型，训练 50 个 epoch，批量大小为 32，并在验证集上验证模型。

3）评估

  1. 在测试集上评估模型，输出测试损失和准确度。

  2. 绘制训练过程中的损失和准确度变化图。

plt.plot(history.history['loss'], label='Training Loss')
    plt.plot(history.history['val_loss'], label='Validation Loss')
    plt.title('Loss during Training')
    plt.xlabel('Epochs')
    plt.ylabel('Loss')
    plt.legend()
    plt.show()

    plt.plot(history.history['accuracy'], label='Training Accuracy')
    plt.plot(history.history['val_accuracy'], label='Validation Accuracy')
    plt.title('Accuracy during Training')
    plt.xlabel('Epochs')
    plt.ylabel('Accuracy')
    plt.legend()
    plt.show()

4）输出

输出训练和验证过程中的损失和准确度曲线，以及测试集上的性能评估结果。

        train_and_evaluate(mat_file_paths) 负责调用数据加载和模型构建函数，并执行模型训练。训练过程中记录了训练和验证损失及准确率的变化，并通过 matplotlib 可视化了这些变化。

        训练结束后，通过 evaluate 方法评估测试集上的表现，并打印出测试损失和准确率。

5. main函数

if __name__ == '__main__':
    # 修改为你的 .mat 文件路径列表
    mat_file_paths = [f'D:/Class/compete/EEG/data_preprocessed_matlab/s{str(i).zfill(2)}.mat' for i in range(1, 33)]
    train_and_evaluate(mat_file_paths)