EEG | EEGNet 神经网络分类脑电信号实战（附完整源码）

最新推荐文章于 2025-04-01 09:41:47 发布
最新推荐文章于 2025-04-01 09:41:47 发布
阅读量1.5w 收藏 234
点赞数 27
分类专栏： 深度学习 文章标签： 神经网络 python 深度学习
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/qq_43580646/article/details/122523029
版权

EEGNet + MNE 分类 Sample数据集

一、环境配置

Package nameVersion
Python3.7
Tensorflow2.7.0
mne0.24.1
matplotlib、scikit-learn、numpy—

关于 mne ，可以参考我的另一篇博客：MNE-Python | 开源生理信号分析神器（一）

二、数据集介绍

2.1 数据采集

数据集是通过位于MGH/HMS/MIT（麻省总医院）的Athinoula A. Martino 生物医学成像中心的Neuromag Vectorview 系统获得的。同时采集60 通道电极帽的MEG（脑磁图）数据。原始MRI（核磁共振）数据集通过MPRAGE 序列的西门子1.5 T Sonata 扫描仪获取的。数据集下载。

2.2 实验设计

在实验中，受试者的左右视野中会出现棋盘图案，同时会伴随出现在左右耳的音调，刺激间隔为750 ms。此外，在受试者的视野中心会随机出现笑脸图案，受试者被要求在笑脸出现后尽快用右手食指按下按键。实验中刺激和响应的对应关系如图所示。
在这里插入图片描述

2.3 数据集目录

Sample 数据集主要包含两个部分：MEG/sample （MEG/EEG 数据）和来自另一位受试者的MRI 重建数据 subjects/sample ，我使用的主要是MEG/sample，其目录如图所示。
在这里插入图片描述

三、网络模型

3.1 网络结构

在这里插入图片描述

3.2代码实现
from tensorflow.keras.models import Model
from tensorflow.keras.layers import Dense, Activation, Permute, Dropout
from tensorflow.keras.layers import Conv2D, MaxPooling2D, AveragePooling2D
from tensorflow.keras.layers import SeparableConv2D, DepthwiseConv2D
from tensorflow.keras.layers import BatchNormalization
from tensorflow.keras.layers import SpatialDropout2D
from tensorflow.keras.regularizers import l1_l2
from tensorflow.keras.layers import Input, Flatten
from tensorflow.keras.constraints import max_norm
from tensorflow.keras import backend as K


def EEGNet(nb_classes, Chans = 64, Samples = 128, 
             dropoutRate = 0.5, kernLength = 64, F1 = 8, 
             D = 2, F2 = 16, norm_rate = 0.25, dropoutType = 'Dropout'):
    
    if dropoutType == 'SpatialDropout2D':
        dropoutType = SpatialDropout2D
    elif dropoutType == 'Dropout':
        dropoutType = Dropout
    else:
        raise ValueError('dropoutType must be one of SpatialDropout2D '
                         'or Dropout, passed as a string.')
                         
    input1   = Input(shape = (Chans, Samples, 1))

    block1       = Conv2D(F1, (1, kernLength), padding = 'same',
                                   input_shape = (Chans, Samples, 1),
                                   use_bias = False)(input1)
    block1       = BatchNormalization()(block1)
    block1       = DepthwiseConv2D((Chans, 1), use_bias = False, 
                                   depth_multiplier = D,
                                   depthwise_constraint = max_norm(1.))(block1)
    block1       = BatchNormalization()(block1)
    block1       = Activation('elu')(block1)
    block1       = AveragePooling2D((1, 4))(block1)
    block1       = dropoutType(dropoutRate)(block1)
    
    block2       = SeparableConv2D(F2, (1, 16),
                                   use_bias = False, padding = 'same')(block1)
    block2       = BatchNormalization()(block2)
    block2       = Activation('elu')(block2)
    block2       = AveragePooling2D((1, 8))(block2)
    block2       = dropoutType(dropoutRate)(block2)
        
    flatten      = Flatten(name = 'flatten')(block2)
    
    dense        = Dense(nb_classes, name = 'dense', 
                         kernel_constraint = max_norm(norm_rate))(flatten)
    softmax      = Activation('softmax', name = 'softmax')(dense)
    
    return Model(inputs=input1, outputs=softmax)

四、分类实战

4.1 数据集预处理
def get_data4EEGNet():

    K.set_image_data_format('channels_last')
	
	# 数据集存放路径（替换成你自己的） 
    data_path = '/Users/XXX/XXX/' 

    raw_fname = data_path + '/MEG/sample/sample_audvis_filt-0-40_raw.fif'
    event_fname = data_path + '/MEG/sample/sample_audvis_filt-0-40_raw-eve.fif'
    
    tmin, tmax = -0., 1
    event_id = dict(aud_l=1, aud_r=2, vis_l=3, vis_r=4)

    kernels, chans, samples = 1, 60, 151

    raw = io.Raw(raw_fname, preload=True, verbose=False)
    raw.filter(2, None, method='iir')  
    events = mne.read_events(event_fname)

    raw.info['bads'] = ['MEG 2443']  
    picks = mne.pick_types(raw.info, meg=False, eeg=True, stim=False, eog=False,
                           exclude='bads')

    epochs = mne.Epochs(raw, events, event_id, tmin, tmax, proj=False,
                        picks=picks, baseline=None, preload=True, verbose=False)
    labels = epochs.events[:, -1]

    X = epochs.get_data()*1000    # （288,60,151）——（trail数，通道数，采样频率）  
    y = labels					  # （288,4）

    # 划分训练集、验证集和测试集
    X_train      = X[0:144,]
    Y_train      = y[0:144]
    X_validate   = X[144:216,]
    Y_validate   = y[144:216]
    X_test       = X[216:,]
    Y_test       = y[216:]

    Y_train      = np_utils.to_categorical(Y_train-1)
    Y_validate   = np_utils.to_categorical(Y_validate-1)
    Y_test       = np_utils.to_categorical(Y_test-1)

    X_train      = X_train.reshape(X_train.shape[0], chans, samples, kernels)
    X_validate   = X_validate.reshape(X_validate.shape[0], chans, samples, kernels)
    X_test       = X_test.reshape(X_test.shape[0], chans, samples, kernels)

    return X_train, X_validate, X_test, Y_train, Y_validate, Y_test
4.2 完整代码
import numpy as np

import mne
from mne import io
from mne.datasets import sample

from tensorflow.keras import utils as np_utils
from tensorflow.keras.callbacks import ModelCheckpoint
from tensorflow.keras import backend as K
from tensorflow.keras.models import Model
from tensorflow.keras.layers import Dense, Activation, Permute, Dropout
from tensorflow.keras.layers import Conv2D, MaxPooling2D, AveragePooling2D
from tensorflow.keras.layers import SeparableConv2D, DepthwiseConv2D
from tensorflow.keras.layers import BatchNormalization
from tensorflow.keras.layers import SpatialDropout2D
from tensorflow.keras.regularizers import l1_l2
from tensorflow.keras.layers import Input, Flatten
from tensorflow.keras.constraints import max_norm

from sklearn.pipeline import make_pipeline
from sklearn.linear_model import LogisticRegression

from matplotlib import pyplot as plt

import pathlib

def EEGNet(nb_classes, Chans = 64, Samples = 128, 
             dropoutRate = 0.5, kernLength = 64, F1 = 8, 
             D = 2, F2 = 16, norm_rate = 0.25, dropoutType = 'Dropout'):

    
    if dropoutType == 'SpatialDropout2D':
        dropoutType = SpatialDropout2D
    elif dropoutType == 'Dropout':
        dropoutType = Dropout
    else:
        raise ValueError('dropoutType must be one of SpatialDropout2D '
                         'or Dropout, passed as a string.')
    
    input1   = Input(shape = (Chans, Samples, 1))

    block1       = Conv2D(F1, (1, kernLength), padding = 'same',
                                   input_shape = (Chans, Samples, 1),
                                   use_bias = False)(input1)
    block1       = BatchNormalization()(block1)
    block1       = DepthwiseConv2D((Chans, 1), use_bias = False, 
                                   depth_multiplier = D,
                                   depthwise_constraint = max_norm(1.))(block1)
    block1       = BatchNormalization()(block1)
    block1       = Activation('elu')(block1)
    block1       = AveragePooling2D((1, 4))(block1)
    block1       = dropoutType(dropoutRate)(block1)
    
    block2       = SeparableConv2D(F2, (1, 16),
                                   use_bias = False, padding = 'same')(block1)
    block2       = BatchNormalization()(block2)
    block2       = Activation('elu')(block2)
    block2       = AveragePooling2D((1, 8))(block2)
    block2       = dropoutType(dropoutRate)(block2)
        
    flatten      = Flatten(name = 'flatten')(block2)
    
    dense        = Dense(nb_classes, name = 'dense', 
                         kernel_constraint = max_norm(norm_rate))(flatten)
    softmax      = Activation('softmax', name = 'softmax')(dense)
    
    return Model(inputs=input1, outputs=softmax)

def get_data4EEGNet(kernels, chans, samples):

    K.set_image_data_format('channels_last')

    data_path = '/Users/XXX'

    raw_fname = data_path + '/MEG/sample/sample_audvis_filt-0-40_raw.fif'
    event_fname = data_path + '/MEG/sample/sample_audvis_filt-0-40_raw-eve.fif'
    
    tmin, tmax = -0., 1
    event_id = dict(aud_l=1, aud_r=2, vis_l=3, vis_r=4)

    raw = io.Raw(raw_fname, preload=True, verbose=False)
    raw.filter(2, None, method='iir')  
    events = mne.read_events(event_fname)

    raw.info['bads'] = ['MEG 2443']  
    picks = mne.pick_types(raw.info, meg=False, eeg=True, stim=False, eog=False,
                           exclude='bads')

    epochs = mne.Epochs(raw, events, event_id, tmin, tmax, proj=False,
                        picks=picks, baseline=None, preload=True, verbose=False)
    labels = epochs.events[:, -1]


    X = epochs.get_data()*1000 
    y = labels

    X_train      = X[0:144,]
    Y_train      = y[0:144]
    X_validate   = X[144:216,]
    Y_validate   = y[144:216]
    X_test       = X[216:,]
    Y_test       = y[216:]


    Y_train      = np_utils.to_categorical(Y_train-1)
    Y_validate   = np_utils.to_categorical(Y_validate-1)
    Y_test       = np_utils.to_categorical(Y_test-1)


    X_train      = X_train.reshape(X_train.shape[0], chans, samples, kernels)
    X_validate   = X_validate.reshape(X_validate.shape[0], chans, samples, kernels)
    X_test       = X_test.reshape(X_test.shape[0], chans, samples, kernels)

    return X_train, X_validate, X_test, Y_train, Y_validate, Y_test

kernels, chans, samples = 1, 60, 151

X_train, X_validate, X_test, Y_train, Y_validate, Y_test = get_data4EEGNet(kernels, chans, samples)

model = EEGNet(nb_classes = 4, Chans = chans, Samples = samples, 
               dropoutRate = 0.5, kernLength = 32, F1 = 8, D = 2, F2 = 16, 
               dropoutType = 'Dropout')

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

checkpointer = ModelCheckpoint(filepath='/Users/XXX/baseline.h5', verbose=1,
                                save_best_only=True)

class_weights = {0:1, 1:1, 2:1, 3:1}

fittedModel = model.fit(X_train, Y_train, batch_size = 16, epochs = 300, 
                        verbose = 2, validation_data=(X_validate, Y_validate),
                        callbacks=[checkpointer], class_weight = class_weights)

model.load_weights('./SaveModel/baseline.h5')

probs       = model.predict(X_test)
preds       = probs.argmax(axis = -1)  
acc         = np.mean(preds == Y_test.argmax(axis=-1))
print("Classification accuracy: %f " % (acc))
4.3 运行结果

在这里插入图片描述

五、参考资料

论文链接： EEGNet: a compact convolutional neural network for EEG-based brain–computer interfaces（Journal of Neural Engineering，SCI JCR2，Impact Factor：4.141）
Github链接： the Army Research Laboratory (ARL) EEGModels project

EEGNet: A Compact Convolutional Neural Network for EEG-based Brain-Computer Interfaces 代码推理及实战
SpaceSunflower 's ML/DL home
09-25 1528
EEGNet: A Compact Convolutional Neural Network for EEG-based Brain-Computer Interfaces 代码推理及实战
论文记录1
weixin_39048703的博客
10-06 642
10.6 论文记录 应用深度学习EEGnet处理脑电信号 论文链接：https://arxiv.org/pdf/1611.08024.pdf 本文主要内容： EEGnet论文； EEGnet的实现。 正文部分： 脑机接口（BCI）使用神经活动作为控制信号，实现与计算机的直接通信。这种信号通常是从各种研究透彻的脑电图（EEG）信号中挑选出来的。卷积神经网络（CNN）主要用来自动特征提取分类，其在计算机视觉和语音识别领域中的使用已经很广泛。CNN已成功应用于基于EEG的BCI；但是CNN主要应用于单个BCI
信号处理--使用EEGNet进行BCI脑电信号的分类
张哥频道：电生理信号和磁共振成像
03-24 2686
EEGNet作为一个比较成熟的框架，在BCI众多任务中，表现出不俗的性能。EEGNet 的主要特点包括：1）框架相对比较简单紧凑 2）适合许多的BCI脑电分析任务 3）使用两种卷积 Depth-wise convolution 和 separable convolution 实现普适特征的提取。
EEGNet：实现高效脑电图分类的深度学习框架
最新发布
gitblog_00458的博客
04-01 695
EEGNet：实现高效脑电图分类的深度学习框架 EEGNet This project focuses on implementing CNN model based on the EEGNet architecture with Pytorch library for classifying motor imagery...
使用EEGnet实现SSVEP脑电信号的分类实践
qq_26552795的博客
03-28 2903
使用EEGnet对SSVEP脑电信号进行分类，EEGnet是一个深度可分离卷积结构。 经过学习，有以下几点实践经验可以总结： 1、原始脑电信号的质量很重要，前期需要对信号进行去噪。 2、对于样本较少的数据，送入模型训练的信号的采样频率不宜过高，不然对分类准确率有影响。原始采样频率为1000HZ的信号可以降采样为4个250HZ的信号，扩充了训练样本，也提升了模型的分类准确性。 3、输入模型的...
信号处理-使用EEGNet进行BCI脑电信号的分类
03-24
信号处理--使用EEGNet进行BCI脑电信号的分类 pytorch 代码； 适合刚入门的小白，研读代码，调试和改进代码。
EEGNet: A Compact Convolutional Neural Networkfor EEG-based Brain-Computer Interfaces个人笔记
ZG
10-29 428
EEGNet: A Compact Convolutional Neural Networkfor EEG-based Brain-Computer Interfaces(Vernon J. Lawhern*, Amelia J. Solon, Nicholas R. Waytowich, Stephen M. Gordon,Chou P. Hung, and Brent J. Lance)(journal of neural engineering，2018) This paper prop
EEGNET网络实现_脑电分类_神经网络_深度学习_信号处理_believedtep_
09-29
利用EEGNET进行数据分析的代码实例，可用于文本分类，脑电信号处理等
EEG.zip_eeg分析_eeg特征_脑电 EEG_脑电信号分析_脑电信号特征
07-15
脑电特征分析与研究，为临床脑电信号的诊断提供一定的理论考。
1DCNNforRawTimeSeries_脑电信号处理_脑电分类_癫痫_癫痫发作检测_卷积神经网络_
09-30
1. 数据预处理：将原始脑电信号转化为适合输入神经网络的形式，可能包括去除噪声、标准化、分段等操作。 2. 构建模型：定义1D CNN的结构，包括卷积层、池化层、全连接层等，以及损失函数和优化器。 3. 训练模型：...
EEG_BP2.rar_BP 信号分类_MATLAB EEG_bp 脑电_神经网络 信号_脑电 分类
07-14
使用BP神经网络算法对脑电信号进行分类识别。
gasvm.zip_eeg genetic_matlab 脑电_脑电 分类_脑电信号分类_脑电分类算法
07-15
标题中的"gasvm.zip_eeg genetic_matlab 脑电_脑电 分类_脑电信号分类_脑电分类算法"表明这是一个与脑电图（EEG）信号处理相关的项目，其中涉及到了遗传算法（Genetic Algorithm, GA）优化的支持向量机（Support ...
eeg脑网络分析
03-02
用于使用eeg数据构建脑网络指标，并且能够对这些指标进行分析
EEGnet模型讲解PPT.pptx
05-25
EEGNet是为专门一般的脑电图识别任务而设计的通用卷积神经网络。 精心画了三种简单清晰的卷积层操作示意图 模型设计思路和MobileNet很像。
matlab带通代码-BCI_EEGNet:2个BCI竞赛数据集的EEGNet实现
06-02
matlab带通代码BCI_EEGNet 2 个 BCI 竞赛数据集的 EEGNet 实现： Kaggle 竞赛数据集： BCI 竞赛 III 数据集 2： EEGNet CNN 架构 PyTorch 实现借鉴自：Sriram Ravindran： 代码中使用的所有数据都较早在 MATLAB 中使用 0.1-30 Hz 的二阶巴特沃斯滤波器进行带通滤波 流： 在从 BCI 竞赛数据集的链接获得的数据集上运行 .m 过滤文件 在从 Matlab 代码获得的过滤数据集上运行文件 BCI_III_DS_2_TestSet_PreProcessing.ipynb。 运行 BCI_III_DS_2_Filtered_Downsampled.ipynb 以获取 120 Hz 下采样数据的结果 修改 BCI_III_DS_2_TestSet_PreProcessing.ipynb 得到 240 Hz 原始数据的结果，然后运行 ​​BCI_III_DS_2_Filtered Data.ipynb 得到结果。 运行与上述相同的 matlab 预处理文件。 使用适当的文件路径运行 Kaggle Datas
论文笔记：EEGNet：A Compact Convolutional Network for EEG-based Brain-Computer Interfaces
沃·夏澈德的博客
09-30 1361
EEGNet：A Compact Convolutional Network for EEG-based Brain-Computer Interfaces 与DEEPCNN、shallow CNN相似（笔记），只是结构上略有不同。整个网络由三个部分组成，分别对应FBCSP中的带通滤波、CSP、特征选择。
EEG深度学习实战：脑电信号通过CNN神经网络进行二分类
SashiMoore的博客
03-13 7216
这一篇文章主要建立在前文的基础上对数据集进行操作，通过CNN神经网络做到二分类，尝试使用深度学习的模式来预测分类脑电信号。
EEGNET
xmy21sunshine的博客
08-31 311
EGGNET
EEGNet
m0_73067063的博客
05-12 524
由2. Depthwise Convolution（2次）和Pointwise Convolution（1次）（逐点的卷积层操作）组成。EEGNet由一个普通卷积，一个Depthwise Convolution和一个深度可分离卷积组成。2. Depthwise Convolution---逐通道的卷积层操作。3.separable convolution（深度可分离卷积）这种卷积方式的缺点就是，在各个通道上。
EEGnet参考文献
03-23
### 关于EEGNet的相关参考文献 EEGNet 是一种专门为脑电图（Electroencephalogram, EEG）信号设计的轻量级深度学习模型，旨在通过减少参数数量来提高训练效率并保持高精度。以下是关于 EEGNet 及其在深度学习中应用的一些重要参考资料： #### 1. **EEGNet 的原始论文** EEGNet 首次被提出是在 Lawhern 等人的工作中，该工作详细介绍了一种高效的卷积神经网络架构，专门针对 EEG 数据进行了优化[^5]。 ```plaintext Lawhern V J, Solon A J, Waytowich N R, et al. EEGNet: a compact convolutional neural network for EEG-based brain-computer interfaces[J]. Journal of Neural Engineering, 2018. ``` 此论文介绍了 EEGNet 的核心设计理念，包括时间卷积、空间卷积和分离卷积的操作方式，显著减少了计算复杂度的同时提高了性能。 --- #### 2. **EEGNet 在 EEG 信号处理中的扩展研究** 除了原始论文外，还有许多后续的研究进一步探讨了 EEGNet 的改进及其应用场景。例如，在某些研究中，提出了结合注意力机制或迁移学习的方法以增强 EEGNet 对不同任务的表现能力[^6]。 ```plaintext Khan S H, Kamel M S. Transfer learning using EEGNet model with attention mechanism for emotion recognition[C]//International Conference on Artificial Intelligence and Soft Computing. Springer, Cham, 2021. ``` 上述研究表明，通过引入注意机制可以有效提升 EEGNet 在情感识别等特定任务上的表现。 --- #### 3. **与其他深度学习模型的对比分析** 一些综述文章比较了多种深度学习模型在 EEG 信号处理方面的优劣，其中包括 CNN、RNN 和 GAN 等不同类型网络的应用场景及效果评估[^7]。这类研究有助于理解 EEGNet 在整个领域内的定位和发展趋势。 ```plaintext Chen X, Zhang K, Li Y, et al. Deep learning models for electroencephalography (EEG): State-of-the-art approaches and future challenges[J]. Information Fusion, 2020. ``` 这篇综述不仅讨论了传统方法向深度学习过渡的过程，还特别强调了像 EEGNet 这样专为 EEG 设计的小型化网络的重要性。 --- #### 4. **卷积操作的本质差异** 值得注意的是，尽管 EEGNet 使用了卷积运算作为基础组件之一，但在实际实现过程中所采用的形式更接近于互相关而非严格意义上的卷积[^2]。这种区别对于理解和优化 EEGNet 中涉及的具体算子具有重要意义。 --- #### 5. **其他相关资源** 如果希望了解有关 EEG 信号预处理、特征提取等方面的知识，则可参考以下材料： - BCI Competition IV Dataset IIa 提供了一个标准数据集用于验证算法有效性； - Python 工具包 `MNE-Python` 支持高效加载与可视化 EEG 数据文件。 --- ### 示例代码片段：如何使用 EEGNet 处理 EEG 数据？ 下面展示一段简单的 PyTorch 实现 EEGNet 的代码示例： ```python import torch.nn as nn class EEGNet(nn.Module): def __init__(self, classes=2, channels=22, samples=1125): super(EEGNet, self).__init__() # Layer 1: Temporal Convolution self.conv_temporal = nn.Sequential( nn.Conv2d(1, 8, kernel_size=(1, 64), padding='same', bias=False), nn.BatchNorm2d(8) ) # Layer 2: Spatial Convolution & Depthwise Separable Convolution self.spatial_conv = nn.Sequential( nn.Conv2d(8, 16, kernel_size=(channels, 1), groups=8, bias=False), nn.BatchNorm2d(16), nn.ELU(), nn.AvgPool2d(kernel_size=(1, 4)), nn.Dropout(p=0.25) ) # Fully Connected Layers self.fc_layers = nn.Sequential( nn.Linear(16 * int(samples / 4), 128), nn.ELU(), nn.Dropout(p=0.5), nn.Linear(128, classes) ) def forward(self, x): out = self.conv_temporal(x.unsqueeze(1)) out = self.spatial_conv(out) out = out.view(out.size(0), -1) out = self.fc_layers(out) return out ``` ---
评论 28
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

一只殿鹿

爱屋及乌（滑稽

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值