Braindecode系列 (4)：使用自定义数据集

**脑信号解码系列（4）：使用自定义数据集**

在前面的文章中，我们已经介绍了如何使用 Braindecode 库进行 EEG 信号的预处理、特征提取和分类。然而，在实际应用中，往往需要使用自定义的数据集来训练模型。这篇文章将重点介绍如何使用 Braindecode 库对自定义数据集进行预处理、特征提取和分类。

**准备自定义数据集**

首先，我们需要准备一个包含 EEG 信号数据的自定义数据集。假设我们有一个 CSV 文件，文件名为 `data.csv`，其中每行代表一个样本，列分别是时间戳、EEG 信号值等信息。

import pandas as pd#读取 CSV 文件df = pd.read_csv('data.csv')

# 查看数据集的基本信息print(df.head())

import numpy as np# 转换时间戳为秒级别df['time'] = df['time'].apply(lambda x: x /1000)

# 归一化信号值df['signal'] = (df['signal'] - df['signal'].mean()) / df['signal'].std()

from braindecode.datasets import EEGDataset# 创建 EEG 数据集实例dataset = EEGDataset(df, sampling_rate=1000)

# 提取时间域特征（平均值和标准差）
time_features = dataset.get_time_domain_features()

# 提取频率域特征（功率谱密度）
freq_features = dataset.get_frequency_domain_features()

from sklearn.model_selection import train_test_splitfrom sklearn.svm import SVC# 划分训练集和测试集X_train, X_test, y_train, y_test = train_test_split(time_features, dataset.targets, test_size=0.2, random_state=42)

# 创建支持向量机分类器clf = SVC(kernel='linear', C=1)

# 训练分类器clf.fit(X_train, y_train)

# 预测测试集y_pred = clf.predict(X_test)