Bonn数据集入门指南：从数据加载到模型训练的全流程解析

1次阅读

共计 1873 个字符，预计需要花费 5 分钟才能阅读完成。

Bonn 数据集是癫痫脑电信号 (EEG) 分析领域的经典数据集，包含健康人群和癫痫患者发作期 / 间歇期的 5 种状态记录。该数据集被广泛用于癫痫预测、睡眠分期等研究，特点是采样规范、标注明确，非常适合初学者理解 EEG 信号特性。

推荐使用 Python 3.8+ 环境，主要依赖库可通过以下命令安装：

pip install numpy scipy matplotlib scikit-learn

下载数据集：
官方地址：https://epileptologie-bonn.de/cms/front_content.php?idcat=193
数据集包含 5 个子集（Z/S/O/N/F），每个子集 100 个单通道 EEG 片段

读取.mat 文件：

import scipy.io as sio
import numpy as np

# 示例加载健康人闭眼状态数据（子集 O）data = sio.loadmat('O.mat')
eeg_signals = data['data']  # 获取 EEG 信号数据
print(f"数据形状：{eeg_signals.shape}")  # 典型输出：(100, 4097)

带通滤波（0.5-40Hz）：

from scipy import signal

def bandpass_filter(data, low=0.5, high=40, fs=173.61):
    b, a = signal.butter(4, [low, high], btype='bandpass', fs=fs)
    return signal.filtfilt(b, a, data)

filtered = np.apply_along_axis(bandpass_filter, 1, eeg_signals[:, :-1])  # 最后 1 列是标签

数据分段：

# 将每个 4096 点样本分成 8 个 512 点片段
segments = np.array([filtered[:, i*512:(i+1)*512] 
                     for i in range(8)]).transpose(1,0,2)
print(f"分段后形状：{segments.shape}")  # (100,8,512)

时域特征（均值 / 方差）：

time_features = np.array([[np.mean(seg), np.std(seg)] 
    for sample in segments for seg in sample
]).reshape(-1, 16)  # 每个样本 16 维特征

频域特征（功率谱密度）：

freq_features = []
for sample in segments:
    for seg in sample:
        f, psd = signal.welch(seg, fs=173.61)
        freq_features.append(psd[:30])  # 取前 30 个频点

数据准备：

from sklearn.model_selection import train_test_split

X = np.hstack([time_features, np.array(freq_features)])
y = eeg_signals[:, -1]  # 标签列
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2)

SVM 分类器：

from sklearn.svm import SVC
from sklearn.metrics import accuracy_score

model = SVC(kernel='rbf')
model.fit(X_train, y_train)
preds = model.predict(X_test)
print(f"测试集准确率：{accuracy_score(y_test, preds):.2f}")