### 使用Python处理和预处理MAT格式的EEG数据 #### 导入必要的库 为了有效地读取并处理MAT文件中的EEG数据，需先导入一些基本的Python库。这些库提供了强大的工具用于科学计算以及矩阵运算。 ```python import numpy as np from scipy.io import loadmat ``` #### 加载MAT文件 通过`loadmat()`函数可以从指定路径加载`.mat`文件，并将其转换成字典形式的对象。此对象包含了原始文件内的所有变量及其对应的值。 ```python data_path = "path_to_DEAP_data" data = loadmat(data_path) eeg_signals = data['eeg_signals'] # 需要替换为实际存储信号数据的键名 labels = data['labels'] # 同样需要确认标签的具体键名称 ``` 上述代码片段展示了如何获取存放在特定位置下的DEAP数据集中EEG信号与相应的情感评分[^2]。 #### 数据初步探索 一旦成功加载了数据之后，建议立即执行简单的统计分析或可视化操作来了解所获得的数据特性。这一步骤有助于发现潜在的问题如异常值、缺失值等，在后续清理过程中能够更加有针对性地采取措施。 ```python print(f"Shape of EEG signals: {eeg_signals.shape}") print(f"Sample label values:\n{labels[:5]}") # 打印前五个样本的标签作为示例 ``` #### 清洗与预处理 针对不同应用场景可能涉及到多种类型的预处理工作，比如去除噪声、滤波器应用或是重采样频率调整等等。对于来自实验环境之外的真实世界记录来说尤为重要的是识别并修正由外部因素引起的干扰——即所谓的伪迹（artifacts）。MNE-Python提供了一系列功能帮助完成这类任务[^1]。 ```python # 假设已经安装并配置好了 MNE 库 import mne info = mne.create_info(ch_names=['ch_{}'.format(i) for i in range(eeg_signals.shape[0])], sfreq=128, ch_types='eeg') raw = mne.io.RawArray(eeg_signals, info) # 应用带通滤波器 (假设目标频段为 1-45 Hz) filtered_raw = raw.copy().filter(l_freq=1., h_freq=45.) ``` 这段脚本创建了一个虚拟的信息结构体描述通道属性，并基于它构建出了Raw对象表示连续时间序列；接着复制了一份副本并对之施加了低通高通组合而成的带通滤波效果。 #### 存储经过处理后的数据 最后当所有的准备工作完成后，可以选择将清洗完毕的数据另存为新的文件以便于进一步的研究活动开展。同样利用SciPy提供的接口实现这一点非常方便快捷： ```python np.savez('processed_eeg.npz', filtered_signals=filtered_raw.get_data(), original_labels=labels) ``` 以上就是使用Python对MAT格式EEG数据进行基础预处理的一个完整流程概述。