Wyrm + MNE 工具链完整介绍

🧠 Wyrm + MNE 工具链完整介绍

🧩 一句话总结

MNE = 科研级 EEG 工具（可视化、预处理、ICA）
Wyrm = 工程级 BCI 工具箱（Epoch、CSP、快速特征处理）

两者组合：

MNE 负责“干净数据”，Wyrm 负责“工程特征 + 训练数据准备”。

---

MNE — 科研界最强 EEG 工具箱（Python）

⭐ MNE 的定位

用于 EEG 数据读取、预处理、ICA、可视化、时频分析。

⭐ MNE 的优势

✔ 支持几乎所有 EEG 数据格式

raw = mne.io.read_raw_gdf("data.gdf", preload=True)

✔ 滤波、ICA、伪迹去除能力最强

raw.filter(8, 30)
raw.notch_filter(50)
ica = ICA(n_components=20)
ica.fit(raw)
raw_clean = ica.apply(raw)

✔ 可视化能力强

• 波形图
• Topomap
• ICA 成分图
• 时频图

✔ 内置 CSP/LDA/SVM

适合科研原型验证。

---

Wyrm — 工程化 EEG/BCI 工具箱（TU Berlin）

⭐ Wyrm 的定位

构建 BCI pipeline：连续信号 → epoch → 特征 → 存储。

⭐ Wyrm 的优势

✔ EEG 数据结构简洁（cnt / epo）

• cnt：连续 EEG
• epo：trial-based EEG

✔ Epoch 分段简单

epo = segment_dat(cnt, md, [0, 1000])

✔ 可以轻松拼接类别

final_epo = append_epo(epo_class1, epo_class2)

✔ 提供工程特征方法

• bandpower
• DCT
• wavelet
• 搭配 MNE 的 CSP

---

🔥 为什么使用 “MNE + Wyrm” 组合？

因为：

• MNE：提供最强预处理（滤波、ICA、可视化）
• Wyrm：提供最方便的 epoch + 特征提取 + 存储流程

这是科研与工程结合的最佳实践。

---

推荐工作流（可直接照着走）

① MNE 做预处理

raw = mne.io.read_raw_gdf()
raw.filter(8, 30)
raw.notch_filter(50)
ica = ICA(...)
raw_clean = ica.apply(raw)
raw_clean.save("clean.fif")

② 转成 NumPy 给 Wyrm

data = raw_clean.get_data().T

③ Wyrm 做分段与特征提取

切 epoch：

cnt = convert_mushu_data(data, markers, 250, channels)
epo = segment_dat(cnt, md, [0, 1000])

拼接：

final_epo = append_epo(epo1, epo2)

特征提取：

• CSP（MNE）
• bandpowers（Wyrm）
• DCT（Wyrm）
• wavelet（Wyrm）

④ 保存特征为 CSV

df.to_csv("subject_csp.csv")

---

🎯 最推荐的工具链

MNE：预处理（滤波、ICA、伪迹处理）
↓
Wyrm：Epoch + 特征（CSP/Bandpower/DCT/Wavelet）
↓
SVM / EEGNet：分类模型

---

📚 可扩展内容

• MNE + Wyrm 完整工程模板代码
• 如何将 BCI Competition 数据转成 Wyrm epoch
• EEGNet 输入格式准备方法
• MATLAB → Python 的迁移指南
• 可导出为 PDF 的完整教程