🧠 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 EEGepo：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