DeepBCI 脑机接口数据采集与处理流程（基于 BrainFlow 库）

一、概述

DeepBCI 是一款常用的 EEG 采集设备，支持多通道脑电信号采集。结合提供的BrainFlow库封装代码，可实现从设备初始化、数据采集到信号处理的完整流程。以下基于BoardShim（设备通信）和DataFilter（信号处理）类，梳理具体实现步骤。

二、环境与设备初始化

1. 头文件与依赖

需包含 BrainFlow 核心库头文件，主要涉及设备通信和信号处理类：

#include "board_shim.h"

#include "data_filter.h"

#include "brainflow_constants.h"

#include <vector>

2. 设备参数配置

OpenBCI Cyton 通过串口通信，需指定串口号（如 Windows 的COM3或 Linux 的/dev/ttyUSB0），对应BrainFlowInputParams结构体配置：

// 初始化设备参数

struct BrainFlowInputParams params;memset(&params, 0, sizeof(params));

params.serial_port = "COM3"; // 替换为实际串口号

int board_id = (int)BoardIds::CYTON_BOARD; // OpenBCI Cyton对应的board_id

3. 实例化 BoardShim 对象

BoardShim board_shim(board_id, params);

三、数据采集流程

1. 会话准备与启动

try{

    // 准备会话（初始化设备连接）

    board_shim.prepare_session();

    // 启动数据流（缓冲区大小默认450000，可按需调整）

board_shim.start_stream();

}catch (const BrainFlowException &e)

{

    // 异常处理（如设备连接失败）

    std::cerr << "采集初始化失败: " << e.what() << std::endl;

return -1;

}

2. 获取原始数据

通过get_board_data获取二维数据（行：通道，列：采样点）：

// 获取所有可用数据（默认预设）

BrainFlowArray<double, 2> raw_data = board_shim.get_board_data();

int num_channels = raw_data.get_size(0); // 通道数

int num_samples = raw_data.get_size(1);  // 采样点数

double *data_ptr = raw_data.get_raw_ptr(); // 原始数据指针

3. 关键通道提取

OpenBCI Cyton 的 EEG 通道可通过get_eeg_channels获取，便于后续处理：

// 获取EEG通道索引（如Cyton通常为8通道）

std::vector<int> eeg_channels = BoardShim::get_eeg_channels(board_id);

四、信号预处理与特征提取（基于 DataFilter）

1. 滤波处理

针对 EEG 信号常见噪声（如工频干扰、肌电噪声），使用滤波方法：

// 示例：50Hz陷波滤波（去除工频噪声）

for (int ch : eeg_channels)

{

    // 提取单通道数据（每行对应一个通道）

    double *ch_data = raw_data.get_row(ch);

    // 去除环境噪声（50Hz或60Hz，根据地区选择）

DataFilter::remove_environmental_noise(ch_data, num_samples, 250, (int)NoiseTypes::NOTCH_50HZ);

}

// 示例：带通滤波（保留1-50Hz EEG信号）

for (int ch : eeg_channels)

{

    double *ch_data = raw_data.get_row(ch);

    DataFilter::perform_bandpass(

        ch_data, num_samples, 250, // 采样率250Hz（Cyton默认）

        1.0, 50.0, // 通带1-50Hz

        4, // 滤波器阶数

        (int)FilterTypes::BUTTERWORTH, // 巴特沃斯滤波器

        0.0 // 波纹系数（巴特沃斯无需设置）

);

}

2. 功率谱密度（PSD）计算

通过 FFT 计算 EEG 各频段（δ、θ、α、β、γ）功率：

// 示例：计算单通道PSDint ch = eeg_channels[0]; // 第一个EEG通道

double *ch_data = raw_data.get_row(ch);int psd_len = 0;// 计算PSD（采样率250Hz，使用汉宁窗）

std::pair<double *, double *> psd = DataFilter::get_psd(

    ch_data, num_samples, 250,

(int)WindowTypes::HANN, &psd_len);

double *amplitude = psd.first; // 振幅谱

double *frequency = psd.second; // 频率轴

// 提取α波（8-13Hz）功率

double alpha_power = DataFilter::get_band_power(

    psd, psd_len, 8.0, 13.0);

3. 其他常用处理

小波去噪：

DataFilter::perform_wavelet_denoising(

    ch_data, num_samples,

    (int)WaveletTypes::DB4, // 小波类型

    3, // 分解层数

    (int)WaveletDenoisingTypes::SURESHRINK);

降采样：

int downsampled_size = 0;double *downsampled_data = DataFilter::perform_downsampling(

    ch_data, num_samples, 2, // 降采样倍数为2

    (int)AggOperations::MEAN, // 均值聚合

    &downsampled_size);

五、数据终止与资源释放

// 停止数据流

board_shim.stop_stream();// 释放会话（断开设备连接）

board_shim.release_session();// 释放动态分配的内存（如PSD结果）

delete[] amplitude;delete[] frequency;delete[] downsampled_data;

六、核心算法大概包括以下几类：

1. 工频陷波滤波（去除 50Hz/60Hz 电源干扰）

EEG 信号极易受电源干扰（50Hz 或 60Hz），这是滤波的首要任务。

算法原理：采用IIR 带阻滤波器（如双二阶陷波滤波器），在特定频率点（50/60Hz）形成衰减峰，抑制干扰而不影响其他频率成分。

实现逻辑：

设计公式：对于中心频率f0​，采样率fs​，品质因数Q，通过双二阶滤波器公式计算系数：
ω0​=2πf0​/fs​
alpha=sin(ω0​)/(2Q)
b0​=1+alpha,b1​=−2cos(ω0​),b2​=1−alpha
a0​=1+alpha,a1​=−2cos(ω0​),a2​=1−alpha

BrainFlow 会根据设备采样率（如 BrainBit 的 250Hz，见brainflow_boards.cpp）自动适配滤波器参数。

2. 高通滤波（去除基线漂移）

EEG 信号中的低频漂移（如 < 0.5Hz）会掩盖慢电位变化，需通过高通滤波去除。

算法选择：通常采用一阶或二阶 IIR 高通滤波器（如巴特沃斯滤波器），截止频率设为 0.5Hz 或 1Hz。

优势：IIR 滤波器计算量小，适合实时处理（符合 BrainFlow 的实时性要求）。

3. 低通滤波（去除高频噪声）

肌肉电（EMG）、环境电磁噪声等高频信号（如 > 50Hz）会干扰 EEG，需通过低通滤波限制带宽。

算法选择：巴特沃斯低通滤波器（二阶或四阶），截止频率通常设为 30Hz（针对 α、β 波）或 50Hz（保留 γ 波）。

与设备的适配：根据brainflow_boards.cpp中定义的设备采样率（如 Cyton 的 250Hz、Ganglion 的 200Hz），动态调整滤波器系数以避免混叠。

4. 数据预处理：基线校正与标准化

基线校正：计算一段时间窗口内的信号均值（如前 100ms 数据），从当前信号中减去均值，消除直流偏移。

标准化：将信号缩放到 [-1,1] 或特定范围（如微伏级），公式：
xnorm​=(x−xmin​)/(xmax​−xmin​)

• 使用C++重写类似OpenBCI GUI：

1. 开发环境搭建：wxWidgets +gcc ，使用国人自行开发的小熊猫集成开发环境。
2. 已经实现基本的采集数据显示，集成了上面写的的关键的算法。

1. 验证硬件DeepBCI 完全兼容OpenBCI cyton 可以直接代替。