基于 Streamlit + MOABB + Braindecode 的脑机接口意图解码演示应用。
pip install -r requirements.txt
streamlit run demo_labram_bci.py如果要先做一个离线训练,再让 Demo 直接加载训练后的权重,可运行:
python train/labram_bci2a_demo_finetune.py脚本会基于 labram-base.pth 在 Subject 1 上做面向 demo 的两阶段 LaBraM 微调:
- 第一阶段只训练分类头,先让随机初始化的输出层对齐当前 demo 的标签分布
- 第二阶段再小学习率全量解冻,温和调整 backbone 和分类头
训练会使用随机分层验证集挑选 checkpoint,保存标准化参数,并导出 train/labram_bci2a_demo_finetuned.pt。
如果要批量训练 Subject 1-9 的专属 checkpoint,可运行:
python train/batch_train_labram_demo_subjects.py批量模式会依次导出:
train/labram_subject_1_demo_finetuned.pttrain/labram_subject_2_demo_finetuned.pt- ...
train/labram_subject_9_demo_finetuned.pt
如果你要保留一个效果更稳的 EEG 基线,仓库里也保留了 train/eegnet_bci2a_finetune.py。
- 加载
BCI Competition IV 2a的真实 EEG 数据 - 以 22 通道阶梯偏移波形展示 4 秒 epoch
- 优先加载当前受试者的专属 checkpoint;缺失时回退到
Subject 1 - 调用
LaBraM完成前向推理并展示 Softmax 概率与延迟 - 读取 checkpoint 中保存的标签顺序与标准化参数,避免类别显示错位