NeuroStream

脑机接口在线识别与反馈系统

中文版本 | English Version

1. 项目简介

本项目是一个完整的脑机接口(BCI)软件系统，由两个协同工作的MATLAB应用程序组成：

AcquisitionClient：脑电数据采集、处理与反馈控制系统
实现脑电信号的实时采集、在线处理、特征提取、模型训练与评估，以及基于运动想象的实时反馈控制。
StimulateClient：运动想象心理任务诱导与反馈呈现系统
提供标准运动想象实验范式，执行视听任务提示，并实时呈现脑机接口解码结果作为反馈。

本系统为脑机接口研究提供了完整的实验平台，特别适用于：

🧠 运动想象脑电解码研究
🤖 脑机接口算法开发与评估
🔁 神经反馈训练系统
🎮 脑控设备交互研究

2. 功能特性

🧪 AcquisitionClient - 脑电数据采集与处理系统

功能类别	详细功能	技术特点
数据采集	• 实时采集NeuroScan脑电数据 • 阻抗监测与显示 • 多通道数据可视化	• 支持NeuroScan实时数据流 • 低延迟数据采集
信号处理	• 带通滤波(1-40Hz可调) • ICA伪迹去除 • 黎曼空间滤波(RSF)	• 实时处理流水线 • 可配置处理参数 • 支持多种空间滤波算法
特征分析	• 时域分析(ERP) • 频域分析(PSD) • 时频分析(ERSP) • 脑地形图可视化	• 多维度特征提取 • 交互式可视化 • 特征选择工具
机器学习	• 模型训练与评估 • 迁移学习框架 • 实时脑电信号解码 • 支持多种分类算法	• 支持多种分类算法 • 迁移学习框架 • 在线自适应学习 • 可自定义配置/自动优化参数
反馈控制	• UDP指令传输 • 实时解码结果反馈 • 系统状态监控	• 低延迟通信 • 可配置反馈参数

支持的分类算法

分类方法	关键参数	函数接口
CSP	• `nFilters`: 滤波器数量 • `classifierType`: 分类器类型	• `model = csp_modeling(traindata, trainlabel, nFilters, classifierType)` • `[predlabel, decision_values, testacc] = csp_classify(model, testdata, testlabel)`
FBCSP	• `freqsbands`: 频带范围数组 • `nFilters`: 滤波器数量 • `fs`: 采样率	• `model = fbcsp_modeling(traindata, trainlabel, nFilters, fs, freqsbands)` • `[predlabel, decision_values, testacc] = fbcsp_classify(model, testdata, testlabel)`
FgMDM	• `metric`: 距离度量	• `model = fgmdm_modeling(traindata,trainlabel,metric)` • `[predlabel, decision_values, testacc] = fgmdm_classify(model, testdata, testlabel)`
TSM	• `classifierType`: 分类器类型 • `optimize`: 是否自动优化分类器参数 • `timeLimit`: 分类器参数优化的最大时间限制	• `model = tsm_modeling(traindata, trainlabel, classifierType, optimize, timeLimit)` • `[predlabel, decision_values, testacc] = tsm_classify(model, testdata, testlabel)`
TRCA	-	• `model = trca_modeling(traindata, trainlabel)` • `[predlabel, decision_values, testacc] = trca_classify(model, testdata, testlabel)`
DCPM	-	• `model = dcpm_modeling(traindata, trainlabel)` • `[predlabel, decision_values, testacc] = dcpm_classify(model, testdata, testlabel)`
SBLEST	• `tau`: 时间延迟参数	• `model = sblest_modeling(traindata, trainlabel, tau)` • `[predlabel, decision_values, testacc] = sblest_classify(model, testdata, testlabel)`
CTSSP	• `t_win`: 时间窗单元数组 • `tau`: 时间延迟参数	• `model = ctssp_modeling(traindata, trainlabel, t_win, tau)` • `[predlabel, decision_values, testacc] = ctssp_classify(model, testdata, testlabel)`
ENSEMBLE	• `alg`: 基础算法列表 • `useDecisionValues`: 使用决策值/预测值	集成多个基础算法的分类结果进行元学习 • `model = p_modeling(traindata, trainlabel, alg, varargin)` • `[predlabel, decision_values, testacc] = p_classify(model, testdata, testlabel)`
RSFDA (用于迁移学习)	• `fs`: 采样率 • `times`: 时间窗参数 • `freqs`: 频带参数 • `chans`: 通道参数	• `model = rsfda_modeling(Xs, Ys, Xt, Yt, fs, times, freqs, chans)` • `[predlabel, decision_values, testacc] = rsfda_classify(model, testdata, testlabel)`
Stacking	• `algs`: 基础算法列表 • `fs`: 采样率 • `times`: 时间窗参数 • `freqs`: 频带参数 • `chans`: 通道参数	集成多个基础算法和时间窗、频带、导联参数配置的分类结果进行元学习 • `model = stacking_modeling(data, label, algs, fs, times, freqs, chans, varargin)` • `[predlabel, decision_values, testacc] = stacking_classify(model, testdata, testlabel)`
Stacking (用于迁移学习)	• `algs`: 基础算法列表 • `fs`: 采样率 • `times`: 时间窗参数 • `freqs`: 频带参数 • `chans`: 通道参数	集成多个基础算法和时间窗、频带、导联参数配置的分类结果进行元学习 • `model = stacking_tlmodeling(Xs, Ys, Xt, Yt, algs, fs, times, freqs, chans, varargin)` • `[predlabel, decision_values, testacc] = stacking_tlclassify(model, testdata, testlabel)`

注意：以上函数接口为示例，实际使用时请根据具体实现进行调整，部分算法参数未列出，详见源码。

🎮 StimulateClient - 实验范式与反馈系统

功能类别	详细功能	技术特点
实验范式	• 左右手运动想象范式 • 视觉/听觉任务提示 • 实验参数配置	• 标准化实验流程 • 精确时序控制
反馈呈现	• 实时解码结果可视化 • 游戏化反馈界面 • 多模态反馈(视觉+听觉)	• 沉浸式反馈体验 • 可定制反馈形式
数据记录	• 实验数据自动保存 • 被试响应记录 • 时间戳同步	• 标准化数据格式 • 与脑电数据同步
系统控制	• 实验流程控制 • UDP通信管理 • 系统状态监控	• 可靠通信协议 • 错误处理机制

3. 安装与依赖

系统要求

操作系统：Windows 10/11 (64位)
MATLAB：R2021b 或更高版本
硬件要求：
- 处理器：Intel Core i7 或同等性能
- 内存：16GB RAM 或更高
- 存储：1GB 可用空间
- NeuroScan EEG采集设备

必要工具箱

Signal Processing Toolbox
Statistics and Machine Learning Toolbox
Parallel Computing Toolbox (推荐)
Psychtoolbox-3 (推荐)

安装步骤

克隆或下载项目仓库：

git clone https://github.com/PLC-TJU/NEUROSTREAM.git
cd NEUROSTREAM

在MATLAB中添加项目路径：

% 在采集端主机添加路径
addpath(genpath('AcquisitionClient'));
savepath;  % 保存路径设置

% 在反馈端主机添加路径
addpath(genpath('StimulateClient'));
savepath;  % 保存路径设置

安装必要工具箱：

% 采集端主机安装工具箱
toolboxes = {'Signal Processing Toolbox', ...
          'Statistics and Machine Learning Toolbox', ...
          'Parallel Computing Toolbox'};

for i = 1:length(toolboxes)
    if ~license('test', toolboxes{i}) || isempty(ver(toolboxes{i}))
        warning('%s 未安装，请通过MATLAB附加功能管理器安装', toolboxes{i});
    end
end

% 反馈端主机安装Psychtoolbox (可选)
if ~exist('PsychtoolboxVersion', 'file')
    web('https://psychtoolbox.org/download.html', '-browser');
    disp('请按照说明安装Psychtoolbox');
end

4. 使用说明

系统启动前准备

确保NeuroScan设备正常连接并启动配套软件（Scan/Curry）
在NeuroScan软件中启用实时数据传输端口（TCP端口）
确保采集端和反馈端主机在同一局域网
配置网络防火墙允许TCP和UDP通信

采集端运行流程

% 启动采集端
AcquisitionClient;

% 典型工作流程：
% 1. [设置] -> 配置NeuroScan连接参数和受试者信息
% 2. [数据] -> 加载历史数据或采集新训练数据
% 3. [分析] -> 执行特征分析与时频可视化
% 4. [模型] -> 训练分类模型并评估性能
% 5. [部署] -> 启动实时解码引擎
% 6. [连接] -> 配置UDP反馈连接
% 7. [控制] -> 启动实时脑电解码与反馈控制

反馈端运行流程

% 启动反馈端
StimulateClient;

% 典型工作流程：
% 1. [设置] -> 配置实验参数(任务类型、时长、试次数等)
% 2. [网络] -> 设置UDP通信参数(IP、端口)
% 3. [连接] -> 连接采集端
% 4. [实验] -> 启动实验范式
% 5. [监控] -> 观察实验进程与反馈呈现
% 6. [数据] -> 保存实验数据

双系统协同工作流程

图1：系统工作流程

5. 系统架构

整体架构

图2：整体架构

采集端架构

AcquisitionClient/
├── HelpSystem/                # 帮助文档系统
│   ├── createAboutDialog.m    # "关于"对话框
│   ├── createManualDialog.m   # 用户手册
├── Resources/                 # 资源文件
│   ├── Icons/                 # 图标资源
│   ├── Images/                # 图像资源
├── Utils/                     # 工具函数
│   ├── Machine_Learning_Classification/
│   │   ├── Classification/    # 分类算法
│   │   ├── Feature_Analysis/  # 特征分析方法
│   │   ├── Model_Evaluation/  # 模型评估工具
│   │   ├── Pre_Processing/    # 预处理方法
│   │   ├── model_training.m   # 标准模型训练
│   │   ├── online_classify.m  # 在线分类
│   │   ├── tlmodel_training.m # 迁移学习模型训练
│   ├── NeuroScan/             # NeuroScan接口工具
│   ├── ...                    # 其他工具
├── AcquisitionClient.mlapp    # 主应用程序
├── ConfigManager.m            # 配置管理类
├── DataProcessor.m            # 数据处理核心类
├── FileManager.m              # 文件管理类
├── NeuroScanClient.m          # NeuroScan客户端类
├── UDPComm.m                  # UDP通信类

反馈端架构

StimulateClient/
├── Paradigms/                 # 实验范式实现
│   ├── stimulate_auto.m       # 运动想象游戏范式
│   └── stimulate_plc.m        # 运动想象时频范式(需要Psychtoolbox-3)
├── Resources/                 # 资源文件
│   ├── Audio/                 # 音频资源
│   ├── Images/                # 图像资源
│   └── Videos/                # 视频资源
├── Utils/                     # 工具函数
├── StimulateClient.mlapp      # 主应用程序

6. 示例图像

图3：采集端主界面

图4：反馈端主界面

7. 引用与参考文献

如您使用本系统或相关算法进行研究，请引用以下文献：

@article{pan2025rsf,
  title={Enhancing Motor Imagery EEG Classification with a Riemannian Geometry-Based Spatial Filtering (RSF) Method}, 
  author={Lincong, Pan and Kun, Wang and Yongzhi Huang and Xinwei, Sun and Jiayuan Meng and Weibo Yi and Minpeng, Xu and Tzyy-Ping Jung and Dong, Ming},
  journal={Neural Networks},
  year={2025},
  volume={188},
  pages={107511},
  doi={10.1016/j.neunet.2025.107511},
  publisher={Elsevier}
}

@article{pan2023rave,
  title={Riemannian geometric and ensemble learning for decoding cross-session motor imagery electroencephalography signals}, 
  author={Lincong, Pan and Kun, Wang and Lichao Xu and Xinwei, Sun and Weibo Yi and Minpeng, Xu and Dong, Ming},
  journal={Journal of Neural Engineering},
  year={2023},
  volume={20},
  number={6},
  pages={066011},
  doi={10.1088/1741-2552/ad0a01},
  publisher={IOP Publishing}
}

@article{pan2025rsfda,
  title={基于黎曼空间滤波与域适应的跨时间运动想象-脑电解码研究}, 
  author={潘林聪, 孙新维, 王坤, 曹愉培, 许敏鹏, 明东},
  journal={生物医学工程学杂志},
  month={4},
  year={2025},
  volume={42},
  number={2},
  pages={272-279},
  doi={10.7507/1001-5515.202411035},
  issn={1001-5515},
}

@article{pan2025ctssp,
  title={CTSSP: A Temporal-Spectral-Spatio Joint Optimization Algorithm for Motor Imagery EEG Decoding}, 
  author={Lincong, Pan and Kun, Wang and Weibo Yi and Yang Zhang and Minpeng, Xu and Dong, Ming},
  journal={TechRxiv},
  month={4},
  year={2025},
  doi={10.36227/techrxiv.174431208.89304915/v1}
}

8. 相关研究资源

本项目的实现基于以下开源项目，特此致谢：

EEG信号全流程处理工具箱
基于黎曼几何的空间滤波算法
黎曼空间滤波与域适应算法
公共时间-频谱-空间模式算法
基于黎曼几何的自适应增强与集成学习算法
一个专注于黎曼几何方法的MATLAB工具箱
基于稀疏朴素贝叶斯学习的脑电解码方法
EEG信号处理的开源MATLAB工具箱

9. 作者与贡献者

核心开发者

作者:
邮箱:
机构: 天津大学

其他贡献者

暂无

10. 许可协议

本项目使用MIT许可协议。
完整的许可证文件请查看 LICENSE 文件。

MIT License

Copyright (c) 2023-2025 潘林聪

特此免费授予获得本软件及相关文档文件（以下简称“软件”）副本的任何人无限制地处理软件的权限，
包括但不限于使用、复制、修改、合并、发布、分发、再许可和/或销售软件的副本的权利，
并允许接受软件的人这样做，但须符合以下条件：

上述版权声明和本许可声明应包含在软件的所有副本或主要部分中。

本软件按"原样"提供，不提供任何形式的明示或暗示保证，包括但不限于适销性、特定用途适用性和非侵权保证。
在任何情况下，作者或版权持有人均不对因软件或使用或其他交易引起的任何索赔、损害赔偿或其他责任承担责任，
无论是合同诉讼、侵权诉讼还是其他诉讼。

Name		Name	Last commit message	Last commit date
APP		APP
AcquisitionClient		AcquisitionClient
StimulateClient		StimulateClient
.gitignore		.gitignore
LICENSE		LICENSE
README.ch.md		README.ch.md
README.en.md		README.en.md
README.md		README.md

Navigation Menu

Repository files navigation

NeuroStream

目录

1. 项目简介

2. 功能特性

🧪 AcquisitionClient - 脑电数据采集与处理系统

支持的分类算法

🎮 StimulateClient - 实验范式与反馈系统

3. 安装与依赖

系统要求

必要工具箱

安装步骤

4. 使用说明

5. 系统架构

整体架构

采集端架构

反馈端架构

6. 示例图像

7. 引用与参考文献

8. 相关研究资源

9. 作者与贡献者

10. 许可协议

About

Releases

Packages

Contributors

Languages

Latest commit

History

Folders and files

Repository files navigation

NeuroStream

目录

1. 项目简介

2. 功能特性

🧪 AcquisitionClient - 脑电数据采集与处理系统

支持的分类算法

🎮 StimulateClient - 实验范式与反馈系统

3. 安装与依赖

系统要求

必要工具箱

安装步骤

4. 使用说明

5. 系统架构

整体架构

采集端架构

反馈端架构

6. 示例图像

7. 引用与参考文献

8. 相关研究资源

9. 作者与贡献者

10. 许可协议

About

Resources

Stars

Watchers

Forks

Releases

Packages

Contributors

Languages