Total Perspective Vortex

PhysioNet EEG Motor Movement/Imagery: 109 sujetos, EEG de 64 canales a 160 Hz; ejecuciones 3–14, puño izquierdo/derecho y ambos puños/ambos pies.

Solo

1. Implementé Common Spatial Patterns desde cero — covarianzas por clase normalizadas por la traza, una descomposición generalizada en valores propios y características de log-varianza — como un transformador de scikit-learn.
2. Construí el pipeline: el CSP propio alimentando una regresión logística, con validación cruzada k-fold y guardado y carga del modelo.
3. Escribí la capa de preprocesamiento con MNE: carga de EDF, un paso banda de 8–30 Hz, extracción de eventos y epoching.
4. Construí la herramienta de línea de comandos (train, predict, stream) y un bucle por lotes sobre los 109 sujetos.

CSP escrito desde cero, no el de la librería

El enunciado exige una reducción de dimensionalidad implementada a mano, así que las covarianzas, el problema generalizado de valores propios y la matriz de proyección se calculan directamente; el CSP de MNE se conserva solo como referencia para comprobar.

Un transformador compatible con scikit-learn

El CSP hereda de BaseEstimator y TransformerMixin, de modo que se combina con la regresión logística en un solo pipeline y pasa por la validación cruzada sin cambios.

Una banda de 8–30 Hz y un enfoque sensoriomotor

El filtrado se restringe a las bandas mu y beta donde reside la actividad de imaginación motora, con épocas recortadas de −0.5 s a 4 s alrededor de cada evento.

En los 109 sujetos, las seis configuraciones de experimentos dan un 62,5 % de precisión media (azar = 50 %); la mejor (ambos puños vs ambos pies, movimiento real) llega al 71 %, mientras que el puño izquierdo/derecho se queda en torno al 58–60 %. El CSP hecho desde cero y la integración con scikit-learn son el núcleo del proyecto.

• El modo stream es una reproducción sin conexión, no una adquisición en vivo: recorre épocas precalculadas una a una e imprime el tiempo de procesamiento.
• Un único modelo global por tipo de tarea, sobrescrito en cada ejecución de entrenamiento; no hay modelos guardados por sujeto.
• La evaluación es intra-sujeto: cada modelo se entrena y se prueba sobre el mismo sujeto, sin generalización a nuevos sujetos.
• La precisión varía mucho según el sujeto y la tarea (de ~0,58 en puño izquierdo/derecho a ~0,71 en puños/pies) — lo sustancial siguen siendo el CSP hecho desde cero y la integración con scikit-learn.