---

前言

        天津大学神经工程团队在《Computers in Biology and Medicine》期刊（SCI一区TOP期刊）上发表了一篇论文，介绍了中国首个脑机接口开源软件平台——MetaBCI的技术架构和实现方法。MetaBCI针对BCI领域中数据分布零散、算法难以复现以及在线系统效率低下的问题，规范了BCI数据结构和预处理流程，开发了通用的算法框架，并通过双进程和双线程技术提升了在线实时效率。这些创新有助于降低脑机接口系统构建的技术门槛，减少研发成本，推动技术的转化和应用落地。
        github项目地址： https://github.com/TBC-TJU/MetaBCI
        本文讲解如何安装Metabci环境

---

一、安装Anconda

        先下载一个可以管理环境的软件Anconda。因为不同项目要求的编译环境，如python版本，是不一样的。如果电脑上放着两个不同的项目，用的python版本不一样。两边使用还要重新下载安装对应版本的环境。用anconda就可以创建不同的环境，在一台电脑上进行使用管理。这里在win11用的所以下载windows版本，进行安装。

        下载网址 https://www.anaconda.com/download/success

        安装完成后，就可以在windows左下角菜单中，找到Anaconda Navigator打开cmd命令行。

1.换conda源

        实测conda默认使用直接下载，大部分情况比较慢，容易断联。所以这里进行换源操作，把下载源改为国内源。先改conda下载的源，对于conda insall指令速度有改善。依次输入，回车确认。

conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/free/
conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/main/
conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud//pytorch/
conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud/conda-forge/
conda config --set show_channel_urls yes

2.换pip源

        上面改的conda安装的源，只更改这个，pip安装还是很慢。所以再改pip源。
        到C:\Users\user_name目录下，Users部分电脑叫用户，user_name是电脑用户名。新建pip文件夹。

然后在pip文件夹内新建pip.ini

        然后在该文件内粘贴以下信息。

[global]
index-url=https://pypi.tuna.tsinghua.edu.cn/simple 
[install]  
trusted-host=pypi.tuna.tsinghua.edu.cn
disable-pip-version-check = true  
timeout = 6000  

之后保存即可关闭。

3.安装python3.8环境

        然后根据metabci的github项目issue中，作者的回答，最好是用python3.8

        首先创建一个名为metabci的环境

conda create -n metabci python=3.8

回车后，如下图询问时，按y确认安装。

等一段时间，就装好了

二、安装MteaBCI

1.下载项目压缩包

        去项目地址下载，下载后解压缩。用git方式下载也可以，不赘述。
        github项目地址： https://github.com/TBC-TJU/MetaBCI

        打开conda的cmd后，输入conda activate metabci 就可以打开刚刚创建的环境

conda activate metabci 

2.安装依赖环境

        然后切换到解压的项目文件夹内。这里cd切换文件夹，C盘换D盘，需要先退回到C盘根目录，然后才能切换到D盘，之后才能cd路径，切换到D盘的文件夹内
        退回上一级

cd ..

        在C盘根目录切换到D盘

D:

        最后cd切换到解压后的项目目录下

        然后输入以下命令，按回车安装依赖环境，等待下载安装完毕即可。

pip install -r requirements.txt

三、jupyter notebook

1.安装jupyter

在metabci环境下使用

conda install ipykernel 

为当前环境（前面括号里的）安装ipykernel
使用如下指令，出现版本号，即表示安装成功。

python -m ipykernel --version 

使用如下这行，添加内核

python -m ipykernel install --user --name=metabci --display-name metabci

使用如下指令，检查内核路径是否添加正确。

jupyter kernelspec list

2.使用jupyter notebook

使用如下指令进入conda的metabci环境，然后进入jupyter

conda activate metabci  
jupyter notebook

弹出使用浏览器打开，然后按如下图片创建notebook。

核kernel选择刚刚创建的metabci

然后就可以在jupyter notebook里写python了。Jupyter Notebook 的一个显著特点是可以交互式地执行代码，程序可以放在一个一个代码块里，可以选择代码块分别，依次运行，每个代码块可以单独输出运行结果。

测试代码运行输出结果

测试用代码，fbcca

import sys
import numpy as np
from metabci.brainda.datasets import Wang2016
from metabci.brainda.paradigms import SSVEP
from metabci.brainda.algorithms.utils.model_selection import (
    set_random_seeds,
    generate_kfold_indices, match_kfold_indices)
from metabci.brainda.algorithms.decomposition import FBECCA
from metabci.brainda.algorithms.decomposition.base import generate_filterbank, generate_cca_references
wp=[(5,90),(14,90),(22,90),(30,90),(38,90)]
ws=[(3,92),(12,92),(20,92),(28,92),(36,92)]

filterbank = generate_filterbank(wp,ws,srate=250,order=15,rp=0.5)

dataset = Wang2016()

events = dataset.events.keys()
freq_list = [dataset.get_freq(event) for event in events]

Yf = generate_cca_references(freq_list, srate=250, T=0.5,n_harmonics = 5)

paradigm = SSVEP(
    channels=['POZ', 'PZ', 'PO3', 'PO5', 'PO4', 'PO6', 'O1', 'OZ', 'O2'],
    intervals=[(0.14, 0.64)],
    srate=250
)
# add 5-90Hz bandpass filter in raw hook
def raw_hook(raw, caches):
    # do something with raw object
    raw.filter(5, 90, l_trans_bandwidth=2,h_trans_bandwidth=5,
        phase='zero-double')
    caches['raw_stage'] = caches.get('raw_stage', -1) + 1
    return raw, caches

def epochs_hook(epochs, caches):
    # do something with epochs object
    # print(epochs.event_id)
    caches['epoch_stage'] = caches.get('epoch_stage', -1) + 1
    return epochs, caches

def data_hook(X, y, meta, caches):
    # retrive caches from the last stage
    # print("Raw stage:{},Epochs stage:{}".format(caches['raw_stage'], caches['epoch_stage']))
    # do something with X, y, and meta
    caches['data_stage'] = caches.get('data_stage', -1) + 1
    return X, y, meta, caches
paradigm.register_raw_hook(raw_hook)
paradigm.register_epochs_hook(epochs_hook)
paradigm.register_data_hook(data_hook)

X, y, meta = paradigm.get_data(
    dataset,
    subjects=[1],
    return_concat=True,
    n_jobs=None,
    verbose=False)

# 6-fold cross validation
set_random_seeds(38)
kfold = 6
indices = generate_kfold_indices(meta, kfold=kfold)

# classifier
filterweights = [(idx_filter+1) ** (-1.25) + 0.25 for idx_filter in range(5)]
estimator=FBECCA(filterbank=filterbank, n_components=1, filterweights=np.array(filterweights), n_jobs=-1)
accs = []
for k in range(kfold):
    train_ind, validate_ind, test_ind = match_kfold_indices(k, meta, indices)
    # merge train and validate set
    train_ind = np.concatenate((train_ind, validate_ind))
    p_labels = estimator.fit(X=X[train_ind],y=y[train_ind], Yf=Yf).predict(X[test_ind])
    accs.append(np.mean(p_labels==y[test_ind]))
print(np.mean(accs))
# If everything is fine, you will get the accuracy about 0.8458.