快速入门

pip install moabb

import moabb
from moabb.datasets import BNCI2014_001
from moabb.evaluations import CrossSessionEvaluation
from moabb.paradigms import LeftRightImagery
from moabb.pipelines.features import LogVariance

from sklearn.discriminant_analysis import LinearDiscriminantAnalysis as LDA
from sklearn.pipeline import make_pipeline

moabb.set_log_level("info")

pipelines = {"LogVar+LDA": make_pipeline(LogVariance(), LDA())}

dataset = BNCI2014_001()
dataset.subject_list = dataset.subject_list[:2]

paradigm = LeftRightImagery(fmin=8, fmax=35)
evaluation = CrossSessionEvaluation(paradigm=paradigm, datasets=[dataset])
results = evaluation.process(pipelines)

print(results.head())

有关完整的安装选项和故障排除，请参阅文档。

免责声明

这是一个开放科学项目，可能会根据社区的需求而不断发展。

问题背景

脑机接口 允许通过脑电信号与计算机交互。在本项目中，我们主要关注 脑电图信号 (EEG)，这是一个非常活跃的研究领域，全球范围内都有大量的科研贡献。然而：

• 脑机接口领域的可重复研究仍有很长的路要走。
• 尽管许多脑机接口数据集被免费公开，但研究人员往往不发布代码，因此重现结果以对新算法进行基准测试变得比预期更加困难。
• 算法的表现会受到预处理步骤参数、所用工具箱以及文献中几乎从未提及的实现“技巧”的显著影响。

因此，目前尚不存在全面的脑机接口算法基准测试，初学者不得不花费大量时间查阅文献，以确定哪种算法在哪个数据集上效果最好。

解决方案

“所有脑机接口基准测试之母”项目旨在：

• 构建一个全面的基准，用于评估应用于大量免费公开EEG数据集上的热门脑机接口算法。
• 代码托管在GitHub上，作为未来算法开发的参考。
• 在网站上对算法进行排名和推广，从而清晰地展示该领域现有的不同解决方案。

当我们在一篇摘要中读到“……所提出的方法在MOABB（所有脑机接口基准测试之母）上获得了89%的得分，比现有最佳水平高出5%……”时，这个项目就算成功了。

核心团队

该项目隶属于NeuroTechX，一个面向神经科技爱好者的国际社区。

“所有脑机接口基准测试之母”由Alexander Barachant和Vinay Jayaram创立。

目前由以下人员维护：

• Sylvain Chevallier
• Bruno Aristimunha
• Pierre Guetschel
• Grégoire Cattan
• Anton Andreev

贡献者

MOABB是一个社区项目，我们始终感谢每一位贡献者！

致谢

MOABB得到了以下组织的支持：

我们需要什么？

您！无论您能以何种方式提供帮助。

我们需要编程、用户体验、软件可持续性、文档编写、技术写作和项目管理等方面的专业知识。

我们也非常欢迎您的反馈。

我们的首要目标是构建一个全面的基准，用于评估应用于大量免费公开EEG数据集上的热门脑机接口算法，并且我们很高兴能够支持每一位贡献者的专业发展。如果您希望学习编程、尝试协作工作，或者将您的技能应用到数字领域，我们都愿意为您提供帮助。

引用MOABB

如果您在实验中使用了MOABB，请引用MOABB及相关出版物：

📚 完整引用指南

软件引用

APA 格式

Aristimunha, B., Carrara, I., Guetschel, P., Sedlar, S., Rodrigues, P., Sosulski, J.,
Narayanan, D., Bjareholt, E., Barthelemy, Q., Schirrmeister, R. T., Kobler, R.,
Kalunga, E., Darmet, L., Gregoire, C., Abdul Hussain, A., Gatti, R., Goncharenko, V.,
Andreev, A., Thielen, J., Hajhassani, D., Begany, K., Moreau, T., Roy, Y., Jayaram, V.,
Barachant, A., & Chevallier, S. (2026). 所有脑机接口基准测试之母 (MOABB)（版本 1.5.0）。
Zenodo。https://doi.org/10.5281/zenodo.10034223

BibTeX 格式

@software{Aristimunha_Mother_of_all,
  author       = {Aristimunha, Bruno and
                  Carrara, Igor and
                  Guetschel, Pierre and
                  Sedlar, Sara and
                  Rodrigues, Pedro and
                  Sosulski, Jan and
                  Narayanan, Divyesh and
                  Bjareholt, Erik and
                  Barthelemy, Quentin and
                  Schirrmeister, Robin Tibor and
                  Kobler, Reinmar and
                  Kalunga, Emmanuel and
                  Darmet, Ludovic and
                  Gregoire, Cattan and
                  Abdul Hussain, Ali and
                  Gatti, Ramiro and
                  Goncharenko, Vladislav and
                  Andreev, Anton and
                  Thielen, Jordy and
                  Hajhassani, Davoud and
                  Begany, Katelyn and
                  Moreau, Thomas and
                  Roy, Yannick and
                  Jayaram, Vinay and
                  Barachant, Alexandre and
                  Chevallier, Sylvain},
  title        = {所有脑机接口基准测试之母},
  year         = 2026,
  publisher    = {Zenodo},
  version      = {1.5.0},
  url          = {https://github.com/NeuroTechX/moabb},
  doi          = {10.5281/zenodo.10034223},
}

科学出版物

如果您希望引用 MOABB 的科学贡献，请使用以下论文：

MOABB 基准测试论文

Sylvain Chevallier, Igor Carrara, Bruno Aristimunha, Pierre Guetschel, Sara Sedlar, Bruna Junqueira Lopes, Sébastien Velut, Salim Khazem, Thomas Moreau

“面向开放科学的最大规模基于 EEG 的脑机接口可重复性研究：MOABB 基准测试”

HAL: hal-04537061

MOABB 原始论文

Vinay Jayaram 和 Alexandre Barachant

“MOABB：用于脑机接口的可信算法基准测试”

神经工程杂志 15.6（2018 年）：066011

DOI：10.1088/1741-2552/aadea0

---

📣 如果您使用 MOABB 发表了论文，请提交一个问题告知我们！ 我们非常期待了解您的工作，并帮助您推广它。

联系我们

如果您想报告问题或提出改进建议，欢迎在本 GitHub 仓库中提交一个问题，这样我们可以立即着手处理。

MOABB 快速上手指南

MOABB (Mother of all BCI Benchmarks) 是一个用于脑机接口（BCI）算法评估的开源基准测试框架。它允许用户在大量公开的 EEG 数据集上运行和比较流行的 BCI 算法，旨在提高研究的可复现性。

环境准备

在开始之前，请确保您的开发环境满足以下要求：

• 操作系统：Linux, macOS 或 Windows
• Python 版本：建议 Python 3.8 及以上版本
• 前置依赖：MOABB 依赖于 scikit-learn, mne, pandas 等科学计算库，安装时会自动处理。

国内加速建议： 在中国大陆地区，建议使用清华或阿里镜像源加速 Python 包的安装，以避免下载超时。

安装步骤

使用 pip 进行安装。

标准安装

pip install moabb

使用国内镜像源安装（推荐）

pip install moabb -i https://pypi.tuna.tsinghua.edu.cn/simple

如需完整的安装选项或遇到依赖问题，请参阅 官方安装文档。

基本使用

以下是一个最小化的示例，演示如何加载数据集、定义范式、构建流水线并运行跨会话评估。

代码示例

import moabb
from moabb.datasets import BNCI2014_001
from moabb.evaluations import CrossSessionEvaluation
from moabb.paradigms import LeftRightImagery
from moabb.pipelines.features import LogVariance

from sklearn.discriminant_analysis import LinearDiscriminantAnalysis as LDA
from sklearn.pipeline import make_pipeline

# 设置日志级别
moabb.set_log_level("info")

# 1. 定义处理流水线 (特征提取 + 分类器)
pipelines = {"LogVar+LDA": make_pipeline(LogVariance(), LDA())}

# 2. 选择数据集 (此处仅使用前 2 名受试者以加快演示速度)
dataset = BNCI2014_001()
dataset.subject_list = dataset.subject_list[:2]

# 3. 定义范式 (左右手运动想象，频段 8-35Hz)
paradigm = LeftRightImagery(fmin=8, fmax=35)

# 4. 初始化评估对象 (跨会话评估)
evaluation = CrossSessionEvaluation(paradigm=paradigm, datasets=[dataset])

# 5. 运行评估
results = evaluation.process(pipelines)

# 6. 查看结果前几行
print(results.head())

说明

• Datasets: MOABB 内置了多种公开 EEG 数据集（如 BNCI2014_001），首次运行时会自动下载数据。
• Paradigms: 定义了任务类型（如运动想象、P300 等）及预处理参数。
• Evaluations: 定义了验证策略（如跨会话、跨被试等）。
• Pipelines: 使用 scikit-learn 风格的管道组合特征提取器和分类器。

更多详细示例和高级用法，请访问 官方示例库。