DEAP（DEtection of Affect in Audiences using Physiological signals）数据集是研究情感识别领域的一个重要资源，尤其在利用脑电图（EEG）信号分析人类情绪反应时。这个数据集包含了40名参与者对32个不同音乐视频片段的情绪反应，涵盖了喜悦、愤怒、悲伤、平静四种基本情绪类别。研究人员可以通过分析这些EEG数据，结合其他生理指标如心率、皮肤电导等，来训练和评估情感识别模型。 CNN（卷积神经网络）和LSTM（长短时记忆网络）是两种广泛应用于深度学习领域的神经网络架构，特别适合处理时间和空间上的连续数据。在脑电情绪识别任务中，CNN通常用于捕捉EEG信号中的空间模式，因为它们能够自动学习特征，如不同脑区之间的连接模式。而LSTM则擅长捕捉时间序列数据的长期依赖性，这对于理解EEG信号随时间变化的情绪动态非常有用。 在使用DEAP数据集进行情绪识别时，首先需要预处理原始EEG数据，包括去除噪声、滤波以消除高频或低频干扰，以及标准化或归一化数据以减少个体差异。接着，可以将预处理后的EEG信号划分为合适的窗口大小，每个窗口对应一段连续的信号，然后用CNN提取每一窗口内的特征。LSTM可以接在CNN之后，对连续的特征窗口进行建模，以捕捉情绪变化的动态过程。 训练模型时，可以采用交叉验证策略，如k折交叉验证，来评估模型的泛化能力。损失函数通常选择多类交叉熵，优化器可以选择Adam或SGD。在模型设计上，可以尝试不同的CNN-LSTM组合，比如多层CNN提取特征后馈入单层或多层LSTM，或者在LSTM前后添加全连接层进行进一步的抽象和分类。 此外，为了提高模型性能，可以考虑集成学习，比如基于多个模型的投票或平均结果。同时，正则化技术如Dropout和Batch Normalization也能帮助防止过拟合，提高模型的稳定性和泛化能力。 在评估模型时，除了准确率之外，还应关注精确率、召回率、F1分数以及混淆矩阵，以全面理解模型在各个情绪类别的表现。同时，AUC-ROC曲线也是一个重要的评估指标，它衡量了模型区分不同情绪状态的能力。 DEAP数据集结合CNN和LSTM提供了研究脑电情绪识别的强大工具。通过不断调整网络结构、优化参数，以及利用各种技术提高模型性能，我们可以更深入地理解人的情感反应，并为实际应用如人机交互、心理健康监测等领域提供支持。

近似熵可以表征脑电信号的EEG的复杂度，这个近似熵是在网上找的代码，不过没有调用代码的说明，我自己写了掉函数的main函数，另外加上脑电地形图的绘制程序，一般得出的熵值会在脑电图中绘制成地形图，这样更加清楚明了。

本程序使用小波变换对脑电进行分组重构，获得不同频率的脑电波形

信号处理--多分辨率单通道注意力脑电睡眠分类 完整代码

SimNIBS 4 是一个免费的开源软件包，用于模拟非侵入性脑刺激。它允许对经颅磁刺激 （TMS） 和经颅电刺激 （TES） 引起的电场进行实际计算。 警告 SimNIBS是一个研究工具。不支持或建议直接临床使用。特别是，SimNIBS没有经过测试，无法在存在病理状况的情况下给出准确的结果。

2020/8/19 星期三ADS1299模拟前端电源滤波输入滤波座子信号采集端口PIU1017 PIU1018 PIU1019 PIU1020 PIU1021

文件中包括实验的脑电数据、代码、实验效果表和图。

前言几乎所有脑电初学者都是从 EEGLAB 开始接触脑电预处理过程的，EEGLAB 浅显直观的 GUI 界面再或是基于 MATLAB 的代码操作影响了一代脑电人

首先使用Welch方法，计算一段脑电导联F4与F3的功率，然后对功率取对数，最后做差值（F4-F3）。可以比较两组人的差异

EGG 大脑电波形状数据 EEG brain wave for confusion_For variable selection and causal inference