EEG信号处理与分类CNN模型集合+样例运行训练

使用 1DCNN 从 EEG 信号进行心理图像分类

用奇异谱法分析了抑郁症患者16导EEG信号的多重分形特征。讨论了多重分形分析方法在抑郁症患者临床诊断中的应用。发现抑郁症患者EEG信号的多重分形强度在Fpl、Fp2、F3、F4、c3和F7等信导较正常人有显著增加。该特性在抑郁症物理测量临床诊断中具有潜在价值。

DEAP数据集自动情感识别 该项目使用来自DEAP数据集的EEG信号，使用集成的一维CNN，LSTM和2D，3D CNN以及带有LSTM的级联CNN将情绪分为4类。

诱发电位记录示意图 + _ strobe light flashes, elicits evoked potential +EEG: + EP EEG = “single trial” + _

脑电信号（EEG）是一种研究脑活动的重要信息来源，基于脑电信号的人与计算机的通信已成为一种新的人机接口方式。运用时域回归方法对2～5种不同思维脑电信号进行预处理，用AR模型提取信号分段前后特征，最后用BP算法进行分类。并对分段前后的分类结果进行比较，实验表明，该方法达到很好的分类效果。

此代码说明了基于ECoG和EEG的2类MI-BCI的范例和工作流程。

脑电信号的特点 幅度：0.1 ~ 100 V 频带: 0.5 ~ 3000 Hz 干扰信号：眼电干扰、肌电干扰、工频干扰、环境电磁噪声干扰等 信号源的内阻大，且具有时变性

你只要写： [RPR,zd,za,zb,zt,DAR,DTABR]=RPR(RawSignals,fs) 您只需要原始 EEG 信号和 fs（频率采样）

SSVEP-BCI研究 作为Ridgefield高中专业研究计划的一部分，我研究了脑机接口领域并进行了实验。 在老Dominion大学（现移居至弗吉尼亚联邦大学）的Dean Krusienski博士及其博士生的指导下，我使用脑电图（EEG）测量了人体稳态视觉诱发电位（SSVEP）。 SSVEP是通过向对象提供闪烁的棋盘图像而生成的，可以潜在地用于帮助残疾患者与环境互动而不动。 摘要： 自从基于稳态视觉诱发电位（SSVEP）的脑机接口（BCI）发明以来，主要的挑战是提高准确性和信号识别能力。 尽管SSVEP在具有最小BCI暴露的受试者中表现出很高的准确率，但要保证日常使用的可靠性，BCI必须达