matlab代码影响对EEG单一试验和连接组进行分类 这是我于2019年8月5日至30日进行的项目的仓库。 __目标：使用机器学习工具（例如MNE库）对EEG任务相关的单项试验和功能连接进行分类。 理论：检查我的 原始数据：头皮脑电图数据-Biosemi-512 Hz-64电极-50位健康的人（.bdf） 任务：视觉空间注意任务（每个受试者每个主要状况约250次试验） 预处理数据（从EEGLAB到PYTHON） 对于ERP：在连续信号（Raw，.bdf）上闪烁并过滤假象，然后在ERPLAB / EEGLAB上进行分段（.set + .ftd） 对于wPLI：在连续信号上，应用SCD（Raw，.bdf），闪烁并过滤假象，选择14个电极，进行Beta和Gamma过滤，并进行Hilbert变换，并应用wPLI（.erp），然后进行10 ICA（connectomes）（。mat） ） 数据维度以纪元形式构建，以符合Python流程（最初为EEGLAB / MATLAB） 目标（1）随时代而定分为2个类：出席与否 言语上的问题：每个时期，作为电压信号（ERP）或特征权重（ICA），将成为两态分

多渠道管理实用程序 SignalManager 类是用于管理多通道时间序列信号和这些信号中的事件的主要类。 它有许多有用的功能，用于加载、拼接、基于事件控制时序等，以及首先将数据与事件纪元对齐。 有关此类的 API，请参阅 docs 文件夹。 它还提供文件格式从 .edf 或 .fiff 到 .hd5 的自动转换。 大多数数据都存储为 Pandas 数据帧或系列，因此请对此感到满意。 信号数据 该类通过私有数据帧 __signal 维护有关网格信号的大部分信息。 这直接与 .hd5 接口以提供有效的磁盘/内存权衡。 请注意，这意味着如果在给定时间实例化了多个 SignalManger，那么它将修改相同的数据。 检查 hd5 或代码表明它具有 __signal Dataframe 以下字段： times ：数据中每个样本的时间向量 数据：这是多通道数据 频道：一系列频道名称 fs ：采样频

EEG_pre_processing：对多个数据集运行EEGLAB的几个预处理步骤

脑力解码 深度学习工具箱，用于解码原始时域脑电图。 对于想要与深度学习合作的EEG研究人员以及想要与EEG数据合作的深度学习研究人员。 目前，重点放在卷积网络上。 安装 从安装pytorch（无需安装torchvision）。 通过pip安装 （如果要使用MOABB数据集实用程序则需要）： pip install moabb 通过pip安装最新版本的braindecode： pip install braindecode 或者，如果您使用conda，则可以使用以下内容创建专用环境： curl -O https://raw.githubusercontent.com/braindecode/braindecode/master/environment.yml conda env create -f environment.yml conda activate braindeco

单层感知器神经网络matlab代码基于运动图像的单通道脑电分类 Global SIP 2018接受的论文中描述了此代码。 <概述> 该存储库中的Matlab脚本确定了通道，特征和分类器的最佳组合，可最大程度地提高基于单通道EEG的运动图像BCI的分类精度。 频道：22 ch 特征： 功率谱（PS） 灰度共生矩阵（GLCM） 单通道公共空间模式（SCCSP） 分类器： 线性判别分析（LDA） k最近邻居（k-NN） 高斯混合模型（GMM） 随机森林（RF） 多层感知器（MLP） 支持向量机（SVM） 带有PS的SVM和带有SCCSP的MLP在二进制分类中显示一位受试者的分类准确度为86.6％ （平均值：63.5％）。 为了进行评估，我们使用了开放访问数据集。 在使用我们的代码之前，请发送以访问数据。 <代码> 该存储库有一个主要的m.file，该文件由预处理和后处理步骤组成。 在通过预处理步骤保存特征向量之后，可以使用10倍交叉验证来计算分类精度。 另外，您可以通过更改set_config.m文件中的值来更改此框架中的每个参数。 <环境> 马尔巴布R2017a 信号处理工具箱 静力学和机

Milo：大脑控制的轮椅 Milo帮助人们导航，而无需动手或四肢。 我们认为它对于ALS，锁定综合征或其他形式的瘫痪患者特别有用。 我们的脑机接口利用脑电图（EEG），这是一种经济实惠，可访问且无创的技术，可以检测脑部活动。 具体而言，当用户想象运动时，Milo通过检测对运动感觉皮层（与运动相关的大脑区域）中的mu节律（7-13 Hz）的抑制来使用运动图像信号进行转向。 除运动图像外，还使用眨眼信号和下颌伪影来启动和停止动作，并表示需要转弯。 使用Milo，用户可以通过眨眼或握紧下巴在前进和停止之间切换。 他们可以通过简单地考虑左右手的运动来向左或向右转。 我们还为护理人员设计了一个Web应用程序，他们可以从中实时查看轮椅使用者的位置，以确保他们的安全。 如果用户的心律不正常或发生崩溃，也会将一条短信发送给护理人员。 此外，我们还实施了辅助驾驶功能，可用于跟踪墙和避开物体。 Github

癫痫发作检测 该存储库包含“深度学习”项目的代码，用于识别癫痫诊断患者的异常脑电图。 参考 ChronoNet：用于异常EEG识别的深度递归神经网络 如果您发现存储库中的代码很有用，请使用以下命令将其引用： @misc{chitlangia2021epileptic, author = {Chitlangia, Sharad}, title = {Epileptic Seizure Detection using Deep Learning}, year = {2021}, publisher = {GitHub}, journal = {GitHub repository}, howpublished = {\url{https://github.com/Sharad24/Epileptic-Seizure-Detection/}}, }

提出一种基于集成深度学习模型的情感状态检测方法.首先从脑电信号的时域、频域和时频域中提取4种表征情绪状态显著信息的初始特征;然后使用胶质细胞链改进的深度信念网络分别提取这些特征的高层抽象表示;最后利用判别式受限玻尔兹曼机对高层抽象特征进行融合,进行情感状态预测.在DEAP数据集上进行的实验显示,胶质链能够挖掘和利用EEG不同通道之间的相关性信息,而集成深度学习模型能够有效集成EEG信号在时域、频域和时频域蕴含的情感状态相关的显著性信息.

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。

情绪分类 基于 EEG 情绪分类的依赖最大化特征选择。 该项目已作为 IIT 德里 2014 年秋季学期神经网络课程的一部分完成。 主管：Jayadeva博士 作者 Rishi Dua T Veeranjaneya Ashok 安装 安装 Python 和 scikit 将 DEAP 数据集（cPickle 预处理）复制到 data/raw 文件夹 运行脚本.sh 文档 请参阅 docs/readme.pdf 贡献 源代码： : 执照 该项目是根据 MIT 许可条款获得许可的。 有关详细信息，请参阅 LICENSE.txt