AccuSleep：使用EEG和EMG记录自动为啮齿动物睡眠评分

Jx-EEGT：脑电图（EEG）特征提取工具箱 -------------------------------------------------- -------------------------------------------------- -------------------------------------------------- ------------- *此工具箱提供30种EEG功能 * 显示如何使用生成的采样信号来应用特征提取方法。 *此Jx-EEGT工具箱的详细信息可以在https://github.com/JingweiToo/EEG-Feature-Extraction-Toolbox中找到

脑电信息，分析，处理与采集的python代码，启动代码，配置文件等等。

脑电图机器学习挑战 EEG 机器学习挑战赛，Python 和 MATLAB（学者项目，2015） 本次挑战的目标包括根据 30 秒的 EEG 信号确定正确的睡眠阶段（W、R、N1、N2、N3）； 数据集分别包含 10178 和 10087 个 EEG 用于训练和测试。 特征提取 首先，我编写了自己的Python脚本（参见： : ），在学校网络上应用分布式并行计算。 它将特征的计算时间除以超过 100。超过 100。 PyEEG / PyREM / MNE 感谢 PyEEG 库，我提取了这些特征： DFA：去趋势波动分析 PFD：Petrosian 分形维数 hjorth：Hjorth 移动性和复杂性 ApEn：近似熵 SampEn：样本熵（SampEn） hfd：樋口分形维数 费舍尔信息：费舍尔信息 SVD：SVD熵 bin power & bin power ratio：由

pyedf Python包，用于读取EEG数据并将其写入欧洲数据格式文件。 py3k分支提供了与Python 3兼容的实验版本。 EDF标准于年引入。 带有注释的EDF扩展最初于进行了描述，并于年发布的EDF +标准进行了形式化。 网站同时描述了这两个标准并讨论了实施细节。 由于EDF是一种广泛使用的格式，因此存在用于读取和写入EDF文件的多种实现。 大多数Python实现由围绕C代码实现的包装组成，这使安装更加繁琐并降低了可移植性。 此实现是在纯Python中实现的，对外部包的依赖有限。 也可以看看

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

该软件包实现了所提出的 EEG 连接方法，如下所示： A. Omidvarnia、G. Azemi、B. Boashash、JO Toole、P. Colditz 和 S. Vanhatalo， “测量头皮 EEG 信号中随时间变化的信息流：正交部分定向连贯性，”IEEE 生物医学工程汇刊，2013 年 [Epub 印刷前] （可在： http : //ieeexplore.ieee.org/xpl/articleDetails.jsp?arnumber=6637060 获得）。 该包使用以下外部工具箱： 1. ARFIT工具箱，可从以下网站获得： http ://www.clidyn.ethz.ch/arfit/index.html BioSig工具箱（可从http://biosig.sourceforge.net获得）也非常鼓舞人心，对这项工作很有帮助。 %%%%%%%%%%%

Jx-EEGT：脑电图（EEG）特征提取工具箱 《迈向人才科学家：共享与学习》--- 介绍 此工具箱提供 30 种类型的 EEG 功能 A_Main文件显示了如何使用生成的样本信号应用特征提取方法。 输入 X : 信号 (1 x样本) opts : 参数设置（有些方法有参数：参考） 输出 feat ：特征向量（您可以使用其他名称，如f2等） 用法 采用主函数jfeeg进行特征提取。 您可以通过将'me'更改为来切换方法 如果你想提取平均能量（ ME ），那么你可以写 feat = jfeeg('me', X); 如果你想提取 hjorth 活动（ HA ），那么你可以写 feat = jfeeg('ha', X); 示例 1：提取 3 个正常特征（不带参数） % Generate a sample random signal X fs = 500; %

eeglab工具箱

包含了所有脑电领域可能用到的深度学习模型包含BIGRU，,lstm,cnn,gcn,dnn,rnn等等23个深度学习模型。 同时包含了相应模型所需要的数据处理过程所用代码。 当然也包含了最基本的读取edf文件，得到脑电信号。