通过求解EEG信号的模糊熵来表征信号的复杂度，输出结果对应脑电通道数的数据向量，可以结合脑电地形图的程序，画脑电信号地形图，直观看出脑电某些区域的复杂度

脑电信号去除心电伪迹程序 ，采用递推最小二乘法RLS的自适应滤波器

基于脑电信号的身份识别方法，作者应用运动想象的方法分三个波段，想象四类运动。

基于小波分析的脑电信号能量特征提取，先对脑电信号进行小波分解，提取小波系数，再用小波系数构造脑电信号的能量特征。

脑机接口是一种通过特定手段对脑电信号进行提取，利用信号处理算法解码，分析大脑信号，识别人脑的技术。为了提高二分类运动想象脑电信号的识别准确率，该文提出了一种基于LSTM神经网络的脑电信号分类方法，以2003年BCI国际竞赛的公开数据对所提出的方法进行验证。实验结果证明，LSTM神经网络训练出的模型具有良好的效果，分类的平均准确率接近90%。

读取txt格式的数据，对其分析，得出注意度，包括用户登陆界面等

有代码，有报告，有PPT。包括pca，msce，线性回归等。适合基础学习

疲劳驾驶是导致交通伤亡事故的重要原因之一，因此采取相应的预防措施是很有必要的。针对两种不同程度的警觉度（清醒和睡眠），采用公共空间模式CSP(Common Spatial Pattern)算法对所采集到的脑电数据进行特征提取，用基于径向基函数(RBF)的支持向量机(SVM)对提取的特征进行分类，通过网格搜索法获得最优参数。与频带能量作为特征的已有方法相比，该算法测试准确率较高，能够达到较好的识别效果。

基于SVM的机器学习脑电信号EEG情绪识别代码和数据

介绍 这是陆军研究实验室（ARL）EEGModels项目：用Keras和Tensorflow编写的用于EEG信号处理和分类的卷积神经网络（CNN）模型的集合。 该项目的目的是 提供一组经过验证的CNN模型用于脑电信号处理和分类 促进可重复的研究，并 使其他研究人员可以在其数据上尽可能轻松地使用和比较这些模型 要求 Python == 3.7或3.8 tensorflow == 2.X（已验证适用于2.0-2.3，适用于CPU和GPU） 要运行EEG / MEG ERP分类示例脚本，您还需要 mne> = 0.17.1 派里曼> = 0.2.5 scikit学习> = 0.20.1 m