采集脑电以后，对脑电数据进行处理，绘制ERSP柱状图，然后对数据进行显著性分析，比较不同实验条件下的差异性

5类癫痫脑电数据，脑电数据是印度学家Varun Bajaj和Ram Bilas Pachori对正常人和癫痫病患者测试的数据。脑电信号数据由五个子集组成，分别为Z，O，N，F，S，每个脑电子集包含100个信道序列，每个信道持续时间为23.6秒,信号采样点是4097个数据点。

根据脑电数据进行情绪分类，在情绪分类中微分熵有着较好的效果。脑电特征提取，提取脑电特征中的微分熵，微分熵的简化运算以及其相关依据。

包括 S01E S01T S02E S02T 数据的描述说明，相关数据的处理方法请看我的博客。

参加者为61名多动症儿童和60名健康对照者（男孩和女孩，7至12岁）。多动症儿童是由经验丰富的精神病医生诊断为符合DSM-IV标准，并服用了利他林长达6个月。对照组中没有儿童有精神病，癫痫病或任何高危行为的报告。根据10-20个标准通过19个通道（Fz，Cz，Pz，C3，T3，C4，T4，Fp1，Fp2，F3，F4，F7，F8，P3，P4，T5，T6，O1， O2）在128 Hz采样频率下。 A1和A2电极是位于耳垂上的参考电极。由于多动症儿童的缺陷之一是视觉注意，因此脑电图记录协议是基于视觉注意任务的。在任务中，向孩子们展示了一组卡通人物的图片，并要求他们对人物进行计数。每张图像中的字符数是在5到16之间随机选择的，并且图片的大小足够大，以至于儿童容易看到和计数。为了在信号记录过程中产生持续的刺激作用，每个图像都应立即显示，并且在孩子做出反应后不会中断。因此，在整个认知视觉任务中记录脑电图的持续时间取决于孩子的表现（即反应速度）。

（毕业设计论文）基于脑电采集的汽车疲劳驾驶检测系统硬件设计 全世界每年因驾驶员疲劳驾驶而导致的死亡人数占交通灾难性事故的57%，故针对疲劳驾驶检测方法的研究具有现实意义。而最近十多年来，疲劳检测逐步取得人们的关注，为此本文设计了基于脑电采集的汽车疲劳驾驶检测系统的硬件电路。 脑电图（EEG）信号检测一直被誉为监测疲劳的“金标准”，所以本文将脑电信号作为检测疲劳的主要参数。为了准确采集脑电信号，本文设计的前端调理电路包括前置放大电路、四阶低通滤波电路、二阶高通滤波电路、中间级放大电路、50HZ陷波电路、极性转换以及末级放大电路，并由嵌入式ARM开发板EasyCortex M3-1752将采集到的脑电信号进行A/D转换后通过串口发送到计算机做进一步的处理。最后利用MATLAB对数据进行绘图分析，以及对系统进行整体分析和总结。

导师让找十几篇睡眠相关的文献，都是Q2、Q1的，有深度学习也有机器学习，看完深受启发，建议列个表格学习，更直观

EEGLAB 的一个很有用的插件ADJUST，它可以半自动的去除伪迹独立成分。ADJUST 需要自己安装，不是 EEGLAB 默认携带的，附上安装方法。

基于采集的脑电导联信号，用matlab去噪和伪迹，最后绘制脑地形图。

本文提出了一种新的四维卷积递归神经网络方法，将多通道脑电信号的频率、空间和时间信息显式地整合在一起，提高基于脑电的情绪识别精度。 首先，为了保持脑电的这三种信息，我们将不同通道的差分熵特征转化为4D结构来训练深度模型。 然后，我们引入了由卷积神经网络(CNN)和带有长短时记忆(LSTM)细胞的递归神经网络(recurrent neural network)组合而成的CRNN模型。 使用CNN从每个4D输入的时间切片中学习频率和空间信息，使用LSTM从CNN输出中提取时间依赖性。 LSTM的最后一个节点的输出执行分类。 我们的模型在主题内分裂的SEED和DEAP数据集上都达到了最先进的性能。 实验结果表明，结合脑电的频率、空间和时间信息进行情感识别是有效的。