machine learning SVM algorithm for EEG classification

主要用于P300信号的处理 包含PCA处理和相应的滤波程序

自动识别一段信号中的尖峰，并输出尖峰的持续时间和幅值以及位置点

POLGUI是MATLAB和Polhemus Fastrak数字化仪之间的接口，用于数字化基准点位置和头皮EEG电极位置。 共有5个版本，所有版本均可在MATLAB R14下工作（在Linux和Windows平台上均可）（1）polgui_ver1_r14：与1个接收器（手写笔）配合使用（2）polgui_ver2_r14：与2个接收器（包括笔）配合使用（3）polgui_ver3_r14 ：适用于3个接收器（包括笔）（4）polgui_ver4_r14：适用于4个接收器（包括笔）（5）polgui_ver5_r14：适用于1/2/3/4接收器的通用版本[警告：Ver 5可能有问题; 未完全测试]

matlab 10折交叉验证knn代码

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）

matlab生成维纳过程代码NEURAL_py：python中的新生儿EEG功能集 复制NEURAL功能集版本的Python代码。 该代码用于从多通道EEG记录生成一组定量特征。 功能包括幅度测量，频谱测量和基本连接性测量（仅在半球范围内）。 同样，对于早产的脑电图（假设胎龄<32周），将从突发注释中生成特征（例如，最大突发间隔）。 爆发注释需要一个单独的程序包，该程序包也可在上获得。 有关方法的完整详细信息，请参见： JM O'Toole and GB Boylan (2017). NEURAL: quantitative features for newborn EEG using Matlab. ArXiv e-prints, arXiv:1704.05694 JM O'Toole and GB Boylan (2017). NEURAL: quantitative features for newborn EEG using Matlab. ArXiv e-prints, arXiv:1704.05694 JM O'Toole and GB Boylan (2017). NEU

pca特征提取的matlab代码脑电手部运动解码 该研究项目的主要目标是使用机器学习和信号处理算法从原始 EEG（脑电图）信号中对手部动作进行分类。 使用的一般思想是从原始 EEG 信号（功率谱密度）中提取频谱特征，并使用这些特征来训练卷积神经网络 (CNN) 进行分类。 所需的 Python 库 TensorFlow NumPy Scikit-学习 Matplotlib 存储库结构 MATLAB：生成数据文件和数据文件的MATLAB代码。 辅助：辅助功能。 绘图：原始信号和计算特征的可视化。 plot_features.py 原始PSD_class.py unit_tests ：单元测试。 average_PSD_test.py example_generation_test.py PCA_on_PSD_test.py power_spectral_density_test.py RawPSD_class_test.py 频谱图_test.py 文档：实现算法的文档。 特征计算算法.pdf 研究报告.pdf 模型：用于特征提取和分类的端到端模型。 分类器：分类模型。 CNN：卷积神经

基于脑电图的低成本脑机接口 该项目使用来自用户的实时 EEG 来控制使用稳态视觉诱发电位的简化键盘。 在启动时，用户应盯着其中一个复选框记录基线 EEG。 一旦复选框开始闪烁，用户就可以开始进行选择。 有五个闪烁的复选框，每个闪烁的频率不同。 每个框上方还有一些逗号分隔的选项，用户可以通过查看和专注于它来选择。 该框将突出显示，选项在复选框之间细分。 这将重复进行，直到选择了一个选项。 如果选项是字母/数字，它将显示在文本框中。 SSVEP BCI 现在不可靠 电路文件夹中是单通道 EEG 测量电路的 ltspice 原理图，该电路由 Nucleo F303K8 测量。 这些值被发送到处理数据的脑机接口。 电路的视频概述可以在下面看到 在 Alpha BCI 文件夹中可以找到一个简单的 Alpha 波 BCI，下面可以看到演示视频 这是我最后一年的电气/电子工程学位项目 入门 按

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