采用小波变换的方法对采集自同一被试的不同情感数据样本进行分析,从小波系数中提取心电图信号的情感特征.对同一天采集自同一被试的4种情感的特征进行比较分析,得出大小关系一致的特征作为情感识别依据.选取的特征在归一化之后对高兴和悲伤2类情感分类效果较好,最高可以达到92%.

色散会使已调制的无线电信号波形发生畸变 一个调制波可认为是由许多不同频率的时谐波合成的波群，不同频率的时谐波相速不同，衰减也不同，传播一段距离后，必然会有新的相位和振幅关系，合成波将可能发生失真。而且，已调波中这些不同频率的时谐波在媒质中各有各的相速，造成无法用相速进行总体描述，因此，有必要研究作为整体的波群在空间的传播速度。

为实现运动想象脑电信号的精准分类，提出以Levenberg－Marquardt算法（LM）替代BP神经网络构造分类器来提高分类识别率。实验以2008年BCI竞赛信号采集模式为标准，使用Emotive Epoc＋采集四类运动想象脑电信号，对采集的信号进行滤波去燥后，利用主成分分析提取特征值；然后分别用LM算法和BP神经网路进行分类识别做对比；最后基于MATLAB GUI设计串口通信界面与Arduino智能车链接验证算法的可行性。结果证明：该方法训练平均误差为5.630 6×10-7，分类准确率为86%，BP算法相对应为0.001 4、56%。相对比可知LM算法分类效果良好，验证过程中，智能车运行与算法识别方向一致，运行良好。此方法切实可行，为后期进一步开发脑机接口奠定了基础。

在简述小波变换理论发展的基础上，介绍了心电信号的主要特点和研究内容，从两大方面概括小波变换应用于心电信号处理的国内外研究现状：一是去噪，着重介绍了小波阈值消噪的研究成果，概括了在母婴心电信号分离、去除肌电噪声、保留特征波形方面的研究现状；二是波形检测和特征提取，着重介绍了QRS波群检测、ST段检测和R波峰值提取的研究现状，以及小波与其他理论结合用于心电信号处理的研究成果。最后，展望了利用小波变换进行心电信号处理的前景。

处理神经数据好用的工具箱，spike和lfp均可，适合信号处理专业做电信号分析

提出了一种基于时频域特征的情绪检测方法。使用Box-and-whisker plot（箱线图）选择最佳特征，然后将其输入SVM分类器，用于训练和测试DEAP数据集，其中考虑了32名不同性别和年龄组的参与者。实验结果表明，该方法对测试数据集的准确率为92.36%。此外，所提出的方法比最先进的方法表现出更高的准确性。 本文利用DEAP数据集预处理的脑电信号对两种维度进行四分类，即效价和觉醒。首先通过应用FFT将数据集中的样本从时域转移到频域，然后提取对情绪识别特别重要的α、β和θ频带。随后，根据每个情绪对应的象限对提取的频带进行平均，并使用平均频带值提取统计特征。然后，对提取的特征进行缩放，并将各种特征组合输入支持向量机分类器（SVM）进行情感识别。据观察，我们的方法使用偏度、峰度和波熵特征预测情绪，准确率为92.36%。与现有的DEAP数据集方法相比，我们提出的模型显示了更好的结果。

脑电信号处理常用的算法，包括优化后的CCA，PCCA，MCCA，WCCA，SVM

针对脑电信号的注意力识别精度问题，本文应用深度森林的算法进行仿真研究。首先对原始脑电信号通过小波分析进行预处理去噪，然后采用深度森林的方法进行分类识别。实验分别对6位受试者在注意和非注意两种状态下的脑电信号进行分析，结果表明，对注意力状态识别的准确率达到了95%以上，同时对通用数据库中清醒和睡眠两种状态下的脑电数据进行识别，也取得了较高的识别率，结果证明了该算法对脑电信号注意力识别的准确率是可靠的。

生物医学信号处理程序，包含心电信号添加噪声，小波去噪，差分定位，阈值定位，基于C语言的FFT代码。

一、心电信号的噪声特点 （1）由于电源磁场作用于心电图机与人体之间的环形电路所致的50 Hz/ 60 Hz 工频干扰; （2）由于病人肌肉紧张产生的肌电干扰; （3）由于病人呼吸运动或者由电极—电极—皮肤之间界面阻抗所致的频响,一般小于1 Hz 的基线漂移； 这些噪声干扰与心电信号混杂,引起心电信号的畸变,使整个心电信号波形模糊不清,对随后的信号分析处理,尤其是计算机自动识别诊断造成误判和漏判,因此,心电信号的消噪有重要的意义。