文章 Tensorflow：EEG上CNN的一次实验 中所用的EEG脑电图数据，包含DEAP和MAHNOB-HCI两个库

MATLAB的疲劳检测代码脑电图检测驾驶员疲劳 该项目是2019年悉尼科技大学的一项大学研究项目的一部分。目标是开发一种算法，用于检测实时EEG数据流中的驾驶员疲劳程度。 包含从项目中获得的所有结果的详细项目也包含在存储库中。 在此仅发布MATLAB中的特征提取。 鼓励所有用户扩展此处显示的特征提取或根据这些特征提出一种改进的驾驶员疲劳检测方法。 该自述文件将指导用户完成整个MATLAB的设置，以便该程序可以在您的本地计算机上运行。 入门 由于应用了监督学习方法来解决检测任务，因此需要标记的数据集。 此类数据集已在此处记录和发布：。 需要下载所有名为“ 1.zip”到“ 11.zip”的文件夹，并将它们解压缩到本地计算机上的文件夹中。 预处理所有脑电图通道 打开并将路径变量设置为带有EEG数据的字典。 该脚本从下载中打开原始EEG时间信号，将其拆分为自定义检测时期（fe 1秒），并分配标签（0正常，1疲劳）。 具有0.5 Hz至50 Hz的通带的带通滤波器应用于时间信号。 因此，从信号中去除了高频噪声和DC偏移，而不会丢失用于疲劳检测的相关EEG信号。 用户可以选择此处要提取的给定的E

MATLAB中癫痫发作预测的脑电数据处理和建模拟合。 在 Kaggle 和 Uni Melbourne 癫痫预测比赛中获得第三名 ( https://www.kaggle.com/c/melbourne-university-seizure-prediction )。 有关完整说明，请参阅https://github.com/garethjns/Kaggle-EEG

本算法允许绘制在运动图像（MI）实验中获得的α和β脑节律的功率谱图。 该算法分为三个阶段： 预处理，α和β振荡的构象以及所述节律的功率谱密度估计。 在采集脑电信号期间，MI阶段由十次试验组成，每个阶段又由十二次奔跑组成，因此，奔跑由三个阶段构成：放松，静默和MI，每个阶段持续三秒钟。 在该算法中，分别表示了由电极C3和C4采集的迹线。 但是，仅根据10/20标准更改电极即可获得功率谱。 尽管此选择可能会导致预处理阶段发生变化，但由于这全都取决于信号的性质。 动机： 如何绘制脑电信号？ 首先，在您的matlab版本中加载名为“ Subject02.mat”的文件，然后在“命令窗口”中键入以下代码行： >> x_k = Registro（1）.Izquierda（：，17,1）; >> N =长度（x_k）; >> Fm = 250； >> T = 1./Fm； >> n = 0

寻路器 虚拟现实逃脱了房间游戏，其中包含利用脑电图的谜题。 Stephen Sladek，Richard Justice和Kyle Meystedt

python中MNE库中ICA和PCA的使用，资料包中提供了源代码和数据，可供调试使用。资料包中的数据来源与BCI竞赛中运动想象的公开数据集，挑选了部分数据进行处理。

基于deap数据集的脑电情绪识别，本文采用多种模型，包括gnn模型，并对脑电特征进行特征提取，构建了对应的边特征点特征

代码演示说明了脑电信号频谱、能量、功率谱密度等相关联系，详见https://www.xxy.ink/learn/bci/4.html

压缩包里包括实现MVAR各个功能的20子函数，还有一个自己写的调用各个函数用来实现求EEG信号各通道相关性的脚本。另外还可以画出各通道相关性的图。

脑电图数据自述 格罗斯伯格教授 克隆回购。 运行python -m SimpleHTTPServer 打开 导航到 3 个不同的可视化。 仅适用于 MATT 和 RAJ 如何从 .eeg 文件中读取数据： 第一次，你需要一个 virtualenv。 要创建它，请转到所需的目录，然后键入： virtualenv venv 这将为您创建一个工作区。 安装后，每次要激活它时，导航到 venv 所在的venv ，然后键入： source venv/bin/activate 激活后就可以开始工作了。 为项目创建一个目录，并初始化 git： git init 完成后，您需要执行以下操作： git remote add origin git@github.com:waleedasif322/Brain-EEG-data-Viz.git 从 GitHub 拉取最新代码。 现在