AAR插件是MATLAB脚本的集合，实现了几种先进的方法（无论如何在2008年……），用于自动校正EEG中的眼部和肌肉伪影。在相当过时的教程文档中简要介绍了该工具箱的功能，您可以使用.pdf或html格式获取该文档。 该工具箱是作为EEGLAB插件实现的，但是如果您不需要或不想使用EEGLAB的GUI，也可以在没有EEGLAB的情况下使用。当前版本实现了几种全自动的方法来校正眼（EOG）伪影，以及一种自动的方法来校正肌肉（EMG）伪影。

KityMinder 是百度FEX团队的f-cube小组（原UEditor小组）的又一力作。作为一款在线的脑图编辑工具，它有着很多Native编辑工具的交互体验。KM与UE有着一样的宗旨，就是注重最终用户的使用体验。

matlab脑电功率谱代码脑电图-MEG-代码-MATLAB 该存储库包含有用的MATLAB函数，用于EEG分析。 ssd：是ssd的频域扩展（时空频谱分解）。 请参阅功能标题。 select_component：是有助于手动排除ICA伪影的功能。 EEGLab ICA透视窗口很慢，并且没有与数据进行交互的机会。 使用此功能，可以交互查看EEG的频谱（如果所选组件被拒绝）以及将被拒绝的alpha功率量以及其他选项（请参见功能的标题）。 另外，用鼠标左键和右键单击可以选择“主动”和“被动”组件，这意味着无论如何都应拒绝主动组件，并且保留被动组件以备将来使用。 例如，在许多情况下，研究人员更喜欢去除眼睛和心脏的假象，但也希望保留肌肉假象的成分，以防他们想要去除它们。 前者将通过左键单击选择为主动，而后者将通过右键单击选择为被动。 plot_spec：是用于绘制多通道信号频谱的函数。 注意：EEGlab函数有一些错误。

matlab脑电功率谱代码硕士论文 发言题目：基于参数特征分析的情感状态分类中基于神经元脑电图的计算有效和鲁棒光谱特征信息提取模型的研究 概述描述：在本研究中，我们探索了在EEG特征提取任务中使用特征矩阵分解的各种参数PSD（功率谱密度）估计器模型。 该研究还对EEG波形的子空间维数估计进行了详细分析，这是基于本征分析的参数化PSD估计器必不可少的参数。 我们观察了计算光谱的标准偏差，绝对偏差，统计范数和其他统计参数的t值和p值，以分析光谱相关性。 该研究实现了PCA以减少特征尺寸空间，并探索了自动编码器的使用。 我们还探讨了从计算出的光谱中生成脑电图地形图像的概念，将其作为可能的特征提取方法。 提取的特征用于卷积神经网络，LSTM网络和多层感知器网络上，用于分类任务。 对于详细的数据可视化，我们使用了统计的Seaborn libray和Matplotlib3D。 有关研究的图和更多详细信息，请点击此处（）。 Github代码库说明：在“ transformation_matlab_codes”子目录中提供了用于频域转换的部分matlab代码库。 “ python_automation

脑电信号是由脑神经活动产生并且始终存在于中枢神经系统的自发性电位活动，是一种重要的生物电信号。 脑电信号非常微弱。主要有以下几个特点： 1）随机性及非平稳性相当强。 2）脑电信号具有非线性。 3）采集到的脑电信号背景噪声比较复杂，有50Hz的工频干扰，电极与皮肤的接触噪声以及电极与地之间的共模信号的干扰等等。

该工具箱提供了在 Matlab 中可视化 3D 大脑模型的功能，以及灵活地绘制大脑表面及其周围数据的功能。 该工具箱包括一个演示脚本和数据，让您快速熟悉它。 所有功能都包括全面的文档； 键入“帮助<功能名称>”以访问描述和使用说明。

针对如何在情感识别中有效处理脑电信号和提取有用信息的问题,对实验采集的脑电信号进行小波包分解,通过对相关频段信号的重构,提取出脑电信号中能用于情感状态识别的β波节律,对其在不同情感状态下进行谱分析。仿真实验结果表明,将脑电信号中的β波节律用于情感状态识别是可行的。

超脑设备调试 主打人脸比对功能，集抓拍、存储智检索于一体满足各种场景需求。 人脸抓拍比对 ：支持 4路普通 IPC 抓

用于脑电信号预处理

如何提高左右手运动想象脑电信号的分类率是脑机接口研究领域的一个热点话题。基于美国EGI64导脑电采集系统得到3名健康被试的脑电数据,首先,采用独立成分分析(Independent Component Analysis,ICA)对采集的数据进行去噪处理;然后,利用离散小波变换方法对分解C3/C4处的EEG平均功率信号,选用尺度6上逼近系数A6的重构信号作为脑电特征信号;最后,用Fisher线性判别分析法(Fisher Linear Discriminant Analysis,FLDA)、支持向量机方法 (Support Vector Machines,SVM)和极限学习机分类方法 (Extreme Learning Machine,ELM)分别对特征信号进行分类。分类结果表明:极限学习机分类方法得出的平均分类率要高于Fisher方法与SVM方法的平均分类率,可以达到92%,而且运行速度也高于另两种分类算法。