基于DEAP的四分类脑电情绪识别算法。 使用该模型从价-觉醒平面对四个情绪区域进行分类：高价-高觉醒（HVHA）、高价-低觉醒（HVLA）、低价-高觉醒（LVHA）和低价-低觉醒（LVLA）。 并提出了两种模型来解决这一问题：一维卷积神经网络（CNN-1D）结合LSTM，第二个模型为一维卷积神经网络（CNN-1D）结合GRU。 实验结果表明，该方法在1DCNN-GRU模型和1DCNN-LSTM模型中的训练准确率分别为96.3%和97.8%。因此，这两种模型对执行这种情绪分类任务都非常好。 这是专门为解决消失梯度问题而设计的，消失梯度问题通常成为时间序列数据集中的一个问题。

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。

基于静息状态fMRI的ADHD儿童复杂脑网络分析，冀鑫如，崔俊伟，注意缺陷/多动障碍（Attention Deficit/Hyperactivity Disorder，ADHD）是一种非常常见的儿童精神障碍疾病。ADHD已成为近十年来我国甚至世界一个�

静息态亚健康失眠脑功能网络分析，翟越，徐桂芝，本文根据匹兹堡睡眠质量指数选择9名亚健康失眠被试和9名健康被试参与实验，利用128导脑电（EEG）分析仪，提取9名亚健康失眠被试和9�

基于复杂网络的脑电信号分析 将时间序列中值的范围粗粒化为Q分位数，......，，并且令M是从时间序列X∈T到网络g∈G的映射，其中，是一组节点N和边A。具体来说，一旦识别出Q分位数，M就将每个分位数分配到相应网络中的节点。当x(t)与x(t+k)分别属于分位数和时，连接节点和的加权弧记为，其中t = 1,2，......，T，时间差k = 1，...， < T。 此类资源为用matlab实现此类效果的主函数main.m文件

该文提出了振幅整合脑电图用于正常年轻人睡眠脑电分期的方法。记录了13例正常年轻人约8小时睡眠脑电数据，分为训练组（6例）和测试组（7例）。计算训练组每一例的振幅整合脑电图（aEEG）；提取aEEG的上边带曲线作为其特征曲线；提取不同分期的aEEG上边带中位数和四分位距特征；将这些特征进行综合统计分析，得出aEEG在不同睡眠期的边界和波动范围的数值指标；利用此指标对训练组和测试组的脑电数据进行睡眠自动分期。测试组和训练组的分期结果与ZEO系统结果有较好的一致性，证明了aEEG的一组特征值作为睡眠分期决策指标

1、采用BCI Competition IV Dataset1公开数据集，数据说明：https://www.bbci.de/competition/iv/desc_1.html； 2、涉及脑电信号预处理、CSP特征提取、特征选择和SVM分类。

针对脑机接口(BCI)系统中存在的信息传输速率较慢和脑电信号识别正确率较低的问题，对多通道四类运动想象脑电信号进行研究．通过对4种运动想象及休息状态脑电信号进行功率谱分析，合理确定预处理滤波器的最佳滤波频段，然后使用PW-CSP，Hilbert变换及归一化处理的方法，对四类运动想象脑电信号进行特征提取，分类算法分为特征信号算术求和与阈值比较的预分类过程及包含单个支持向量机(SVM)的细分类过程，算法复杂度明显比采用多个SVM组合的多类分类算法要低，为实现算法的在线应用打下基础．仿真结果表明，该算法分类正确

让你对脑机接口硬件有个大致的认识 官方发布中文版 Ultracortex是一款可与OpenBCI系统配合使用的开源3D可打印耳机。它是记录研究级大脑活动（EEG）的工具。Ultracortex处于不断迭代中。如果您打印/组装自己的Ultracortex，我们希望能收到您的反馈。给我们发送电子邮件至contact@openbci.com或在我们上发推文（@Ultracortex＆@OpenBCI）！ 分步组装教程视频

尚硅谷周阳2018springcloud原版思维脑图 mmap 格式，是尚硅谷周阳老师的教学脑图。很多人想要SpringCloud的脑图，但是部分人却拿这个卖，5块、10块。现在共享出来，有需要的小伙伴可以下载。