反脑控项目是一种高科技的整人工具，用这种方法可以把人整的非常透明，Thought echo(TE)

这篇论文的思路特别好： 我们提出了一种用于脑电情感识别的端到端深度学习方法。该神经网络综合考虑了脑电信号的空间信息、时间信息和注意力信息。将CNN,RNN和通道注意力机制（channel-wise attention）和扩展自我注意力机制（self-attention mechanisms）混合起来，同时通过通过注意力机制计算出各个通道权重，筛选出更有价值的通道。同时采用DE作为频域特征，结合时域特征和空间特征三大特征相融合考虑。模型方面：CNN+RNN（CNN-RNN）、通道性注意机制+CNN+RNN（A-CNN-RNN）和CNN+RNN+扩展自我注意机制（CNN-RNN-A）、连续卷积神经网络（Conti-CNN）、图卷积神经网络（GCNN）和卷积复发注意力模型（CRAM）。介绍了六种深度学习方法和两种传统方法进行比较，六大模型相互对比，在DEAP数据库的效价和觉醒分类任务中，平均情绪识别准确率分别为92.74%和93.14%！希望大家能好好理解阅读。 我们将通道性注意整合到CNN中，CNN可以提取空间注意特征，通道性注意可以提取通道间的注意信息。

运行了几个机器学习模型，根据DEAP数据集对4种维度的情绪进行分类：唤醒、效价、喜欢/不喜欢和支配。使用了两种类型的特征提取工具：快速傅立叶变换（FFT）和连续小波变换（CWT），并比较了它们在情绪分类任务中的结果。 将FFT和CWT分别结合CNN，并进行对比，最终与普通的机器学习模型做对比， 本项目实现了： 1. 模拟和实验模型设置的细节，以及详细介绍了使用的超参数，并介绍了所有模型的细节。 2. 介绍并讨论从运行FFT和CWT特征提取算法的模型中获得的结果，以及与其他最先进（SOTA）模型的比较。 3. 总结报告，并讨论了未来在脑电信号处理领域中使用深度学习技术来缓解数据非平稳性的工作。还将讨论处理EEG信号的其他方法。

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。

线下引流类直播SOP（全流程策划+执行）

1、复盘会-流程规范 2、工作量评估方法 3、公开CodeReview-流程规范 4、故障处理-流程规范 5、故障告警响应-流程规范 6、开发团队-跨模块开发流程标准 7、脑爆会-流程规范 8、任务分配方法 9、日常CodeReview 10、胜利会-流程规范 11、项目信息同步会 12、项目站会SOP

已知差异脑区MNI坐标，如何将MNI坐标转化为AAL分区和布罗得曼分区Brodmann area名称

互联网大厂面试题(第2季) 脑图。包括JUC多线程并发、JVM和GC等目前大厂笔试中会考、面试中会问、工作中会用的高频难点

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

matlab脑部代码Matlab实现，可去除头部CT和CTA图像的头骨。 引用这个项目 如果您在工作中使用此代码，请： @article {NAJM20191，标题=“使用形状优化的凸优化从头部CT和CTA图像中自动提取大脑”，期刊=“生物医学中的计算机方法和程序”，卷=“ 176”，页=“ 1-8”，年=“ 2019”，issn =“ 0169-2607”，doi =“”，url =“”} @article {qiu2014prostate，title = {前列腺分割：使用3-D TRUS和MR图像的具有轴向对称性的有效凸优化方法}，作者= {邱，吴和元，景和Ukwatta，伊兰加和太阳，岳和拉杰尔， Martin和Fenster，Aaron}，期刊= {IEEE医学影像交易}，卷= {33}，数字= {4}，页数= {947--960}，年份= {2014}，出版商= {IEEE}}