内容包含了seed数据集与四份基于seed数据集的脑电情绪识别代码， 每一份代码都可以完整运行。 第一份是svm模型；第二份采用的pytorch框架，模型为svm和卷积神经网络（cnn）的混合模型。第三份是卷积神经网络（cnn）和循环神经网络（rnn）的混合模型。第四份是采用的机器学习算法，包含了五种机器学习常见的算法，例如决策树算法、朴素贝叶斯、K最近邻算法、随机森林算法等等。

MRI 的脑肿瘤检测和分割图片。 抽象的脑肿瘤是一种致命的疾病，没有 MRI 就无法自信地检测到。 在该项目中，试图通过MRI检测患者的大脑是否有肿瘤使用 MATLAB 仿真的图像。 为了为 MRI 图像的形态学操作铺平道路，首先将图像使用各向异性扩散过滤器过滤以减少连续像素。 之后调整图像大小并使用阈值图像手动转换为黑白图像。 这个初级过滤器似乎合理肿瘤存在的位置。 在这种半处理的图像上，已经进行了形态学运算，并且获得了关于可信位置的坚固性和面积的信息。 一种这两个字符的最小值已由统计确定包含肿瘤的不同 MRI 图像的平均值。 然后它被用来交付最终检测结果。 虽然这个模拟程序在大多数情况下可以给出正确的结果，但它不能当肿瘤过小或肿瘤中空时进行。 该项目的更大目标是建立一个肿瘤二维图像数据的数据库。 从特定人的不同角度拍摄的 MRI 图像并通过分析他们指出肿瘤的确切 3D 位置。 为了实现

2019互联网面试题第2季脑图.mmap2019互联网面试题第2季脑图.mmap2019互联网面试题第2季脑图.mmap2019互联网面试题第2季脑图.mmap

针对目前癫痫发作实时自动预测困难的问题，将开展以LSTM模型为基础的癫痫发作预测的研究，构建了基于LSTM的神经网络模型对癫痫发作进行预测。将采集到的癫痫脑电数据进行预处理，然后提取单导联脑电小波能量特征，结合构建的基于LSTM的模型来识别癫痫发作前期和发作间期的状态，从而实现癫痫发作的预测。与传统的SVM和MLP相比，本方法取得了98.5%的分类精度和零误警的结果。为未来开发癫痫发作预警系统提供了理论基础，在临床应用上具有较大的潜在价值。

脑电信号-运动想象代码，搭建环境见博客

The dataset is provided by The Tri-Institutional Georgia State University/Georgia Institute of Technology/Emory University Center for Translational Research in Neuroimaging and Data Science (TReNDS). 本数据集由佐治亚州立大学、佐治亚理工学院和埃默里大学神经影像和数据科学转化研究中心联合出品。 brainimage_datasets.txt

脑电信号数据人工智能深度学习 脑电信号数据人工智能深度学习 脑电信号数据人工智能深度学习 脑电信号数据人工智能深度学习 脑电信号数据人工智能深度学习

完整版springcloud脑图，超系统超详细，脑图作者：尚硅谷周阳老师，若有侵权，请联系删除

使用 3D 多分辨率 R-CNN 的脑微出血 3D 实例分割框架 由 I-Chun Arthur Liu、Chien-Yao Wang、Jiun-Wei Chen、Wei-Chi Li、Feng-Chi Chang 撰写的论文“3D Instance Segmentation Framework for Cerebral Microbleeds using 3D Multi-Resolution R-CNN”的官方 PyTorch 实现Yi-Chung Lee, Yi-Chu Liao, Chih-Ping Chung, Hong-Yuan Mark Liao, Li-Fen Chen. 论文目前正在审查中。 关键词：3D 实例分割、3D 对象检测、脑微出血、卷积神经网络 (CNN)、磁敏感加权成像 (SWI)、3D Mask R-CNN、磁共振成像 (MRI)、医学成像、pytorch

glcm matlab代码老年痴呆症检测 MATLAB代码将脑MRI图像分类为阿尔茨海默氏症或认知正常。 从OASIS获得了83例右撇子女性患者（18-30岁）的MRI数据集。 从MRI提取的特征包括灰色物质体积与标准化全脑体积（nWBV）的比率，白色物质体积与脑脊液体积的比率，以及从GLCM提取的特征，例如熵，能量，均质性和相关性。