脑电信号中的建模和新颖性检测 用于检测癫痫异常 癫痫病影响着全球约1％的人口，其中大多数生活在中低收入国家（LMIC）中。 癫痫病通常由人类解释器诊断，该解释器通过EEG记录进行读取。 在低收入和中等收入国家，被诊断为癫痫的人的主要障碍是脑电图的可及性有限和缺乏口译员。 McKenzie等。 （2017）描述了一项研究，研究是将便携式EEG扫描仪的数据发送到国外以供自愿者进行分析。 本文研究了如何通过使用新颖性检测来缩短手动解释EEG记录所花费的时间。 提出了预处理流程，并研究了两种检测新颖性的方法。 本文使用两个真实的EEG数据集来验证该过程。 第一个数据集来自波士顿儿童医院，包括带有癫痫发作的记录。 另一台使用便携式EEG扫描仪（SBS2）在几内亚记录，不包含标签。 首先使用标记的数据对方法进行分析和开发。 然后对来自SBS2的数据测试这些方法。 在预处理步骤中，通过对独立组件进行分

用于脑电信号了解及学习，下载配合文章代码即可运行。 文章链接：https://blog.csdn.net/qq_41958946/article/details/127691341?spm=1001.2014.3001.5501

上交的seed数据集，研究较少，下面是收集的一些工程文件，可以学习一下。前面是算法，后面是准确率。 1.4D-CNN，94% 2、新算法，93% 3.rgnn，67% 4.CNN+SVM，73% 5.DANN（数据，代码） 6.EEG_Classification_-master 7.rgnn，67.7%8.CNN-SVM，73%

脑电信号分析与特征提取 指导教师: 童基均 老师 学 生: 叶建伟 班 级: 03电子（2）班 浙江理工大学信息电子学院 2007.1.17

为实现眼电伪迹的自动去除，提高算法的有效性和稳健性，提出一种眼电伪迹自动去除算法。采用样本熵和一种通用的伪迹判决方法对眼电伪迹进行自动识别，通过脑电信号的重构实现眼电伪迹的去除。实验结果表明，对于不同长度的真实脑电信号，该算法均能准确地去除眼电伪迹，较好地保留其他的脑电信号成分，且可以完全自动地去除眼电伪迹，适用于实时场合。

基于模糊熵的运动想象脑电信号特征提取

用于提取脑电信号的DE（差分熵特征/微分熵特征）和PSD（功率谱密度特征）特征的matlab和python代码。

自行整理的Deap脑电数据集，已上传百度网盘，欢迎有需要的朋友下载，如失效请联系。 这些文件包含Matlab中数据的下采样（至128Hz）、预处理和分段版本（数据预处理）_matlab.zip文件)和pickled python/numpy（数据预处理）_python.zip文件)格式。这个版本的数据非常适合那些希望快速测试分类或回归技术而不需要首先处理所有数据的人。每个zip文件包含32个.dat（python）或.mat（matlab）文件，每个参与者一个。

mne学习教程代码，完整的脑电信号处理流程

运动想象脑电信号特征提取及分类(凑字数专用)