matlab阻抗控制代码分心的BCI：在伪现实环境中的运动图像 数据可以下载 如果您使用我们的代码或数据，请参考以下论文之一： [1] 布兰德·S·布兰克兹·B。 2020年《神经科学前沿》 14 967。 [2] Brandl S. ，FrøhlichL . ，HöhneJ.，MüllerK.-R.，Samek W.， 神经工程杂志，13 056012，2016。 介绍 我们已经记录了一种基于运动图像的BCI研究，研究了5种干扰因素，这些干扰因素模仿了实验室外环境和控制任务。 这项研究的目的是在更现实的情况下研究标准BCI程序的稳健性。 分心/次要任务包括观看闪烁的视频，搜索房间中的特定号码，听新闻，闭上眼睛，振动触觉刺激和控制任务。 我们记录了16名健康参与者（6名女性；年龄范围：22-30岁；平均年龄：26.3岁），其中只有3名以前曾参加过另一项BCI实验。 实验 在进行主要实验之前，我们记录了8个试验，其中参与者必须交替睁开眼睛或闭合眼睛15秒钟。 主要实验分为7次。 每次运行持续约10分钟，包括72次试验。 每次试验持续4.5 s，由一项运动图像任务和6项次要任务之一定义。

遗传算法和BP网络相结合的分类器在BCI中的应用.pdf

此代码说明了基于ECoG和EEG的2类MI-BCI的范例和工作流程。

GAN在脑机接口中的应用：人工生成EEG数据

用matlab生成谐波代码基于SSVEP的BCI的直接ITR优化 介绍 该存储库包含示例代码，用于在基于稳态视觉诱发电位的大脑计算机接口中优化信息传输速率（ITR）。 所提出的分类方法的新颖之处在于它基于直接ITR最大化。 ITR是衡量BCI绩效的标准。 它将分类器的准确性和速度组合为一个数字，该数字显示了BCI在一个单位时间内传输了多少信息。 因此，最大化ITR将使用户可以在固定的时间间隔内传输到外部设备（计算机，机器人等）的信息量最大化。 该方法在Anti Ingel，Ilya Kuzovkin和Raul Vicente中介绍。 “基于SSVEP的BCI的直接信息传输速率优化。” 神经工程学报16.1（2018）。 使用我们的代码时，请引用本文。 要求 此代码需要具有numpy，scipy，matplotlib，pandas，sklearn，rpy2库的Python 2.7。 库rpy2用于在Python中运行R命令。 使用rpy2的原因是我们需要计算偏态正态分布累积分布函数值，而我在相应的scipy函数中遇到了内存泄漏错误。 如果您在安装rpy2时遇到问题，请尝试按照以下步骤操作

GLRT 方法用于对与脑机接口 (BCI) 的目标频率相对应的稳态视觉诱发电位 (SSVEP) 进行分类。

BCI GPG2008-BCM业务持续管理最佳实践.pdf

概述 基于任务相关组件分析（TRCA）的算法，用于检测朝向高速脑机接口（BCI）的稳态视觉诱发电位（SSVEP）[1]。 描述 头皮脑电图（EEG）信号可视为来自多个皮层来源的活动的瞬时线性混合物。 换句话说，可以从多通道头皮EEG信号的加权线性组合来估计/重建皮质源信号。 TRCA找到了一个最佳权重系数，以使任务试验中的时间锁定活动的重现性最大化，从而显着提高了与任务相关的EEG组件的信噪比（SNR）。 发行版包括： data / sample.mat：样本数据（见下文） src / train_trca.m：基于TRCA的训练分类器 src / test_trca.m：使用基于TRCA的分类器对SSVEP进行分类 src / test_fbcca.m：使用FBCCA对SSVEP进行分类 src / filterbank.m：设计一个滤波器组 src / itr.m：计算信息传输率（

通用空间模式（CSP）算法能够解决运动图像任务脑机接口（BCI）的二进制分类问题。 本文提出了一种基于滤波器组公共空间模式（FBCSP）的新方法，称为多尺度重叠FBCSP（MO-FBCSP）。 我们通过使用一对一（OvO）策略将CSP算法扩展到多类。 选择多个周期，并将其与包含有用信息的滤波器组的重叠频谱结合在一起。 在具有9个主题的基准BCI竞赛IV数据集2a上对该方法进行了评估。 随机森林（RF）分类器的平均准确度达到80％，相应的kappa值为0.734。 定量结果表明，该方案优于经典FBCSP算法超过12％。

使用Matlab获取lsl数据流并显示图像；使用Matlab获取lsl数据流并显示图像；使用Matlab获取lsl数据流并显示图像；使用Matlab获取lsl数据流并显示图像；