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。

C5505_FFT_DEMO 硬件FFT例程

fft ip核 练习工程 vivado2018.3/modelsim se10.7

MSP430F5229+MAX30100 PPG信号心率血氧采集 IAR工程 心率血氧均为频域法 带FFT和FIR OLED显示 串口输出 已经上板测试过（MAX30100使用50HZ采样） 心率频域未使用差值和最小二乘法但做了补偿，血氧是基于网上参考的经验公式计算的，没有标定，不是很准；基本能用

资源包括： 1、DSP端C语言算法程序文件夹； 2、DSP数据库文件夹； 3、HOST端C语言程序文件夹； 4、matlab端仿真程序文件夹； 5、实验结果——图片文件夹； 6、实验数据——文本文件；

C语言实现FFT(快速傅里叶变换),比较详细。

该笔记详细解释了如何应用 Matlab 二维 FFT 来过滤二维信号，例如图像。 展示了如何将 fft2 的输出连接到信号的实际傅立叶变换，特别是如何对简单滤波器的传递函数进行编码。

可以编译通过的，有很详细的注释，希望大家喜欢。

这是函数“FFT”的替代品。

此实时脚本显示了如何处理具有奇数和偶数长度 FFT 的信号。 计算幅度、相位和相应的频率矢量。 这个实时脚本是我下次想要进行这些计算时的快速参考。 应用包括信号的频率分析、短时傅立叶变换 (STFT)、理想滤波（与对称 ifft 结合），以及其他一些应用。