U-Net进行脑部分割 PyTorch中的U-Net实现基于深度学习分割算法进行脑部MRI FLAIR异常分割，该算法用于。 该存储库是中官方MATLAB / Keras实现的全Python端口。 提供了经过训练的模型的权重，这些权重可用于对其他数据集进行推断或微调。 如果您使用此存储库中共享的代码或权重，请考虑引用： @article{buda2019association, title={Association of genomic subtypes of lower-grade gliomas with shape features automatically extracted by a deep learning algorithm}, author={Buda, Mateusz and Saha, Ashirbani and Mazurowski, Maciej A

脑肿瘤检测脑核磁共振成像 Brain MRI Images for Brain Tumor Detection_datasets.txt

Milo：大脑控制的轮椅 Milo帮助人们导航，而无需动手或四肢。 我们认为它对于ALS，锁定综合征或其他形式的瘫痪患者特别有用。 我们的脑机接口利用脑电图（EEG），这是一种经济实惠，可访问且无创的技术，可以检测脑部活动。 具体而言，当用户想象运动时，Milo通过检测对运动感觉皮层（与运动相关的大脑区域）中的mu节律（7-13 Hz）的抑制来使用运动图像信号进行转向。 除运动图像外，还使用眨眼信号和下颌伪影来启动和停止动作，并表示需要转弯。 使用Milo，用户可以通过眨眼或握紧下巴在前进和停止之间切换。 他们可以通过简单地考虑左右手的运动来向左或向右转。 我们还为护理人员设计了一个Web应用程序，他们可以从中实时查看轮椅使用者的位置，以确保他们的安全。 如果用户的心律不正常或发生崩溃，也会将一条短信发送给护理人员。 此外，我们还实施了辅助驾驶功能，可用于跟踪墙和避开物体。 Github

提出一种新的通过加入引导信号构造Hankel矩阵经奇异值分解（SVD）滤除相应频率成分的陷波方法。根据待处理信号构造的Hankel矩阵，经SVD后其奇异值对应信号中不同频谱幅值的频率成分，提出加入某特定频率信号作为引导信号使得该频率成分成为信号中的主成分，形成易区分的奇异值对，在信号重构时除掉该奇异值对便可滤除相应频率成分。用本方法对脑磁信号进行50 Hz工频陷波处理，达到了很好的陷波效果，且该方法不受传统滤波器陷波越深受影响带宽越宽的限制。

基于深度学习的脑电信号研究，用算法分析了不同的脑电数据

unity制作脑图的工具 参考https://huanshj.blog.csdn.net/article/details/121651552

电子设计大赛论文-清醒小动物无线双通道脑电采集系统设计.zip

提出一种基于集成深度学习模型的情感状态检测方法.首先从脑电信号的时域、频域和时频域中提取4种表征情绪状态显著信息的初始特征;然后使用胶质细胞链改进的深度信念网络分别提取这些特征的高层抽象表示;最后利用判别式受限玻尔兹曼机对高层抽象特征进行融合,进行情感状态预测.在DEAP数据集上进行的实验显示,胶质链能够挖掘和利用EEG不同通道之间的相关性信息,而集成深度学习模型能够有效集成EEG信号在时域、频域和时频域蕴含的情感状态相关的显著性信息.

基于分层卷积神经网络的脑电信号情感识别系统的实现

spring-cloud 尚硅谷最新版 脑图。可以看一看挺不错的