如何提高左右手运动想象脑电信号的分类率是脑机接口研究领域的一个热点话题。基于美国EGI64导脑电采集系统得到3名健康被试的脑电数据,首先,采用独立成分分析(Independent Component Analysis,ICA)对采集的数据进行去噪处理;然后,利用离散小波变换方法对分解C3/C4处的EEG平均功率信号,选用尺度6上逼近系数A6的重构信号作为脑电特征信号;最后,用Fisher线性判别分析法(Fisher Linear Discriminant Analysis,FLDA)、支持向量机方法 (Support Vector Machines,SVM)和极限学习机分类方法 (Extreme Learning Machine,ELM)分别对特征信号进行分类。分类结果表明:极限学习机分类方法得出的平均分类率要高于Fisher方法与SVM方法的平均分类率,可以达到92%,而且运行速度也高于另两种分类算法。

关于BCI的中文书籍，系统介绍了一个软件BCI2000可以用来开发eeg相关的应用

诱发电位记录示意图 + _ strobe light flashes, elicits evoked potential +EEG: + EP EEG = “single trial” + _

作为当前神经工程领域中最活跃的研究方向之一,脑-机接口在生物医学、神经康复和智能机器人等领域具?有重要的研究意义和巨大的应用潜力.近10年来,脑-机接口技术得到了长足的进步和飞速的发展,应用领域也在逐?渐扩大.在已有相关工作的基础上,介绍脑-机接口系统的主要组成部分,对各组成部分常涉及到的相关基本理论和技术作了总结和介绍,主要包括脑信号获娶脑信号预处理、特征提娶变换算法等相关技术和理论,最后对脑-机接?口未来的研究方向进行了展望.

主要介绍了元宇宙的基本理念、来源、商业应用、技术使用、实际应用和对于未来的思考，适用于培训和汇报。

acc的matlab代码MLTool-BCI Matlab / Octave机器学习工具箱，用于线性分类以及在脑机接口（BCI）中的应用。 该工具箱随GPL许可证一起分发，并随附于教程一章“针对BCI的机器学习”。 特征 线性模型 线性判别分析（LDA） 支持向量机（SVM） 岭回归（RR） 验证策略 坚持 随机抽样 K折交叉验证 遗漏的引导程序 绩效指标（分类和回归） 准确度（ACC） ROC曲线下的面积（AUC） 科恩的卡伯（k） 均方误差（MSE） 相关系数（corr） 演示数据集 具有CSP功能的汽车影像（MI） 具有时间功能的P300喷码机 ECoG手指运动预测数据集 安装 下载当前版本 提取子文件夹 使用“ addpath（genpath（'path-to-mltool'））”将路径添加到Matlab / Octave，以执行工具箱中的任何功能 简短文件 工具箱中的所有功能都包含带有参数定义的详细文档。 分类器文件夹包含所有线性模型估计函数（仅二进制分类） 性能文件夹包含所有性能计算功能 验证文件夹包含所有pvalidation循环 图形文件夹包含本章中用于生成图形的脚本

针对区分两种不同运动想象(想象左手运动和想象右手运动)的脑-机接口任务,提出了以小波方差作为分类特征的方法.首先深入研究了小波变换以及小波方差的计算方法,结合验证脑电图(EEG)存在的ERD/ERS现象,然后利用小波分解系数方差对C3,C4导联脑电信号进行特征提取,最后采用最简线性分类器进行分类,采用分类正确率作为主要评价标准.结果表明,最大分类正确率为85%,最佳分类时间段为4~6.5 s.与BCI竞赛和其他方法相比,在保证分类正确率的前提下,所使用的特征提取和分类方法更加简单,具有较高的参考价值.

设计并实现了基于便携式单通道脑机接口的小车控制系统。该系统利用TGAM1_R2.4A模块采集人脑前额FP1处的脑电信号，通过蓝牙模块将信号传送至STM32控制单元。系统使用人脑专注度控制小车速度，利用眨眼信号结合方向指示灯控制小车运动方向。测试结果表明，该系统控制小车的速度和方向具有反应灵敏、稳定性较高的特点，该技术可以推广至对电动轮椅的控制。

脑机接口技术在医疗健康领域应用白皮书（2021）-AIIA-2021.7-81页.pdf

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。