这个是本人读书期间课程的结题作业，利用离散小波变换（DWT）提取波恩Bonn脑电数据的时频域特征，训练支持向量机（SVM）和人工神经网络（ANN），进行数据的二分类。 除此之外，报告也对一些基本的概念进行了介绍，算是一篇普及类的小报告吧，研究深度一般，里面有MATLAB实现的完整程序，希望能给各位带来一点入门的作用。 适合小白等刚刚进入人工智能领域的人员，研究深度一般。

运动想象脑电信号特征提取及分类(凑字数专用)

在eeglab预处理脑电信号中，需要定位电极，改文件包含电极定位文件，电极定位为预处理必须操作。

用于脑电信号分析的matlab算法，对数据进行PCA处理及SVM分类。

脑电信号处理，迁移学习算法，帮助预处理信号和特征分类。

脑电时频分析原理及Matlab操作.pdf

里面包含xlsx表格文件及说明，还有loc文件、ced文件、sph文件等资料，可用于eeglab插件的脑电定位 脑电数据采用EGI128导脑电记录系统，采集头皮脑电信号。EEG电极导联详细定位参数： 在进行脑电数据采集时，研究者通常会根据研究的需要选取不同数量的导联或电极点采集EEG数据。为了确保数据采集的规范性、精确性以及研究结果的科学性、可重复性，研究者需要按照标准规范的导联定位系统（如：目前通用的10-5、10-10、10-20定位系统）放置相应的导联或电极。

用于脑电信号的傅里叶变化，将信号从时域转换到频域

基于皮层脑电的脑机接口研究综述，祁玉，王跃明，基于皮层脑电的脑机接口是传统脑机接口研究领域的新分支，在信号的安全稳定性和解码的精确度上具有独特的优势。该技术在运动功能

采集癫痫小鼠模型在常态与致癫状态下的脑电信号以研究其癫痫脑电的自动分类。对经过噪声和伪迹消除预处理的脑电信号进行小波变换，获得不同频率子带的小波系数，对脑电信号及与癫痫特征波相关的小波系数提取相应的线性特征（标准差）和非线性特征（样本熵）；基于这些特征及其组合使用支持向量机分类器实现分类。实验发现基于小鼠脑电本身的标准差和样本熵的分类正确率分别为59.10%和58.00%；而融合各相关小波系数的标准差或样本熵，分类正确率分别达到86.60%和88.60%；融合全部相关小波系数的线性和非线性特征后分类正确率为99.80%。这些结果说明基于小波系数特征融合的分类算法性能有显著提升，能有效实现小鼠癫痫脑电的自动分类。