包含完整的seed脑电数据集

5类癫痫脑电数据，脑电数据是印度学家Varun Bajaj和Ram Bilas Pachori对正常人和癫痫病患者测试的数据。脑电信号数据由五个子集组成，分别为Z，O，N，F，S，每个脑电子集包含100个信道序列，每个信道持续时间为23.6秒,信号采样点是4097个数据点。

包括 S01E S01T S02E S02T 数据的描述说明，相关数据的处理方法请看我的博客。

参加者为61名多动症儿童和60名健康对照者（男孩和女孩，7至12岁）。多动症儿童是由经验丰富的精神病医生诊断为符合DSM-IV标准，并服用了利他林长达6个月。对照组中没有儿童有精神病，癫痫病或任何高危行为的报告。根据10-20个标准通过19个通道（Fz，Cz，Pz，C3，T3，C4，T4，Fp1，Fp2，F3，F4，F7，F8，P3，P4，T5，T6，O1， O2）在128 Hz采样频率下。 A1和A2电极是位于耳垂上的参考电极。由于多动症儿童的缺陷之一是视觉注意，因此脑电图记录协议是基于视觉注意任务的。在任务中，向孩子们展示了一组卡通人物的图片，并要求他们对人物进行计数。每张图像中的字符数是在5到16之间随机选择的，并且图片的大小足够大，以至于儿童容易看到和计数。为了在信号记录过程中产生持续的刺激作用，每个图像都应立即显示，并且在孩子做出反应后不会中断。因此，在整个认知视觉任务中记录脑电图的持续时间取决于孩子的表现（即反应速度）。

EEGLAB 的一个很有用的插件ADJUST，它可以半自动的去除伪迹独立成分。ADJUST 需要自己安装，不是 EEGLAB 默认携带的，附上安装方法。

本文提出了一种新的四维卷积递归神经网络方法，将多通道脑电信号的频率、空间和时间信息显式地整合在一起，提高基于脑电的情绪识别精度。 首先，为了保持脑电的这三种信息，我们将不同通道的差分熵特征转化为4D结构来训练深度模型。 然后，我们引入了由卷积神经网络(CNN)和带有长短时记忆(LSTM)细胞的递归神经网络(recurrent neural network)组合而成的CRNN模型。 使用CNN从每个4D输入的时间切片中学习频率和空间信息，使用LSTM从CNN输出中提取时间依赖性。 LSTM的最后一个节点的输出执行分类。 我们的模型在主题内分裂的SEED和DEAP数据集上都达到了最先进的性能。 实验结果表明，结合脑电的频率、空间和时间信息进行情感识别是有效的。

#2.0版本#调用eeglab批量读取excel文件中的脑电数据并绘制脑电拓扑图，算法可以根据用户输入读取指定列的特征，指定列的数据，并将数据特征映射到图片保存的文件名中

Python中FIR滤波和小波滤波对比，内含相关代码和示例数据。例子中有小波包的实现以及MNE库中FIR滤波的实现。

#3.0版本#调用eeglab批量读取excel文件中的脑电数据并绘制脑电拓扑图，算法可以根据用户输入读取指定列的特征，指定列的数据，并将数据特征映射到图片保存的文件名中

该数据库是通过使用商业设备对30名受试者进行实验而获得的，以部分满足博士学位的要求。计算机科学候选人：Fernandez-Fraga S.M.并由M. A. Aceves-Fernandez博士监督。来自墨西哥克雷塔罗自治大学（UAQ）。这些实验符合当地最高道德标准（我们大学提供的生物伦理学标准）和国际（世界卫生组织提供的文件），并由专业医师随时监督。