针对基于两种不同意识任务( 想象左手运动和想象右手运动) 的脑机接口, 使用共空间模式算法对 BCI 2003 竞赛数据进行特征提取; 基于滑动时间窗, 利用 CSP 方法对C3, Cz 和 C4 位置的脑电信号进行处理利用支持向量机对特征进行分类, 获得最大分类正确率 82 86% , 最佳时间点 4 09 s, 最大互信息 0 47 bit, 最大互信息陡度 0 431 bit/s与 BCI 2003 竞赛结果相比, 最大互信息陡度有了显著提高, 证明该方法更适合 BCI 实时系统的要求

第三届BCI竞赛数据集dataset Ⅱ，包括数据集说明文档和测试集的目标字符。数据集在官网下很慢，这里分享一下matlab 格式资源，需要的自取。本人主页也有官网下载方法介绍的博客，时间充足的可去官网下载~

matlab带通代码BCI_EEGNet 2 个 BCI 竞赛数据集的 EEGNet 实现： Kaggle 竞赛数据集： BCI 竞赛 III 数据集 2： EEGNet CNN 架构 PyTorch 实现借鉴自：Sriram Ravindran： 代码中使用的所有数据都较早在 MATLAB 中使用 0.1-30 Hz 的二阶巴特沃斯滤波器进行带通滤波 流： 在从 BCI 竞赛数据集的链接获得的数据集上运行 .m 过滤文件 在从 Matlab 代码获得的过滤数据集上运行文件 BCI_III_DS_2_TestSet_PreProcessing.ipynb。 运行 BCI_III_DS_2_Filtered_Downsampled.ipynb 以获取 120 Hz 下采样数据的结果 修改 BCI_III_DS_2_TestSet_PreProcessing.ipynb 得到 240 Hz 原始数据的结果，然后运行 ​​BCI_III_DS_2_Filtered Data.ipynb 得到结果。 运行与上述相同的 matlab 预处理文件。 使用适当的文件路径运行 Kaggle Datas

基于脑电图的低成本脑机接口 该项目使用来自用户的实时 EEG 来控制使用稳态视觉诱发电位的简化键盘。 在启动时，用户应盯着其中一个复选框记录基线 EEG。 一旦复选框开始闪烁，用户就可以开始进行选择。 有五个闪烁的复选框，每个闪烁的频率不同。 每个框上方还有一些逗号分隔的选项，用户可以通过查看和专注于它来选择。 该框将突出显示，选项在复选框之间细分。 这将重复进行，直到选择了一个选项。 如果选项是字母/数字，它将显示在文本框中。 SSVEP BCI 现在不可靠 电路文件夹中是单通道 EEG 测量电路的 ltspice 原理图，该电路由 Nucleo F303K8 测量。 这些值被发送到处理数据的脑机接口。 电路的视频概述可以在下面看到 在 Alpha BCI 文件夹中可以找到一个简单的 Alpha 波 BCI，下面可以看到演示视频 这是我最后一年的电气/电子工程学位项目 入门 按

SSVEP-BCI研究 作为Ridgefield高中专业研究计划的一部分，我研究了脑机接口领域并进行了实验。 在老Dominion大学（现移居至弗吉尼亚联邦大学）的Dean Krusienski博士及其博士生的指导下，我使用脑电图（EEG）测量了人体稳态视觉诱发电位（SSVEP）。 SSVEP是通过向对象提供闪烁的棋盘图像而生成的，可以潜在地用于帮助残疾患者与环境互动而不动。 摘要： 自从基于稳态视觉诱发电位（SSVEP）的脑机接口（BCI）发明以来，主要的挑战是提高准确性和信号识别能力。 尽管SSVEP在具有最小BCI暴露的受试者中表现出很高的准确率，但要保证日常使用的可靠性，BCI必须达

GB∕T 33014.4-2016 道路车辆 电气∕电子部件对窄带辐射电磁能的抗扰性试验方法 第4部分：大电流注入(BCI)法.pdf

运动想象分类matlab代码介绍 用于MI-BCI分类的CNN-SAE程序。 （基于“用于脑电运动图像信号分类的新型深度学习方法”） 使用此程序时，请与rasmusbergpal的lisense一起使用。 CNN-SAE（MI-BCI）是用于对Motor Imagery EEG信号进行分类的matlab程序。 基于rasmusbergpal编程的CNN-SAE（MI-BCI） 基于。NET的该程序的理论。 此外，我们对其进行了一些更改以改善结果。 该程序的性能基于（单击此处以获取更多信息）。 为了提高性能，我们使用结合了时间，频率和位置信息的短时傅立叶变换（STFT）的输入形式来研究CNN。 分别采用基于带通（BP）特征和功率谱密度（PSD）特征的Fisher判别分析型F分数来选择主题最佳频带。 在实验中，分别将与运动图像脑电信号有关的典型频带，主题最优频带和扩展频带用作CNN的输入图像的频率范围。 可以在“ excel”文件的“ python”文件字典中找到CNN的结果。 python代码基于具有GPU加速的tensorflow 1.6进行编程。 Matlab代码与python代码类

BCI_Visualization 设计了SSVEP（稳态视觉诱发电位）程序来激发特定的大脑频率，以进行脑计算机接口（BCI）研究。 此代码是BCI流程的第一部分。 通过查看方框，以用户输入的频率闪烁，此代码以该频率刺激大脑。

Real-Time BCI System Design to Control Arduino Based Speed Controllable Robot Using EEG (SpringerBriefs in Applied Sciences and Technology) By 作者: Swagata Das ISBN-10 书号: 9811330972 ISBN-13 书号: 9789811330971 Edition 版本: 1st ed. 2019 出版日期: 2018-12-08 Format: epub pages 页数: (132) This book discusses the basic requirements and constraints in building a brain–computer interaction system. These include the technical requirements for building the signal processing module and the acquisition module. The major aspects to be considered when designing a signal acquisition module for a brain–computer interaction system are the human brain, types and applications of brain–computer systems, and the basics of EEG (electroencephalogram) recording. The book also compares the algorithms that have been and that can be used to design the signal processing module of brain–computer interfaces, and describes the various EEG-acquisition devices available and compares their features and inadequacies. Further, it examines in detail the use of Emotiv EPOC (an EEG acquisition module developed by Emotiv) to build a complete brain–computer interaction system for driving robots using a neural network classification module. Cover Front Matter 1.Introduction 2.An Insight to the Human Brain and EEG 3.A Review on Algorithms for EEG-Based BCls 4.Implementation 5.Results and Conclusion

情感计算是快速发展的领域之一，它激发了情感检测领域的许多应用研究。 本文简要介绍了使用公开数据进行基于 EEG 的情绪检测的相关工作以及一种检测内部情绪状态的方法。 开发了一种有监督的机器学习算法来识别二维模型中的人类内心情绪状态。 来自 DEAP 和 SEED-IV 数据库的脑电图信号被考虑用于情绪检测。 离散小波变换应用于预处理信号以提取所需的 5 个频段。 提取了功率、能量、微分熵和时域等特征。 开发通道智能 SVM 分类器并完成通道组合器以检测适当的情绪状态。 DEAP数据库的四类分类率为74%、86%、72%和84%，SEED-IV数据库的分类率为79%、76%、77%和74%。