基于deap数据集，采用了卷积神经网络（CNN）和长短期记忆神经网络等四种模型进行对比，并结合pyeeg进行特征提取，最终准确率达到了90

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。

第一章：计算机网络体系结构 第二章:物理层 第三章:链路层 第四章:网络层 第五章:传输层 第六章:应用层 华为数通HCIA课程知识点脑图 xmind

幼儿手脑速算教程及练习题.doc

内涵中英文使用手册和打包好的eeglab工具箱！还有一个简单的基本讲义使用！

基于DEAP数据集的特征提取———近似熵、排列熵、样本熵， 包含上述三个方法的python代码实现，全部在Jupyter Notebook上实现的

SIFT-eeglab插件初始的官网教程因为包的更新已经不好用了，很多gui界面的指令和界面不同了，找了很久才找到了适配最新版的教程，放上来

CNN用于脑室分割 这是在Neurostart hacka上使用CNN分割CT数据的结果。 这是用于脑室分割的全卷积人工神经网络的示例。 这是“个人3D脑图集”项目的第一步。 在Burdenko研究所的帮助下，基于FEFU（远东联邦大学）开发地图集。 感谢您提供数据，并向Dmitry Samborsky，Arthur Biktimirov和“ CPD C 305”实验室的工作人员提供建议。

主要内容是采用DEAP数据集将脑电信号进行频域分段并提取其微分熵特征，为了充分利用空间特征，结合微分熵特征将其构建为一个三维脑电特征，输入到连续卷积神经网络，并最终取得了90.24%的准确率。 提出了一种脑电特征的三维输入形式，并将其输入到连续卷积神经网络中进行情感识别。三维输入的优点是在集成多个频带的微分熵特征的同时保留电极之间的空间特征。 ———————————————— 版权声明：本文为CSDN博主「qq_3196288251」的原创文章，遵循CC 4.0 BY-SA版权协议，转载请附上原文出处链接及本声明。 原文链接：https://blog.csdn.net/qq_45874683/article/details/121356408