尚硅谷周阳老师的redis完整脑图，这是一门超级棒的课程。需要的同学可以下载学习

对应于DEAP数据集，提取其微分熵特征，计算其微分熵特征。

该论文运用的卷积神经网络（CNN）和LSTM，其中CNN处理频率和空间信息，LSTM处理从CNN输出中提取时间相关性，并将两种模型进行融合。数据集采用的是脑电研究中最常用的DEAP和SEED数据集并且在两个数据集中都取得了很高的准确率。都达到了92%左右的准确率。 论文设计了一种新模型，称为四维卷积递归神经网络。该模型将多通道脑电信号的频域特征、时域特征和空间特征（频率、空间和时间信息）集成在一起，用来提高脑电情绪识别的准确率。首先，提取脑电的这三种特征，我们将不同通道的差分熵特征转换为4维结构来训练深层模型。然后，介绍了卷积神经网络（CNN）和长短时记忆（LSTM）单元的递归神经网络相结合的CRNN模型。CNN用于从4D输入的每个时间片中学习频率和空间信息，LSTM用于从CNN输出中提取时间相关性。LSTM最后一个节点的输出执行分类。该模型在受试者内部划分的SEED和DEAP数据集上都达到了最先进的性能。实验结果表明，结合脑电频域特征、时域特征和空间域特征（频率、空间和时间信息）进行脑电情感识别是有效的。

针对传统支持向量机分类方法在脑电信号处理中存在分类正确率低的问题,将聚类思想与二叉树支持向量机结合构造多类SVM分类器。实验以“BCICompetition2005”中的DatasetⅢa为例,先对采集的4类运动想象脑电信号应用小波变换进行去噪;再在分析小波包频带划分特点的基础上,利用小波包进行分解与重构,获取相应的能量特征;最后应用改进后的支持向量机(SVM)分类方法对特征信号进行分类。结果表明该方法分类正确率较高,可以达到91.12%,并且有效的减少了分类器的个数,最终达到较好的识别效果。

以思维导图的形式梳理了函数的二元关系

matlab代码影响auto_acpc_reorient：使用SPM12跨平台自动AC-PC自动重新排列/重新定向和对脑部损害具有稳健性 使用SPM 12中的模板匹配功能，为健康志愿者和脑部受损患者提供跨平台的自动AC-PC重新排列/重新定向和共心功能。 这是一组使用工具箱执行自动重定向和配准的例程。 描述 设置AC-PC并重新定位图像是对象间组分析中的一个经常性问题，因为它们依赖于像SPM12的“统一分割”之类的共调方法，该方法对初始条件最为敏感（对SPM12的起始方向）。图像）。 主要功能auto_acpc_reorient.m ， auto_acpc_reorient.m自动（但近似）计算到MNI空间中目标模板的重定向变换： 使用spm_affreg计算输入图像到MNI空间中目标模板上的非线性共spm_affreg ， 然后使用共同直方图（spm_coreg）上的互信息来计算另一个变换，然后仅应用两个核心图中的刚体变换部分来重新定向输入图像。 这样可以主要在AC上设置原点并校正磁头旋转，以便进一步进行图像的分割/归一化。 整个重新定向方案都依赖于“模板匹配”原理（如在旧的规范化功

德国Brain Products公司的Brain Amp DC系列放大器采集出来的数据matlab不能直接使用，这里是其matlab提取代码

DEEPS_分类 分类脑电信号 创建数据目录（DEAP_s拥有所有数据集） mkdir DEAP_s, CONV, MHCTW, CTW 训练CWT分类 python cwt_classifier.py 训练卷积神经网络分类 python train_conv_classifier.py

摘要：高性能的便携式脑电信号的采集设备对临床医学和认知科学研究领域具有重要意义，设计了基于ADS1298和FPGA的高性能脑电信号采集系统。给出了脑电信号采集系统的总体设计，重点阐述了ADS1298的特点和工作原理，在此基础上讨论了系统的外围电路以及FPGA接口电路设计，最后给出内部信号处理控制模块设计。设计的脑电信号采集系统具有低功耗、高精度和小型化的特点，具有很好的应用前景。 　　0 引言 　　脑电信号（EEG）是一种典型的生物电信号，是大脑皮层脑神经细胞电活动的总体反映，其中包含了大量的生理和病理信息，是临床检测的重要生理参数之一，也是认知科学、脑机接口和警觉度等领域研究的重要手段。

脑电提取均值信号特征的matlab代码用于癫痫发作检测的脑电图特征工程 该 repo 记录了癫痫发作检测任务中最具挑战性的部分 EEG 特征工程的 MATLAB 代码。 这些 EEG 特征已被 Citation 中已发表的论文所使用。 脑电特征域 功能编号 特征域 描述 1-4 基本统计 平均振幅、标准振幅、过零次数、振幅范围 5-16 光谱分析 每个频段的功率比和绝对功率，alpha、beta、theta、delta、gamma 和 freq 质心，总功率 17-28 时频域 离散小波变换（DWT）在六个频段上系数的均值和标准差 29-31 非线性特征 ApEn、LZ 复杂度、Hurst 指数 32-43 时空域 六个频段和大脑区域的锁相值 44-47 同步测量（带频移/频移） 时域和频域中的动态扭曲 48-62 复杂网络特征 从时间和频率不变网络中提取的特征 功能 1-47 参考； 功能 48-62 对 . 基于这项工作的博士论文在 . 脑电特征提取首先，通过以下方式下载此 repo： git clone git@github.com:ieeeWang/EEG-feature-se