scala个人学习时总结的脑图

基于交叉频率耦合算法的脑网络在工作记忆中的动态特性

概述 基于任务相关组件分析（TRCA）的算法，用于检测朝向高速脑机接口（BCI）的稳态视觉诱发电位（SSVEP）[1]。 描述 头皮脑电图（EEG）信号可视为来自多个皮层来源的活动的瞬时线性混合物。 换句话说，可以从多通道头皮EEG信号的加权线性组合来估计/重建皮质源信号。 TRCA找到了一个最佳权重系数，以使任务试验中的时间锁定活动的重现性最大化，从而显着提高了与任务相关的EEG组件的信噪比（SNR）。 发行版包括： data / sample.mat：样本数据（见下文） src / train_trca.m：基于TRCA的训练分类器 src / test_trca.m：使用基于TRCA的分类器对SSVEP进行分类 src / test_fbcca.m：使用FBCCA对SSVEP进行分类 src / filterbank.m：设计一个滤波器组 src / itr.m：计算信息传输率（

计算一个表格，显示统计集群和脑图谱区域（AAL、Harvard-Oxford、Brodmann 区域）之间的重叠百分比

在Windows开发机制的脑图中，详细的列举出了分派器对象，临界区和轻量级读写锁和条件变量，内容详细，条理清晰

这个里面是关于Java内存区域的相关介绍，内容详细，条理清晰

关于死锁和饥饿的相关介绍的脑图，内容丰富，条理清晰。

这个Linux内核并发机制的脑图中详细介绍了原子操作，自旋转，信号量和屏障的相关知识，内容详细，条理清晰

多类运动想象脑机接口控制的虚拟漫游，谷艳蕾，张吉财，本研究旨在区分想象左手、右手、脚运动三种状态下的脑电信号，从而建立在虚拟环境中控制左转、右转、前行、停止的脑机接口系统。

脑电信号的特点 幅度：0.1 ~ 100 V 频带: 0.5 ~ 3000 Hz 干扰信号：眼电干扰、肌电干扰、工频干扰、环境电磁噪声干扰等 信号源的内阻大，且具有时变性