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。

使用Matlab获取lsl数据流并显示图像；使用Matlab获取lsl数据流并显示图像；使用Matlab获取lsl数据流并显示图像；使用Matlab获取lsl数据流并显示图像；

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

Deep Learning for EEG-Based Preference论文原文。在期刊官网也可以免费下载，为方便大家查看上传至此。稍后出一篇关于这篇文献的精读导读。

这个是脑机接口特征提取算法适合二分类和多分类一对一和多对一的都有，文件以Y开头的是以一对一方式的多分类特征提取算法，每个方法都是两个文件，一个训练投影矩阵另外一个是具体提取特征

基于可以帮助行动不便的人，找到新的操作便捷的代步工具的目的，本研究通过TGAM内核的脑电波信号采集模块，再将采集到的数据通过硬件滤波剔除杂波的方式，将原始脑电波信号线性模拟后放大处理，采集到的数据最后会经过算法转为所需数据，经蓝牙串口（2.0）传输到单片机进行分析处理，并执行相应指令，以实现对小车车模的控制，从而完成了由意念控制小车运动的设想。

基于最大诱发React空间滤波器的基于SSVEP的脑机接口的空闲状态检测算法

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

Deep Learning for EEG-Based Preference论文精读手写笔记。笔记都总结了各部分的框架，方便读者基于笔记找到文献对应内容的基本框架及概念。文章原文资源在博主的另一个下载链接即可免费下载，稍后出一篇关于这篇文献的精读导读。三者结合起来读更配噢。

脑机接口技术在医疗健康领域应用