脑机接口技术在医疗健康领域应用白皮书（2021）-AIIA-2021.7-81页.pdf

GLRT 方法用于对与脑机接口 (BCI) 的目标频率相对应的稳态视觉诱发电位 (SSVEP) 进行分类。

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（

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