运动想象ERD/ERS图绘制

运动想象分类matlab代码介绍 用于MI-BCI分类的CNN-SAE程序。 （基于“用于脑电运动图像信号分类的新型深度学习方法”） 使用此程序时，请与rasmusbergpal的lisense一起使用。 CNN-SAE（MI-BCI）是用于对Motor Imagery EEG信号进行分类的matlab程序。 基于rasmusbergpal编程的CNN-SAE（MI-BCI） 基于。NET的该程序的理论。 此外，我们对其进行了一些更改以改善结果。 该程序的性能基于（单击此处以获取更多信息）。 为了提高性能，我们使用结合了时间，频率和位置信息的短时傅立叶变换（STFT）的输入形式来研究CNN。 分别采用基于带通（BP）特征和功率谱密度（PSD）特征的Fisher判别分析型F分数来选择主题最佳频带。 在实验中，分别将与运动图像脑电信号有关的典型频带，主题最优频带和扩展频带用作CNN的输入图像的频率范围。 可以在“ excel”文件的“ python”文件字典中找到CNN的结果。 python代码基于具有GPU加速的tensorflow 1.6进行编程。 Matlab代码与python代码类

已经包含测试集标签

针对运动想象脑电信号特征提取困难，分类正确率低的问题，提出了利用小波熵进行特征提取并采用支持向量机（SVM）来分类的算法。计算运动想象脑电信号的功率，通过理论分析选择小波包尺度，对信号功率进行小波包分解并计算其小波包熵（WPE），提取C3、C4导联的小波包熵插值组成特征向量，将特征向量作为分类器的输入送入支持向量机进行分类。采用国际BCI竞赛2003中的Graz数据进行验证，算法的最高分类正确率达97.56%。算法特征向量维数低、数据量小、分类正确率高，对运动想象脑电信号特征提取及分类的任务可以提供参考方法。

脑机接口是一种通过特定手段对脑电信号进行提取，利用信号处理算法解码，分析大脑信号，识别人脑的技术。为了提高二分类运动想象脑电信号的识别准确率，该文提出了一种基于LSTM神经网络的脑电信号分类方法，以2003年BCI国际竞赛的公开数据对所提出的方法进行验证。实验结果证明，LSTM神经网络训练出的模型具有良好的效果，分类的平均准确率接近90%。

eeg2008 competition 2a数据集（运动想象四分类）eeg2008 competition 2a数据集（运动想象四分类）eeg2008 competition 2a数据集（运动想象四分类）eeg2008 competition 2a数据集（运动想象四分类）

基于一个公开数据集和2008年BCI竞赛数据集，提供一个CNN-PSD运动想象二分类demo，详见https://www.xxy.ink/learn/bci/3.html。包含脑电PSD特征提取，运动想象卷积神经网络分类等。

基于一个公开数据集和一个BCI竞赛数据集，提供一个SVM-CSP运动想象二分类demo，详见https://www.xxy.ink/learn/bci/2.html。包含脑电CSP特征提取，运动想象支持向量机分类，bbci和biosig工具箱等。

运动观察与运动想象的皮层节律活动与神经生理机制

已经将官方的.gdf格式转换为.mat格式。 此资源对应博文https://blog.csdn.net/qq_40166660/article/details/111248266