Microstate-EEGlab-工具箱：Microstate EEGlab工具箱

MATLAB用拟合出的代码绘图学士项目：使用Support-Vector Machines和KNN基于EEG数据对愤怒进行分类 以下存储库是学士项目期间使用的代码的枢纽。 该存储库包含用于预处理和分析EEG数据（Matlab），所有统计测试（R）和分类器（Python +）的每一行。 随着项目的进行，本文档的其余部分用作记事本。 它充满了对我们一路重要的项目，在归档项目之前不得更改。 每个脚本都包含解释性注释，以指导读者阅读代码。 线性混合效应模型 验证线性混合效应模型始终需要做两件事： 检查正常性和同质性。 构建一个所谓的“空模型”，并将混合模型的性能与此空模型进行比较。 I.混合效应模型属于参数统计技术（连同t检验和ANOVA检验）一起。 参数方法要求条件之间的差异呈正态分布，即条件A和条件B之间的差异需要近似钟形曲线。 非参数技术没有此限制-它们是“无分布的”-但是，混合模型是参数化的，因此我们需要检查差异是否实际上遵循正态曲线。 混合模型的另一个要求是数据是同质的，即就方差而言，数据集的一部分与另一部分没有很大差异。 下面描述的图检查了两者->形成了两个云，描绘了男性和女性之间

EEG Brain Wave for Confusion Dataset 是学生观看视频时额叶波动的数据集，旨在判断大脑是否处于混乱状态。 发布者收集了 10 名大学生观看 MOOC 视频剪辑时的 EEG 信号数据，其中包含不会让学生感到困惑的在线教育视频、可能会混淆的视频两种。测试过程中，学生会佩戴无线 MindSet 以测量额叶活动，同时观看剪辑后的视频，学生在课程结束后会将混淆等级评定为 1-7，其中 1 对应最不容易混淆，而 7 对应最为混乱。 这些标签会被进一步标准化为学生是否感到困惑的标签，除了预先确定的标签外还包含自我标记的混淆标记。 该数据由 Kaggle 于 2013 年发布，相关论文有《Using EEG to Improve Massive Open Online Courses Feedback Interaction》。

matlab代码影响EEG-CSP-Filter-Project 介绍 该实验的目的是根据Mu Waves解码想象的运动。 当身体静止时，Mu Wave出现的频率为7.5 Hz至12 Hz。 通过进行脑电图实验（实验对象想象执行某项任务），验证了运动皮层中Mu波的抑制和失步。 通过唤起空间特定的神经激活模式，可以轻松地区分这种活动。 例如，左手由右运动皮层控制，右手由左运动皮层控制。 结果，当测量Mu波公共空间模式（CSP）的变化时，可以对左右成像的运动进行解码。 CSP滤波被定义为信号处理中的常用技术，是一种将多元信号分为加法和减法分量的数学过程。 经过过滤，该算法找到了最佳的电极线性组合，可最大程度地提高跨条件的活动模式之间的差异。 此外，使用线性判别分析（LDA）分类器对这两个类别的CSP投影进行了分类，以展示使用CSP滤波器的可分离性的价值。 读者注意 该项目旨在突出机器学习在生物系统中的应用。 实验是使用EEGLAB进行的，EEGLAB是用于生理学研究的开源MATLAB工具箱。 在用四个实验块训练CSP分类器之前，用户能够执行主动反馈，该反馈实时测量与大脑任一侧相关的力量。

使用 1DCNN 从 EEG 信号进行心理图像分类

整理好的breast、credit、eeg、iris和letter数据集（csv格式文件），关于其详细内容可以参考文章：https://blog.csdn.net/didi_ya/article/details/125367921 整理不易，谢谢理解~

数据融合matlab代码CMTF_hunyadi 通过CMTF进行癫痫数据的EEG-fMRI融合 描述 EEG数据（每位患者的平均间质放电量）以患者的张量x通道x时间表示。 fMRI数据表示为患者x体素的矩阵。 体素是通过传统的基于GLM的EEG-fMRI图像获得的矢量化图像，然后进行遮罩以减少体素的数量。 然后，通过4种不同的方法进行关节盲源分离：jointICA，temporal-jointICA，耦合张量矩阵分解（CMTF）和受限CMTF，其中根据脑电图中尖峰和慢波的幅度固定患者的特征。 参考 该代码执行该方法并重现以下结果中描述的数据：[1] Hunyadi B.，Van Paesschen W.，De Vos M.，Van Huffel S.，``EEG和fMRI的张量矩阵分解，以探索癫痫病网络活动''，Proc。 2016年9月在匈牙利布达佩斯举行的2016年第23届欧洲信号处理会议（EUSIPCO）会议上发表演讲。 关键字/标签 脑电图，功能磁共振成像癫痫，张量分解，盲源分离，多峰融合 描述代码 jica_vs_jmtf_group_tle： 加载来自10例颞叶癫痫患者的

脑电（EEG）的节律（即主要频率）： 节律：<4Hz 的成分； 节律：4Hz～8Hz 的成分； 节律：8Hz～13Hz 的成分； 节律：>13Hz 的成分。 （深睡） （浅睡） （清醒） （受刺激或思考）

Eeg数据的特征提取和BP神经网络的技术研究

用matlab生成谐波代码脑电信号处理 Matlab中的EEG信号预处理和分类。 开发该代码是为了分析EEG信号在抓握和提起任务中区分丝绸，麂皮和砂纸的表面纹理的能力。 此代码中使用的数据是Luciw et.al.（）生成的数据。 作者提供了一个函数WEEG_GetEventsInHS（），并在此代码中使用了该函数。 此项目使用主题7和11的表面系列试验。 这段代码： 预处理脑电数据 通过主成分分析执行降维（此部分在代码中被注释掉，以从后续技术中生成结果） 生成频谱图 使用在此处找到的函数permutest执行非参数置换测试。 实现SVM分类器并计算准确性，误报率等。 其他信息：乳突通道是通道17和22。由于感兴趣的信号在运动皮层中，因此从乳突通道引用EEG数据。 保留权利的课程中提供了用于多个小波时频分析的函数mttfr（）。 这是文件中提供的一些信息，可能有助于重现该信息： 用法： [功率，平均，ITC，时间] = mttfr（x，fs，freqs，n_cycles，time_bandwidth） 例子： [功率，平均，ITC，时间] = mtffr（x，4000，30：5：100