Brainsatplay.js Brains@Play 是用于部署大脑响应应用程序的平台。 我们平台背后的整个软件堆栈包含在这里作为Brainsatplay.js ：一个开源框架，用于使用现代网络技术开发持久的大脑响应应用程序。 浏览我们的文档。 在此 Repo 中构建应用程序 克隆这个 repo 并将内容解压缩到一个文件夹。 通过命令行打开文件夹（推荐使用 VS Code，需要最新的 NodeLTS 和最新的 NPM） npm install npm start 按照为本地构建提供的 localhost（通常为 localhost:1234）的 url 进行操作。 启用热重载以通过 Parcel 进行编辑。 安装 npm install brainsatplay 用法 ES 模块 import * as brainsatplay from 'brainsatplay' 脚本标

稳态视觉诱发电位脑机接口算法介绍，分为相关分析(CCA)及任务相关成分分析(TRCA),这是寻找空间滤波器的算法

lda分类代码matlab fNIRS_BCI_DataAnalysis 预处理、特征提取（斜率、移动斜率、峰度、偏度、均值和方差）和分类代码（正则化 LDA 和 SVM），用于分析脑机接口 (BCI) 的 fNIRS（功能性近红外光谱）数据。 所有代码都是用MATLAB编写的。 功能列表： --> f_FilteredDataMatrixtoFeatures_NIRS 此函数将原始 fNIRS 数据转换为特征矩阵。 -->f_FilteredDataMatrixtoFeatures_NIRS 此函数将原始（或过滤）输入 fNIRS 数据转换为特征矩阵，包括常见的 fNIRS 特征类型：均值、方差、偏度、峰度、最大移动斜率（在指定的窗口大小中）。

此资源为2005 BCI Competition III data set I数据，有需要的自己下载，包含了训练集和测试集以及原始数据，还有数据说明

BCI-II-III分类 使用CNN和CNN + LSTM在EEG信号中对运动想象力进行分类 更多信息

2002运动想象竞赛数据集，包含训练集和测试集

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

1、BCI2008竞赛数据，9个受试者，分为测试和训练两个部分，附有配套的说明文档！ 2、BCI2008带标签数据集，9个受试者，内含采样率，标签等，附有说明文档！

使用keras库，数据来自BCI Competiton数据集下的Data from Berlin组的mat文件，请仅限用于研究，数据包组成，使用后三个量x_train（训练集）,y_train（标签）,x_test（测试集），训练集有316组样本，样本由500毫秒下28通道的数据构成，数据详细描述：http://www.bbci.de/competition/ii/berlin_desc.html。使用k折验证法验证，验证结果极佳，但没有测试集的标签，所以不知道对于新数据的分类情况如何。

脑机接口P300数据,数据说明及初始的数据使用程序