针对区分两种不同运动想象(想象左手运动和想象右手运动)的脑-机接口任务,提出了以小波方差作为分类特征的方法.首先深入研究了小波变换以及小波方差的计算方法,结合验证脑电图(EEG)存在的ERD/ERS现象,然后利用小波分解系数方差对C3,C4导联脑电信号进行特征提取,最后采用最简线性分类器进行分类,采用分类正确率作为主要评价标准.结果表明,最大分类正确率为85%,最佳分类时间段为4~6.5 s.与BCI竞赛和其他方法相比,在保证分类正确率的前提下,所使用的特征提取和分类方法更加简单,具有较高的参考价值.

设计并实现了基于便携式单通道脑机接口的小车控制系统。该系统利用TGAM1_R2.4A模块采集人脑前额FP1处的脑电信号，通过蓝牙模块将信号传送至STM32控制单元。系统使用人脑专注度控制小车速度，利用眨眼信号结合方向指示灯控制小车运动方向。测试结果表明，该系统控制小车的速度和方向具有反应灵敏、稳定性较高的特点，该技术可以推广至对电动轮椅的控制。

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。

点云库Java 该项目的目标是通过Java本机接口（JNI）使（PCL）数据结构和算法在Java项目中可用。 当前支持的操作系统是Windows和Linux（仅64位体系结构）。 建立 为了使用pcljava ，需要安装Point-Cloud Library版本1.11.1及其所有依赖pcljava 。 这些依赖性不来挤满了与此项目相关的文物。 适用于Windows的程序； 安装完成后，必须将以下目录添加到PATH环境变量中： C:\Program Files\PCL 1.11.1\bin C:\Program Files\PCL 1.11.1\3rdParty\VTK\bin C:

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。