Deap脑电信号识别CNN-LSTM代码

使用python进行脑电图分析 有许多工具箱可用于python中的EEG分析。 但是，我发现这些工具箱大多数都涉及陡峭的学习曲线。 此外，对于许多这样的工具箱而言，可视化是一项艰巨的任务。 该工具箱是迈向使用python的简单易用工具箱的旅程的开始，这将有助于研究人员阅读，分析和可视化以各种格式记录和分发的EEG。 v0.1： python中的函数以读取和重新引用： EDF文件（庙宇大学扣押语料库格式） MAT文件（使用指定格式从matlab导出） 使用记录的DAT文件 样本数据： 在此可以找到EDF文件。 样本数据文件夹中提供了一个样本MAT文件 ：此工具箱是该的官方python支持。

MATLAB实战应用案例：用MATLAB编写GUI脑电信号采集程序.zip

脑电信号是由脑神经活动产生并且始终存在于中枢神经系统的自发性电位活动，是一种重要的生物电信号。 脑电信号非常微弱。主要有以下几个特点： 1）随机性及非平稳性相当强。 2）脑电信号具有非线性。 3）采集到的脑电信号背景噪声比较复杂，有50Hz的工频干扰，电极与皮肤的接触噪声以及电极与地之间的共模信号的干扰等等。

针对如何在情感识别中有效处理脑电信号和提取有用信息的问题,对实验采集的脑电信号进行小波包分解,通过对相关频段信号的重构,提取出脑电信号中能用于情感状态识别的β波节律,对其在不同情感状态下进行谱分析。仿真实验结果表明,将脑电信号中的β波节律用于情感状态识别是可行的。

用于脑电信号预处理

通过对脑电信号时频均谱熵的分析，研究用于描述临床手术麻醉深度的实时监测参数。随机采集33例麻醉状态下脑电信号序列，分析其时频均谱熵变化趋势，判断病人的神经活动状态。实验结果显示，脑电信号的时频均谱熵值随着麻醉深度的增加而减少，当肌电熵值接近零时，病人进入麻醉状态。表明时频均谱熵算法简单、计算所需数据序列短、抗干扰强，采用时频均谱熵对脑电信号进行分析，可为临床麻醉深度监测提供一种实时的方法。

为实现运动想象脑电信号的精准分类，提出以Levenberg－Marquardt算法（LM）替代BP神经网络构造分类器来提高分类识别率。实验以2008年BCI竞赛信号采集模式为标准，使用Emotive Epoc＋采集四类运动想象脑电信号，对采集的信号进行滤波去燥后，利用主成分分析提取特征值；然后分别用LM算法和BP神经网路进行分类识别做对比；最后基于MATLAB GUI设计串口通信界面与Arduino智能车链接验证算法的可行性。结果证明：该方法训练平均误差为5.630 6×10-7，分类准确率为86%，BP算法相对应为0.001 4、56%。相对比可知LM算法分类效果良好，验证过程中，智能车运行与算法识别方向一致，运行良好。此方法切实可行，为后期进一步开发脑机接口奠定了基础。

提出了一种基于时频域特征的情绪检测方法。使用Box-and-whisker plot（箱线图）选择最佳特征，然后将其输入SVM分类器，用于训练和测试DEAP数据集，其中考虑了32名不同性别和年龄组的参与者。实验结果表明，该方法对测试数据集的准确率为92.36%。此外，所提出的方法比最先进的方法表现出更高的准确性。 本文利用DEAP数据集预处理的脑电信号对两种维度进行四分类，即效价和觉醒。首先通过应用FFT将数据集中的样本从时域转移到频域，然后提取对情绪识别特别重要的α、β和θ频带。随后，根据每个情绪对应的象限对提取的频带进行平均，并使用平均频带值提取统计特征。然后，对提取的特征进行缩放，并将各种特征组合输入支持向量机分类器（SVM）进行情感识别。据观察，我们的方法使用偏度、峰度和波熵特征预测情绪，准确率为92.36%。与现有的DEAP数据集方法相比，我们提出的模型显示了更好的结果。

脑电信号处理常用的算法，包括优化后的CCA，PCCA，MCCA，WCCA，SVM