所有公共EEG数据集的列表。 此EEG资源列表并不详尽。 如果您发现新内容，或者已深入探索任何未过滤的链接，请更新存储库。 EEG数据集所有公共EEG数据集的列表。 此EEG资源列表并不详尽。 如果您发现新内容，或者已深入探索任何未过滤的链接，请更新存储库。 运动图像左/右手MI：包括52个主题（38个经过验证的具有区分特征的主题），生理和心理问题的结果，EMG数据集，3D EEG电极的位置以及与非任务相关状态的EEG电机运动/图像数据集：包括109 volun

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脑电功率谱代码脑电图-MEG-代码-MATLAB 该存储库包含有用的MATLAB函数，用于EEG分析。 ssd：是ssd的频域扩展（时空频谱分解）。 请参阅功能标题。 select_component：是有助于手动排除ICA伪影的功能。 EEGLab ICA透视窗口很慢，并且没有与数据进行交互的机会。 使用此功能，可以交互查看EEG的频谱（如果所选组件被拒绝）以及将被拒绝的alpha功率量以及其他选项（请参见功能的标题）。 另外，用鼠标左键和右键单击可以选择“主动”和“被动”组件，这意味着无论如何都应拒绝主动组件，并且保留被动组件以备将来使用。 例如，在许多情况下，研究人员更喜欢去除眼睛和心脏的假象，但也希望保留肌肉假象的成分，以防他们想要去除它们。 前者将通过左键单击选择为主动，而后者将通过右键单击选择为被动。 plot_spec：是用于绘制多通道信号频谱的函数。 注意：EEGlab函数有一些错误。

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。

matlab填充图像算法代码CNN_频谱图_算法 一种使用卷积神经网络 (CNN) 从原始 EEG 数据中对频谱图进行分类的方法 SpectrogramClassificationAlgorithm.ipynb：使用来自训练和有效文件夹的数据训练模型，对来自测试文件夹的数据进行测试 Use_pretrained_model.ipynb：使用来自训练模型的模型权重，测试来自测试文件夹的新测试数据 fastai 文件夹中的代码来自 Jeremy Howard 的 fastai 0.7 版： 数据结构 要运行任一笔记本，您必须具有以下结构的数据文件夹： 数据/ ├──火车/ ├── Yes ├── No ├── 有效/ ├── Yes ├── No ├──测试/ 对于 SpectrogramClassificationAlgorithm.ipynb：Yes 和 No 子文件夹包含我们训练模型的正面和负面案例图像。 测试文件夹包含我们测试模型的未分类图像。 对于 Use_pretrained_model.ipynb：测试文件夹包含要由我们的预训练模型 (saved_model.pkl) 评估的

64导 采样频率1000hz 静息态脑电 Ch1=Fp1,,0.1,µV Ch2=Fp2,,0.1,µV Ch3=F3,,0.1,µV Ch4=F4,,0.1,µV Ch5=C3,,0.1,µV Ch6=C4,,0.1,µV Ch7=P3,,0.1,µV Ch8=P4,,0.1,µV Ch9=O1,,0.1,µV Ch10=O2,,0.1,µV Ch11=F7,,0.1,µV Ch12=F8,,0.1,µV Ch13=T7,,0.1,µV Ch14=T8,,0.1,µV Ch15=P7,,0.1,µV Ch16=P8,,0.1,µV Ch17=Fz,,0.1,µV Ch18=Cz,,0.1,µV Ch19=Pz,,0.1,µV Ch20=EOG,,0.1,µV Ch21=FC1,,0.1,µV Ch22=FC2,,0.1,µV Ch23=CP1,,0.1,µV Ch24=CP2,,0.1,µV Ch25=FC5,,0.1,µV Ch26=FC6,,0.1,µV Ch27=CP5,,0.1,µV Ch28=CP6,,0.1,µV Ch29=FT9,,0.1,µV Ch30=FT10,,0.1,µV Ch31=TP9,,0.1,µV Ch32=TP10,,0.1,µV Ch33=F1,,0.1,µV Ch34=F2,,0.1,µV Ch35=C1,,0.1,µV Ch36=C2,,0.1,µV Ch37=P1,,0.1,µV Ch38=P2,,0.1,µV Ch39=AF3,,0.1,µV Ch40=AF4,,0.1,µV Ch41=FC3,,0.1,µV Ch42=FC4,,0.1,µV Ch43=CP3,,0.1,µV Ch44=CP4,,0.1,µV Ch45=PO3,,0.1,µV Ch46=PO4,,0.1,µV Ch47=F5,,0.1,µV Ch48=F6,,0.1,µV Ch49=C5,,0.1,µV Ch50=C6,,0.1,µV Ch51=P5,,0.1,µV Ch52=P6,,0.1,µV Ch53=AF7,,0.1,µV Ch54=AF8,,0.1,µV Ch55=FT7,,0.1,µV Ch56=FT8,,0.1,µV Ch57=TP7,,0.1,µV Ch58=TP8,,0.1,µV Ch59=PO7,,0.1,µV Ch60=PO8,,0.1,µV Ch61=Fpz,,0.1,µV Ch62=CPz,,0.1,µV Ch63=POz,,0.1,µV Ch64=Oz,,0.1,µV

1--使用原始 EEG 数据训练 Deep ConvNET 具有手动制作光谱功能的2层感知器 请轻轻引用https://arxiv.org/abs/1907.05674 “使用 ConvNET 进行深度学习通过 EEG 预测图像任务” 使用的数据库EEG 运动/图像数据集https://physionet.org/pn4/eegmmidb/

matlab界面选择代码深层神经网络转移学习EEG-MEG- 该代码具有两个基于SGD和adam的CNN模型（模型1和2）。 还包括维格纳维尔（Wigner-ville）分发代码 功能：RAW EEG，短时傅立叶变换，Wigner-ville分布 深度学习参数适应：贝叶斯优化 平台：Matlab，Python 该代码用于复制题为“单一模型深度学习方法可以增强基于EEG的脑机接口的分类精度吗？”的论文。 如果您使用的是部分代码，请引用这些论文： 罗伊·苏吉特（Roy，Sujit）等。 “通道选择改善了基于MEG的脑机接口。” 2019年第9届国际IEEE / EMBS神经工程会议（NER）。 IEEE，2019年。 Roy，S.，McCreadie，K.和Prasad，G.，2019年10月。 单一模型深度学习方法能否提高基于EEG的脑机接口的分类精度？ 在2019年IEEE系统，人与控制论国际会议（SMC）（pp.1317-1321）中。 IEEE。 正在开发中

脑电信号处理，脑电信号分段，分段脑电排列组合熵特征计算，排列组合熵程序

对脑电信号进行5层小波包分解，提取相应的节律波