脑电信号基础matlab代码电管 用于脑电图 (EEG) 数据处理管道的代码集合。 这些工具实际上并不包含任何新的信号处理工具。 它们只是为了在处理大量数据集时让您的生活更轻松。 尽管该管道包括用于计算大平均 ERP、小波分解和 FFT 的工具，但其主要目的是通过prep_master.m脚本及其调用的函数进行预处理。 安装： 从 下载最新版本，将其解压缩并从 Matlab 中运行 ElektroSetup.m。 你需要什么： 最近的 Matlab（在 R2019b 上测试） EEGLAB (2019.1) 插件：Cleanline、SASICA、eye-eeg（最近的 github 版本！ ）、PREP 等。您将收到有关不匹配的依赖项的警告（请参阅elektro_dependencies.m ） SubjectsTable.xlsx（此存储库中包含一个示例）：一个 Excel 电子表格，其中包含您的主题列表和有关这些数据集的信息。 Matlab 声称也可以读取 .odt 文件，但至少在我们的机器上这是行不通的。 此表中的重要列是： 名称：多个函数需要此列，其中包含每个数据集的名称、代

EEGLAB is an interactive Matlab toolbox for processing continuous and event-related EEG。

2.1 原始脑电数据的读取和显示 采集到的脑电信号文件为 data.txt，调用 eeg_load.m 文件，即可绘制出脑电样本信号图， 如下图 2 所示。 图2 脑电样本信号图 2.2 脑电信号频谱图及功率谱图的绘制 首先调用 eeg_fft.m 文件，原理是对样本信号进行傅立叶变换 [3]，即可获得样本信号的 频谱图，如下图 3 所示。

用于提取脑电信号的DE（差分熵特征/微分熵特征）和PSD（功率谱密度特征）特征的matlab和python代码。

针对隐马尔科夫模型在运动想象脑电信号分类应用中,其独立性假设与脑电信号间相关性的不一致问题,提出一种基于Choquet模糊积分隐马尔科夫模型的脑电信号分类方法。该模型应用模糊积分的单调性取代了概率测度的可加性,放宽了隐马尔科夫模型的独立性假设。利用重叠滑动窗对脑电信号分段,然后对每段数据提取绝对均值、波长和小波包相对能量特征,构成特征序列用于CI-HMM的训练和分类。选取2008年BCI竞赛Datasets 1的两类运动想象数据进行分类实验,结果表明,该方法有效提高了隐马尔科夫模型方法对运动想象脑电信号分类的性能。

为了更有效地提取脑电信号特征波，结合小波包和ICA（独立分量分析），提出了一种脑电特征波提取方法。首先对脑电信号进行小波包分解，然后进行相关频段信号的重构，从而提取出特征波的概貌作为初次提取的特征波；再利用ICA分离技术，以初次提取的特征波为参考信号对其进行增强。实验结果表明，对比于独立地应用某一种方法，两种方法相结合更能有效地提取脑电信号特征波。

为了方便地监测睡眠情况，合理评价睡眠质量，设计了基于智能终端的睡眠监测系统。该系统主要包括信号采集模块和智能终端。信号采集模块与智能终端之间采用蓝牙通信，实现对脑电信号的采集、接收、分析及存储。智能终端采用小波变换对脑电信号去噪，提取样本熵作为特征参数，利用随机森林算法对睡眠进行自动分期，并评估睡眠质量。5名志愿者参与实验，结果表明，信号采集模块能够采集高质量的脑电信号，分析软件可以快速、准确地进行睡眠质量评估。该系统体积小，功耗低，可以对睡眠质量进行定量反映和客观评估。

基于深度学习的脑电信号研究，用算法分析了不同的脑电数据

基于分层卷积神经网络的脑电信号情感识别系统的实现

针对注意缺陷多动障碍（attention deficit hyperactivity disorder，ADHD）儿童和正常儿童的分类问题，实验采用经典干扰控制任务范式对两类儿童的事件相关电位（event-related potential，ERP）进行了研究，旨在通过ERP特征实现其分类。实验首次使用长短期记忆（long-short term memory，LSTM）方法分析两类儿童前额叶与顶枕叶脑区最佳电极（p<0.05）潜伏期（200~450 ms）的脑电信号，并自动学习和分类其ERP特征。相比常规分类方法，LSTM方法的分类率略高，可达95.78%。研究结果表明LSTM方法有助于ADHD儿童脑电信号的分类，为ADHD儿童个体诊断技术提供了一种新思路。