基于最小生成树分析和层次聚类的MDD静息状态脑功能网络研究

EEG信号基础.EEG信号基础.EEG信号基础.EEG信号基础.EEG信号基础.EEG信号基础.EEG信号基础.EEG信号基础.EEG信号基础.EEG信号基础.EEG信号基础.EEG信号基础.

对一段脑电信号进行预处理，包括工频干扰消除、基线漂移消除，对预处理后的脑电信号进行频谱分析，分别提取theta、delta、alpha、beta、gamma、piper节律信息，并分析各特定频带信号的时域、能量等特征，详见https://www.xxy.ink/learn/bci/1.html，数据比较大约600M。

脑电信号的分段处理， %分段 clear; sub_name={ % 'mgh_1_1','mgh_1_2','mgh_1_3'};%改名字 % 'kzh_1_1','kzh_1_2','kzh_1_3'}; 'mgh_1_1','mgh_1_2','mgh_1_3'}; % 'hcl_3_1','hcl_3_2','hcl_3_3','gxj_4_1','gxj_4_2','gxj_4_3',... % 'gy_5_1','gy_5_2','gy_5_3'}; % 'mss_5_1','mss_5_2','mss_5_3','yyp_6_1','yyp_6_2','yyp_6_3',... % 'gy_7_1','gy_7_2','gy_7_3','yym_8_1','yym_8_2','yym_8_3',... % 'zsn_9_1','zsn_9_2','zsn_9_3','mgh_10_1','mgh_10_2','mgh_10_3'};%改名字 for i=1:3几组数据 sub=strcat(sub_name{i},'.set'); %不改 sub_save=strcat(sub_name{i},'_epoch.set'); %不改 EEG = pop_loadset('filename',sub,'filepath','D:\BISHE\REST-RUNICA-LS\');%改路径 EEG = eeg_checkset( EEG ); EEG = eeg_regepochs(EEG, 'recurrence', 2, 'limits',[0 2], 'rmbase',NaN); EEG = pop_saveset( EEG, 'filename',sub_save,'filepath','D:\BISHE\FENDUAN-LS\');%保存，改路径 EEG = eeg_checkset( EEG ); end

相关文件： [mutualinfomation] 计算脑电等信号的互信息程序，matlab源代码 [runqian-report] 润乾报表详细操作手册，方便java开发人员，运维人员作为参考，学习。 [InfoTheory] 该文件中包含信息论中的一些信息熵、互信息的计算。 [ant-colony-and-mutual-information] 该工具箱描述了基于蚁群算法和互信息进行非线性盲源信号分离 [Wavelet_EntropyinformationLZC] 脑电处理中，特征提取的几个有用算法程序，包括小波熵、LZC脑电复杂度、互信息等，以上程序，我已将亲自运行，可以通过，便于大家做脑电特征提取，希望对大家有帮助

研究了基于运动想象的皮层脑电信号ECoG的特点,针对BCI2005竞赛数据集I中的ECoG信号,通过提取频带能量获得了想象左手小指及舌头运动时的特征,结合Fisher,SVM-RFE及L0算法对特征进行选择,采用10段交叉验证的方法得到训练数据集在各维特征数下的识别正确率并选出最佳特征组合.结果表明:三种特征选择方法中SVM-RFE算法所选出的特征组合可以获得最低的识别错误率以及最低的特征维数,针对所选出的特征组合,使用训练数据集的特征对线性支持向量机进行训练,使用训练好的模型对测试数据集进行分类,识别正确率可以达到94%.

JAVA学习路径脑图，java基础知识，java多线程编程，Spring等脑图

使用小波变换提取脑电特征

尚硅谷周阳Mysql高级思维导图脑图，非pdf版，完完整整的.mmap版本，不缺少任何的东西。提供完整pdf文件

是不是学习方向迷茫，老衲这有本葵花宝典之JVM学习路线，只要你按这个来学离高级工程师就进一步了，加油。