在脑机接口研究中,针对运动想象脑电信号的特征提取,采用了一种优化的基于小波包的ICA(独立成分分析)法,用于提取大脑在想象动作时产生事件相关去同步/同步(EventRelatedDesynchronizationorEventRelatedSynchronizationERD/ERS)信号。利用小波包对脑电信号进行分解去除不同脑电信号之间的统计相关性,抽取包含ERD/ERS现象的特征频带,对每个特征频带分别进行ICA分解,获取与ERD/ERS现象相关的μ节律和β节律。最后引入ERD/ERS系数作为量化指标

提出基于脑电信号（EEG）的睡眠分期研究。利用离散小波变换（DWT）的db8小波分解得到的细节分量作为信号新的表达，把各个细节分量能量作为特征，建立带高斯径向基核函数（RBF）的非线性支持向量机（SVM）模型。研究发现，其对睡眠分期研究的方案是可行的，满足模型对泛化能力的要求。

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.

内涵中英文使用手册和打包好的eeglab工具箱！还有一个简单的基本讲义使用！

针对传统支持向量机分类方法在脑电信号处理中存在分类正确率低的问题,将聚类思想与二叉树支持向量机结合构造多类SVM分类器。实验以“BCICompetition2005”中的DatasetⅢa为例,先对采集的4类运动想象脑电信号应用小波变换进行去噪;再在分析小波包频带划分特点的基础上,利用小波包进行分解与重构,获取相应的能量特征;最后应用改进后的支持向量机(SVM)分类方法对特征信号进行分类。结果表明该方法分类正确率较高,可以达到91.12%,并且有效的减少了分类器的个数,最终达到较好的识别效果。

DEEPS_分类 分类脑电信号 创建数据目录（DEAP_s拥有所有数据集） mkdir DEAP_s, CONV, MHCTW, CTW 训练CWT分类 python cwt_classifier.py 训练卷积神经网络分类 python train_conv_classifier.py

摘要：高性能的便携式脑电信号的采集设备对临床医学和认知科学研究领域具有重要意义，设计了基于ADS1298和FPGA的高性能脑电信号采集系统。给出了脑电信号采集系统的总体设计，重点阐述了ADS1298的特点和工作原理，在此基础上讨论了系统的外围电路以及FPGA接口电路设计，最后给出内部信号处理控制模块设计。设计的脑电信号采集系统具有低功耗、高精度和小型化的特点，具有很好的应用前景。 　　0 引言 　　脑电信号（EEG）是一种典型的生物电信号，是大脑皮层脑神经细胞电活动的总体反映，其中包含了大量的生理和病理信息，是临床检测的重要生理参数之一，也是认知科学、脑机接口和警觉度等领域研究的重要手段。

在研究脑电信号特性的基础上，提出了一种基于CEEMD-PE对脑电信号进行降噪的方法。完全集合经验模态分解（CEEMD）能够克服模态混叠的问题，因此，对脑电信号进行CEEMD分解，得到一组固有模态函数（IMF）分量，计算各个IMF分量的排列熵（PE）值，依据PE的值剔除基本为噪声的IMF分量，将降噪后的分量与保留的分量进行重构，得到降噪后的脑电信号。实验结果表明，用CEEMD-PE对脑电信号进行降噪，在抑制噪声的同时，还有效地保留了脑电信号的细节特性，去噪性能更好。

在分析多种时频分析方法的基础上，提出应用改进型的希尔伯特-黄变换来实现对脑电信号噪声干扰的处理。利用经验模态分解获得有限项目的经验模式函数，在局部数据平均的基础上利用希尔伯特变换获得能量谱。研究结果表明，改进的极值域均值模式分解法能够有效去除脑电信号的噪声部分，消除邻近频率的混叠影响和边界效应。对利用脑电信号诊断癫痫、缺血性脑损和睡眠监护有临床指导作用。

包括了csdn上现有的绝大多数脑电信号处理方式，含部分源码，可以直接使用。