DEAP数据集自动情感识别 该项目使用来自DEAP数据集的EEG信号，使用集成的一维CNN，LSTM和2D，3D CNN以及带有LSTM的级联CNN将情绪分为4类。

脑电信号-运动想象代码，搭建环境见博客

脑电信号数据人工智能深度学习 脑电信号数据人工智能深度学习 脑电信号数据人工智能深度学习 脑电信号数据人工智能深度学习 脑电信号数据人工智能深度学习

国内外脑电信号研究的情况 对脑电信号进行特性分析和特征提取，国内外有关这一课题的研究日益增多，到目前为止，己经有很多方法被应用于此。 1932年之前，对脑电信号的特征提取与特性分析停留在主观水平上。 1932年Dietch首先用傅立叶变换进行了脑电图分析。 1932年之后，相继引入了频域分析、时域分析等脑电图分析的经典方法。 目前，国内外针对脑电信号的研究，已经有了很多分析方法。

我毕业时的脑电信号识别代码与论文，数据

IJCNN 2018提交代码 关于本文 发言题目：通过并行卷积递归神经网络的多通道脑电图情感识别 作者：杨一龙，吴庆峰，邱明，王应东，陈晓伟 院校：厦门大学 指示

诱发电位记录示意图 + _ strobe light flashes, elicits evoked potential +EEG: + EP EEG = “single trial” + _

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。

脑电图分析 使用MNE和Networkx对静止状态eeg数据进行图形分析 清理静止状态数据，并使用相位滞后指数（PLI）创建连接矩阵。 然后，建立一个图，并为进行无偏组比较，导出一个非循环子图，该图连接了所有节点，从而使边缘权重最小（w = 1 / w）。 此子图称为最小生成树。 前处理 导入数据，然后以1-30Hz的频率对其进行过滤（mne滤波器已经使用了零相滤波器）。 设置平均参考。 在执行ICA之前，请检查并排除不良电极。 对原始数据进行首次视觉检查，排除包含明显伪像的段。 计算我将传递给ICA的拒绝阈值 使用Extended-infomax方法运行ICA 目视检查ICA组件，以检查是否有代表眼睛运动或眨眼的组件。 运行应使这些组件高亮的自动过程 申请ICA 创建时期并执行最后的目视检查以排除不良时期。 保存时代连通性矩阵 使用PLI方法计算连接矩阵。 使用这些值

此代码从指定的“bdf”文件中读取指定长度的 EEG 数据。 它比传统的 bdf 阅读器更易于使用，并且不会输出一些不必要的（从作者的角度来看）信息，例如每个 EEG 通道的采样频率。 假设所有 EEG 通道以相同频率采样，由相同滤波器预滤波等等......