这个是本人读书期间课程的结题作业，利用离散小波变换（DWT）提取波恩Bonn脑电数据的时频域特征，训练支持向量机（SVM）和人工神经网络（ANN），进行数据的二分类。 除此之外，报告也对一些基本的概念进行了介绍，算是一篇普及类的小报告吧，研究深度一般，里面有MATLAB实现的完整程序，希望能给各位带来一点入门的作用。 适合小白等刚刚进入人工智能领域的人员，研究深度一般。

mne学习教程代码，完整的脑电信号处理流程

微信小，源码，适合初学者；解压后使用

功能脑网络估计 脑网络分类 交叉验证 不同脑网络建模方法的实例 包括了其对应的留一法交叉验证，ttest特征选择等等

SSVEP拼写器，40目标（8 Hz ~ 15.8），类似清华大学Benchmark的范式，红色框代表刺激提示，这个程序可以与Brain Product的脑电帽子做成在线识别的SSVEP系统，需要BP提供的一个RDA接口文件就可以了。 本资源仅供刚入门SSVEP的硕士研究生同学学习，不是很难，但需要花时间弄懂代码，我的博客也有相关的文章。

事件相关电位(ERPs)分析揭示了脑机接口的认知神经机制,并为脑机接口技术的突破提供新的思路.然而与传统ERP研究不同的是,脑机接口中刺激呈现的时间间隔要远小于前者,并在平均信号中可以观察到较强的周期性干扰,致使其中包含的ERP成分的幅度和潜伏期等重要参数较难准确得到,为进一步的ERP分析造成障碍.目前关于这一干扰的形成原因和消除方法尚缺乏相关研究.本文首先建立了ERP信号的分离模型.模型认为ERP成分的混叠效应解释了平均信号中的周期性干扰.而后提出Toeplitz方法和差异波方法对模型进行求解,以消除干扰并恢复ERP成分.使用实测实验数据和公开数据库的数据对所提出模型与求解方法进行分析,结果表明,Toeplitz方法可以从非靶刺激平均信号中恢复出ERP成分,而差异波方法则可以有效地抑制混叠效应,并分离出基线平稳且各成分突出的ERP信号,从而验证了所提出模型与方法的合理性.本文的研究为脑机接口的ERP分析中周期性干扰的解释与消除提供了依据,并进一步为脑机接口的认知研究提供保障.

运动想象脑电信号特征提取及分类(凑字数专用)

用于小脑神经影响数据处理软件SUIT 由于官网给出的软件在使用时出错 Failed ‘Summarize statistics by lobules’ 错误使用 vararginoptions (line 44) unknown option:regionname 故上传旧版稳定版，具体版本不清楚

1、解决方案方法论网络安全管理模型（美国能源部C2M2) 2、网络安全管理模型

金融行业数据分类分级脑图