脑电信息，分析，处理与采集的python代码，启动代码，配置文件等等。

小波变换与傅里叶变换的比较： 小波分析是在傅里叶分析的基础上发展起来的，但小波分析与傅里叶分析存 在着极大的不同，与Fourier变换相比，小波变换是空间（时间）和频率的局部变 换，因而能有效地从信号中提取信息。通过伸缩和平移等运算功能可对函数或信 号进行多尺度的细化分析，解决了Fourier变换不能解决的许多困难问题。小波变 换联系了应用数学、物理学、计算机科学、信号与信息处理、图像处理、地震勘 探等多个学科。 二、小波变换 傅里叶闭环具有一定的局限性。 用傅立叶变换提取信号的频谱需要利用信号的全部时域信息。 傅立叶变换没有反映出随着时间的变化信号频率成分的变化情况。 傅立叶变换的积分作用平滑了非平稳信号的突变成分。 由于上述原因，必须进一步改进，克服上述不足，这就导致了小波分析。

脑电信号的特点 幅度：0.1 ~ 100 V 频带: 0.5 ~ 3000 Hz 干扰信号：眼电干扰、肌电干扰、工频干扰、环境电磁噪声干扰等 信号源的内阻大，且具有时变性

脑电信号基础matlab代码波列分析 使用 2D 和 3D AUC 图，我们提高了帕金森病的检测精度 有用于分析脑电图 (EEG)、肌电图 (EMG) 和震颤图数据的 Matlab 文件。 波列电活动分析方法的思想是我们将生物医学信号视为波列的组合。 波列是信号在时间、频率和空间上局部化的功率谱密度的增加。 我们将波列检测为小波频谱图中的局部最大值。 我们不认为波列是一种特殊的信号。 我们研究了以下波列参数：波列中心频率、波列最大功率谱密度、周期中的波列持续时间和波列带宽。 我们开发了特殊的图表，称为 AUC 图，以确定哪些波列是神经退行性疾病的特征。 您可以在此处阅读我们的方法： OS Sushkova、AA Morozov、AV Gabova、AV Karabanov。 使用基于波列的电活动分析方法研究帕金森病患者肢体震颤的表面肌电图和加速信号 // 人工智能进展：第 16 届伊比利亚美洲人工智能会议，IBERAMIA 2018，秘鲁特鲁希略，11 月 13 日-16, 2018, Proceedings / GR Simari, F. Eduardo, F. Gutiérrez

脑电信号包含了大量生理与病理信息，通过对脑电信号的处理，不仅可以为医生提供 临床诊断的依据，还可以为某些脑疾病提供有效的辅助治疗手段。国内外对于脑电信号进 行特性分析和特征提取的研究已经取得了重大的进展和成果。本文是在广泛研读国内外有 关脑电研究现状和分析方法的相关资料基础上，采用样本熵、双谱、1.5维谱等现代信号处 理方法来研究脑电信号中蕴藏的丰富信息，以期为临床脑电信号的诊断提供一定的理论参 考。

针对基于两种不同意识任务( 想象左手运动和想象右手运动) 的脑机接口, 使用共空间模式算法对 BCI 2003 竞赛数据进行特征提取; 基于滑动时间窗, 利用 CSP 方法对C3, Cz 和 C4 位置的脑电信号进行处理利用支持向量机对特征进行分类, 获得最大分类正确率 82 86% , 最佳时间点 4 09 s, 最大互信息 0 47 bit, 最大互信息陡度 0 431 bit/s与 BCI 2003 竞赛结果相比, 最大互信息陡度有了显著提高, 证明该方法更适合 BCI 实时系统的要求

 为去除脑电信号采集过程中存在的噪声信号，提出了基于小波阈值去噪的脑电信号去噪。以小波阈值降噪为基础，首先利用db4小波对脑电信号进行5尺度分解，然后采用软、硬阈值与小波重构的算法进行去噪。通过对MIT脑电数据库中的脑电信号进行仿真，结果表明，采用软阈值方法有效去除了噪声，提高了脑电信号的信噪比。

脑电信号分析 matlab 运用matlab仿真脑电信号，进行时域，频域等分析。

读取EEG的edf文件，输出信号为平均导联

通过64通道脑电信号识别后悔的神经生理标志物