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......

脑电情绪识别 HSE计算机科学学生项目 作者：Soboleva Natalia和Glazkova Ekaterina 脑电信号的准确分类可以为医学研究提供解决方案，以在早期阶段检测异常脑部行为以对其进行威胁。 在这项研究中，我们从另一个角度来看这个任务-情绪识别。 我们设计了卷积神经网络和递归神经网络的联合，使用自动编码器来压缩数据的高维数。 当前项目包括EEG数据处理，并使用AutoEncoder + CNN + RNN进行卷积 前处理 伪影-这是所有非脑源记录的活动的术语。 伪影可分为两类：生理伪影（来自大脑其他部位的虹膜，例如，身体）和外部生理伪影（例如，技术设备的北极）。 为了提取脑电图观察的最重要特征，必须进行预处理。 为了进行数据处理和可视化， 选择了用于人类神经生理数据（包括EEG）的开源Python软件。 在这一领域，有两种主要的最新方法可以处理EEG信号：小波变换和

这个包与我们论文的功能和分析相关联： Payam Shahsavari Baboukani, Ghasem Azemi, Boualem Boashash, Paul Colditz, Amir Omidvarnia, 一种新的多变量相位同步测量：在多通道新生儿脑电图分析中的应用， 数字信号处理，第 84 卷，2019 年，第 59-68 页，ISSN 1051-2004 我们承认我们的实施中有以下参考： Matlab 的循环统计工具箱： https : //au.mathworks.com/matlabcentral/fileexchange/10676-circular-statistics-toolbox-directional-statistics Hyper-Torus Synchrony (HTS) 测量来自 M. Al-Khassaweneh、M. Villafañ

该项目有两部分： 1.预处理： 预处理脚本使用小波变换对EEG信号进行去噪，降低采样频率并将10分钟片段分成15个时间序列。项目的这部分是用MATLAB编写的。该脚本位于source/Preprocessing/Preprocess_data.m下。 2.CNN+LSTM：预处理完成后，将使用此数据训练CNN+LSTM模型。 架构如下图所示： source/DataGenerator.py脚本是一个自定义类，用于将数据批量加载到内存中，而不是一次加载整个数据集。有关该类的更多信息，请参阅脚本中的注释。

欢迎来到EEG深度学习图书馆 EEG-DL是为EEG任务（信号）分类编写的深度学习（DL）库。 它提供了最新的DL算法并不断更新。 目录 贡献 组织机构 文献资料 支持的型号包括 不。 模型 代号 1个 深度神经网络 DNN 2个 卷积神经网络[论文] [教程] 有线电视新闻网 3 深度残差卷积神经网络[论文] ResNet 4 薄残差卷积神经网络[论文] 稀薄的ResNet 5 密集连接的卷积神经网络[论文] 密集网 6 全卷积神经网络[论文] FCN 7 暹罗网络（CNN骨干网）的一键式学习[论文] [教程] 连体网络 8 图卷积神经网络[论文] [演示文稿] [教程] [针对中国读者的GCN / GNN摘要] [针对中国读者的GNN相关算法综述] [图的深度学习文学] GCN /图表CNN 9 图卷积神经网络（来自Reza Amini的纯Py

实现脑电信号的情绪分类，1.特征提取方法：自回归（Autoregression，AR），公共空间模式（Common Spatial Pattern ，CSP），离散小波变换（Discrete Wavelet Transform，DWT）和功率谱密度（ Power Spectral Density，PSD）； 2. 特征分类方法：Bagging、Boosting、AdaBoost

对EEG基本知识及判读