癫痫脑电分类的课题在生物医学信号处理和机器学习领域很火。这个资源使用了美国儿童医院CHB-MIT数据集，所以首先你得先下载了这个数据集。太大了，资源放不下。 这个资源有癫痫分类的完整过程，包括从CHB-MIT数据集中取出数据，使用var做数据异常检验，利用低通滤波器和归一化函数对数据预处理，提取数据特征，构建1D-CNN卷积神经网络模型，利用数据训练模型，展示模型训练效果。 资源适合做这方面研究的同学，算是入门人工智能入门级的。

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。

采集癫痫小鼠模型在常态与致癫状态下的脑电信号以研究其癫痫脑电的自动分类。对经过噪声和伪迹消除预处理的脑电信号进行小波变换，获得不同频率子带的小波系数，对脑电信号及与癫痫特征波相关的小波系数提取相应的线性特征（标准差）和非线性特征（样本熵）；基于这些特征及其组合使用支持向量机分类器实现分类。实验发现基于小鼠脑电本身的标准差和样本熵的分类正确率分别为59.10%和58.00%；而融合各相关小波系数的标准差或样本熵，分类正确率分别达到86.60%和88.60%；融合全部相关小波系数的线性和非线性特征后分类正确率为99.80%。这些结果说明基于小波系数特征融合的分类算法性能有显著提升，能有效实现小鼠癫痫脑电的自动分类。

一般的空间模式(CSP)是一种在脑-机接口(BCIs)背景下对脑电图(EEG)信号进行分类的流行算法。本文介绍了一种小样本环境中CSP的正则化和聚合技术。常规算法基于基于样本的协方差矩阵估计。因此，如果训练样本的数量很少，其性能就会下降。为了解决这一问题，提出了一种正则化的CSP (R-CSP)算法，该算法通过两个参数对协变矩阵估计进行正则化，从而降低估计方差，同时减小估计偏差。为了解决正则化参数确定的问题，进一步提出了聚合(R-CSP-A)的R-CSP，并将一些R-CSP聚合在一起，给出了一个基于集合的解决方案。提出了一种基于BCI竞争三种竞争算法的数据集IVa的算法。实验表明，在SSS（小样本环境）中，R-CSP-A的平均分类性能明显优于其他方法。