基于运动想象的脑电信号特征提取及分类算法研究_李丽君.caj.download

运动想象分类matlab代码交通车辆识别系统 夏季项目，使用MATLAB中的神经网络工具箱来区分收费车辆和免税旅行者。 文档尚未完成！>>代码重组待定>>关于Gpu的硬件限制（更好的Nvidia计算能力> = 3.5要求）>>使用背景减法的幼稚分割方法不适用于遮挡和重叠对象数量更多的复杂图像> > 由于必须上传经过训练的网络和数据集>>数据集>>数据集并且无法使用ImageCNN进行训练，因此该代码无法正常工作。m>> videotrafficgmm是分类的主要模块，其余都是支持组件>>适当测试视频，测试数据，训练有素的网络以及其他各种输入和输出的路径变量将必须根据您的系统进行重新校准。 由于数据上传限制（无法上传大型数据集和训练有素的网络）的限制，该存储库未考虑指定目的的实现。尽管对于感兴趣的用户了解在我的项目中使用的方法可能会有所帮助，用于某些常见的计算机视觉问题 摘要：->名为“项目”的目的是研究CNN不同组件的各种特性。 该项目的目的是从交通视频源中检测正在行驶的车辆并识别车辆的类别。为简单起见，将车辆分为收费和免收费两类。 付费车辆包括所有具有四个或更多车轮的机动车，这些机动

python代码，数据集为BCI IV-2a ，四分类任务，网络模型EEG-TCNet 基于tensorflow EEG-TCNet: An Accurate Temporal Convolutional Network for Embedded Motor-Imagery Brain–Machine Interfaces

基于模糊熵的运动想象脑电信号特征提取

运动想象脑电信号特征提取及分类(凑字数专用)

Motor Imagery classification EEG Right and Left hand movements signals with matlab

1、CNN，BCIC IV 2b，无，是.zip 2、ANN BCICIV_2a_gdf，83%，是.zip 3、CRAM，BCICIV 2a_gdf，59.1%，无.zip 7、CNN-SAE，数据BCICIV_2b_gdf，77%， 8、MISCNN，BCICIV_2a mat，73%，无.zip 9、LSTM+CRNN，BCI IV-2A，70%，无.zip 12、TCNet，BCIIV-2A，77.3%，无.zip 13、新算法，BCIIV-2A，2B，seed，数据集， 15、CNN，bciiv-2b，70.7%，无.zip

运动想象脑电信号的分类正确率直接影响到 BCI 系统的应用价值.为了提高分类正确率,通过对脑电信号的特征提取和分类识别方法的研究,根据运动想象过程中的 ERD/ERS现象,提出利用独立分量分析法对采集到的多导联运动想象脑电信号进行盲源分离,获取与想象任务相关的ICA滤波器,将其作用到预处理后的观测信号上,得到与想象任务相关的脑电成分,再以支持向量机为分类器来实现对三类运动想象任务的脑电信号进行分类识别的方法,并对三位受试者的脑电数据进行了分类实验,实验结果验证了该方法的有效性.

如何提高左右手运动想象脑电信号的分类率是脑机接口研究领域的一个热点话题。基于美国EGI64导脑电采集系统得到3名健康被试的脑电数据,首先,采用独立成分分析(Independent Component Analysis,ICA)对采集的数据进行去噪处理;然后,利用离散小波变换方法对分解C3/C4处的EEG平均功率信号,选用尺度6上逼近系数A6的重构信号作为脑电特征信号;最后,用Fisher线性判别分析法(Fisher Linear Discriminant Analysis,FLDA)、支持向量机方法 (Support Vector Machines,SVM)和极限学习机分类方法 (Extreme Learning Machine,ELM)分别对特征信号进行分类。分类结果表明:极限学习机分类方法得出的平均分类率要高于Fisher方法与SVM方法的平均分类率,可以达到92%,而且运行速度也高于另两种分类算法。

1、采用BCI Competition IV Dataset1公开数据集，数据说明：https://www.bbci.de/competition/iv/desc_1.html； 2、涉及脑电信号预处理、CSP特征提取、特征选择和SVM分类。