bci 系统复现，项目主要利用结合了稳态视觉诱发电位(SSVEP)范式的脑机接口技术。通过自主设计的刺激器闪烁刺激，诱发大脑产生与闪烁刺激频率一致的基频和倍频的脑电信号。通过脑电采集设备对脑电信号进行采集放大，并传达给计算机，计算机在MATLAB 软件中对采集得到的信号采取频谱分析，进行对脑电信号进行处理识别，从而实现脑电信号与控制信号的转换。之后，将控制信号通过蓝牙设备对第三方设备传达控制指令，凭借指令第三方应用根据对应的预先设定的指令进行预想的状态反应。 即可实现利用脑电信号进行脑控打字拼写、脑控智能机器人（轮椅模型）、脑控智能家居的控制。从而达到为某些失能人群提供服务的目的。 1 产品包括视觉刺激软（硬）件、脑电采集设备、脑电信号放大器、脑电信号处理软件、以及相应的功能性辅助软件五部分。仅需对不同个体进行简单校准，即可进行使用。产品主要利用了稳态视觉诱发电位的脑机接口技术，通过产品配套的硬件以及软件部分。对于有运动障碍，语言障碍的使用者，仅需使用者视觉情况正常以及大脑意识清晰，即可通过SSVEP刺激，诱发使用者大脑枕叶视觉区产生稳态视觉诱发电位。

本项目是一个结合了公开数据集、BCI竞赛数据集，并运用SVM（支持向量机）与CSP（共空间模式）技术进行运动想象二分类的演示程序。在脑-机接口（BCI）领域，CSP算法是一种常用的技术，它可以增强与特定脑电图（EEG）模式相关的信息，同时抑制不相关的信号，因此，在运动想象等分类任务中，CSP技术可以显著提高分类器的性能。 SVM是一种经典的监督学习方法，广泛用于解决分类和回归问题，尤其在模式识别领域表现突出。SVM的核心思想是寻找一个最优的超平面，以最大化不同类别数据点之间的边界。结合CSP预处理步骤，SVM可以更有效地处理BCI竞赛数据集中的运动想象任务。 运动想象（MI）是BCI系统中的一种脑电信号模式，用户通过想象自己的肢体运动来产生特定的脑电模式。在二分类任务中，通常将运动想象的任务分为两种，比如想象左手或右手的运动。这种二分类问题对于评估BCI系统的性能至关重要。 本demo的目的是通过展示如何处理公开的BCI数据集来演示SVM-CSP方法在运动想象任务中的应用。它为研究人员提供了一个可供学习和比较的参考模型，同时也方便了学术交流和算法验证。 为了构建这样的分类系统，通常会经过数据预处理、特征提取、分类器设计和验证等步骤。数据预处理包括滤波、去除伪迹等，以提高信号的质量。特征提取阶段则会应用CSP算法来增强与运动想象相关的特征。分类器设计则是基于SVM算法来构建模型，并通过交叉验证等方法来优化参数，以达到最佳分类效果。系统会在测试集上进行验证，评估其在真实场景中的应用潜力。 在实际应用中，BCI系统面临诸多挑战，比如信号的非平稳性、个体差异大、环境噪声干扰等。本demo提供了一种解决方案，展示了如何通过技术手段克服这些问题，实现高效的运动想象识别。 本项目不仅是一个演示程序，更是一个具有实际应用价值的BCI研究工具。它结合了最新的数据集和先进的算法，提供了一个完整的框架来帮助研究者快速搭建起自己的BCI分类系统，并在该平台上进行进一步的创新和优化。

BCI Competition IV 2b数据集，一个EEG信号运动想象二分类数据集，官网下载速度极慢，分享给需要的同学

BCI Competition IV 2a数据集 只有一个A01T和A01E数据，请谨慎下载。 数据形状如下 data >>>(1000*22*288) label >>>(288*1)

脑机接口 基于神念科技（NeuroSky）的mindwave MOBILE2的脑机接口GUI 设备 原始数据的采集的是脑门和耳垂的电位差，并通过蓝牙传输数据 ！（pic / device.png） 数据采集 多名实验者在观看视频时采集脑电波数据，根据实验者的React，将数据标1或0（1代表情绪激动，0代表情绪平静） 在实际操作中发现数据标注的问题很大 无法实时的标注数据，因为标注有间隔，即观察到实验者React后才标注1 情绪往往是一个很复杂的东西，无法明确界定情绪应该标注为激动还是平静 采集设备比较简陋，实际过程中，脑门的电位采集处由于没有固定，实验者的微小动作可能会导致数据的很大React 算法 基于lightgbm（“ boosting_type”：“ gdbt”，“ objective”：“ binary”） 特征采集的单位是窗户（1000个采样点），每20（10/5/1）个采样

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

脑电运动想像数据集

人工智能-多节人工神经网络在IR-BCI信号特征提取中的应用.pdf

Brain-Computer Interfaces_Applying our Minds to Human-Computer Interaction Editors Tan_Nijholt ISSN 1571-5035 ISBN 978-1-84996-271-1 e-ISBN 978-1-84996-272-8

In: (B+H)CI: The Human in Brain-Computer Interfaces and the Brain in Human Computer Interaction. Desney S Tan, Anton Nijholt (eds.)