脑电信号分类 使用机器学习进行睁眼和闭眼分类

脑电图提取 1,2 ， 1 ， 1 ， 3 ， 1 1密歇根州立大学计算机科学系，人类增强与人工智能实验室2密歇根州立大学心理学系感知与注意力实验室的神经影像学3纽约大学计算机人类智能实验室，阿布扎比，电气与计算机工程系 一个用于提取EEG特征的pyhton软件包。 最初是针对论文而开发的，该论文发表在Digital Health的前沿杂志上，有关临床决策中的机器学习专刊。 获取BibTex引用（或滚动至本页底部）。 据我们所知，EEGExtract是当前可用的最全面的EEG特征提取库。 该库正在积极维护中，如果您认为添加特定功能对社区有益，请提出一个问题！ 设置 确保您具有在requirements.txt列出的必需软件包。 如果不确定，请使用pip install -r requirements.txt 。 只需下载EEGExtract.py文件并将其EEGExtrac

SSVEP-BCI研究 作为Ridgefield高中专业研究计划的一部分，我研究了脑机接口领域并进行了实验。 在老Dominion大学（现移居至弗吉尼亚联邦大学）的Dean Krusienski博士及其博士生的指导下，我使用脑电图（EEG）测量了人体稳态视觉诱发电位（SSVEP）。 SSVEP是通过向对象提供闪烁的棋盘图像而生成的，可以潜在地用于帮助残疾患者与环境互动而不动。 摘要： 自从基于稳态视觉诱发电位（SSVEP）的脑机接口（BCI）发明以来，主要的挑战是提高准确性和信号识别能力。 尽管SSVEP在具有最小BCI暴露的受试者中表现出很高的准确率，但要保证日常使用的可靠性，BCI必须达