情感计算是快速发展的领域之一，它激发了情感检测领域的许多应用研究。 本文简要介绍了使用公开数据进行基于 EEG 的情绪检测的相关工作以及一种检测内部情绪状态的方法。 开发了一种有监督的机器学习算法来识别二维模型中的人类内心情绪状态。 来自 DEAP 和 SEED-IV 数据库的脑电图信号被考虑用于情绪检测。 离散小波变换应用于预处理信号以提取所需的 5 个频段。 提取了功率、能量、微分熵和时域等特征。 开发通道智能 SVM 分类器并完成通道组合器以检测适当的情绪状态。 DEAP数据库的四类分类率为74%、86%、72%和84%，SEED-IV数据库的分类率为79%、76%、77%和74%。

包含着最基础EEG名词的解释，数据的处理，数据转换。 因为它为实现这些任务提供了许多有用的方法。首先，我们要把 pandas类型 数据 转换成 mne 类型。这是将df转换成raw的函数。 伪影是需要消除的噪音。频率受限伪影的两个例子是缓慢漂移和电源线噪声。下面我们将说明如何通过过滤来修复这些缺陷。 电源噪声是由电网产生的噪声。它由50Hz(或60Hz，取决于你的地理位置)的尖峰组成。一些峰值也可能出现在谐波频率，即电力线频率的整数倍，例如100Hz, 150Hz，…(或120Hz, 180Hz，…)。 01-ERP+LSTM +P300.ipynb 2022/12/6 14:0802- CNN1D + P300.ipynb 2022/12/6 14:0803 - Asymmetry + DEAP.ipynb 2022/12/6 14:0804 - CCA + SSVEP.ipynb 2022/12/6 14:0805 - ERD + Motor Imagery.ipynb

脑电波 这是一个 Python 脚本，用于从 Neurosky Mindwave 移动设备 ( ) 获取 EEG 数据。 正在从 Think Gear Connector ( ) 获取数据，该连接器管理与设备的蓝牙连接，并在 localhost 套接字上提供每个 EEG 频段的 JSON 数据。 然后将数据保存到 CSV 文件中以供进一步分析。

#NeuroRA 从多模态神经数据进行表示分析的Python工具箱 概述 代表性相似性分析（RSA）已成为一种流行的有效方法，用于测量不同模式下多变量神经活动的代表性。 NeuroRA是一个基于Python的易于使用的工具箱，可以在几乎所有种类的神经数据中完成有关RSA的一些工作，包括行为，EEG，MEG，fNIRS，sEEG，ECoG，fMRI和其他一些神经电生理数据。 此外，用户可以在NeuroRA上进行神经模式相似度（NPS） ，时空模式相似度（STPS）和受试者间相关度（ISC） 。 安装 点安装神经元 纸 Lu，Z.，＆Ku，Y.（2020年）。 NeuroRA：来自多模式神经数据的表示分析的Python工具箱。 神经信息学前沿。 14：563669。 doi：10.3389 / fninf.2020.563669 网站及使用方法 在查看更多详细信息。 您可以在阅读或在下载

脑电信号分类 使用机器学习进行睁眼和闭眼分类

回想一下今天早上：关掉闹钟，穿上衣服，刷牙，煮咖啡，喝咖啡，然后在上班时锁上门。现在想象一下，不用手再做所有这些事情。 由于截肢或神经系统残疾而失去手功能的患者每天都会意识到这一现实。使用脑机接口（BCI） 修复设备恢复患者执行这些日常基本活动的能力，这将大大提高患者的独立性和生活质量。当前，尚无现实，负担得起或低风险的选择，可帮助神经系统残疾的患者直接控制外部假肢与他们的大脑活动。 脑电图信号是从人的头皮上记录下来的，是由大脑活动诱发的。大脑活动和脑电图信号之间的关系是复杂的，除了特定的实验室测试之外，人们对其知之甚少。提供负担得起的、低风险的、无创的BCI设备依赖于解释脑电图信号的进一步发展。 这项比赛要求你使用从健康受试者进行这些活动时获取的脑电图数据来识别手何时在抓取、举起和替换物体。更好地了解脑电图信号与手部动作之间的关系对于开发BCI设备至关重要，该设备将使神经功能障碍患者能够更自主地在世界上移动。 Grasp-and-Lift EEG Detection_datasets.txt

matlab代码做游戏EEG_waves 该项目位于“为视频游戏研究分析NeuroSky EEG数据”上。 我们在玩“虚幻竞技场”和“愤怒的小鸟”等游戏以及观看无聊的视频时，会从不同主题获取脑电波数据。 数据是从NeuroSky Mind Wave移动设备获得的。 我们得到数据的功率谱。 在预处理部分之后，我们将从数据中提取特征并将数据分类为不同的波形，即alpha，beta，gamma等。 入门 您可以通过克隆获得代码，也可以直接下载zip文件。 我在此处包括了基本代码，由于教授的许可问题，部分代码不存在。 如果您需要完整的代码，可以给我发邮件至。 先决条件 该代码是在MATLAB 2016a上编写的。 致谢 埃琳娜·诺瓦克（Elena Novak）教授 麦克·科恩（Mike X Cohen）教授

抓举 Grasp-and-Lift EEG 检测 Kaggle 比赛 设置 需要 pip 和 python 克隆仓库git clone https://github.com/jrubin01/grasp-and-lift.git cd grasp-and-lift 创建虚拟环境virtualenv venv source venv/bin/activate 安装所需的库pip install -r requirements.txt 启动 ipython ipython notebook

EEG信号处理与分类CNN模型集合+样例运行训练

上交的seed数据集，研究较少，下面是收集的一些工程文件，可以学习一下。前面是算法，后面是准确率。 1.4D-CNN，94% 2、新算法，93% 3.rgnn，67% 4.CNN+SVM，73% 5.DANN（数据，代码） 6.EEG_Classification_-master 7.rgnn，67.7%8.CNN-SVM，73%