（1）脑电信号进行带通滤波，滤波范围 3-40Hz。 （2）利用 FFT 或功率谱 periodogram 对每个试次每个通道的脑电信号进行频谱分析， 查看 7-15Hz 范围内最高峰值是多少，并与所给刺激频率比对，8 个通道投票最多的目标即为该试次所分类出来的目标结果。另外，也可考虑基倍频联合检测，从而提高目标识别准确率。 （3）对 20 个试次分别进行目标分类，根据频谱信息判断目标类别并与其真实标签 label 8进行比较，计算准确率。 （4）GUI 界面呈现滤波器的幅频响应；20 个试次一个通道的频谱图（可选一个识别率 高的通道），并标出峰值频率；呈现 20 个试次中每个导联目标分类类别，以及 8 导联联合目标识别结果。

擅长智能优化算法、神经网络预测、信号处理、元胞自动机、图像处理、路径规划、无人机等多种领域的Matlab仿真。

传统盲源分离算法消除眼电伪迹须用到两个眼电信号作为参考，但在采集眼电信号时易给被试带来不适产生噪声，且识别时需要人为辨别，为了解决这些问题，提出一种基于FastICA的眼电伪迹自动去除方法。该方法先计算出FastICA提取出的各独立成分与GFP（Global Field Power）值的相关系数，再比较相关系数，将其绝对值最大所对应的独立成分识别为眼电伪迹独立成分，最后把该独立成分置零重构干净的脑电信号，实现眼电伪迹的自动去除。通过自采的30例脑电数据实验结果表明：该方法能完全自动地去除眼电伪迹成分并有效保留其他脑电成分，且快速准确，适用于实时场合。

脑电信号中的建模和新颖性检测 用于检测癫痫异常 癫痫病影响着全球约1％的人口，其中大多数生活在中低收入国家（LMIC）中。 癫痫病通常由人类解释器诊断，该解释器通过EEG记录进行读取。 在低收入和中等收入国家，被诊断为癫痫的人的主要障碍是脑电图的可及性有限和缺乏口译员。 McKenzie等。 （2017）描述了一项研究，研究是将便携式EEG扫描仪的数据发送到国外以供自愿者进行分析。 本文研究了如何通过使用新颖性检测来缩短手动解释EEG记录所花费的时间。 提出了预处理流程，并研究了两种检测新颖性的方法。 本文使用两个真实的EEG数据集来验证该过程。 第一个数据集来自波士顿儿童医院，包括带有癫痫发作的记录。 另一台使用便携式EEG扫描仪（SBS2）在几内亚记录，不包含标签。 首先使用标记的数据对方法进行分析和开发。 然后对来自SBS2的数据测试这些方法。 在预处理步骤中，通过对独立组件进行分

用于脑电信号了解及学习，下载配合文章代码即可运行。 文章链接：https://blog.csdn.net/qq_41958946/article/details/127691341?spm=1001.2014.3001.5501

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%

脑电信号分析与特征提取 指导教师: 童基均 老师 学 生: 叶建伟 班 级: 03电子（2）班 浙江理工大学信息电子学院 2007.1.17

为实现眼电伪迹的自动去除，提高算法的有效性和稳健性，提出一种眼电伪迹自动去除算法。采用样本熵和一种通用的伪迹判决方法对眼电伪迹进行自动识别，通过脑电信号的重构实现眼电伪迹的去除。实验结果表明，对于不同长度的真实脑电信号，该算法均能准确地去除眼电伪迹，较好地保留其他的脑电信号成分，且可以完全自动地去除眼电伪迹，适用于实时场合。

基于模糊熵的运动想象脑电信号特征提取

用于提取脑电信号的DE（差分熵特征/微分熵特征）和PSD（功率谱密度特征）特征的matlab和python代码。