2.1 原始脑电数据的读取和显示 采集到的脑电信号文件为 data.txt，调用 eeg_load.m 文件，即可绘制出脑电样本信号图， 如下图 2 所示。 图2 脑电样本信号图 2.2 脑电信号频谱图及功率谱图的绘制 首先调用 eeg_fft.m 文件，原理是对样本信号进行傅立叶变换 [3]，即可获得样本信号的 频谱图，如下图 3 所示。

【目录】 概述 统计学习理论中的基本概念 统计学习理论的发展简况 统计学习理论的基本内容 支持向量机概述 研究现状 参考文献

脑电图分析 使用MNE和Networkx对静止状态eeg数据进行图形分析 清理静止状态数据，并使用相位滞后指数（PLI）创建连接矩阵。 然后，建立一个图，并为进行无偏组比较，导出一个非循环子图，该图连接了所有节点，从而使边缘权重最小（w = 1 / w）。 此子图称为最小生成树。 前处理 导入数据，然后以1-30Hz的频率对其进行过滤（mne滤波器已经使用了零相滤波器）。 设置平均参考。 在执行ICA之前，请检查并排除不良电极。 对原始数据进行首次视觉检查，排除包含明显伪像的段。 计算我将传递给ICA的拒绝阈值 使用Extended-infomax方法运行ICA 目视检查ICA组件，以检查是否有代表眼睛运动或眨眼的组件。 运行应使这些组件高亮的自动过程 申请ICA 创建时期并执行最后的目视检查以排除不良时期。 保存时代连通性矩阵 使用PLI方法计算连接矩阵。 使用这些值

脑电情绪识别二分类算法，采用模型决策树、SVM、KNN三个模型 （deap数据集），代码主要分为三部分：快速傅里叶变换处理（fft）、数据预处理、以及各个模型处理。采用的模型包括：决策树、SVM、KNN三个模型（模型采用的比较简单，可以直接调用库，很适合我这种新手，看起来也方便）。

此代码从指定的“bdf”文件中读取指定长度的 EEG 数据。 它比传统的 bdf 阅读器更易于使用，并且不会输出一些不必要的（从作者的角度来看）信息，例如每个 EEG 通道的采样频率。 假设所有 EEG 通道以相同频率采样，由相同滤波器预滤波等等......

利用PSO优化SVM中的惩罚参数c和核参数g 使用该函数须先安装成功libsvm，为了避免和matlab内置的函数冲突，最好将svmtrain.mexw64、svmpredict.mexw64这两个文件重命名为libsvmtrain.mexw64、libsvmpredict.mexw64，不然无法使用，有使用问题，请咨询

libsvm分类和回归GUI版本，及其使用介绍文档

SVM的信息粒化时序回归预测——上证指数开盘指数变化趋势和变化空间预测

实现Platt SMO算法，并通过手写字识别问题来测试该算法

属于从论坛上的转载，这是在林智仁教授的libsvm上的改进，含有参数寻优，安装使用可以参考上一次传的文件，当然也可以百度如何安装libsvm. 非原创，感谢林教授及Fauto