BCI GPG2008-BCM业务持续管理最佳实践.pdf

概述 基于任务相关组件分析（TRCA）的算法，用于检测朝向高速脑机接口（BCI）的稳态视觉诱发电位（SSVEP）[1]。 描述 头皮脑电图（EEG）信号可视为来自多个皮层来源的活动的瞬时线性混合物。 换句话说，可以从多通道头皮EEG信号的加权线性组合来估计/重建皮质源信号。 TRCA找到了一个最佳权重系数，以使任务试验中的时间锁定活动的重现性最大化，从而显着提高了与任务相关的EEG组件的信噪比（SNR）。 发行版包括： data / sample.mat：样本数据（见下文） src / train_trca.m：基于TRCA的训练分类器 src / test_trca.m：使用基于TRCA的分类器对SSVEP进行分类 src / test_fbcca.m：使用FBCCA对SSVEP进行分类 src / filterbank.m：设计一个滤波器组 src / itr.m：计算信息传输率（

通用空间模式（CSP）算法能够解决运动图像任务脑机接口（BCI）的二进制分类问题。 本文提出了一种基于滤波器组公共空间模式（FBCSP）的新方法，称为多尺度重叠FBCSP（MO-FBCSP）。 我们通过使用一对一（OvO）策略将CSP算法扩展到多类。 选择多个周期，并将其与包含有用信息的滤波器组的重叠频谱结合在一起。 在具有9个主题的基准BCI竞赛IV数据集2a上对该方法进行了评估。 随机森林（RF）分类器的平均准确度达到80％，相应的kappa值为0.734。 定量结果表明，该方案优于经典FBCSP算法超过12％。

使用Matlab获取lsl数据流并显示图像；使用Matlab获取lsl数据流并显示图像；使用Matlab获取lsl数据流并显示图像；使用Matlab获取lsl数据流并显示图像；

针对基于两种不同意识任务( 想象左手运动和想象右手运动) 的脑机接口, 使用共空间模式算法对 BCI 2003 竞赛数据进行特征提取; 基于滑动时间窗, 利用 CSP 方法对C3, Cz 和 C4 位置的脑电信号进行处理利用支持向量机对特征进行分类, 获得最大分类正确率 82 86% , 最佳时间点 4 09 s, 最大互信息 0 47 bit, 最大互信息陡度 0 431 bit/s与 BCI 2003 竞赛结果相比, 最大互信息陡度有了显著提高, 证明该方法更适合 BCI 实时系统的要求

第三届BCI竞赛数据集dataset Ⅱ，包括数据集说明文档和测试集的目标字符。数据集在官网下很慢，这里分享一下matlab 格式资源，需要的自取。本人主页也有官网下载方法介绍的博客，时间充足的可去官网下载~

matlab带通代码BCI_EEGNet 2 个 BCI 竞赛数据集的 EEGNet 实现： Kaggle 竞赛数据集： BCI 竞赛 III 数据集 2： EEGNet CNN 架构 PyTorch 实现借鉴自：Sriram Ravindran： 代码中使用的所有数据都较早在 MATLAB 中使用 0.1-30 Hz 的二阶巴特沃斯滤波器进行带通滤波 流： 在从 BCI 竞赛数据集的链接获得的数据集上运行 .m 过滤文件 在从 Matlab 代码获得的过滤数据集上运行文件 BCI_III_DS_2_TestSet_PreProcessing.ipynb。 运行 BCI_III_DS_2_Filtered_Downsampled.ipynb 以获取 120 Hz 下采样数据的结果 修改 BCI_III_DS_2_TestSet_PreProcessing.ipynb 得到 240 Hz 原始数据的结果，然后运行 ​​BCI_III_DS_2_Filtered Data.ipynb 得到结果。 运行与上述相同的 matlab 预处理文件。 使用适当的文件路径运行 Kaggle Datas

基于脑电图的低成本脑机接口 该项目使用来自用户的实时 EEG 来控制使用稳态视觉诱发电位的简化键盘。 在启动时，用户应盯着其中一个复选框记录基线 EEG。 一旦复选框开始闪烁，用户就可以开始进行选择。 有五个闪烁的复选框，每个闪烁的频率不同。 每个框上方还有一些逗号分隔的选项，用户可以通过查看和专注于它来选择。 该框将突出显示，选项在复选框之间细分。 这将重复进行，直到选择了一个选项。 如果选项是字母/数字，它将显示在文本框中。 SSVEP BCI 现在不可靠 电路文件夹中是单通道 EEG 测量电路的 ltspice 原理图，该电路由 Nucleo F303K8 测量。 这些值被发送到处理数据的脑机接口。 电路的视频概述可以在下面看到 在 Alpha BCI 文件夹中可以找到一个简单的 Alpha 波 BCI，下面可以看到演示视频 这是我最后一年的电气/电子工程学位项目 入门 按

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

GB∕T 33014.4-2016 道路车辆 电气∕电子部件对窄带辐射电磁能的抗扰性试验方法 第4部分：大电流注入(BCI)法.pdf