BCI_Visualization 设计了SSVEP（稳态视觉诱发电位）程序来激发特定的大脑频率，以进行脑计算机接口（BCI）研究。 此代码是BCI流程的第一部分。 通过查看方框，以用户输入的频率闪烁，此代码以该频率刺激大脑。

Real-Time BCI System Design to Control Arduino Based Speed Controllable Robot Using EEG (SpringerBriefs in Applied Sciences and Technology) By 作者: Swagata Das ISBN-10 书号: 9811330972 ISBN-13 书号: 9789811330971 Edition 版本: 1st ed. 2019 出版日期: 2018-12-08 Format: epub pages 页数: (132) This book discusses the basic requirements and constraints in building a brain–computer interaction system. These include the technical requirements for building the signal processing module and the acquisition module. The major aspects to be considered when designing a signal acquisition module for a brain–computer interaction system are the human brain, types and applications of brain–computer systems, and the basics of EEG (electroencephalogram) recording. The book also compares the algorithms that have been and that can be used to design the signal processing module of brain–computer interfaces, and describes the various EEG-acquisition devices available and compares their features and inadequacies. Further, it examines in detail the use of Emotiv EPOC (an EEG acquisition module developed by Emotiv) to build a complete brain–computer interaction system for driving robots using a neural network classification module. Cover Front Matter 1.Introduction 2.An Insight to the Human Brain and EEG 3.A Review on Algorithms for EEG-Based BCls 4.Implementation 5.Results and Conclusion

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%。

Brainsatplay.js Brains@Play 是用于部署大脑响应应用程序的平台。 我们平台背后的整个软件堆栈包含在这里作为Brainsatplay.js ：一个开源框架，用于使用现代网络技术开发持久的大脑响应应用程序。 浏览我们的文档。 在此 Repo 中构建应用程序 克隆这个 repo 并将内容解压缩到一个文件夹。 通过命令行打开文件夹（推荐使用 VS Code，需要最新的 NodeLTS 和最新的 NPM） npm install npm start 按照为本地构建提供的 localhost（通常为 localhost:1234）的 url 进行操作。 启用热重载以通过 Parcel 进行编辑。 安装 npm install brainsatplay 用法 ES 模块 import * as brainsatplay from 'brainsatplay' 脚本标

稳态视觉诱发电位脑机接口算法介绍，分为相关分析(CCA)及任务相关成分分析(TRCA),这是寻找空间滤波器的算法

lda分类代码matlab fNIRS_BCI_DataAnalysis 预处理、特征提取（斜率、移动斜率、峰度、偏度、均值和方差）和分类代码（正则化 LDA 和 SVM），用于分析脑机接口 (BCI) 的 fNIRS（功能性近红外光谱）数据。 所有代码都是用MATLAB编写的。 功能列表： --> f_FilteredDataMatrixtoFeatures_NIRS 此函数将原始 fNIRS 数据转换为特征矩阵。 -->f_FilteredDataMatrixtoFeatures_NIRS 此函数将原始（或过滤）输入 fNIRS 数据转换为特征矩阵，包括常见的 fNIRS 特征类型：均值、方差、偏度、峰度、最大移动斜率（在指定的窗口大小中）。

此资源为2005 BCI Competition III data set I数据，有需要的自己下载，包含了训练集和测试集以及原始数据，还有数据说明

BCI-II-III分类 使用CNN和CNN + LSTM在EEG信号中对运动想象力进行分类 更多信息

2002运动想象竞赛数据集，包含训练集和测试集

运动想象分类matlab代码介绍 用于MI-BCI分类的CNN-SAE程序。 （基于“用于脑电运动图像信号分类的新型深度学习方法”） 使用此程序时，请与rasmusbergpal的lisense一起使用。 CNN-SAE（MI-BCI）是用于对Motor Imagery EEG信号进行分类的matlab程序。 基于rasmusbergpal编程的CNN-SAE（MI-BCI） 基于。NET的该程序的理论。 此外，我们对其进行了一些更改以改善结果。 该程序的性能基于（单击此处以获取更多信息）。 为了提高性能，我们使用结合了时间，频率和位置信息的短时傅立叶变换（STFT）的输入形式来研究CNN。 分别采用基于带通（BP）特征和功率谱密度（PSD）特征的Fisher判别分析型F分数来选择主题最佳频带。 在实验中，分别将与运动图像脑电信号有关的典型频带，主题最优频带和扩展频带用作CNN的输入图像的频率范围。 可以在“ excel”文件的“ python”文件字典中找到CNN的结果。 python代码基于具有GPU加速的tensorflow 1.6进行编程。 Matlab代码与python代码类