为了更有效地提取脑电信号特征波，结合小波包和ICA（独立分量分析），提出了一种脑电特征波提取方法。首先对脑电信号进行小波包分解，然后进行相关频段信号的重构，从而提取出特征波的概貌作为初次提取的特征波；再利用ICA分离技术，以初次提取的特征波为参考信号对其进行增强。实验结果表明，对比于独立地应用某一种方法，两种方法相结合更能有效地提取脑电信号特征波。

为了方便地监测睡眠情况，合理评价睡眠质量，设计了基于智能终端的睡眠监测系统。该系统主要包括信号采集模块和智能终端。信号采集模块与智能终端之间采用蓝牙通信，实现对脑电信号的采集、接收、分析及存储。智能终端采用小波变换对脑电信号去噪，提取样本熵作为特征参数，利用随机森林算法对睡眠进行自动分期，并评估睡眠质量。5名志愿者参与实验，结果表明，信号采集模块能够采集高质量的脑电信号，分析软件可以快速、准确地进行睡眠质量评估。该系统体积小，功耗低，可以对睡眠质量进行定量反映和客观评估。

基于深度学习的脑电信号研究，用算法分析了不同的脑电数据

基于分层卷积神经网络的脑电信号情感识别系统的实现

针对注意缺陷多动障碍（attention deficit hyperactivity disorder，ADHD）儿童和正常儿童的分类问题，实验采用经典干扰控制任务范式对两类儿童的事件相关电位（event-related potential，ERP）进行了研究，旨在通过ERP特征实现其分类。实验首次使用长短期记忆（long-short term memory，LSTM）方法分析两类儿童前额叶与顶枕叶脑区最佳电极（p<0.05）潜伏期（200~450 ms）的脑电信号，并自动学习和分类其ERP特征。相比常规分类方法，LSTM方法的分类率略高，可达95.78%。研究结果表明LSTM方法有助于ADHD儿童脑电信号的分类，为ADHD儿童个体诊断技术提供了一种新思路。

在脑机接口研究中,针对运动想象脑电信号的特征提取,采用了一种优化的基于小波包的ICA(独立成分分析)法,用于提取大脑在想象动作时产生事件相关去同步/同步(EventRelatedDesynchronizationorEventRelatedSynchronizationERD/ERS)信号。利用小波包对脑电信号进行分解去除不同脑电信号之间的统计相关性,抽取包含ERD/ERS现象的特征频带,对每个特征频带分别进行ICA分解,获取与ERD/ERS现象相关的μ节律和β节律。最后引入ERD/ERS系数作为量化指标

提出基于脑电信号（EEG）的睡眠分期研究。利用离散小波变换（DWT）的db8小波分解得到的细节分量作为信号新的表达，把各个细节分量能量作为特征，建立带高斯径向基核函数（RBF）的非线性支持向量机（SVM）模型。研究发现，其对睡眠分期研究的方案是可行的，满足模型对泛化能力的要求。

针对区分两种不同运动想象(想象左手运动和想象右手运动)的脑-机接口任务,提出了以小波方差作为分类特征的方法.首先深入研究了小波变换以及小波方差的计算方法,结合验证脑电图(EEG)存在的ERD/ERS现象,然后利用小波分解系数方差对C3,C4导联脑电信号进行特征提取,最后采用最简线性分类器进行分类,采用分类正确率作为主要评价标准.结果表明,最大分类正确率为85%,最佳分类时间段为4~6.5 s.与BCI竞赛和其他方法相比,在保证分类正确率的前提下,所使用的特征提取和分类方法更加简单,具有较高的参考价值.

内涵中英文使用手册和打包好的eeglab工具箱！还有一个简单的基本讲义使用！

针对传统支持向量机分类方法在脑电信号处理中存在分类正确率低的问题,将聚类思想与二叉树支持向量机结合构造多类SVM分类器。实验以“BCICompetition2005”中的DatasetⅢa为例,先对采集的4类运动想象脑电信号应用小波变换进行去噪;再在分析小波包频带划分特点的基础上,利用小波包进行分解与重构,获取相应的能量特征;最后应用改进后的支持向量机(SVM)分类方法对特征信号进行分类。结果表明该方法分类正确率较高,可以达到91.12%,并且有效的减少了分类器的个数,最终达到较好的识别效果。