![](https://img-blog.csdnimg.cn/20201014180756925.png?x-oss-process=image/resize,m_fixed,h_64,w_64)
deap
文章平均质量分 64
大大U
大写F,ID去掉6,就能找到我!
展开
-
Python-For-EEG基础代码讲解(1)
我要演示脑电图信号的基本分析。原创 2023-06-04 11:56:02 · 1142 阅读 · 0 评论 -
一起运行脑电信号(EEG)源码-ANN
最近对脑计算机接口(BCI)的研究,可以解码大脑EEG信号,有助于有效的机器人控制,这导致了脑机器人接口(BRI)的出现。该项目专注于用户行动/认知想法的准确分类,成功解码脑电信号可以在BRI应用中提供更高的自由度控制。来自用户头皮的EEG信号通过非侵入式电极记录,并预先处理以产生无噪音的EEG信号。在这项工作中,人工神经网络(ANN)机器学习算法被用作分类器来学习脑电信号的特征,以实现有效的输出分类。这项工作对系统的准确性进行了性能分析,建议结合时间-频率分析和ANN算法分别进行脑电图特征提取和分类。原创 2023-03-29 22:43:13 · 606 阅读 · 4 评论 -
deap dataset的不同分类模型的实现(4)-MNE基础概念学习
events,epochs,evoked的解释与实验代码原创 2022-03-27 17:56:27 · 2266 阅读 · 0 评论 -
deap dataset的不同分类模型的实现(3)-遍历文件
学习一下这个里面函数,文件和数据的操作。除了知道输入是什么,还要知道输出是什么,什么类型,能进行什么操作。class Dataset(torch.utils.data.Dataset): def __init__(self, path, stim): _, _, filenames = next(os.walk(path)) filenames = sorted(filenames) all_data = []原创 2022-03-26 19:40:17 · 2710 阅读 · 0 评论 -
deap dataset的不同分类模型的实现(2)-认识数据
在本系列教程中,我们将使用python mne + pyTorch进行基本的EEG分析。案例研究将在脑电情绪识别的基准数据集DEAP上进行。在第1部分中,我们将重点关注数据集。本教程假设:1、您已经对Python有了基本的了解2、你有一些scikit-learn的经验,也有一些机器学习的知识3、你有一些使用pyTorch的经验,也有一些关于深度学习的知识在这个数据集中,共有32个参与者,每个参与者观看40个1分钟的视频。因此s01.dat持有40批。总样品40*32=1280批。查看每个dat文原创 2022-03-20 10:46:56 · 2805 阅读 · 0 评论 -
deap dataset的不同分类模型的实现(1)
本教程是基于deap数据集的,涵盖了预测脑电信号的大多数传统机器学习算法和深度学习算法。因为有很多关于DEAP数据集的研究,但它们很难比较。因此,作为一个EEG研究者,几乎不可能知道我应该做出什么样的架构决策。这是由于这样的事实:一些文章要么没有提供代码库因此无法复制,或者没有明确指定使用的hyperparameters,或仅仅由于显而易见的事实,即使是两篇论文使用相同的模型不能直接比较,因为不同的硬件和使用的hyperparameters。我的目的是,我的硕士和博士学生可以使用它作为他们脑电研究的入门原创 2022-03-19 21:41:46 · 2775 阅读 · 2 评论 -
整理了一下脑电的资料,(情绪识别,运动想象)
需要虽多,还是需要慢慢看。最好有代码有论文,一起对着理解着看。需要的可以私信我原创 2021-12-11 16:39:57 · 1199 阅读 · 4 评论 -
脑电基础学习基于deap
https://download.csdn.net/download/fzf1996/16635328有代码有报告有描述原创 2021-04-12 17:40:07 · 475 阅读 · 0 评论 -
基于CNN的deap数据集深度学习
终于跑通了原创 2021-04-12 17:16:11 · 946 阅读 · 4 评论