EEG学习
文章平均质量分 58
脑电情绪分类
乔小乔丫
这个作者很懒,什么都没留下…
展开
-
基于DEAP数据集的四种机器学习方法的情绪分类
1. KNN(K-Nearest Neighbors,K近邻)KNN算法是一种基本的分类和回归方法。对于分类任务,它基于特征空间中最接近的k个邻居的多数投票进行预测。对于回归任务,KNN算法则是通过k个最近邻居的平均值(或加权平均值)来估计目标变量的值。KNN算法简单易懂,适用于小型数据集和基本的模式识别任务。2. SVM(Support Vector Machine,支持向量机)SVM是一种强大的监督学习算法,适用于分类和回归任务。它的核心思想是通过在特征空间中找到一个最优的超平面来进行分类。原创 2024-04-20 13:41:59 · 957 阅读 · 2 评论 -
使用mne包来对脑电数据进行预处理(一)
MNE(MNE-Python)是一个用于处理脑电(EEG)、磁图(MEG)和其他神经科学数据的Python库。它提供了丰富的功能,包括数据加载、预处理、分析和可视化,旨在帮助研究人员和神经科学家更轻松地进行脑电数据的处理和分析。在本文中,我们使用mne来对不同的格式的脑电数据集进行数据读取。原创 2024-03-04 21:18:35 · 1886 阅读 · 0 评论 -
Dreamer脑电情感识别数据集数据提取
DREAMER数据集包含了一个实验的被试的评分和生理记录,23个志愿者看了由Gabert-Quillen等人挑选和评价的18个电影片段。EEG和ECG信号被记录,并且每个被试通过报告5个点量表上感觉到的唤醒,效价和支配度来对他们的情绪打分。提取的数据已保存到 C:/Users/86157/Desktop/dreamer/output_electrode1_1_to_18.npy。下面是Dreamer数据提取程序,并把每个人的数据保分别存到npy文件中。原创 2024-03-04 19:59:54 · 1129 阅读 · 3 评论 -
脑电信号采集电极
脑电信号是记录大脑皮层或头皮表面的大脑神经元群突触后电位总和的生物电信号。它蕴含着丰富的生理和病理信息,是研究大脑活动的重要窗口。随着对人体大脑机制的探索不断深入,建立起一种直接的脑与外界交流渠道变得至关重要,这便是脑-机接口(BCI)技术的核心目标。通过研究脑机接口的脑电认知,我们能够深入了解神经细胞的电活动与人类心理和生理活动之间的密切联系,这对于临床医学领域具有重大意义。原创 2024-03-05 17:10:56 · 1036 阅读 · 0 评论 -
EEG脑电信号数据集(附网盘下载链接)
链接:https://pan.baidu.com/s/1b59sW6Emc7H5r92bqGnl9g。链接:https://pan.baidu.com/s/1WYQGVMjNNQqY76pQHM9QXA。链接:https://pan.baidu.com/s/1LuH4w_N69TLgAUa8NJZZhA。链接:https://pan.baidu.com/s/1h6K5nZKXRLTWyiju0O_4bw。链接:https://pan.baidu.com/s/1ynpbXjZV94reOOOw9C_NTg。原创 2023-07-12 15:34:48 · 1057 阅读 · 6 评论 -
使用mne包来对脑电数据进行预处理(二)
在这篇文章中,我们使用MNE(MNE-Python)来对脑电信号进行坏道处理、带通滤波以及去除市电干扰。首先,我们进行了坏道处理,这是为了排除由于电极故障或其他原因而产生的异常信号。接下来,我们进行了带通滤波,以去除不感兴趣的频率成分,如低频和高频噪声,同时保留我们感兴趣的频率范围内的信号。最后,我们还实施了去除市电干扰的步骤,这是为了消除来自电力线的交流干扰,从而进一步提高信号质量。通过这些预处理步骤,我们能够更清晰地分析和理解脑电信号,从而更好地研究大脑活动和功能。原创 2024-03-06 18:09:02 · 1194 阅读 · 4 评论