运用机器学习技术和脑电进行大脑解码-EEG Processing and Feature7

已于 2022-09-21 10:00:13 修改
阅读量1.2k 收藏 15
点赞数 5
分类专栏： BCI 文章标签： 机器学习 人工智能 python 脑电
于 2022-07-12 21:33:39 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/qq_41990294/article/details/125747095
版权

这是《EEG Processing and Feature Extraction》的第七个视频资料整理。内容是“运用机器学习技术和脑电进行大脑解码”。

视频地址：https://www.bilibili.com/video/BV1Sg411775g/?spm_id_from=333.337.search-card.all.click&vd_source=9ddbbbcbfdb81f60495d541b75a93179

运用机器学习技术和脑电进行大脑解码

在这里插入图片描述

引言

在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述

基于脑电数据的机器学习基础分析

在这里插入图片描述
在这里插入图片描述

机器学习——基本概念

在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述

机器学习——基本流程

数据采集&预处理

在这里插入图片描述

数据采集

在这里插入图片描述

预处理

在这里插入图片描述

剔除异常值

在这里插入图片描述
在这里插入图片描述
在这里插入图片描述

归一化

在这里插入图片描述
在这里插入图片描述
在这里插入图片描述

特征提取&特征选择

在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述

无监督降维——主成分分析

在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述

有监督降维

在这里插入图片描述
在这里插入图片描述

模型选择&模型训练

在这里插入图片描述
在这里插入图片描述
在这里插入图片描述

脑电分析中常见的分类器

在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述

分类器的过拟合与欠拟合

在这里插入图片描述
在这里插入图片描述

评估

在这里插入图片描述
在这里插入图片描述

交叉验证

在这里插入图片描述
在这里插入图片描述

性能度量指标

在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述

基于脑电数据的机器学习进阶分析

在这里插入图片描述

基于时域信号的解码分析

在这里插入图片描述
在这里插入图片描述

脑电和核磁共振的容和解码

在这里插入图片描述
在这里插入图片描述
在这里插入图片描述

睁眼/闭眼分类代码解读

在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
https://github.com/yihengtu/machine-learning-for-EEG

梁小憨憨
关注
  • 5
    点赞
  • 踩
  • 15
    收藏
    觉得还不错? 一键收藏
  • 1
    评论
专栏目录
【AI论文精粹】透明度图灵测试；尖峰神经网络；NodePiece；脑电解码方法
weixin_39786820的博客
11-29 957
可解释人工智能（XAI）的一个中心目标是改善人工智能交互中的信任关系。透明人工智能系统研究的一个假设是，解释有助于更好地评估机器学习（ML）模型的预测，例如，使人类能够更有效地识别错误预测。
EEG-Signal-Classification:使用机器学习进行睁眼和闭眼分类
05-02
标题中的“EEG-Signal-Classification”指的是使用机器学习技术对脑电信号（EEG，Electroencephalography）进行分析，以区分个体是处于睁眼还是闭眼的状态。这是一个典型的生物信号处理和模式识别问题，常用于研究...
matlab脑电功率谱代码-EEG-processing:脑电数据的批处理
05-28
matlab脑电功率谱代码脑电图处理 该存储库包含三个程序： 使用Matlab 2015b批处理EEG数据的脚本，位于batch_processing 在hacked_recorder下找到的适用于Matlab 2007b的EEG recorder_v4.2 hacked_recorder被黑客攻击版本 在neurofeedback_applet下找到向参与者提供神经反馈的小程序 脑电数据的批处理 要批处理EEG数据，请按照下列步骤操作： 确保您要同时处理的所有数据都放在一个目录中 （取消）注释所需的代码，并在batch_function.m设置所需的常量。 确保正确选择输出变量。 运行main_script.m 被黑的脑电记录器 要运行被黑的EEG记录器，请导航到Matlab 2007b中的hacked_recorder目录，在Matlab提示符下键入EEG_recorder ，然后按回车键。 该程序将自动开始使用计算出的alpha和bèta值更新文件alpha.txt和beta.txt 。 要更改从总功率谱计算此值的方式，请更改eeg_power_processing.m的函数。
基于fpga的dds函数信号发生器的设计_脑电信号处理的机器学习
weixin_39950772的博客
10-25 554
脑电图（EEG）自发现以来，一直是确定患者某些健康状况的主要方法。由于可使用的分类器类型多种多样，因此可采用的分析方法也同样众多。在本文中，我们将研究专门用于脑电分析和生物工程应用的机器学习方法。回顾了1988年至2018年的文献，以获取脑电在多种应用中的先前和当前分类方法。根据这些信息，我们能够确定每种机器学习方法的总体有效性以及关键特性。我们发现机器学习中使用的所有主要方法都以某种...
Meta研究人员利用人工智能解码脑电语音信号（全文解读）
脑机接口社区
10-25 1098
最近，Meta团队提出一种通过非侵入式脑磁(电)图(magneto- or electro- encephalography, M/EEG)解码语言的方法。具体地，首先使用深度学习方法对语音输入和对应的脑电(磁)图信号进行解码，得到深层次的特征表示；然后，应用对比学习策略匹配两种模态的潜在特征表示；最终，在四个公共数据集上评估了该模型，该模型可以从3s的MEG信号中识别相应的语音段进行识别，TOP...
脑电公开数据集解码准确率再创新高, Weight-Freezing立大功
最新发布
脑机接口社区
06-21 977
鉴于人工神经网络（ANN）具有强大的特征提取和分类能力，它们正在成为BCI 应用中解码EEG 信号的热门选择（Schwemmer et al. (2018); Acharya et al. (2018)）。例如，Schirrmeister 等人（2017）探索了Shallow-ConvNet 和Deep-ConvNet 在MI 和运动执行（ME）EEG 信号中的特征提取能力（Schirrmeist...
EEG信号解码及结果可视化---自编MATLAB函数
xq_520的博客
10-08 1880
该函数用于对一段原始EEG信号进行分解，得到医学上认定的9个频段的时域、频域信息。 该函数不考虑FFT的采样点数小于信号的采样频率的情况，即N<Fs。 function [Time_domain, Freq_domain] = EEG_decoding(signal, Fs, N) % % 输入 signal：待解码原始信号 % % Fs： 信号的采样频率 % % ...
脑电EEG代码开源分享 【6.分类模型-机器学习篇】
weixin_44425788的博客
09-28 4058
分类模型-机器学习篇主要介绍了基础的机器学习算法，使用matlab 自带的分类器函数分类。为了方便同学的分类器尝试，列出了常用的 6种分类器，并且附带了简单的融合分类模型。 7种分类器各有优势，对相同的特征的分类性能也有差异，建议大家广泛尝试，总结形成自己应用分类器经验。 准确的分类、识别、决策、判断，自古以来就是现实中要面对的难题，神经网络的火热离不开猫狗分类的ImageNet。 通过脑电信号反推刺激类别、预测脑响应模式，此类大脑解码问题，不仅有助于脑机接口（BCI）应用，还会辅助机制分析，脑活动建模。
基于SVM的机器学习脑电信号EEG情绪识别.rar
03-28
总的来说，这个项目的目标是通过机器学习技术，尤其是SVM，从脑电信号中提取情绪特征，构建一个能够有效识别情绪状态的模型。这在情绪识别、人机交互、心理疾病诊断等多个领域具有潜在的应用价值。通过深入理解并...
matlab脑电功率谱代码-EEG-MEG-Codes-MATLAB:该存储库包含用于MEG和EEG分析的有用的MATLAB代码
05-28
matlab脑电功率谱代码脑电图-MEG-代码-MATLAB 该存储库包含有用的MATLAB函数，用于EEG分析。 ssd：是ssd的频域扩展（时空频谱分解）。 请参阅功能标题。 select_component：是有助于手动排除ICA伪影的功能。 EEGLab ...
深度学习算法在脑电信号解码中的应用.pdf
08-18
深度学习算法在脑电信号解码中的应用.pdf
脑电信号相位锁定值（eeg-plv）
10-29
脑电信号不同通道之间相位所定值，计算脑电不同电极之间的PLV
EEG表情数据
05-06
EEG表情数据 DEAP 数据库 EEG_feature.txt 包含了1216个脑电信号样本的160维特征，每行为一个样本，每列为一种特征。特征从左至右分别是每个脑电电极的theta（1-32列）、slow alpha（33-64列）、alpha（65-96列）、beta（1-97128列）、gamma（129-160列）波段的脑电特征。 subject_video.txt 包含了1216个脑电信号对应的32名被试和38段视频信息，其中包含两列。第一列是对应的被试编号，第二列是对应的视频编号。 EEG_feature.txt 与 subject_video.txt和valence_arousal_label.txt中每行都是一一对应的，例如subject_video.txt的第二行就是EEG_feature.txt中第二个样本（第二行）的被试和视频信息；valence_arousal_label.txt的第二行也是EEG_feature.txt中第二个样本（第二行）的愉悦度和唤醒度标签。valence_arousal_label.txt中第一列为愉悦度标签，1代表positive，2代表negative；第二列为唤醒度标签，1代表high，2代表low。 DEAP数据库并未提供情感类别标签。
癫痫脑电数据集：波恩Bonn数据集-脑电数据-颅内脑电-EEG
11-11
适合课题：癫痫自动检测、人工智能、数据分类、SVM训练、CNN训练、机器学习等等吧 适合人群：研究人员、学生或研究生 因为数据集大小有限，训练深度模型必须扩充样本数量。 本人研究生期间做的作业用到了这个数据集...
通过超高密度脑电记录系统实现单个手指运动精准解码
脑机接口社区
10-29 413
基于脑电图(EEG)的脑机接口系统因其时间分辨率高、使用方便和较灵活的可移植性而得到广泛的研究。通常情况下，EEG信号的分辨率越高，对身体精密活动（如手指活动）的解码准确率越高，这得益于电极材料的发展和高密度电极制作工艺的进步，来自韩国的一项研究利用直接连接到头皮的柔性电极网络采集获得超高密度脑电图（uHD EEG），常规脑电图的电极间距平均为60 ~ 65 mm，而uHD EEG的电极间距平均为...
《黑镜》黑科技成真 | 解码脑电信号，AI重构脑中的画面
量子位
01-04 1644
原作 TIM COLLINSRoot 编译自 Dailymail量子位 出品 | 公众号 QbitAI上周五，一贯借黑科技刻画人性阴暗面的英剧《黑镜》刚出第四季，其中第三集《鳄鱼》的提到的视觉记忆提取，就已经被日本科学家Yukiyasu Kamitani实现了。相关工作Deep image reconstruction from human brain activity已经发表在biorxiv上。
利用卷积神经网络对脑电图解码及可视化
脑机接口社区
06-05 2387
目录Part 1 导读Part 2 网络结构Part 3 实验结果 本分享为脑机学习者Rose整理发表于公众号：脑机接口社区(微信号：Brain_Computer).QQ交流群：941473018 Part 1 导读 研究人员应用卷积神经网络(ConvNets)对病理和正常的脑电图记录进行区分。 研究人员使用两种基本的，浅的和深的卷积网络结构来解码从脑电图中任务相关的信息。在脑电图病理解码中，两种卷积神经网络的准确率都比该数据集公布的唯一结果高了很多(大约提高了6%，≈85% vs≈79%)，而且在每次
深度神经网络对脑电信号运动想象动作的在线解码
脑机接口社区
01-30 1685
目录简介网络模型结果比较结论 本分享为脑机学习者Rose整理发表于公众号：脑机接口社区(微信号：Brain_Computer).QQ交流群：903290195 简介 近年来，深度学习方法的快速发展使得无需任何特征工程的端到端学习成为可能，这有利于BCI运动想象应用的发展。慕尼黑工业大学和澳大利亚研究发展团队(Research and Development, Integrated Resear...
基于高密度EEG情绪想象的无监督机器学习
u011661076的博客
03-19 577
导读 本研究采用自适应混合独立成分分析(AMICA)学习一组ICA模型。研究者使用了20-model的AMICA分解方法，对长时间(1-2小时)、高密度(128通道)的EEG数据进行分解，同时引导参与者想象15种特定的情绪体验情景。高密度EEG动态变化的AMICA模型，可以通过数据驱动来洞察情绪体验过程中的大脑动态，这有助于提高基于EEG的情绪解码性能，促进我们对情绪的理解。 前言 情感体验是大脑和身体内部产生的一种功能状态，能够在日常生活中产生各种主观体验和行为。提高我们对情感的理解，同.
对飞行员脑电数据进行CNN-LSTM模型进行工作负荷分类在githup上有相关项目推荐,附上地址
06-11
非常感谢您的提问，关于对飞行员脑电数据进行CNN-LSTM模型进行工作负荷分类的项目，我了解到有一个相关的项目在GitHub上，它的地址是：https://github.com/RomRoc/EEG-Correlation-Based-Analysis。 该项目使用Python语言，基于TensorFlow框架，实现了一个CNN-LSTM模型，用于对飞行员的脑电数据进行工作负荷分类。该项目提供了开源的代码和数据集，可以帮助研究人员更好地理解和应用该模型。 需要注意的是，该项目仅供学术研究使用，不应用于商业用途。同时，使用该项目进行研究时，需要遵循相关的数据保护和隐私政策，确保对被试者的隐私和安全进行保护。

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论 1
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值