本文主要是介绍脑电EEG信号处理文章搜集，希望对大家解决编程问题提供一定的参考价值，需要的开发者们随着小编来一起学习吧！
文章目录
- 一. 脑电基础知识
- 1.数据集介绍
- 2.epoch/events
- 3.特征提取相关
- 二. 预处理
- 1.信号滤波
- 2.信号分割
- 3.伪迹去除
- 三. 特征提取
- 1.CSP
- 四. 常用分类方法
- CSP特征分类
- 其他分类器
- 五. numpy
一. 脑电基础知识
基础知识可以边看代码，边来查
然后这个是我自己对于脑电最基础的了解，可能搜集的不全，实在是没有时间了。不过中文的资料也是蛮多的，希望看到的朋友能够找到有用的文章，感谢
1.数据集介绍
2a数据集中文版简短总结
2a数据集中文版完整介绍
2a数据集英文版完整介绍
2b数据集中文版介绍
2.epoch/events
epoch，events结构介绍1
epoch，events结构介绍2
3.特征提取相关
时域，空域，频域的基本概念
如何理解傅里叶变换公式
二. 预处理
小波变换，独立分量分析，希尔伯特-黄变换，主成分分析法（PCA）、独立成分分析法（ICA）
1.信号滤波
信号滤波
由于脑电信号信噪比较低，内含大量外界干扰噪声(设备仪器工频干扰等)和伪迹成分（人体内部振荡引起的非脑电信号，如眼动，心跳等）。外界干扰噪声频率较高，可以利用滤波器分离，但人体内部引起的伪迹成分与脑电有效成分的频率接近，需要用其他预处理方法进行滤除。
2.信号分割
对于连续的脑电信号，我们只关心包含运动想象信息的部分
3.伪迹去除
针对采集的脑电数据中可能存在的眨眼、心电、肌电等伪迹干扰问题
三. 特征提取
1.CSP
运动想象| EEG信号、共空间模式算法（CSP）
Python中MNE库利用CSP分析运动想象数据
Python中MNE库滤波的重要性_zhoudapeng01的专栏-程序员秘密_mne滤波
MNE-Python处理脑电教程汇总
MNE-Python从Raw对象中解析event（其中有专门提到了events_from_annotations函数和event的关系，刺激通道等）
四. 常用分类方法
CSP特征分类
线性判别分析LDA，支持向量机SVM
贝叶斯LDA，稀疏LDA聚合
其他分类器
概率神经网络PNN
极限学习机ELM
K最邻近KNN
朴素贝叶斯分类器
五. numpy
numpy.where
numpy.nan
numpy.min
numpy.testing.assert_array_equal
numpy.zeros
numpy.nanmean
Ndarray 对象
numpy数组带逗号的切片
这篇关于脑电EEG信号处理文章搜集的文章就介绍到这儿，希望我们推荐的文章对编程师们有所帮助！
