eeg专题

基于图神经网络的EEG分类

摘要图神经网络(GNN)越来越多地用于情绪识别、运动想象以及神经疾病等任务的脑电信号(EEG)分类。人们已经提出了一系列方法来设计基于GNN的分类器。因此，有必要对这些方法进行系统回顾和分类。本文对已发表的文献进行了详尽地检索，并总结了几种用于比较的类别。这些类别突出了各种方法之间的相似性和差异性。研究结果表明，频谱图卷积层比空间图卷积层的应用更广泛。此外，本研究确定了节点特征的标准形式，其中

【表格】EEG作为脑成像工具的分析与应用

EEG作为脑成像工具的分析与应用【表格】EEG空间分析方法与应用方法/应用描述关键点示例/公式备注全局场功率(GFP)量化头皮电位场的强度 G F P = σ ( V t ) GFP = \sigma(V_t) GFP=σ(Vt) 其中 V t V_t Vt为t时刻各电极电压无具体公式，为标准差计算提供对同步活动强度的全局度量，不受电极位置影响全局地图不相似性量化不同条件下地图地形的差

批量重命名脑电EEG文件

有些人在做脑电实验的时候喜欢起一些奇奇怪怪的名字，这就导致某些数据可能在导入的时候报错，可是错已经犯下了，就改呗，这里刚好有需要，便写了一个批量更改数据名称的代码，其实也非常简单，但是仅针对于只有一个文件的脑电格式，如.edf；.cnt这些可以直接改文件名的脑电文件而像.vhdr+.eeg+.vmark这种绑定式的文件就不建议更改此脚本对其它文件依然有用 %% 代码由茗创科技工程师周翊编写

EEG基础

01 简介脑电图(EEG)因其低成本、无创、便携以及毫秒级的高时间分辨率等特点，成为了研究大脑功能、异常和神经生理动力学的可靠且广泛使用的测量工具。在神经信号处理领域，EEG通常作为一种非侵入性的脑成像技术用于诊断脑部疾病，而正常EEG则用于研究脑功能。它使研究人员和临床医生能够研究大脑功能，如记忆、视觉、智力、运动想象、情绪、感知和识别，以及检测癫痫、卒中、痴呆、睡眠障碍、抑郁症和创伤

基于少样本学习EEG/SEEG数据癫痫预警和脑电识别

最近的三篇文章都中了。因此有时间来整理之前的工作；立体脑电数据包含了大脑癫痫电信号，具有高信噪比，高采样率，可以进行病灶定位等特点。因此对立体脑电进行数据分析和数据挖掘具有很大的医学研究价值。但是目前基于立体脑电信号数据挖掘工作还较少，尤其是基于深度学习等方法的工作。立体脑电采集成本较高，受试者较少，所以需要大量训练数据的传统的神经网络分类模型并不能很好解决立体脑电分类任务。同时

基于对抗学习(域适应)的脑电信号SEEG/EEG分类算法

很久没有更新博客了，手头上有一些工作，发论文不是很顺利（论文已经中了，虽然是水刊，但还是很高兴），但是还是想通过博客的方式分享处理。对抗学习（Adversarial Learning）的思想最早可以追溯到博弈论里面优化问题。GAN(Generative Adversarial Networks)网络是一种典型的基于对抗学习的神经网络。GAN的基本原理其实非常简单，这里以生成图片为例进行说明。假

脑电数据（EEG/SEEG）处理-特征可视化

在之前的文章中，我已经介绍了利用CNN神经网络来进行脑电特征的提取及识别。我的课题是有关癫痫的脑电特征分析，在实际的实验中你会发现，你的神经网络很容易过拟合，可以将实验抽象为分类任务，可以分为两个方向来进行训练：将所有的数据划按照一定的比例划分为两个部分（eg.7:3），一部分用于训练，一部分用于测试。将数据按照人来进行划分，假设有n个人，n-k个人作为训练街，但是后面的k个人作

基于CNN的SEEG/EEG脑电数据处理分析

自从AlexNet 神经网络问世以来，Convolutional Neural Network(CNN)是深度学习领域璀璨的明星之一。特别是Computer Vision(CV)领域。基本上CV领域的大多数的任务都是基于CNN神经网络。当然最近又兴起了GCN。但是从数学上讲GCN是CNN的一种推广。这个暂时不进行详细的讨论。事实上不仅仅在处理图片这种数据需要用到CNN神经网络。更一般的来说涉及

脑电信号(EEG/SEEG)处理方法杂记-框架搭建

本人一直在做关于脑电信号的处理，中间尝试了很多的方法，因此想把关于脑电信号的处理方法记录下来，分享给大家，也相当于给自己的学习生活做一个记录性的总结。脑电图（EEG）是一种使用附在头皮上的小金属圆盘（电极）检测大脑电活动的测试。您的脑细胞通过电脉冲进行通信，并且即使在您睡着时也始终保持活动状态。此活动在EEG录音中显示为波浪线。脑电图是癫痫的主要诊断测试之一。脑电图也可以在诊断

EEG-GCNN 论文问题整理

auc是什么？ AUC是指接收者操作特征曲线（ROC曲线）下的面积，用于评估分类模型的性能。AUC的取值范围在0到1之间，越接近1表示模型的性能越好，越接近0.5表示模型的性能越差。AUC的计算方法是通过计算ROC曲线下的面积来得到的，ROC曲线是以真阳性率（TPR）为纵轴，假阳性率（FPR）为横轴绘制的曲线。本文的核心结论本文的核心结论是，作者提出了一种基于图卷积神经网络（GCN

来自大脑的电信号（EEG）-脑电（1）

本博客仅用于学习，来源于网络，如有侵权，会立刻删除 1.何为脑电来源百度百科脑电波（Electroencephalogram,EEG）是一种使用电生理指标记录大脑活动的方法，大脑在活动时，大量神经元同步发生的突触后电位经总和后形成的。它记录大脑活动时的电波变化，是脑神经细胞的电生理活动在大脑皮层或头皮表面的总体反映。脑电波来源于锥体细胞顶端树突的突触后电位。脑电波同步节律的形成还与皮

运动想象 (MI) 分类学习系列 (2) : EEG-FMCNN

运动想象分类学习系列:EEG-FMCNN 0. 引言1. 主要贡献2. 提出的网络结构2.1 SE模块2.2 多分支一维卷积神经网络 3. 实验结果3.1 消融实验结果3.2 与基线模型比较 4. 总结欢迎来稿论文地址：https://link.springer.com/article/10.1007/s11517-023-02931-x 论文题目：EEG-FMCNN: A f

49、东北大学、阿尔伯塔大学：MVS-GCN多视角脑区、具有先验脑结构学习的图模型[GCN六元理论识别所有EEG！]

本文由东北大学医学图像智能计算教育部重点实验室，加拿大阿尔伯塔大学于2022年1.19日发表于<Computers in Biology and Medicine> JCR\IF: Q1\7.7 Abstract：目的:近年来，脑功能网络(FBN)已被用于神经系统疾病的分类，如自闭症谱系障碍(ASD)。由于实验对象的高度异质性和脑网络中的噪声相关性，用FBN诊断神经系统疾病是一项具有挑战性的

清醒和非快速眼动睡眠EEG微状态序列的频率分析

摘要大多数脑电(EEG)微状态分析都是在清醒状态下进行数据采集，而现有的睡眠研究主要集中在空间微状态特性的变化以及相邻时间点之间的微状态转换上，睡眠状态下脑电微状态研究尚且不足。本研究旨在对清醒和非快速眼动(NREM)睡眠阶段的非平滑EEG微状态序列进行更广泛的时间序列分析。对不同的时间尺度采用不同的分析方法，短时间尺度可以采用马尔可夫检验来评估，中间时间尺度可以用熵率来评估，长时间尺度可以用

MATLAB环境下脑电信号EEG的谱分析

脑电信号一直伴随着人类的生命，脑电波是脑神经细胞发生新陈代谢、离子交换时细胞群兴奋突触电位总和，脑电信号的节律性则和丘脑相关，含有丰富的大脑活动信息。通常我们所接触的脑电图都是头皮脑电图，在有些特殊场合还需要皮下部位的脑电图，脑电信号主要有以下几个特点：（1）脑电信号只有50pV左右，所以非常的微弱，通常头皮脑电信号，超过100pV的可以认作是噪声。脑电信号按照波幅值可以分为高、中、低三种:低

脑电EEG信号处理文章搜集

文章目录一. 脑电基础知识1.数据集介绍2.epoch/events3.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

MATLAB环境下基于NLEO的算法的脑电EEG信号自发活动瞬态检测

自发脑电信号是一种非平稳性很强的随机信号。在传统的脑电信号处理中，较公认的处理方法大多是建立在假设脑电图是准平稳信号的基础上，即认为它可以分成若干段，每一段的过程基本平稳，但段上叠加着瞬态。瞬态信号是有别于背景节率，持续时间较短而幅度较大的尖脉冲。它们往往起源于一些生理干扰（如眼球运动等等），不是人们所关心的特征，在做计算机处理时应去除，以免引起假象。但有时瞬态又包含着非常重要的病理信息，如癫痛病

【脑电信号处理与特征提取】P7-贾会宾：基于EEG/MEG信号的大尺度脑功能网络分析

基于EEG/MEG信号的大尺度脑功能网络分析 Q: 什么是基于EEG/MEG信号的大尺度脑功能网络分析？ A: 基于脑电图（EEG）或脑磁图（MEG）信号的大尺度脑功能网络分析是一种研究大脑活动的方法，旨在探索脑区之间的功能连接和信息传递。概述基于EEG/MEG信号的大尺度脑功能网络分析的优势：（1）借助源定位技术可同时获得较高的时间（ms级）和空间分辨率（mm级）（2）可提供

【EEG信号处理】ERP相关

ERP，全称为event-related potential，中文是事件相关电位。首先要明确的一点是，ERP是根据脑电图EEG得到的，他是EEG的一部分，是最常用的时域分析方法可能有一部分是介绍不到的，望谅解在维基百科中给的定义是：与特定的物理事件或心理事件，在时间上相关的电压波动（voltage fluctuation）。这种电位可以被颅外记录，并凭借滤波和信号叠加技术，从脑电

EEG处理方法与技巧（随时更新）

科研，思想（道）是首位，其次才是方法（手段）。在思想和方法都还欠缺的时候，一定要保持冷静和清醒，一步一步来。从简单的方法入手吧。一、使用Brainstorm进行EEG源定位导入数据后，源定位流程：脑电电极定位->计算头模->源估计->源分析（1）脑电电极定位，选择标准后，记得查看电极位置；（2）计算头模，这步时间比较长。计算完头模，一般数据已经进行过预处理，所以不进行噪声协方差矩阵

Personalizing EEG-based Affective Models with Transfer Learning 阅读

提出了个体到个体的两种方法 1）源域和目标域共享结构（TCA、KPCA） 2)训练多个个体的分类器，对分类器参数进行迁移。基本方法：组合所有个体可用的数据作为训练数据，训练一个基类分类器线性SVM。数据特征维度：62*310（导联*特征维度） TCA和KPCA：源域：14个个体中随机选取5000个样本，核选用线性核，分类器选用one vs one 策略。目标域剩余的一个人 Tran

信号处理--基于EEG脑电信号的抑郁症识别分类

本实验为生物信息课程专题实验的一个小项目。数据集为私有的EEG脑电信号。实现基于机器学习的脑电信号抑郁症病人的识别分类。目录 1 加载需要的库函数 2 加载需要的数据 3 数据特征预处理和文本特征转换 4 数据编码 5 数据集分割 6 使用KNN进行数据分类 7 对训练模型进行评价 1 加载需要的库函数 import pandas as pdimport num

25、新加坡南洋理工、新加坡国立大学提出FBCNet：完美融合FBCSP的CNN，EEG解码SOTA水准！[抱歉老师，我太想进步了！]

前言：阴阳差错，因工作需要，需要查阅有关如何将FBCSP融入CNN中的文献，查阅全网，发现只此一篇文章，心中大喜，心想作者哪家单位，读之，原来是自己大导（新加坡工程院院士）目前任职的高校，心里斐然，平台在那，这实验室别人喝漏的矿泉水拿过来都能发个CVPR。院士资源，高山仰止。论文：《FBCNet: A Multi-view Convolutional Neural Network fo

EEG 脑电信号处理合集（2）：信号预处理

脑电信号在采集完以后，需要进行一系列的预处理操作，然后才能用于后续的科学研究和计算。预处理是脑电信号分析最基本且重要的一步。基于python环境MNE库。 1 使用带通滤波器，信号滤波，去噪，去工频干扰 data_path = sample.data_path()meg_path = data_path / "MEG" / "sample"raw_fname = meg_path /

基于CSP的运动想象EEG分类任务实战

基于运动想象的公开数据集：Data set IVa (BCI Competition III)1 数据描述参考前文：https://blog.csdn.net/qq_43811536/article/details/134224005?spm=1001.2014.3001.5501 EEG 信号时频空域分析参考前文：https://blog.csdn.net/qq_43811536/articl

头皮和硬膜下EEG对脑深部活动的定位

对于皮层脑电图(ECoG)和头皮脑电图(sEEG)在定位大脑深层活动来源的能力上的不同尚不明显。与sEEG相比，ECoG的空间分辨率和信噪比更高，但其空间覆盖范围受到更多限制，有效测量组织活动的体积也是如此。本研究记录了4名顽固性癫痫患者在安静清醒状态下的多模式数据集，这些数据包括同步的头皮、硬膜下和深部EEG电极记录。本研究应用独立成分分析(ICA)来分离θ、α和β频段活动中的独立源。在所有患者