时变EEG连通性的时频分析：此MATLAB工具包用于对模拟数据及EEG样本进行时变EEG连通性研究。

5星

浏览量: 0

大小:None

文件类型：None

简介：
这款MATLAB工具包专为研究时变EEG连通性设计，适用于模拟数据和真实EEG样本的时频分析，助力神经科学领域的深入探索。该软件包用于对从EEGLAB工具箱获得的模拟数据及EEG样本执行时间变化连通性分析。两种时频方法（短时方法以及自适应AR建模）已被应用于提取基础信号中的定向相干(PDC)和定向传递函数(DTF)的时间变化部分。所有脚本都易于使用，因为它们包含了大量的注释信息。该包与以下参考文献相关联：A. Omidvarnia、M. Mesbah、JM OToole等人，“新生儿EEG中随时间变化的皮质神经连接分析——时频方法”，在2011年第七届国际系统及信号处理应用研讨会(WOSSPA)上发表，第179-182页。该论文可在IEEEXplore平台上找到。如果您发现此代码对您的研究工作有帮助，请引用上述参考文献。

全部评论 (0)

还没有任何评论哟~

客服

时变EEG连通性的时频分析：此MATLAB工具包用于对模拟数据及EEG样本进行时变EEG连通性研究。

优质

这款MATLAB工具包专为研究时变EEG连通性设计，适用于模拟数据和真实EEG样本的时频分析，助力神经科学领域的深入探索。该软件包用于对从EEGLAB工具箱获得的模拟数据及EEG样本执行时间变化连通性分析。两种时频方法（短时方法以及自适应AR建模）已被应用于提取基础信号中的定向相干(PDC)和定向传递函数(DTF)的时间变化部分。所有脚本都易于使用，因为它们包含了大量的注释信息。该包与以下参考文献相关联：A. Omidvarnia、M. Mesbah、JM OToole等人，“新生儿EEG中随时间变化的皮质神经连接分析——时频方法”，在2011年第七届国际系统及信号处理应用研讨会(WOSSPA)上发表，第179-182页。该论文可在IEEEXplore平台上找到。如果您发现此代码对您的研究工作有帮助，请引用上述参考文献。

正交部分定向相干性：EEG 通道间时变交互的测量——基于头皮 EEG 的定向连接分析(matlab实现)

优质

本研究探讨了利用Matlab工具测量脑电图（EEG）通道间的正交部分定向相干性，以评估其在捕捉头皮EEG信号中时间变化互动的有效性和精确度。通过定向连接分析揭示大脑不同区域间的信息流方向与强度，为理解神经网络的动态交互提供新视角。该软件包实现了所提出的EEG连接方法，如下所示：A. Omidvarnia、G. Azemi、B. Boashash、JO Toole、P. Colditz 和 S. Vanhatalo，“测量头皮 EEG 信号中随时间变化的信息流：正交部分定向连贯性”，IEEE 生物医学工程汇刊，2013年。该包使用以下外部工具箱： 1. ARFIT工具箱 2. BioSig工具箱 BioSig工具箱对这项工作很有帮助。

EEGraph：将EEG信号转换为包含频率与时频域连通性度量的图形-python版

优质

EEGraph是一款Python工具包，它能够将EEG信号转化为含有频率与时间-频率领域连接度量的图形，便于深入分析大脑活动模式。 EEGraph 是一个 Python 库，用于将脑电图 (EEG) 建模为图形，从而可以分析不同大脑区域之间的连接性。它可用于研究帕金森病或癫痫等神经系统疾病。该图可以导出为 NetworkX 类的图对象，并且可以通过可视化工具展示出来。依赖库包括： - Numpy - Pandas - Mne - Matplotlib - NetworkX - Plotly - Scipy - ScotAntropy

连通性地形图：在您的EEG数据中进行网络可视化-MATLAB开发

优质

本项目利用MATLAB开发了一种工具，用于从EEG数据中提取和展示脑电信号的网络连接特性，并以地形图形式直观呈现大脑不同区域间的连通性。此函数是对 EEGLAB 中的原始 topoplot.m 函数稍作调整后得到的。在使用 EEGLAB v6.01b 的过程中，我将 topoplot 改造为名为 topoplot_connect 的新版本。其主要改进内容已在附带的屏幕截图中进行了概述。我在杜克-新加坡国立大学医学院的认知神经科学实验室开发了一种用于识别大脑内瞬时任务诱导网络的方法，在这个项目中使用了 topoplot_connect 函数。该方法的具体思路可以在脚本中的图像里直观地看到。若想在 MATLAB 中查看相关演示，请输入以下命令： >> showdemo pn_tc_demo 我曾在我的博客上发表了一篇关于 connected topoplot 的文章，详细介绍了这一功能的实现和应用。如果您对此功能有任何意见、建议或需求，欢迎随时与我联系。

EEG-Processing-Toolbox：处理EEG信号的Matlab代码工具箱

优质

EEG-Processing-Toolbox是一款专为EEG数据设计的Matlab工具包，提供了全面的功能来预处理、分析和可视化脑电图信号。脑电图处理工具箱是欧盟资助的研究项目的一部分，旨在支持EEG信号的实验。它采用模块化架构设计，使得在进行不同配置实验时只需对代码做出最小调整即可快速执行。该软件的核心是一个由Experimenter类组成的实验管道，这个类将另外五个基础部分整合在一起： - 会话对象：用于根据实验中出现SSVEP刺激的时间段加载数据集并分割信号，并且还会依据刺激频率标记标签。 - 预处理对象：包括一系列方法来修改原始EEG信号。 - 特征提取对象：执行特征提取算法，从EEG信号中抽取数字特征。 - 特征选择对象：选出上一步骤中识别出的重要特征。 - 分类器对象：训练分类模型以预测未知样本的标签。值得注意的是，框架使用某些库受到特定条件限制。例如： - 预处理FastICA需要一个特定的库支持； - 聚合弗拉德和费舍尔同样依赖于相应的库； - 特征选择盛宴也需要特定的库，并且可能涉及到MI（互信息）算法的支持。

EEG-DL：利用TensorFlow进行EEG信号分类的深度学习库

优质

EEG-DL是一款基于TensorFlow框架开发的深度学习工具包，专门用于处理和分析脑电图（EEG）信号，并提供多种神经网络模型以实现高效准确的EEG数据分类。欢迎来到EEG深度学习图书馆EEG-DL，这是专门为EEG信号分类设计的深度学习库。它提供了最新的DL算法，并且会不断更新。目录包括： - 贡献 - 组织机构 - 文献资料支持的模型有： 1. 深度神经网络DNN 2. 卷积神经网络CNN [论文] [教程] 3. 残差卷积神经网络ResNet [论文] 4. 稀薄残差卷积神经网络Thin ResNet [论文] 5. 密集连接的卷积神经网络密集网[论文] 6. 全卷积神经网络FCN [论文] 7. 连体网络Siamese Network (CNN backbone) [论文] [教程] 8. 图卷积神经网络GCN/图表CNN [论文] [演示文稿] [教程] 9. Reza Amini纯Py实现的图卷积神经网络

MRMR_Dataset_EEG: MRMR数据集 EEG分析

优质

简介：本项目为EEG数据分析提供了一个专门针对MRMR（多分辨率磁共振成像）的数据集。通过采集不同条件下的人脑电活动信号，旨在促进对大脑功能和疾病的理解与研究。 MRMR_Dataset_EEG MRMR硕士相关的内容可以进行如下简化表述：关于EEG数据集的MRMR硕士研究项目。如果需要更详细的描述或其他特定方面的内容，请告知具体需求。

具有时变时滞的系统稳定性研究

优质

本研究聚焦于具有时变时滞系统的稳定性分析，探讨了时滞变化对系统动态行为的影响，并提出了一系列确保系统稳定性的理论与方法。带有时变时滞系统的稳定性分析

EEGLab：用于EEG脑电处理的Matlab工具包

优质

EEGLab是一款基于MATLAB开发的开源软件工具包，专门用于脑电（EEG）数据的采集、预处理和分析。它提供了一系列用户友好的界面和先进的算法，帮助研究人员高效地探索大脑活动模式。基于MATLAB的EEG脑电处理工具包EEGLAB能够方便地进行脑电数据处理。

MATLAB EEGLAB实验代码对比：用于EEG数据分析的脚本集合

优质

这段简介可以这样编写：本项目汇集了针对EEG数据处理的MATLAB与EEGLAB平台下的实验代码，旨在为科研工作者提供一套便捷的数据分析脚本集。 MATLAB是一种广泛应用于科学计算、图像处理及数据分析的高级编程环境；EEGLAB则是运行于MATLAB上的强大工具，专门用于脑电图（EEG）数据的处理与分析。本压缩包中的matlab对比实验代码-EEGLAB_scripts提供了一系列脚本，旨在帮助用户在MATLAB中使用EEGLAB进行有效且高效的EEG数据分析。作为一款开源系统，EEGLAB允许其源码公开访问，因此使用者可以根据个人需求对其进行修改和扩展。这不仅促进了研究者与开发者之间的沟通交流，也使得社区能够贡献新的算法及功能。处理EEG数据通常涉及以下步骤： 1. 数据导入：脚本支持多种格式的文件读取（如EDF、BDF等），并可以执行初步的数据预处理工作。 2. 信号质量评估：通过视觉检查和统计方法，帮助识别不良通道，并标记出由接触问题或肌肉活动引起的异常数据点。 3. 重新参考化：脚本包含多种重参考技术的应用（如平均参考、耳电极链接等），以减少头皮电位的影响。 4. 时频分析：EEGLAB支持傅里叶变换和小波变换，用于将信号从时间域转换到频率域，并进行相应的频谱特征分析。 5. 节段切割：根据实验设计自动分割EEG数据（如基于事件相关电位的触发器）。 6. 噪声去除：利用独立成分分析等技术识别并移除眼动、肌肉以及其他非脑源性噪声。 7. 空间滤波：应用空间滤波方法，例如最小方差法或主成分分析以减少噪音并增强信号强度。 8. 脑源定位：采用皮层体模解剖定位等技术估算引起EEG变化的大脑区域位置。 9. 统计分析：脚本可能包含t检验、ANOVA及非参数测试，用于比较不同条件或群体之间的差异性。 10. 结果可视化：通过时间序列图、功率谱密度图和地形图等多种图形展示处理结果。该压缩包中的EEGLAB_scripts-master很可能包含了上述步骤的MATLAB脚本。对于从事EEG研究的研究人员而言，理解和使用这些脚本能显著提高工作效率，并有助于发现有价值的实验对比结论。