VHDR格式运动想象脑电图（EEG）数据集下载-ITADN社区

优质

这是一个提供VHDR格式运动想象脑电图（EEG）数据集的资源页面，方便研究人员和学生下载用于相关研究与学习。该数据集包含运动意象脑电图 (EEG) 数据，这些数据由匈牙利科学院自然科学研究中心（TTK）记录。在9名自愿健康受试者的参与下，总共进行了25项实验。对于EEG数据的采集，遵循10-20国际标准，并使用64通道ActiChamp放大器系统（Brain Products GmbH, Gilching, 德国）与actiCAP EEG帽配合使用。POz作为参考电极，因此有63个电极可以用于数据记录。在实验准备过程中测量了脑电图电极的阻抗并保持其低于30kΩ，并将这些值保存于相应的文件中。受试者坐在一台20英寸宽屏液晶显示器前进行观看，屏幕距离约为70-130厘米。我们使用配备法拉第笼屏蔽的房间作为实验地点，同时也利用了没有电屏蔽的普通房间。通过采用非屏蔽的标准房间环境，我们的目标是模拟Cybathlon比赛中的条件。原始脑电图信号由BrainVision Recorder程序（版本：1.22.0001）记录，并未使用额外的软件或硬件滤波器进行处理。

BCI Competition 2002运动想象数据集

优质

BCI Competition 2002运动想象数据集是由多国研究人员提供的脑机接口研究数据，包含用户进行左手或右手等意象任务时采集的EEG信号。已经包含了测试集的标签。

癫痫脑电数据集：Bonn数据集-颅内EEG-脑电数据

优质

简介：Bonn数据集是一系列包含颅内EEG信号的癫痫患者脑电记录，用于研究和分析癫痫发作机制及诊断方法。此数据集由波恩大学的研究团队创建，于2001年由Andrzejak等人建立，并一直用于癫痫病检测研究。该数据集包含F、N、O、S、Z五类数据，每种类型各有单通道示例100个。适合课题包括癫痫自动检测、人工智能技术应用、数据分类分析、支持向量机（SVM）训练和卷积神经网络（CNN）训练等机器学习领域研究。适合人群：研究人员及学生或研究生群体。由于该数据集的规模较小，若要用于深度模型的学习与训练，则需扩充样本数量。本人在研究生期间完成作业时曾使用过此数据集，这是一个公开的数据资源库，欢迎下载利用。

脑电（EEG）数据

优质

脑电（EEG）数据是指通过在头皮上放置多个电极来记录大脑神经元活动产生的电信号，用于研究和监测大脑功能及异常。癫痫脑电数据包括五个子集：Z、O、N、F 和 S。这些数据由印度学者Varun Bajaj和Ram Bilas Pachori收集自正常人及癫痫病患者，每个脑电子集中包含100个信道序列，每条信道持续时间为23.6秒，并且每个信号采样点有4097个数据点。

基于LSTM的运动想象脑电分类方法

优质

本研究提出了一种基于长短时记忆网络（LSTM）的算法，用于提升运动想象任务中脑电信号的分类准确率，为脑机接口技术的应用提供了新思路。脑机接口是一种通过特定手段提取脑电信号，并利用信号处理算法解码、分析大脑信号的技术，以识别人脑活动。为了提高二分类运动想象脑电信号的识别准确率，本段落提出了一种基于LSTM神经网络的脑电信号分类方法。通过对2003年BCI国际竞赛公开数据进行验证，实验结果表明，LSTM神经网络训练出的模型具有良好的效果，平均分类准确率达到接近90%。

BCI Competition 2008 运动想象四分类 .mat 数据集

优质

该数据集为BCI Competition 2008中运动想象四分类任务提供实验材料，包含.mat格式文件，记录了参与者的脑电波信号，用于识别四种不同类型的意念运动。已经将官方的.gdf格式转换为.mat格式。此资源对应一篇博文。

EEG2008竞赛2A数据集（运动想象四分类）

优质

EEG2008竞赛2A数据集包含用于运动想象任务的脑电图信号，旨在通过四个类别的意念运动（放松、握拳、伸展和脚动）进行分类。 EEG2008竞赛2A数据集（运动想象四分类）包含针对四种不同类型的运动想象任务的脑电图记录。这个数据集用于研究如何通过分析大脑活动来预测人的意图或动作计划，具体涉及手部、脚部和左右侧身体的动作想象。

运动想象脑电信号的特征提取与分类方法研究_信号分类_运动想象脑电信号特征提取及分类_脑电_

优质

本研究聚焦于运动想象脑电信号的处理技术，包括特征提取和分类方法。通过深入分析信号特性，优化现有算法以提高分类准确性，旨在推动脑机接口领域的发展。运动想象脑电信号特征提取及分类研究探讨了如何从复杂的脑电数据中提取有效的特征，并将其应用于信号的分类过程，以提高对人类大脑活动的理解与应用效率。这项工作对于神经科学、康复医学以及人机交互等领域具有重要意义。通过分析和处理特定类型的脑电信号（运动想象），研究人员能够开发出更精确且高效的算法模型，进一步推动相关领域的技术进步和发展。

MATLAB中的EEG运动想象分类-左右手运动信号分析

优质

本研究使用MATLAB进行EEG数据处理与分析，专注于左右手运动想象信号的分类。通过特征提取和模式识别技术提高对大脑运动区活动的理解及应用价值。标题中的“matlab-EEG运动想象分类-左右手运动信号”揭示了这个项目的核心内容：使用MATLAB软件对脑电图（Electroencephalogram, EEG）数据进行处理，特别是针对运动想象任务，即大脑想象进行左右手运动时产生的脑电信号。这种技术在神经科学、生物医学工程以及脑机接口（Brain-Computer Interface, BCI）领域有广泛应用。 MATLAB是MathWorks公司开发的一种高级编程环境，特别适用于数值计算、符号计算、数据分析、图像处理和科学建模等领域。在这个项目中，MATLAB被用来处理和分析EEG数据。 EEG是一种记录大脑电活动的非侵入性技术，它通过放置在头皮上的电极捕捉到大脑神经元活动产生的微弱电信号。EEG信号的分析对于理解大脑功能、诊断神经系统疾病以及研究认知过程（如运动想象）具有重要意义。运动想象是指大脑在没有实际执行动作的情况下，想象自己正在进行某种运动。在BCI研究中，运动想象是一种常见的方法，因为它的信号相对明显且易于获取，尤其是在与特定的脑区活动（如皮层运动区）相关联时。左右手运动信号指的是当个体想象自己移动左手或右手时，大脑相应区域产生的EEG信号模式。这些信号模式可以通过机器学习算法进行训练和识别，从而实现对运动想象任务的分类。在压缩包“EEG-Motor-imagery-with-MATLAB-main”中，可能包含以下内容： 1. 数据集：EEG原始数据文件，可能为.mat格式，包含多个通道（channels）和不同时间点的电压值，对应于实验参与者进行左右手运动想象时的记录。 2. 预处理脚本：MATLAB代码用于对原始EEG数据进行清洗，例如去除噪声、滤波、校准等，以提取有意义的特征。 3. 特征提取函数：用于从预处理后的数据中提取特征，如功率谱密度、自相关函数、同步指数等，这些特征有助于区分左右手运动想象的信号模式。 4. 分类器：可能包括不同的机器学习模型（如支持向量机、随机森林、深度学习网络等），用于训练和测试特征，以达到区分左右手运动的目的。 5. 可视化工具：用于展示EEG信号、特征图以及分类结果的MATLAB图形用户界面（GUI）或代码。 6. 结果评估：包含性能指标，如准确率、精确率、召回率、F1分数等，用于评估分类器的性能。 7. 文档：可能包含项目介绍、步骤说明、参考文献等，帮助理解整个分析流程。通过这个项目，我们可以深入理解如何使用MATLAB进行EEG数据的处理和分析，以及如何利用运动想象信号进行分类。这对于开发更高效、更准确的BCI系统具有重要价值，并且涉及到了信号处理、机器学习和生物医学工程等多个领域的知识交叉应用。

DEAP和MAHNOB-HC的EEG脑电图数据

优质

本研究聚焦于分析DEAP及MAHNOB-HC两个数据库中的EEG脑电图数据，探究人类情感与认知反应的神经机制。文章《Tensorflow：EEG上CNN的一次实验》中所用的EEG脑电图数据来自DEAP和MAHNOB-HCI两个库。

是否确定退出登录?

VHDR格式运动想象脑电图（EEG）数据集下载

全部评论 (0)