脑机接口

OpenBCI-实战五：脑电数据可视化仪表板在前几篇实战文章中，我们学习了注意力监测、情绪识别和脑波控制等应用。现在，让我们来构建一个综合性的脑电数据可视化仪表板。

OpenBCI-特征提取技术：频域分析与时频分析特征提取是脑机接口系统中的关键步骤，它从预处理后的脑电信号中提取能够反映用户意图或状态的有效信息。好的特征可以显著提高BCI系统的性能和稳定性。

OpenBCI-机器学习入门：从脑电信号到模式识别在前几篇文章中，我们已经学习了脑电信号的采集、预处理和特征提取技术。现在，我们进入BCI系统最核心的环节——机器学习与模式识别。通过机器学习算法，我们可以让计算机"理解"大脑发出的信号，实现意念控制等神奇功能。

95、仇恨与爱今天与群里同学交流，看来大家都有或少或多的一段心酸情感经历，我那时已是12年前了，本科学校，前女友在雪夜实习完回校毕业，对我说，不必再联系我了，家里给她找了更好的，和我谈只是消解时间，我农村出身，家里条件并不好，直到大四才舍得花钱买一杯蜜雪，在她宿舍楼下，她对我说的话我至今难忘：“你条件不行，这辈子也就这样了，保研没你，看来也够呛能考上研，咱们就这样吧，我走了。” 之后我已一路硕博，在京工作三年多了，博士毕业三年，我在北京全款买了车房子，是一家研究所高校老师，是北京某高校企业硕导，自己在北京中关村经营一家

SEED-VII 数据集介绍：面向七类情绪识别的 EEG 与眼动多模态数据集在情感计算和脑机接口研究中，如何从生理信号中识别人类情绪一直是一个重要问题。相比面部表情、语音、肢体动作等外显信号，脑电信号（EEG）和眼动信号更难被主动伪装，也更接近情绪产生时的生理反应。因此，基于 EEG 和眼动的情绪识别数据集，对于研究情绪的神经机制、多模态融合方法以及跨被试泛化能力都非常有价值。

90、馒头谈自处有时大家在学习和工作时会遇到背后打小报告和给你无故使绊子的人，我从读硕士时(十一年前了)开始意识到，随着我认识的人越来越多，接触到不同的圈层时，我会再次审视这种人，我发现随着我的认知越来越高，这些人没有好坏之分，更没有对错，只是大家处在不同的能量频率中，表现出不同的言语和行为方式。所以我在上一篇博文中提到我多年坚持的三样东西，其一便是尊重他人的想法。各位同学何时明白【能量频率】是自身最好的风水这一点，你就会生出真正的爱和慈悲，你就会接纳，包容，默眼相观他人所做所为就好，此时请相信我，他人给你造成的困境会不

MSVTNet: 基于多尺度视觉Transformer的运动想象EEG分类模型本文围绕脑机接口（BCI）中的核心问题——运动想象（MI）脑电（EEG）解码展开。由于 EEG 信号信噪比低、非平稳性强、个体差异明显，同时又包含复杂的多尺度时空特征，使得高精度解码始终具有挑战性。传统方法依赖神经生理先验与手工特征设计，泛化能力有限；深度学习方法虽然提升了自动特征学习能力，但仍存在不足：CNN 更擅长局部特征提取，却难以建模长时依赖；Transformer 具备全局建模能力，却往往忽略不同时间尺度之间的特征交互。为此，本文提出 MSVTNet（Multi-Scale Vision T

带娃的IT创业者

预测编码=Decoder 训练？Friston 自由能的 Transformer 实现NCT 技术博客专栏：《解码意识：NeuroConscious Transformer 深度解析》专栏定位：面向中高级 AI 工程师、神经网络研究者和脑机接口爱好者的技术专栏，从脑科学原理到硅基生命的意识计算框架

带娃的IT创业者

意识的奥秘：从哲学思辨到工程实践NCT 技术博客专栏：《解码意识：NeuroConscious Transformer 深度解析》专栏定位：面向中高级 AI 工程师、神经网络研究者和脑机接口爱好者的技术专栏，从脑科学原理到硅基生命的意识计算框架

带娃的IT创业者

Attention 如何成为全局工作空间？——Miller 定律的深度学习诠释NCT 技术博客专栏：《解码意识：NeuroConscious Transformer 深度解析》专栏定位：面向中高级 AI 工程师、神经网络研究者和脑机接口爱好者的技术专栏，从脑科学原理到硅基生命的意识计算框架

天使Di María

脑电大模型系列——第二弹：BrainBERTPaper: BrainBERT: Self-Supervised Representation Learning for Intracranial Recordings

脑机接口与神经调控专栏开通博主自2012年开始接触脑机接口领域，在本科阶段探索了应用SSVEP-BCI开发运动轮椅的控制，博士阶段又进一步开展了脑机+调控的双向研究。

neuroscan curry9记录的cdt文件使用第三方工具读取报错在使用python-MNE工具进行EEG分析时遇到了报错。在开展脑电实验时，如果使用的是neuroscan的curry9进行记录，尽量不要选择使用压缩格式。

脑电python分析库MNE安装MNE-Python（通常简称 MNE）是一个开源的 Python 包，专门用于探索、可视化、处理和分析人类神经生理数据。它是目前脑电（EEG）、脑磁图（MEG）领域最流行、最全面的开源工具之一，同时也支持其他模态如皮层脑电（sEEG/ECoG）、近红外光谱（NIRS）等。

技术细节-MNE读取neuroscan curry9版本cdt文件创建一个新的、干净的 conda 环境Bash安装最新版的 mne + curryreaderBash

天使Di María

脑电大模型系列——第一弹：BENDRPaper: BENDR: Using Transformers and a Contrastive Self-Supervised Learning Task to Learn From Massive Amounts of EEG

【脑机接口】难在哪里，【人工智能】如何破局（2.研发篇）希望了解更多的朋友点这里 0. 分享【脑机接口 + 人工智能】的学习之路 1.1 . 脑电EEG代码开源分享【1.前置准备-静息态篇】 1.2 . 脑电EEG代码开源分享【1.前置准备-任务态篇】 2.1 . 脑电EEG代码开源分享【2.预处理-静息态篇】 2.2 . 脑电EEG代码开源分享【2.预处理-任务态篇】 3.1 . 脑电EEG代码开源分享【3.可视化分析-静息态篇】 3.2 . 脑电EEG代码开源分享【3.可视化分析-任务态篇】 4.1 . 脑电EEG代码开源分享【4.特征提取-

Brduino脑机接口技术答疑

脑机接口数据处理连载（十四）实时数据处理：低延迟算法设计与性能优化脑机接口（BCI）从实验室走向实际应用，实时性成为核心技术瓶颈。无论是临床假肢控制还是消费级脑控外设，都要求系统实现低延迟端到端处理（通常<200ms）。离线处理可追求极致精度，而实时BCI需在低延迟、高鲁棒性、轻量高效三者间取得平衡。

81、沉默是今晚的康桥今天是周五，跟朋友聊天聊到一半，他突然感慨了句“你是个挺善良的人”，我感到莫名其妙，就问怎么会得出这个结论，毕竟善良这个品质很抽象。

Brduino脑机接口技术答疑

脑电数据分析这是一个专业的脑电数据分析前端应用，提供直观的脑电数据可视化和分析功能。用户可以上传脑电数据文件，查看脑电波形、功率谱密度分析结果，以及各种脑电波（德尔塔、西塔、阿尔法、贝塔、伽马）的能量分布。