eeg

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。

OpenBCI-搭建你的第一个脑电采集系统在前两篇文章中，我们了解了脑机接口的基本概念和OpenBCI硬件选型。现在，让我们真正动手搭建第一个脑电采集系统。这将是你BCI之旅的重要里程碑。

MNE-Python 第8天学习笔记：时频分析（ERD/ERS）时频分析的 Epochs 为什么更长？tfr_morlet() 参数详解：时频图怎么看？ERD/ERS 时间序列解读：

MNE-Python 第9天学习笔记：源定位基础源定位比前面的分析需要更多依赖库：一次性安装所有依赖：projection=True 的含义：正向解的维度说明：

MNE-Python 第6天学习笔记：分段（Epoching）与基线校正到目前为止，我们处理的是连续的脑电数据（一整段录音）。但脑电分析通常关注的是刺激出现前后的大脑反应：.fif 文件内部结构：

MNE-Python 第7天学习笔记：事件相关电位（ERP）分析代码逻辑解析：⚠️ 核心经验：永远在使用通道名前确认它是否存在！Evoked 对象的结构：ERP 波形解读指南：

MNE-Python 第4天学习笔记：数据预处理（一）—— 滤波与重参考脑电信号非常微弱（微伏级），容易被各种噪声污染：参数详解：n_fft 的选择原理：np.argmin(np.abs(freqs - 50)) 的详细拆解：

MNE-Python 第3天学习笔记：事件与标记处理想象你在做一个实验：👂 听到"嘀"声 → 这是事件 1👂 听到"嘟"声 → 这是事件 2👁️ 看到闪光 → 这是事件 3

MNE-Python 第5天学习笔记：数据预处理（二）—— 伪迹处理脑电信号非常微弱（微伏级，百万分之一伏），在采集过程中会被各种"噪音"污染：为什么需要 EOG 和 ECG 通道？

MNE-Python 第1天学习笔记：环境搭建与数据初探MNE全称是Magnetoencephalography and Electroencephalography Neuroimaging Engineering，是专门用于分析脑电图（EEG）和脑磁图（MEG）数据的 Python 工具包。

MNE-Python 第2天学习笔记：Montage与通道信息管理Montage（蒙太奇）在脑电领域指的是电极在头皮上的位置布局。想象一下：（1）你的头皮是一张地图 🗺️

ERPLAB数据预处理操作所需要的工具包：EEGlab，ERPlab。将ERPlab解压后放在eeglab文件夹内的plugins文件夹下。

EEG脑源定位（Inverse Problem/逆问题求解）四种方法参考文献《脑电信号处理与特征提取》P159 / 第八章源分析 / 第二节逆问题核心思想：假设脑内只有少数几个（通常为1-3个）高度集中的电流源，每个源被简化为一个具有位置、方向和强度的“点”。

FreeSurfer 核磁共振重建FreeSurfer MRI reconstruction — MNE 1.12.1 documentation 学习笔记

第二章脑电、诱发电位和事件相关电位大脑的自发性电活动，又被称为自发性脑电活动，表现为在广泛频谱上占主导地位且具有某些特征的波形。这些 EEG 活动通常被应用于癫痫、昏迷和脑死亡等临床诊断。

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。

EEG 有效连接分析(基于 MVGC 与图论)如何从看似杂乱无章的脑电（EEG）信号中，解码出大脑各区域是如何“交谈”的？本文基于 2023 年 Chiarion 等人的综述论文框架，利用 MATLAB (EEGLAB + MVGC + BCT) 工具箱，对一组斯特恩伯格工作记忆任务 (Sternberg Working Memory Task) 数据进行了完整的分析。复现了从预处理去伪迹、格兰杰因果计算到图论网络拓扑分析的全流程，并揭示了右额叶在认知控制中的核心地位。

＾哪来的＆永远～

Python 轻量级 UI：EEG 与 fNIRS 预处理图形界面NeuroSignal Preprocessor 是一款用于 EEG / fNIRS / EMG 神经信号数据的桌面预处理与特征提取软件。

Brduino脑机接口技术答疑

TDCA 算法在 SSVEP 场景中：Padding 的应用对象与工程实践指南在基于 8 通道枕区稳态视觉诱发电位（SSVEP）的脑机接口（BCI）系统中，Padding（填充）是解决数据处理中长度不规整、边界失真、维度不匹配的关键预处理操作。针对 “Padding 优先应用于原始脑电还是参考信号” 的核心疑问，结合 TDCA（Task-Driven Component Analysis）算法的处理逻辑与数据特性，核心结论明确：Padding 优先且主要应用于原始脑电数据，参考信号几乎无需 Padding。仅当原始脑电补位后维度远超参考信号，且不便重新生成参考信号时，才需少量补位，

脑电模型实战系列：入门脑电情绪识别-用最简单的DNN模型起步大家好！欢迎来到《脑电情绪识别模型实战系列：从新手到高手》的第一篇实战博客。上篇导论中，我们介绍了系列整体规划和模型排序。今天，我们从最简单的模型入手——model_1.py，这是一个基本的深度神经网络（DNN）结构，仅用全连接层（Dense）。如果你是AI新人，这篇将是完美的起点：代码短小精悍，概念易懂，能快速看到结果。