脑电

OpenBCI-脑电信号深度学习：CNN与RNN应用深度学习技术的兴起为脑电信号处理带来了革命性的突破。传统的机器学习方法依赖手工设计特征，而深度学习能够自动从原始信号中学习复杂特征表示。本文将深入介绍如何使用卷积神经网络（CNN）和循环神经网络（RNN）处理脑电信号。

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。

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

250714脑电分析课题进展——基础知识扩展与论文阅读本周课题进展聚焦于论文与书籍阅读，以及基础知识的学习（包括机器学习与PyTorch的代码学习）毕明川. 基于EEG的冥想状态数据挖掘研究[D]. 集美大学, 2025.

信号处理--基于FBCSP滤波方法的运动想象分类目录理论工具方法代码获取python 3.8BCI dataset IV-1 数据集定义滤波器组，实现信号的频带分解

EEG脑电信号处理合集（1）：功率谱中常见artifacts通常EEG脑电信号采集完成以后，我们可以绘制出功率谱，一个正常的功率谱如下图所示：在10H在处有个明显的突起，在后方通道中，这是我们所期望看到的。每个通道功率谱曲线都有一个负斜率，这是因为较高的频率通常会有一个越来越低的功率。

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。

我是有底线的