fdgdf5535的博客

原创 configs

"f_trans_interest_bands": [(0.1, 2), (2, 2), (2, 2), (2, 2), (2, 2), (2, 2)], # 感兴趣频段的过渡频率。"interest_bands": [(0.3, 4), (4, 8), (8, 12), (12, 18), (18, 30), (30, 45)], # 感兴趣频段。25. `"metrics": ["rmse", "pcc", "ccc"]`: 评估指标，包括均方根误差、皮尔逊相关系数和一致性相关系数。

原创 TCN 问题汇总

您可以根据错误消息识别文件并在该文件中纠正格式错误。如果您想在终端中逐行执行Python代码而不是运行整个脚本，可以使用交互式Python解释器。这样您就可以在Linux终端中逐行执行Python代码了。打开终端：在Linux系统中，您可以使用终端应用程序（如Terminal、Konsole等）来执行命令和运行Python代码。编辑代码：使用文本编辑器（如vim、nano等）编写您的Python代码，并保存为一个.py文件，运行代码：在终端中使用Python解释器来执行您的Python脚本。

原创 TensorFlow 框架问题

有限的初始 GPU 语言支持：早期的 TensorFlow 版本有 GPU 和语言限制。复杂性：虽然多功能性是一种优势，但它可能会带来一些复杂性，这可能会让一些人望而生畏。刚性：一旦设置了计算图，进行更改并不简单。

原创 linux 服务器详情

Ctrl+Alt+F7 #从终端工作方式回到窗口工作方式。shutdown -r 10:00 #10点钟重启。shutdown -h 10:00 #10点钟关机。shutdown -r +10 #10分钟后重启。shutdown -h +10 #10分钟后关机。shutdown -h now #立即关机。Ctrl+Alt+F2 #进入终端工作方式。halt -d #关闭系统，但不留下纪录。exit #退出终端（或Ctrl+D）shutdown -r now #重启。Ctrl+Alt+T #打开终端。

原创 MASA-TCN linux服务器和个人电脑Windows中配置环境

MASA-TCN

原创 MASA-TCN

原创 bdf文件导入事件错误情况

先打开脑电再导入事件。

原创 gcn代码处理出现的问题

TensorFlow系统的学习使用。PYTHON 3.7 切换。

原创 EEG-GCNN 论文问题整理

本文的核心结论是，作者提出了一种基于图卷积神经网络（GCNN）的方法，可以有效地区分神经疾病患者的“正常”脑电图（EEG）和健康个体的EEG。机器学习是一种人工智能（AI）的分支领域，通过使用算法和统计模型，使计算机能够从数据中学习和改进，而无需明确编程。AUC的取值范围在0到1之间，越接近1表示模型的性能越好，越接近0.5表示模型的性能越差。AUC的计算方法是通过计算ROC曲线下的面积来得到的，ROC曲线是以真阳性率（TPR）为纵轴，假阳性率（FPR）为横轴绘制的曲线。

原创 GRU_with_Attention 模型

GRU与传统的长短期记忆网络（LSTM）类似，但简化了LSTM的结构，去掉了输入门和输出门，只保留了重置门和更新门。在GRU中，重置门控制了前一个时间步的隐藏状态如何影响当前时间步的隐藏状态，而更新门控制了如何将新的输入信息融合到当前时间步的隐藏状态中。总的来说，GRU是一种强大的循环神经网络结构，适用于处理序列数据，具有较好的性能和效率。在这个函数中，输入是经过重塑的 EEG 信号数据，然后通过 GRU 单元进行处理，同时引入了注意力机制来增强模型对输入的关注能力。函数的输出包括： -

原创 gcn模型

解释每行代码的详细功能。

原创 EEG脑电数据预处理-原理篇

本文不涉及具体的操作步骤，而是对脑电数据预处理中的每一步进行解说，根据我自己的经验来解释为什么要这么做，希望能够对刚入门脑电数据的朋友有所帮助。如果发现有什么错漏之处，也请指正。只想看操作的话可以看这篇。

原创 eeg预处理

【代码】eeg预处理。

原创 【无标题】

EEGLAB工具箱中的自动识别坏导功能可以在EEGLAB的命令窗口中通过输入特定的命令来使用。除了自动通道拒绝方法外，EEGLAB还提供了其他一些伪迹检测和坏导识别的方法，例如基于参考通道的方法和基于波形的方法。你可以根据需要选择适合的方法，并在命令窗口中相应地修改命令参数。如果你遇到任何问题，建议查阅EEGLAB的官方文档或寻求专业的技术支持。这里的参数可能需要根据你自己的数据和需求进行调整。参数告诉EEGLAB使用自动通道拒绝方法来检测和移除伪迹通道。在EEGLAB工具箱中，

原创 eeglab 代码

eeglab redraw 更新eeglab。.hisotry eeglab历史代码查看。

原创 12月第三周

1。

原创 12月第二周 ——总结

VMD 分解方法 16方法。换个其他方法对比，性能提高。VMD:变量一频率最低。第二分量比第一还要低。

原创 12月第二周

CNN的核心是卷积层，卷积层通过使用卷积核对输入数据进行特征提取，然后将提取到的特征传递给下一层。卷积神经网络（Convolutional Neural Network，简称CNN）是一种深度学习模型，主要用于图像、视频等数据的处理和分类。模型的输出被与目标输出进行比较，错误被反向传播到整个网络以更新每个LSTM单元的权重和偏差。每一层的输出随后作为输入传递到下一层，直到最终输出层产生模型的最终输出。输入门、遗忘门和输出门，以及记忆单元，都用于控制信息流和在每个时间步更新LSTM单元的状态。

原创 12月第一周 ——总结

周卫东 论文结构基本一样。一区二区好文章当作模板。

原创 12月第一周

卷积神经网络（Convolutional Neural Network, 简称 CNN）是一种前馈神经网络，常用于图像识别、自然语言处理和语音识别等领域。它的结构由多层卷积层，池化层、全连接层等组成。与传统的神经网络不同，卷积神经网络利用卷积运算提取图像或其他类型数据中的特征，而不是像素点的原始值，从而能够更准确地识别物体或完成其他任务。卷积神经网络被广泛应用于计算机视觉领域，例如物体识别、图像分类、图像分割、人脸识别等。

原创 EEGLAB

但，要是50个呢，100个呢，1000个呢？总而言之，去掉水平眼动、垂直眼动、肌电伪迹ICA成分的对比图，都会让我有一种极度舒适的感觉，就像成功的把信号中的灰尘擦掉一样。从该界面，我们可以看到示例数据的文件名称，一共有67个channels，有892200个数据点，因为示例数据的采样率为1000Hz，表示1秒钟可以采集1000个信号点，总共采集了892秒的数据。若发现坏段，那么按住鼠标左键，拖动鼠标标记坏段，到坏段结束时松开鼠标，这时并没有把它删掉，只是作为标记，先标记完所有坏段，最后点击右下角的。

原创 eeglab批处理代码处理全过程

【代码】eeglab批处理代码处理全过程。

原创 手动使用EEGlab进行脑电数据预处理UI过程+函数调用代码+批处理

tools 工具>decompose data by ICA 用ICA分解数据> 'pca',29>保存ICA数据 save current data as > 查看轨迹图 channel spectra and maps 信道频谱和映射。’pca‘，后的数字判断根据 channels per frame 的 数据减去插值坏导的数（删去的数），如上27=28-1。Load existing dataset 加载现有数据集。打开已保存的ICA数据。

原创 eeglab重参考的方法

零参考：将所有电极的信号都与头皮上的某一个参考电极的信号作差，这样就形成了零参考。单极参考：每个电极都有它自己的参考（例如耳参考），这种方法可以避免信号漂移的影响。但需要注意，不同的单极参考方式可能会对信号的解释产生不同的影响。耳参考：将信号与耳电极的信号作差，形成一个耳参考信号。这种方法可以减少由于头皮对信号的影响，但需要注意耳参考信号可能会受到电极位置的影响。平均参考：这是最常见的参考方式之一，将所有电极的信号进行平均，得到一个参考信号，该信号被认为代表大脑活动的平均水平。

原创 EEGLAB中导入各种类型的数据格式

mat格式：可以使用MATLAB中的load函数或使用EEGLAB中的File->Import Data->Using EEGLAB functions menu来导入.mat格式的文件。.edf格式：可以使用EEGLAB中的File->Import Data->From EDF/EDF+ menu来导入.edf格式的文件。.eeg格式：可以使用EEGLAB中的File->Import Data->From Brain Vision menu来导入.eeg格式的文件。

原创 Python版本之间的差异

其他版本：除了Python 1.x、2.x和3.x之外，还有一些其他的Python版本。Python 3.x：Python 3.x是Python的最新版本，于2008年发布。这个版本在很多方面与Python 2.x不兼容，但引入了更多的改进，例如更好的Unicode支持、更强大的内置函数、更好的元编程支持和更好的异步编程支持。虽然这些版本的语法和语义有所不同，但它们都是Python，都具有强大的编程能力和广泛的应用场景。Python 2.x：这个版本是2000年发布的，并成为Python的主流版本。

原创 EEG数据预处理后的分析方法

盲源分离（blind source separation，BSS）是在不需要源信号的先验信息或很少信息与混合过程的条件下，对混合信号（观测信号）进行源信号估计的一种方法。时频分析是在频谱分析的基础上建立的新的分析方法，它不仅包括频域的信息，也能包括随时间变化的信号。上图是来自胡老师在一次线上讲课的截图，可以看出对于不论是静息态还是任务态的数据来说，EEG数据预处理是必备的步骤，但后续的分析过程则是可以进行选择的。此分析也是使用EEG设备最常进行的数据分析方法，顾名思义，它是与事件相关的分析方法，

原创 EEG源分析思考总结

将求解区域用网格线的交点（节点）所组成的点的几何来代替（如上图12），在每个节点上，描述所研究的流动与传导问题的偏微分方程中的每一个导数项用相应的差分表达式来代替，从而在每个节点上形成一个代数方程，其中包含了本节点及其附近一些节点上的所求量的未知值。从反演的结果来说，脑电逆问题应该是非线性优化问题，考虑到计算的复杂性，所以近似的规约为线性问题X=LS，X表示为头表电极记录到的点位，S是待进行空间定位的源信息向量，L称为传递（增益）矩阵，是脑电正问题头模型等问题的解，可以通过构造合适的头模型等参数来获得。

原创 写EEGLAB预处理代码

对于预处理过程，其实是要先理解所做的步骤是为了改变数据的什么类型，哪些步骤是自动化的，哪些步骤是需要手动进行的。上面的代码的功能对应转换参考，用到的函数pop_reref也是eeglab的内置函数，如果用双侧乳突作为参考，就要填写双侧乳突电极点对应的编号，并用中括号括起来，如果用平均参考，就直接改成一个空的中括号。从单次处理的代码中，我们看到第一步是读取BP设备所采集的原始数据vhdr格式的文件，其中涉及文件所在的路径和文件名。前提你可以看到的是其命名是有一定的规则的，最简单的建议是通过数字命名。

原创 EEGLAB数据预处理基本流程GUI实操指南

按钮，会出现如上图所示的长条形对话框，方框里面是所有电极的名称，这时将需要的剔除的电极选择上，如上图，我选择了 VEOG这个电极（该电极表示是垂直眼电），然后点“OK”，在弹出的对话框中自行确定是否需要修改命名。坏导是指在数据采集时，由于各种原因（如，电极本身问题或阻抗不好等）导致数据记录有问题，但是在后期又特别想要该通道的数据，那么就可以利用插值的方法进行——利用该导联周边的几个电极点的均值作为该导的数据。上图的图是通过IClabel的工具箱进行自动判断的，可以帮助自动识别出哪些是Eye的成分。

原创 视频:使用Matlab和eeglab对脑电数据进行预处理

第一期：使用Matlab和eeglab对脑电数据进行预处理_哔哩哔哩_bilibili

原创 使用EEGLAB进行脑电数据预处理步骤

9.插值坏导和剔除坏导 (Rejection bad channel and epoch)（可选）7.跑ICA (Independent component analysis)(可放到11之后)8.分段和基线矫正 (Extract epochs and Remove baseline)10.剔除噪声成分 (Remove components)通常是跑完ICA之后。3.剔除无用电极 (Select data)（可选）12.保存数据 (Save data)导入数据 (Import data)

原创 EEGLAB 内置函数

【代码】EEGLAB 内置函数。

原创 脑电EEG代码开源分享 【1.前置准备-静息态篇】

disp(['数据总时长: ' , num2str(standard_time) , '||暂态时长: ' , num2str(temp_abandon), '||修正剩余时长: ' , num2str(remain_confrim_time)]);disp(['数据总时长: ' , num2str(standard_time) , '||暂态时长: ' , num2str(temp_abandon), '||修正剩余时长: ' , num2str(remain_confrim_time)]);

原创 electroencephalogram

Fs = 1000;% 采样率为1000Hz。% 各自乘以不同的频率和相位，组成脑电图信号。% 生成3个随机信号。

原创 常用的 MATLAB 命令

基本操作：矩阵操作：数据分析：绘图：函数处理：其他：

原创 Python 三元表达式

其中condition为一个布尔表达式，如果该表达式值为True，则返回value_if_true，否则返回value_if_false。Python三元表达式是一种简化if-else语句的方式。在这个例子中，如果x大于y，则max_num的值为x，否则为y。

原创 图标识别分类

【代码】图标识别分类。

原创 图标识别分类

【代码】图标识别分类。

原创 Python 列表推导式

该代码不能实现过滤出偶数列表的功能，因为判断条件为 n % 2!= 0，这个条件筛选出的是奇数。应该将条件改为 n % 2 == 0 才能筛选出偶数。该语句使用列表推导式生成一个新列表，其中包含原列表 list 中的所有偶数元素。在 if 条件语句中，使用 % 操作符判断元素是否为偶数，从而进行筛选。使用列表推导式过滤出偶数列表。