xq_520的博客

本文是基于CSP特征、POWER特征和CSP+POWER特征，利用BP神经网络模型进行左右手想象运动分类。BP网络参数设置为：隐含层层数，从1层递增至3层，隐含层节点数，从3个递增至8个，一共18个不同的网络模型。 首先，针对每个被试，利用BP网络计算分类准确率，选择最高准确率对应的网络模型作为其分类模型。 然后，将所有被试的数据进行整体分类，计算准确率，选择最好准确率对应的网络模型作为综合分类模型。

方法：先由序列x(n)估计出自相关函数R(n),然后对R(n)进行傅里叶变换，便得到x(n)的功率谱估计。（1）、自相关函数求解步骤：（1）移位；（2）相乘；（3）相加。function y = myXcorr(x)%输入x：长度为n的一维行向量%输出y：长度为2n-1的一维行向量%求解步骤：(1)移位;(2)相乘;(3)相加.n = length(x); %输入行向量的长度y =...

一．波类型1 .α 波频率：每秒8～13Hz。振幅：20～100μV。出现状态：正常安静、清醒闭目思考问题时出现。睁开眼睛或者接受其它刺激时会消失。2.β 波频率：每秒14～30Hz。振幅：5～20μV。出现状态：睁眼视物，或突然听到音响，或思考问题时可出现此波。一般认为β波是大脑皮层兴奋的表现。3.θ波频率：每秒4～7Hz。振幅：100～150μV。出现状态：在困倦、缺O...

该函数主要作用是，对同一段信号，用两种不同的滤波器进行滤波处理，然后比较两者在频域的结果。通过比较，可以选择合适的滤波器。这个函数中是对butter和fir两种进行了比较，读者要是想对比其他滤波器，或者同时比较三种及以上滤波器，只需要对代码稍加修改，就可以满足需求，这里不加赘述。 还有一点，读者要是想输出不同滤波器的结果，只需将下述函数的第一行修改为： function [f...

该函数用于对一段原始EEG信号进行分解，得到医学上认定的9个频段的时域、频域信息。该函数不考虑FFT的采样点数小于信号的采样频率的情况，即N<Fs。function [Time_domain, Freq_domain] = EEG_decoding(signal, Fs, N)% % 输入 signal：待解码原始信号% % Fs： 信号的采样频率% % ...

FFT函数，纯属个人学习兴趣，存在的问题，希望广大学者指正。function Y = myfft(X,N)%输入参数 X：输入信号% N： FFT的采样点数%输出参数 Y：FFT结果，即频域信息%判断信号的长度if X<N %若小于FFT的采样点数，则在末尾补0 X = [X,zeros(1,N-length(X))];else %否...