- 综合排序
- 最热优先
- 最新优先
- 来自专栏云深之无迹
脑电采集+TGAM脑电模块
数据采集和存储：需要选择适当的数据采集器和存储设备，以便记录脑电信号并将其保存在计算机或移动设备上。 硬件接口和软件：需要开发软件来控制硬件设备，接收和处理脑电信号，并提供相应的分析和可视化工具。 设计人机接口：需要考虑如何使被测试者舒适地佩戴设备，以及如何让他们理解并遵循测量过程的指导。 要测量脑电信号，至少需要一对电极。一对电极可以用来记录脑电信号在头皮表面上的电位差异。 它需要外部电源和运算放大器来实现放大和滤波，适合用于高性能的脑电放大器设计。 滤波器是脑电放大器中非常重要的组成部分，用于滤除不需要的信号和噪声，以保留感兴趣的生物电信号。 TGAM模块的特点及优势 •能直接连接干接触点，不像传统医学用的湿传感器使用时需要上导电胶 • 单EEG脑电通道有3个接触点：EEG（脑电采集点）REF（参考点）GND（地线点） • 上电后若接触点连续四秒没有采集到脑电或连续七秒收到差的脑电信号 • 先进的噪音过滤技术，能抗拒日常生活中环境里的各种干扰 • 低能耗，适合便携式消费产品的电池供电的设备 • 3.3伏供电下最大消耗为15毫安 • 原始脑电数据以512 Hz输出 原始的数据是真的512Hz
3K22编辑于 2023-05-24 - 来自专栏脑机接口
干货|详解EEG脑电原理及两种主流脑电设备对比
这些神经元主要分布在脑组织中，利用设备来记录他们的放电活动，所采集到的放电活动称为脑电图。 △前额电极 06 如何选择脑电设备？ 一般选择脑电的话要考虑到两个因素，一个是环境因素，一个是测试精度。 07 主流脑电设备对比 西班牙的Neuroelectrics生产的NE以及荷兰TMSi生产的 SAGA，是目前市场上主流的两款脑电设备，下文将对它们进行详细对比。 为了方便客户的使用，市场上的脑电设备均配有一体式电极帽。可与fNIRS（功能性近红外光谱）和tDCS（经颅直流电刺激）同步采集。 基于64导脑电信号的后悔情感识别. (Doctoral dissertation). [4]Hülsdünker T, Ostermann M, Mierau A.
5.8K22编辑于 2023-02-13 - 来自专栏脑机接口
脑电分析系列| 生成模拟原始脑电数据
在实验中有时需要原始脑电数据来进行模拟实验，但又限于实验条件的不足，需要构造模拟的原始脑电数据。 本示例通过多次重复所需的源激活来生成原始数据。 mne.io.read_raw_fif(raw_fname) raw.set_eeg_reference(projection=True 01 生成偶极子时间序列 # 设置偶极子的数量 n_dipoles = 4
76921编辑于 2022-08-17 - 来自专栏Emotiv
Emotiv 脑电设备科研入门指南：从轻量化佩戴到脑机接口应用
一、平台简介Emotiv 是一家专注于便携式脑电采集系统的厂商，自 2011 年推出首款产品以来，逐步在科研与开发者社区中建立了广泛影响。 其产品融合人体工程学设计、无线采集能力与多通道 EEG 功能，尤其适合认知科学、神经工程、脑机接口等交叉领域的科研入门与原型开发。二、核心设备介绍1. 16 / 32 通道配置 电极类型：可选湿式盐水电极或凝胶电极 戴帽式可调结构，支持不同头围 采样率：2048Hz（内部），下采至 256Hz 使用 适合场景：ERP、SSVEP、情绪识别等精细脑电采集任务 EmotivPRO 功能：实验设计、事件标记、数据采集 输出格式：CSV、EDF 等标准脑电格式 附加功能：内建脑电质量检测、实验模板设计器 支持数据流：Lab Streaming Layer ( 例如，MN8 可无感检测耳道脑电，用于办公环境行为反馈研究。2. 情绪识别与神经反馈Emotiv 的 EEG 指标已被用于焦虑抑郁检测、音乐治疗反馈、冥想状态调节等场景。
99010编辑于 2025-06-17 - 来自专栏脑机接口
脑电分析系列| 脑电数据的Epoching处理
脉冲的值为1、2、3、4、5和32。要从原始数据创建事件列表，MNE中只需调用一个专门用于此目的的函数。 由于事件列表只是一个numpy数组，所以也可以手动创建一个。 event_id = {'Auditory/Left': 1, 'Auditory/Right': 2, 'Visual/Left': 3, 'Visual/Right': 4, 'smiley': 5, 'button': 32} color = {1: 'green', 2: 'yellow', 3: 'red', 4: 'c', 5: 'black events, first five: [[27977 0 2] [28345 0 3] [28771 0 1] [29219 0 4] raw.plot(events=events, n_channels=10, order=order) plt.show() 在本文中，我们只对触发器1、2、3和4感兴趣。
1.1K20编辑于 2022-08-17 - 来自专栏脑机接口
脑电与情绪
脑电图（EEG）是一种医学成像技术，可以测量由大脑产生的头皮电活动，即测量并按时间顺序记录头皮表层由大脑中祌经元内的离子电流引起的电位波动。研究表明，人的认知行为和心理活动与脑电信号具有较强的相关性。 脑电采集的信号通过离散傅里叶变换（Discrete FourierTransform，DFT），快速傅里叶变换（Fast Fourier Transform，FFT）等算法转换到频域后包含连续的频谱信号 ，将这些信号按频率分为5个频段(frequencybands): delta(1-4Hz)、theta(4-7Hz)、alpha(8-13Hz)、beta(13-30Hz)、gamma(30-47Hz) delta频率范围通常小于4Hz。研究表明该范围的脑电信号通常出现在婴幼儿阶段或智力发育不成熟，或者成人在疲劳和深度睡眠阶段。 theta频率范围约为4-7Hz。 beta波频率范围约为13-30Hz，是人类逻辑分析等主要脑电成分，主要集中在大脑额叶。当人处于清醒或者精神紧张、情绪激动时，大脑容易产生该频段信号。
1.1K30发布于 2020-06-30 - 来自专栏机器人课程与技术
Emotiv脑电设备与RDS机器人仿真初步测试
Emotiv脑电设备与RDS机器人仿真初步测试 在脑电设备相关算法进行真实机器人测试前，有必要进行大量仿真验证算法，节约开发时间。 这里给我启发的Emotiv使用所参考的一些网址。 仿真可加快软件与算法研发速度，后续可以加入机械臂等，并开发脑电相关算法，进行简单机器人控制，进一步移植到真实机器人中进行测试。 更多内容，稍后补充。
1.8K20发布于 2019-01-23 - 来自专栏脑机接口
脑电分析系列| Python协方差矩阵处理脑电数据
主要介绍一下MNE中如何用协方差矩阵来处理脑电数据的。 MNE中的许多方法，包括源估计和一些分类算法，都需要根据记录进行协方差估计。 verbose='error') # and ignore the warning about aliasing 320 events found Event IDs: [ 1 2 3 4
1.1K20编辑于 2022-08-17 - 来自专栏思影科技
BIOSEMI脑电系统介绍
产品简介： Biosem公司创立于1998年，由荷兰阿姆斯特丹大学的三位学者共同创立，距今已有20多年的脑电产品生产，销售，维护经验，其客户包括加州理工，加州大学戴维斯分校，加拿大麦吉尔大学，普林斯顿大学 Biosemi Active2脑电系统采用主动电极技术，直流模式采集脑电信号，24bit分辨率，小巧的第二代主动式电极使得Active2产品在采集原始脑电信号方面提供更丰富的细节，Active2产品可提供 16/32/64/128/256等多种配置方案，进行多通道同步采集，另提供8通道双极导联用于采集EXG信号（如心电，肌电等），满足您的科研需求。 Current Biology 2018;28: 803-809. e803. 4. Science advances 2018;4: eaaq0183. 5. Gaspar JM, McDonald JJ.
1.9K31发布于 2019-12-27 - 来自专栏脑机接口
脑电与情绪简介
脑电图与情绪 脑电图（EEG）是一种医学成像技术，可以测量由大脑产生的头皮电活动，即测量并按时间顺序记录头皮表层由大脑中祌经元内的离子电流引起的电位波动。 脑电采集的信号通过离散傅里叶变换（Discrete FourierTransform，DFT），快速傅里叶变换（Fast Fourier Transform，FFT）等算法转换到频域后包含连续的频谱信号 ，将这些信号按频率分为5个频段(frequencybands): delta(1-4Hz)、theta(4-7Hz)、alpha(8-13Hz)、beta(13-30Hz)、gamma(30-47Hz) delta频率范围通常小于4Hz。研究表明该范围的脑电信号通常出现在婴幼儿阶段或智力发育不成熟，或者成人在疲劳和深度睡眠阶段。 theta频率范围约为4-7Hz。 beta波频率范围约为13-30Hz，是人类逻辑分析等主要脑电成分，主要集中在大脑额叶。当人处于清醒或者精神紧张、情绪激动时，大脑容易产生该频段信号。
1.1K10发布于 2020-06-30 - 来自专栏云深之无迹
谷歌开源脑电-Amber
为了使脑电图数据更广泛地被心理健康研究人员和临床医生使用——即在电生理学实验室和神经病学诊所之外——拥有大规模对信号进行降噪的自动化方法，并确定脑电图信号的哪些方面是相关的，这将是有帮助的。 靠这个设备发表的论文，其实是没有做成功这个实验的 这个是发论文的时候一些有趣的盲审 我们没有成功实现我们最初的目标，即找到抑郁症和焦虑症的单一生物标志物。鉴于心理健康的复杂性，它不太可能存在。 id=TVjLza1t4hI https://blog.x.company/sharing-project-amber-with-the-mental-health-community-7b6d8814a862
24110编辑于 2024-08-20 - 来自专栏米虫的家
BCI--脑电基础整理
脑电基础整理 脑机接口（BCI），是一种通过检测中枢神经系统活动并将其转化为人工输出，来替代、修复、增强、补充或者改善中枢神经系统的正常输出，从而改变中枢神经系统与内外环境之间的交互作用的技术。 一、采集脑电信号的四种技术 1、脑电图(Electroencephalography,EEG) 脑电图通过电极记录大脑的电活动，电极通常嵌入电极帽中。 2、SSVEP信号原理与基础 关于SSVEP信号的原理，主流观点认为大脑里分布的各种神经网络都有其固有的谐振频率，在正常状态下，这些神经网络都是互不同步的，也是杂乱无章，没有规律的，此时的脑电信号是自发脑电 在使用视觉刺激装置来获取SSVEP信号时，在大脑皮层中与枕叶视觉区有关的脑电通道主要有六个（P03,P0Z,P04,01,0Z,02） ? 运动想象系统是指对想象运动产生的EEG信号进行解码，从而获知被试的运动意图，将相应的控制命令传给外接设备，达到人机交互的目的。
3K42发布于 2020-09-24 - 来自专栏脑机接口
ICA处理脑电资料汇总
眼电判断的时候，可以结合头皮地形图、ERP图、每个成分功率谱图，以及矫正之后的脑电图是否有差异，进行综合的评估。 心电成分 ? 成分判断：心电成分 判断依据： 1.在ERP图像中呈雨点般散落状。 ? 介绍 眼动，眨眼，肌肉，心脏和线的噪音会严重污染脑电图活动，这在脑电解释和分析中会产生非常严重问题。 还要注意常规的右额颞颞肌尖峰分量＃13（中间部分），尽管很难在原始数据中看到（例如，在通道T4中），但仍通过ICA与其他活动完全分开。 一些严重污染的脑电数据 ?
2.5K21发布于 2020-06-30 - 来自专栏脑机接口
脑电分析系列| 使用多种滤波器对脑电数据去除伪影
一些由电源线造成的伪影具有某些特定范围的频率(比如,由电网产生的电力线噪声,主要由50Hz(或60Hz取决于实验的地理位置)的尖峰组成)。因此可以通过滤波来固定。
2K30编辑于 2022-08-17 - 来自专栏脑电信号科研科普
浅谈脑电中的delta振荡
公众号曾陆续推出了3篇推文，依次对脑电中的theta、alpha和beta振荡进行了介绍，唯独剩下delta振荡还未进行介绍。 当然，除了这4个常见频段外，还有高频的gamma振荡，这个后面也会找时间进行介绍。 Delta振荡及其分类 所谓delta振荡，按照传统的EEG频段划分，一般是指频率为1-4Hz范围内的脑电成分。Delta振荡频率低、幅度高。 Delta振荡在非快速动眼期(NREM)的末期（stage 3/4）占据主要的成分，表现出高幅、低频的波动，如图1所示。 在ERP研究中，其中一个最广为人知的成分是P3，P3反映人的高级认知功能，如感知、注意、理解、判断等，而delta和theta振荡是P3成分的主要贡献者[3,4]。
1K50编辑于 2022-02-05 - 来自专栏脑电信号科研科普
EEG脑电研究经典教材推荐
4. 《事件相关电位原理与技术》 本书同样是介绍ERP技术，应该说是国内出版的关于ERP技术的经典书籍，可以作为入门进行学习。 《ERPs实验设计》 该书主要聚焦于ERP，讲述ERP设备、成分、实验设计、实验操作和注意事项、离线分析以及脑成像技术等关于ERP的方方面面。如果是专门做ERP研究的同学，可以看一看。 6. 本书内容主要涉及EEG的预处理、传统脑电分析方法（如功率谱分析）、非线性动力学分析方法（如混沌、信息论、复杂度等）、脑电的功能连接和有向连接分析以及脑电在脑疾病和神经科学领域的应用等。 9. 《脑电与认知神经科学》 本书也是不可多得的优质国产EEG教材，基本涉及脑电研究的方方面面，包括脑电的神经生理学基础、脑电采集方法、脑电重参考技术、ERS\ERD、脑电时空分析方法（如ICA、PCA等） 、脑电溯源、脑网络分析以及脑电在认知神经科学和临床疾病研究中的应用等。
1.3K30编辑于 2022-05-29 - 来自专栏脑机接口
Python脑电数据的Epoching处理
脉冲的值为1、2、3、4、5和32。要从原始数据创建事件列表，MNE中只需调用一个专门用于此目的的函数。 由于事件列表只是一个numpy数组，所以也可以手动创建一个。 event_id = {'Auditory/Left': 1, 'Auditory/Right': 2, 'Visual/Left': 3, 'Visual/Right': 4, 'smiley': 5, 'button': 32} color = {1: 'green', 2: 'yellow', 3: 'red', 4: 'c', 5: 'black events, first five: [[27977 0 2] [28345 0 3] [28771 0 1] [29219 0 4] 在本文中，我们只对触发器1、2、3和4感兴趣。这些触发器对应于听觉和视觉刺激。 这里的event_id可以是int、int列表或dict。使用dict可以将这些id分配给不同的类别。
1K30发布于 2021-01-12 - 来自专栏脑机接口
脑电分析系列| 注释连续数据
本案例主要介绍如何向原始(Raw)对象添加注释，以及在数据处理的后期阶段如何使用注释。
70520编辑于 2022-08-17 - 来自专栏脑机接口
脑电分析系列| bad通道介绍
有时个别通道出现故障，提供的数据中噪声过高而无法使用。 通过使用MNE-Python，可以很容易地跟踪分析流中的这些通道，而无需实际删除这些通道中的数据。
76030编辑于 2022-08-17 - 来自专栏脑机接口
基于头皮脑电的癫痫分类
头皮脑电(EEG)经常被用来确定是否有癫痫，以及癫痫的类型。因为通过医生手工来对EEG信号做标注非常费时费力，人们研究了通过机器学习方法来自动从脑电信号中检测癫痫。 研究人员在2017年的研究使用大间隔投影迁移学习方法来进行基于头皮脑电的癫痫离线分类。 为提高基于头皮脑电的癫痫分类精度，华中科技大学伍冬睿教授领导的研究小组在最近的研究中提出了深度多视图(时域，频域，时频域)脑电特征提取方法用于癫痫分类，如下图所示： ? 关于伍冬睿教授研究团队的其他研究报道可以查看： 伍冬睿教授：脑机接口中迁移学习的完整流程 华中科技大学伍冬睿教授：非侵入式脑机接口中的迁移学习综述（2016-2020） 华中科技大学研究团队揭示了基于 EEG的脑机接口中的安全性问题 脑机接口拼写器是否真的安全？
59200发布于 2021-01-14
腾讯云开发者
Copyright © 2013 - 2026 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有
深圳市腾讯计算机系统有限公司 ICP备案/许可证号：粤B2-20090059 
粤公网安备44030502008569号
腾讯云计算（北京）有限责任公司 京ICP证150476号 | 京ICP备11018762号