本研究利用机器学习和信号处理技术，对脑电图 (EEG) 信号进行解码，以识别不同的手部运动。

方法

该研究的关键步骤是从原始脑电图信号中提取频谱特征，特别是功率谱密度 (PSD)。然后，将这些特征用于训练卷积神经网络 (CNN)，以对手部运动进行分类。

代码结构

  • MATLAB: 用于生成和处理数据文件的 MATLAB 代码。
  • 辅助: 包含辅助功能的文件夹。
  • 绘图: 用于可视化原始信号和计算特征的脚本 (plot_features.py)。
  • Python: 用于特征提取和分类的 Python 代码。
  • 原始PSD_class.py: 定义用于处理原始 PSD 数据的类。
  • unit_tests: 包含单元测试的文件夹。
    • average_PSD_test.py
    • example_generation_test.py
    • PCA_on_PSD_test.py
    • power_spectral_density_test.py
    • RawPSD_class_test.py
    • 频谱图_test.py
  • 文档: 记录算法实现的文档。
  • 特征计算算法.pdf
  • 研究报告.pdf
  • 模型: 用于特征提取和分类的端到端模型。
  • 分类器: 包含分类模型的文件夹。
  • CNN: 包含卷积神经网络实现的文件夹。