脑机接口中CSP最多被用于运动想象，效果很好，今天来了解下这个算法 数据准备： 右手动EEG数据R{c3,c4} 假设每个channel500个数据点 左手动EEG数据L{c3,c4} 假设每个channel500个数据点 取每个分类下同一时间点两个channle的值，分别产生两个情况下的序列点 画出来如下： x1 x3代表c3 c4 可以看到左右手在时序数据上是很难分开的 CSP做了一件事就是线性转换，从两边压缩变换后： 就变成了这个样子，这样就很好区分： s1来看： 蓝色方差小， 红色方差大 s2来看： 蓝色方差大，红色方差小
立个FLAG: 进军MNE
由于tensorflow使用python, 为了更好的兼容机器学习方面需求，今天立个FLAG：开始进军ＭＮＥ。
Automatic Anatomy Labeling Categories
AL Single-Subject Atlas The AAL-VOIs atlas is the automatic anatomical labeling result [5] of the spatially normalized, single subject, high resolution T1 MRI data set provided by the Montreal Neurological Institute (MNI)[6]. It includes 120 structure definitions. By merging some small structures an AAL-Merged atlas
Determine the anatomical label of a source in Fieldtrip
为了加深理解，我还是用中文描述 1. 第一步要对标准MRI(Colin27)进行分层， EEG一般使用BEM{ Brain,Skull,Scalp}, 此为 “Headmodel” 2. 第二步需要将Channel Align到scalp表面 此处可以需要手动调节
Logging and Monitoring Basics with Tensorflow
Tensorflow has provided a method to record all the parameter during the training such as recall accuacry percision and so on. how to write down these data is very improtant , beasuse you need this data to decsrible whether you