基于PSD估计器的EEG特征提取与情感状态分类研究

研究中使用了Matlab编写的脑电功率谱代码，这可能是为硕士论文而开发的。工作涉及了不同参数功率谱密度（PSD）估计器模型的实施，这些模型用于特征矩阵分解，以便于从EEG波形中提取有效和鲁棒的光谱特征信息。 在研究中，EEG波形的子空间维数估计得到了详尽的探讨，这是基于本征分析的参数化PSD估计器中的一个关键参数。为了进一步分析计算出的光谱，研究中还考虑了标准偏差、绝对偏差、统计范数以及其它统计参数的t值和p值，以此来探究光谱相关性。此外，本研究采用了主成分分析（PCA）技术以减少特征空间的维度，并探索了自动编码器的应用。 为了将计算出的光谱信息转化为可视化形式，研究使用了Seaborn和Matplotlib3D等库进行了详细的数据可视化。这些可视化结果有助于更好地理解EEG数据和识别情感状态。研究还讨论了如何从计算出的光谱中生成脑电图地形图像，这可能是一个新的特征提取方法。所提取的特征被应用于卷积神经网络、长短期记忆网络（LSTM）和多层感知器（MLP）网络上，以执行分类任务。 研究的代码库可以在Github上找到，具体位于“transformation_matlab_codes”子目录中，提供了用于频域转换的Matlab代码库。此外，还有“python_automation”目录可能包含了Python自动化脚本，用于支持或扩展Matlab代码库的功能。 为了读者理解，标签“系统开源”表明了此代码库可能是一个开源项目，鼓励社区贡献和协作。最后，压缩包子文件的文件名称列表仅提供了一个文件名“M.Sc.-Thesis-main”，这可能是硕士论文的主文件或项目的主入口点。"