OpenBCI

关于伪迹来源，这里有比较系统的整理： https://zhuanlan.zhihu.com/p/42681420 归纳了两类伪迹，一类是受试者自身的原因导致的（心电/肌电/眼电/运动/出汗等），另一类是外部干扰等引起的（工频/静电/接触不良/设备间等其他电磁波干扰/）。 这里有一些简单的去除方法： https://cloud.tencent.com/developer/article/1540172 https://www.1xuezhe.exuezhe.com/Qk/art/274529?dbcode=1&flag=2 1.避免伪迹产生； 2.直接删除带伪迹的脑电信号； 3.用一些简单的滤波方法（回归方法/伪迹减法等）去除伪迹，但是都存在可能把有用脑电信号误删除的问题。 在BCIduino使用过程中，OpenBCI_GUI接收到的数据是原始数据，通过lsl向外传出的数据也是原始数据，因此如果在使用过程中有较多的伪迹混入了脑电信号中，开发者在后续处理中要有一定的去除伪迹的方法。 #本篇由BCIduino脑机接口开源社区整理（公众号“BCIduino脑机接口社区”）。BCIduino脑机接口社区由来自北京航空航天大学、康奈尔大学、北京大学、首都医科大学等硕博发起成立，欢迎扫下面码加入社群（如果码过期了，可以添加wechat：cheitech，要求加入）

【推荐】2019 Java 开发者跳槽指南.pdf(吐血整理) >>> 新闻 感谢 Guido 链接: https://blog.dropbox.com/topics/company/thank-you--guido Python之父 Guido van Rossum 即将离开 Dropbox 并宣布退休。感谢 Guido 为 Python 社区所做的一切贡献，由衷的祝福 Guido 退休后能够做自己喜欢的事情。 文章，教程或讲座 对话生态系统：200 多个 FOSS 应用的经验总结 链接: https://www.youtube.com/watch?v=t1lvsmcPEcE 该对话着眼于 200 多个最成功的开源 Python 应用, 以总结出有关构建软件的最实际有效的建议。这些项目在架构，测试，许可，包装和发行方面积累了开发者毕生的经验, 期待您学习！ Griffin，一个每日可进行数十亿检测的反欺诈风险规避引擎 链接: https://engineering.grab.com/griffin 这篇文章重点介绍了 Grab 高性能风险检测引擎，该引擎可以最小的工作量自定义创建规则来检测规避风险。 《纽约时报》是如何尝试推荐算法的? 链接: https://open.nytimes.com/how-the-new-york-times-is-experimenting-with