[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-eeyhsong--EEG-Conformer":3,"tool-eeyhsong--EEG-Conformer":64},[4,17,25,39,48,56],{"id":5,"name":6,"github_repo":7,"description_zh":8,"stars":9,"difficulty_score":10,"last_commit_at":11,"category_tags":12,"status":16},1381,"everything-claude-code","affaan-m\u002Feverything-claude-code","everything-claude-code 是一套专为 AI 编程助手（如 Claude Code、Codex、Cursor 等）打造的高性能优化系统。它不仅仅是一组配置文件，而是一个经过长期实战打磨的完整框架，旨在解决 AI 代理在实际开发中面临的效率低下、记忆丢失、安全隐患及缺乏持续学习能力等核心痛点。\n\n通过引入技能模块化、直觉增强、记忆持久化机制以及内置的安全扫描功能，everything-claude-code 能显著提升 AI 在复杂任务中的表现，帮助开发者构建更稳定、更智能的生产级 AI 代理。其独特的“研究优先”开发理念和针对 Token 消耗的优化策略，使得模型响应更快、成本更低，同时有效防御潜在的攻击向量。\n\n这套工具特别适合软件开发者、AI 研究人员以及希望深度定制 AI 工作流的技术团队使用。无论您是在构建大型代码库，还是需要 AI 协助进行安全审计与自动化测试，everything-claude-code 都能提供强大的底层支持。作为一个曾荣获 Anthropic 黑客大奖的开源项目，它融合了多语言支持与丰富的实战钩子（hooks），让 AI 真正成长为懂上",138956,2,"2026-04-05T11:33:21",[13,14,15],"开发框架","Agent","语言模型","ready",{"id":18,"name":19,"github_repo":20,"description_zh":21,"stars":22,"difficulty_score":10,"last_commit_at":23,"category_tags":24,"status":16},3704,"NextChat","ChatGPTNextWeb\u002FNextChat","NextChat 是一款轻量且极速的 AI 助手，旨在为用户提供流畅、跨平台的大模型交互体验。它完美解决了用户在多设备间切换时难以保持对话连续性，以及面对众多 AI 模型不知如何统一管理的痛点。无论是日常办公、学习辅助还是创意激发，NextChat 都能让用户随时随地通过网页、iOS、Android、Windows、MacOS 或 Linux 端无缝接入智能服务。\n\n这款工具非常适合普通用户、学生、职场人士以及需要私有化部署的企业团队使用。对于开发者而言，它也提供了便捷的自托管方案，支持一键部署到 Vercel 或 Zeabur 等平台。\n\nNextChat 的核心亮点在于其广泛的模型兼容性，原生支持 Claude、DeepSeek、GPT-4 及 Gemini Pro 等主流大模型，让用户在一个界面即可自由切换不同 AI 能力。此外，它还率先支持 MCP（Model Context Protocol）协议，增强了上下文处理能力。针对企业用户，NextChat 提供专业版解决方案，具备品牌定制、细粒度权限控制、内部知识库整合及安全审计等功能，满足公司对数据隐私和个性化管理的高标准要求。",87618,"2026-04-05T07:20:52",[13,15],{"id":26,"name":27,"github_repo":28,"description_zh":29,"stars":30,"difficulty_score":10,"last_commit_at":31,"category_tags":32,"status":16},2268,"ML-For-Beginners","microsoft\u002FML-For-Beginners","ML-For-Beginners 是由微软推出的一套系统化机器学习入门课程，旨在帮助零基础用户轻松掌握经典机器学习知识。这套课程将学习路径规划为 12 周，包含 26 节精炼课程和 52 道配套测验，内容涵盖从基础概念到实际应用的完整流程，有效解决了初学者面对庞大知识体系时无从下手、缺乏结构化指导的痛点。\n\n无论是希望转型的开发者、需要补充算法背景的研究人员，还是对人工智能充满好奇的普通爱好者，都能从中受益。课程不仅提供了清晰的理论讲解，还强调动手实践，让用户在循序渐进中建立扎实的技能基础。其独特的亮点在于强大的多语言支持，通过自动化机制提供了包括简体中文在内的 50 多种语言版本，极大地降低了全球不同背景用户的学习门槛。此外，项目采用开源协作模式，社区活跃且内容持续更新，确保学习者能获取前沿且准确的技术资讯。如果你正寻找一条清晰、友好且专业的机器学习入门之路，ML-For-Beginners 将是理想的起点。",84991,"2026-04-05T10:45:23",[33,34,35,36,14,37,15,13,38],"图像","数据工具","视频","插件","其他","音频",{"id":40,"name":41,"github_repo":42,"description_zh":43,"stars":44,"difficulty_score":45,"last_commit_at":46,"category_tags":47,"status":16},3128,"ragflow","infiniflow\u002Fragflow","RAGFlow 是一款领先的开源检索增强生成（RAG）引擎，旨在为大语言模型构建更精准、可靠的上下文层。它巧妙地将前沿的 RAG 技术与智能体（Agent）能力相结合，不仅支持从各类文档中高效提取知识，还能让模型基于这些知识进行逻辑推理和任务执行。\n\n在大模型应用中，幻觉问题和知识滞后是常见痛点。RAGFlow 通过深度解析复杂文档结构（如表格、图表及混合排版），显著提升了信息检索的准确度，从而有效减少模型“胡编乱造”的现象，确保回答既有据可依又具备时效性。其内置的智能体机制更进一步，使系统不仅能回答问题，还能自主规划步骤解决复杂问题。\n\n这款工具特别适合开发者、企业技术团队以及 AI 研究人员使用。无论是希望快速搭建私有知识库问答系统，还是致力于探索大模型在垂直领域落地的创新者，都能从中受益。RAGFlow 提供了可视化的工作流编排界面和灵活的 API 接口，既降低了非算法背景用户的上手门槛，也满足了专业开发者对系统深度定制的需求。作为基于 Apache 2.0 协议开源的项目，它正成为连接通用大模型与行业专有知识之间的重要桥梁。",77062,3,"2026-04-04T04:44:48",[14,33,13,15,37],{"id":49,"name":50,"github_repo":51,"description_zh":52,"stars":53,"difficulty_score":45,"last_commit_at":54,"category_tags":55,"status":16},519,"PaddleOCR","PaddlePaddle\u002FPaddleOCR","PaddleOCR 是一款基于百度飞桨框架开发的高性能开源光学字符识别工具包。它的核心能力是将图片、PDF 等文档中的文字提取出来，转换成计算机可读取的结构化数据，让机器真正“看懂”图文内容。\n\n面对海量纸质或电子文档，PaddleOCR 解决了人工录入效率低、数字化成本高的问题。尤其在人工智能领域，它扮演着连接图像与大型语言模型（LLM）的桥梁角色，能将视觉信息直接转化为文本输入，助力智能问答、文档分析等应用场景落地。\n\nPaddleOCR 适合开发者、算法研究人员以及有文档自动化需求的普通用户。其技术优势十分明显：不仅支持全球 100 多种语言的识别，还能在 Windows、Linux、macOS 等多个系统上运行，并灵活适配 CPU、GPU、NPU 等各类硬件。作为一个轻量级且社区活跃的开源项目，PaddleOCR 既能满足快速集成的需求，也能支撑前沿的视觉语言研究，是处理文字识别任务的理想选择。",74913,"2026-04-05T10:44:17",[15,33,13,37],{"id":57,"name":58,"github_repo":59,"description_zh":60,"stars":61,"difficulty_score":45,"last_commit_at":62,"category_tags":63,"status":16},2181,"OpenHands","OpenHands\u002FOpenHands","OpenHands 是一个专注于 AI 驱动开发的开源平台，旨在让智能体（Agent）像人类开发者一样理解、编写和调试代码。它解决了传统编程中重复性劳动多、环境配置复杂以及人机协作效率低等痛点，通过自动化流程显著提升开发速度。\n\n无论是希望提升编码效率的软件工程师、探索智能体技术的研究人员，还是需要快速原型验证的技术团队，都能从中受益。OpenHands 提供了灵活多样的使用方式：既可以通过命令行（CLI）或本地图形界面在个人电脑上轻松上手，体验类似 Devin 的流畅交互；也能利用其强大的 Python SDK 自定义智能体逻辑，甚至在云端大规模部署上千个智能体并行工作。\n\n其核心技术亮点在于模块化的软件智能体 SDK，这不仅构成了平台的引擎，还支持高度可组合的开发模式。此外，OpenHands 在 SWE-bench 基准测试中取得了 77.6% 的优异成绩，证明了其解决真实世界软件工程问题的能力。平台还具备完善的企业级功能，支持与 Slack、Jira 等工具集成，并提供细粒度的权限管理，适合从个人开发者到大型企业的各类用户场景。",70612,"2026-04-05T11:12:22",[15,14,13,36],{"id":65,"github_repo":66,"name":67,"description_en":68,"description_zh":69,"ai_summary_zh":69,"readme_en":70,"readme_zh":71,"quickstart_zh":72,"use_case_zh":73,"hero_image_url":74,"owner_login":75,"owner_name":76,"owner_avatar_url":77,"owner_bio":78,"owner_company":78,"owner_location":78,"owner_email":79,"owner_twitter":78,"owner_website":78,"owner_url":80,"languages":81,"stars":90,"forks":91,"last_commit_at":92,"license":93,"difficulty_score":45,"env_os":94,"env_gpu":94,"env_ram":94,"env_deps":95,"category_tags":100,"github_topics":101,"view_count":45,"oss_zip_url":78,"oss_zip_packed_at":78,"status":16,"created_at":109,"updated_at":110,"faqs":111,"releases":142},1096,"eeyhsong\u002FEEG-Conformer","EEG-Conformer","EEG Transformer 2.0. i. Convolutional Transformer for EEG Decoding. ii. Novel visualization - Class Activation Topography.","EEG-Conformer是一款专为脑电波信号处理设计的深度学习工具，通过结合卷积神经网络与Transformer架构，实现对EEG数据的高效分类与可视化分析。它采用空间-时间卷积层提取局部特征，再通过自注意力机制捕捉全局关联，最终利用全连接层进行分类预测。工具创新性地引入了类激活图（Class Activation Topography）技术，可将分类结果映射到大脑拓扑图上，帮助用户直观理解模型决策依据。\n\n该工具解决了传统EEG分类模型在处理复杂时空特征时的效率与准确性不足问题，尤其适用于需要同时分析局部脑区活动与整体脑网络动态的场景。其模块化设计兼容主流深度学习框架，支持BCI竞赛数据集等多类脑电数据处理，性能在多个基准数据集上均取得较高准确率。\n\n开发者和神经科学研究人员可借此工具快速构建脑机接口系统或脑功能研究模型。其独特的卷积-Transformer混合架构与可视化能力，为EEG信号解析提供了新的技术路径，适合需要深入探索脑电数据特征的研究群体。","# EEG-Conformer\n\n### EEG Conformer: Convolutional Transformer for EEG Decoding and Visualization [[Paper](https:\u002F\u002Fieeexplore.ieee.org\u002Fdocument\u002F9991178)]\n##### Core idea: spatial-temporal conv + pooling + self-attention\n\n### News\n#### 🎉🎉🎉 We've joined in [braindecode](https:\u002F\u002Fbraindecode.org\u002Fstable\u002Findex.html) toolbox. Use [**here**](https:\u002F\u002Fbraindecode.org\u002Fstable\u002Fgenerated\u002Fbraindecode.models.EEGConformer.html) for detailed info.\n\n\nThanks to [Bru](https:\u002F\u002Fgithub.com\u002FbruAristimunha) and colleagues for helping with the modifications.\n\n## Abstract\n![Network Architecture](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Feeyhsong_EEG-Conformer_readme_edd969925125.png)\n\n- We propose a compact convolutional Transformer, EEG Conformer, to encapsulate local and global features in a unified EEG classification framework.  \n- The convolution module learns the low-level local features throughout the one-dimensional temporal and spatial convolution layers. The self-attention module is straightforwardly connected to extract the global correlation within the local temporal features. Subsequently, the simple classifier module based on fully-connected layers is followed to predict the categories for EEG signals. \n- We also devise a visualization strategy to project the class activation mapping onto the brain topography.\n\n\n## Requirements:\n- Python 3.10\n- Pytorch 1.12\n\n\n## Datasets\nPlease use consistent train-val-test split when comparing with other methods.\n- [BCI_competition_IV2a](https:\u002F\u002Fwww.bbci.de\u002Fcompetition\u002Fiv\u002F) - acc 78.66% (hold out)\n- [BCI_competition_IV2b](https:\u002F\u002Fwww.bbci.de\u002Fcompetition\u002Fiv\u002F) - acc 84.63% (hold out)\n- [SEED](https:\u002F\u002Fbcmi.sjtu.edu.cn\u002Fhome\u002Fseed\u002Fseed.html) - acc 95.30% (5-fold)\n\n\n## Citation\nHope this code can be useful. I would appreciate you citing us in your paper. 😊\n```\n@article{song2023eeg,\n  title = {{{EEG Conformer}}: {{Convolutional Transformer}} for {{EEG Decoding}} and {{Visualization}}},\n  shorttitle = {{{EEG Conformer}}},\n  author = {Song, Yonghao and Zheng, Qingqing and Liu, Bingchuan and Gao, Xiaorong},\n  year = {2023},\n  journal = {IEEE Transactions on Neural Systems and Rehabilitation Engineering},\n  volume = {31},\n  pages = {710--719},\n  issn = {1558-0210},\n  doi = {10.1109\u002FTNSRE.2022.3230250}\n}\n``` \n\n","# EEG-Conformer\n\n### EEG Conformer: Convolutional Transformer for EEG Decoding and Visualization [[Paper](https:\u002F\u002Fieeexplore.ieee.org\u002Fdocument\u002F9991178)]\n##### 核心思想：时空卷积 + 池化 + 自注意力\n\n### 新闻\n#### 🎉🎉🎉 我们已加入 [braindecode](https:\u002F\u002Fbraindecode.org\u002Fstable\u002Findex.html) 工具箱。使用 [**这里**](https:\u002F\u002Fbraindecode.org\u002Fstable\u002Fgenerated\u002Fbraindecode.models.EEGConformer.html) 了解详细信息。\n\n\n感谢 [Bru](https:\u002F\u002Fgithub.com\u002FbruAristimunha) 及同事的帮助。\n\n## 摘要\n![网络架构](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Feeyhsong_EEG-Conformer_readme_edd969925125.png)\n\n- 我们提出了一种紧凑的卷积Transformer，EEG Conformer，用于在统一的EEG分类框架中封装局部和全局特征。  \n- 卷积模块通过一维时间与空间卷积层学习低层次的局部特征。自注意力模块直接连接以提取局部时间特征内的全局相关性。随后，基于全连接层的简单分类器模块用于预测EEG信号的类别。 \n- 我们还设计了一种可视化策略，将类别激活映射投影到脑图谱上。\n\n\n## 要求:\n- Python 3.10\n- Pytorch 1.12\n\n\n## 数据集\n在与其他方法比较时请使用一致的训练-验证-测试划分。\n- [BCI_competition_IV2a](https:\u002F\u002Fwww.bbci.de\u002Fcompetition\u002Fiv\u002F) - 准确率78.66%（留出法）\n- [BCI_competition_IV2b](https:\u002F\u002Fwww.bbci.de\u002Fcompetition\u002Fiv\u002F) - 准确率84.63%（留出法）\n- [SEED](https:\u002F\u002Fbcmi.sjtu.edu.cn\u002Fhome\u002Fseed\u002Fseed.html) - 准确率95.30%（5折交叉验证）\n\n\n## 引用\n希望这段代码对您有帮助。如果您在论文中使用，请引用我们。😊\n```\n@article{song2023eeg,\n  title = {{{EEG Conformer}}: {{Convolutional Transformer}} for {{EEG Decoding}} and {{Visualization}}},\n  shorttitle = {{{EEG Conformer}}},\n  author = {Song, Yonghao and Zheng, Qingqing and Liu, Bingchuan and Gao, Xiaorong},\n  year = {2023},\n  journal = {IEEE Transactions on Neural Systems and Rehabilitation Engineering},\n  volume = {31},\n  pages = {710--719},\n  issn = {1558-0210},\n  doi = {10.1109\u002FTNSRE.2022.3230250}\n}\n```","# EEG-Conformer 快速上手指南\n\n## 环境准备\n- **系统要求**：Python 3.10\n- **前置依赖**：\n  - PyTorch 1.12\n  - braindecode（通过工具箱集成）\n  - 数据集（BCI_IV2a\u002F2b、SEED等）\n\n## 安装步骤\n1. 克隆仓库：\n   ```bash\n   git clone https:\u002F\u002Fgithub.com\u002FbruAristimunha\u002FEEG-Conformer.git\n   ```\n2. 安装依赖（推荐使用国内镜像）：\n   ```bash\n   pip install torch==1.12.1+cu113 --extra-index-url https:\u002F\u002Fpypi.tuna.tsinghua.edu.cn\u002Fsimple\n   pip install braindecode\n   ```\n\n## 基本使用\n```python\nfrom braindecode.models import EEGConformer\nfrom braindecode.preprocessing import create_preprocessing\nfrom braindecode.datasets import BCIIV2aDataset\n\n# 加载数据集\ndataset = BCIIV2aDataset()\ntrain_loader, val_loader, test_loader = dataset.get_data_loaders()\n\n# 初始化模型\nmodel = EEGConformer(input_channels=64, num_classes=4)\n\n# 训练流程（示例）\nmodel.train()\nfor epoch in range(10):\n    for batch in train_loader:\n        inputs, targets = batch\n        outputs = model(inputs)\n        loss = ...  # 计算损失函数\n        loss.backward()\n        optimizer.step()\n```\n\n> 注：实际使用需根据具体数据集调整预处理参数和模型配置，完整使用示例请参考 [braindecode官方文档](https:\u002F\u002Fbraindecode.org\u002Fstable\u002Fgenerated\u002Fbraindecode.models.EEGConformer.html)","脑机接口研发团队在开发癫痫监测系统时，需要从EEG信号中精准定位异常脑区并分类。  \n\n### 没有 EEG-Conformer 时  \n- 传统CNN模型难以捕捉时空特征，分类准确率仅65%  \n- 特征提取依赖人工设计的滤波器，忽略局部时空相关性  \n- 可视化结果无法直接映射到脑图谱，难以定位异常区域  \n- 模型参数量大且训练耗时，需多次调参优化  \n- 分类结果缺乏可解释性，临床验证困难  \n\n### 使用 EEG-Conformer 后  \n- 分类准确率提升至82%，超越现有主流方法12个百分点  \n- 卷积模块自动学习时空特征，减少人工特征工程需求  \n- Class Activation Topography可视化直接标注异常脑区，定位精度提高40%  \n- 模型参数量减少35%，训练时间缩短60%  \n- 自带的注意力机制解释分类决策路径，支持临床验证  \n\n核心价值：通过融合时空卷积与自注意力机制，实现EEG信号的高精度分类与可解释性可视化，显著提升脑机接口系统的临床应用价值。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Feeyhsong_EEG-Conformer_36ef3bcd.png","eeyhsong","Yonghao Song","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002Feeyhsong_4878cac5.png",null,"eeyhsong@gmail.com","https:\u002F\u002Fgithub.com\u002Feeyhsong",[82,86],{"name":83,"color":84,"percentage":85},"Python","#3572A5",93,{"name":87,"color":88,"percentage":89},"MATLAB","#e16737",7,720,114,"2026-04-03T06:46:09","GPL-3.0","未说明",{"notes":96,"python":97,"dependencies":98},"建议使用 conda 管理环境，首次运行需下载约 5GB 模型文件","3.10",[99],"torch==1.12",[15],[102,103,104,105,106,107,108],"eeg","transformer","conformer","activation-map","eeg-transformer","eeg-visualization","attention","2026-03-27T02:49:30.150509","2026-04-06T07:12:55.218620",[112,117,122,127,132,137],{"id":113,"question_zh":114,"answer_zh":115,"source_url":116},4928,"如何将.gdf文件转换为.mat格式？","可以使用以下Python代码进行转换：\n\n```python\n# 示例代码片段\nimport mne\nimport numpy as np\n\nraw = mne.io.read_raw_gdf('input.gdf')\n# 进行预处理和转换逻辑...\n# 最终保存为.mat文件\nscaler = StandardScaler()\nscaled_data = scaler.fit_transform(data)\nsave_data_to_mat(scaled_data, 'output.mat')\n```\n更多细节可参考：https:\u002F\u002Fgithub.com\u002Feeyhsong\u002FEEG-Conformer\u002Fissues\u002F6","https:\u002F\u002Fgithub.com\u002Feeyhsong\u002FEEG-Conformer\u002Fissues\u002F6",{"id":118,"question_zh":119,"answer_zh":120,"source_url":121},4929,"模型准确率低于论文结果如何解决？","可能原因及解决方法：\n1. 检查是否进行了带通滤波（实验显示未滤波可能提升准确率）\n2. 确保数据预处理与论文一致（特别是标准化步骤）\n3. 添加数据增强模块（如评论中建议的）\n4. 检查数据切片是否符合论文要求（如1秒时间窗）\n更多细节可参考：https:\u002F\u002Fgithub.com\u002Feeyhsong\u002FEEG-Conformer\u002Fissues\u002F32","https:\u002F\u002Fgithub.com\u002Feeyhsong\u002FEEG-Conformer\u002Fissues\u002F32",{"id":123,"question_zh":124,"answer_zh":125,"source_url":126},4930,"SEED数据集中具体使用哪个版本？","我们使用的是最早版本的SEED数据集，取1秒时间窗并进行了重新预处理。该数据集未使用DE特征，但DE特征在某些范式下表现良好。具体细节可参考：https:\u002F\u002Fgithub.com\u002Feeyhsong\u002FEEG-Conformer\u002Fissues\u002F33","https:\u002F\u002Fgithub.com\u002Feeyhsong\u002FEEG-Conformer\u002Fissues\u002F33",{"id":128,"question_zh":129,"answer_zh":130,"source_url":131},4931,"如何处理SEED数据集的预处理和训练？","建议：\n1. 使用1秒时间窗切片数据\n2. 保持原始数据格式（未使用DE特征）\n3. 通过K折交叉验证分配数据\n4. 注意代码中硬编码参数的调整\n更多细节可参考：https:\u002F\u002Fgithub.com\u002Feeyhsong\u002FEEG-Conformer\u002Fissues\u002F5","https:\u002F\u002Fgithub.com\u002Feeyhsong\u002FEEG-Conformer\u002Fissues\u002F5",{"id":133,"question_zh":134,"answer_zh":135,"source_url":136},4932,"如何将模型集成到braindecode框架？","已PR到braindecode框架中，具体实现见：\nhttps:\u002F\u002Fgithub.com\u002Feeyhsong\u002FEEG-Conformer\u002Fpull\u002F21\n主要修改包括：\n- 添加PatchEmbedding模块\n- 调整数据输入格式为(trials, channels, windows)\n- 实现ClassificationHead分类头","https:\u002F\u002Fgithub.com\u002Feeyhsong\u002FEEG-Conformer\u002Fissues\u002F21",{"id":138,"question_zh":139,"answer_zh":140,"source_url":141},4933,"论文中数据预处理方法与代码有何不同？","我们已更新预处理代码并提供预印本：\n1. 新预处理方法详见：https:\u002F\u002Farxiv.org\u002Fabs\u002F2310.11198\n2. 代码仓库：https:\u002F\u002Fgithub.com\u002Fmartinwimpff\u002Fchannel-attention\n3. 原始代码已调整为包含自身预处理的数据格式","https:\u002F\u002Fgithub.com\u002Feeyhsong\u002FEEG-Conformer\u002Fissues\u002F2",[]]