EEG信号特征提取算法

更多技术干货第一时间送达

时域分析与频域分析

EEG信号特征提取就是以脑电信号作为源信号，确定各种参数并以此为向量组成表征信号特征的特征向量。

特征參数主要包括时域信号(如幅值)和频域信号(如频率)两大类，相应的特征提取方法也分为时域法、频域法和时-频域方法。

频域分析方法主要是基于EEG信号各频段功率、相干等。

这类方法是建立在假设EEG信号具有平稳特性的基础上，同时只是考虑信号的频域信息，忽略信号在时间上的分辨率。在EEG信号研究中，常用的频域分析方法包括功率谱估计(直接发和间接法)。

时域分析方法则主要分析EEG波形的几何性质，如幅度、均值、方差、偏歪度、峭度等。

这类方法主要是利用EEG波形的性质，如波幅、均值、方差、偏歪度和峭度等对临床EEG记录进行观察分析。在EEG信号研究中，常用的时域分析方法有：过零点分析、直方图分析、方差分析、相关分析、峰值检测、波形参数分析和波形识别等。

常使用的特征提取方法：

自回归(auto regressive, AR)、傅里叶变换(Fourier transform,FT)、表面拉普拉斯(surface-Laplacian)变换和小波变换(Wavelet transform,WT)

不同特征提取方法特点

快速傅里叶变换(Fast Fourier transform, FFT)

经典的FFT在分析确定信号和平稳信号时很有效，但在分析突变信号的频谱时具有一定的局限性。

对于alpha波、beta波等脑电基本节律，功率谱分析或FFT等方法可以从频域中直接提取出特征。

稀疏傅里叶变换(Sparse Fourier transform, SFT)

SFT是时间窗内信号特征的平均，时间窗里信号越短，获得的时间分辨率就越高。该方法在一定程度上克服了FFT不具有的局部分析能力的缺陷，在某些信号处理中有一定的作用。

自适应自回归(Adaptive Auto Regressive ,AAR)

AAR模型参数方法随每一样本点的输入而改变，能够很好地反映大脑的状态。不过，该方法更适合分析平稳的脑电信号，对包含高度非平稳信号的运动想象EEG，该模型是有局限性的。

小波变换(Wavelettransform, WT)

小波变换在低频时的时间分辨率较低，而频率分辨率较高；在高频时的时间分辨率较高，而频率分辨率较低，正符合低频信号变化緩慢而高频信号变化较快的特点。因此小波分析比傅里叶变换和短时傅里叶变换更适合分析非平稳的脑电信号。

更多阅读

本站仅提供存储服务，所有内容均由用户发布，如发现有害或侵权内容，请点击举报。