特征提取器



希望了解更多的道友点这里
0. 分享【脑机接口 + 人工智能】的学习之路
1.1 . 脑电EEG代码开源分享 【1.前置准备-静息态篇】
1.2 . 脑电EEG代码开源分享 【1.前置准备-任务态篇】
2.1 . 脑电EEG代码开源分享 【2.预处理-静息态篇】
2.2 . 脑电EEG代码开源分享 【2.预处理-任务态篇】
3.1 . 脑电EEG代码开源分享 【3.可视化分析-静息态篇】
3.2 . 脑电EEG代码开源分享 【3.可视化分析-任务态篇】
4.1 . 脑电EEG代码开源分享 【4.特征提取-时域篇】
4.2 . 脑电EEG代码开源分享 【4.特征提取-频域篇】
4.3 . 脑电EEG代码开源分享 【4.特征提取-时频域篇】
4.4 . 脑电EEG代码开源分享 【4.特征提取-空域篇】
5 . 脑电EEG代码开源分享 【5.特征选择】
6.1 . 脑电EEG代码开源分享 【6.分类模型-机器学习篇】
6.2 . 脑电EEG代码开源分享 【6.分类模型-深度学习篇】
汇总. 专栏：脑电EEG代码开源分享【文档+代码+经验】

0 . 【深度学习】常用网络总结

本文档旨在归纳BCI-EEG-matlab的数据处理代码，作为EEG数据处理的总结，方便快速搭建处理框架的Baseline，实现自动化、模块插拔化、快速化。本文以任务态（锁时刺激，如快速序列视觉呈现）为例，分享脑电EEG的分析处理方法。
脑电数据分析系列。分为以下6个模块：

1. 前置准备
2. 数据预处理
3. 数据可视化
4. 特征提取（特征候选集）
5. 特征选择（量化特征择优）
6. 分类模型

本文内容：【4. 特征提取-频域篇】

特征提取作为承上启下的重要阶段，是本系列中篇幅最长的部分。承上，紧接预处理结果和可视化分析，对庞大的原始数据进行凝练，用少量维度指标表征整体数据特点；启下，这些代表性、凝练性的特征指标量化了数据性能，为后续的认知解码、状态监测、神经调控等现实需求提供参考。

特征提取的常用特征域为时域、频域、时频域、空域等。本文特征主要为手动设置的经验特征，大多源于脑科学及认知科学的机制结论，提取的特征具有可解释的解剖、认知、物理含义；也有部分是工程人员的实践发现，在模型性能提升中效果显著。

特征提取的代码框图、流程如下所示：

时域-特征提取的主要功能，分为以下2部分：

• 统计特征：过零率、标准差、能量、差分、AR等
• 熵类特征：近似熵、样本熵、李雅普诺夫指数、混合熵等

统计特征是脑电数据最初的刻画方式，前人认为脑电信号属于信号分析的一种，便引入常用的统计学指标来刻画。统计学指标大家比较熟悉，需要对一定时间窗内的数据统计分析，因此对于长时间的脑电信号更友好。统计学指标大多具有现实含义，如过零率代表信号沿零值翻转频率，标准差表示数据偏离均值程度，差分特征表示离散点间的变化速率等。
近期文献中越来越多使用高阶数特征，例如高阶中心距、高阶远点距等，文献中解释说高阶特征包含丰富脑电信息。本人也应用过高阶特征在分类任务中，确实会提升分类性能，但是存在比较严重的过拟合问题，由于高阶特征的高幂特性导致数值指数级增长 or 降低，无论是否后续归一化都会影响特征分布，建议在开集测试分类中慎用。并且其对应的认知含义还不清，仍期待更多的研究进展。

时域-统计学特征：

时域-熵类特征：
熵类特征在近期成为脑电处理的热门话题，文献中声明的熵类特征均有不错性能，例如近似熵、样本熵、李雅普诺夫指数、混合熵等，本人在研究中也发现部分熵类确实提高准确率，推荐大家尝试。
熵类特征的主要思想在于其非线性，通过e或者log计算获得非线性表现。个人根据e或者log曲线认为，熵类特征通过 拉伸 或 压缩 原特征数值，对原特征产生畸变效果，主要决定因素还是原特征的取值范围。熵类特征依靠经验较难，更推荐大家广撒网的尝试，还要注意是否特征进行归一化和标准化。熵类特征也存在短板，例如计算时间明显长于线形特征，并且熵类特征具体含义细节也需要进一步研究。

• 代码名称：代码命名为Festure_ candidate_xxx (time / freq/ imf/ space)
• 参数设置：预处理结果采样率时域是否非线性熵特征（耗时）频域均分分辨度imf阶数space对比通道数及频带范围。
• 输入格式：输入格式承接规范预处理最后一项输出，Proprocess_xxx(预处理最终步骤)_target/nontarget。
• 输出及保存格式：输出格式为试次数*特征个数，按照除空域特征外，按照通道的特征拼接，先为1通道内的所有特征，接着2通道的所有特征。保存文件名称为Festure_candidate_xxx(特征域名称)_target/nontarget。

可视化内容可以选择，把希望可视化特征域写在Featute_content 中

• 一次进行10人次的批处理，subject_num = [1;10]
• 特征提取内容： Featute_content = [‘time’,‘freq’,‘time_freq’,‘space’]; 时域、频域、时频域、空域均分析
• 时域特征内容：过零率，标准差、近似熵，样本熵，AR。Featute_time_content = [‘cross_zero’,‘std’,‘apen’,‘sampentropy’,‘ar’];

导入上一步预处理阶段处理后的数据：

主函数中 调用时域提取函数

主体调用函数Festure_candidate_time

3.2.1 过零率 特征

3.2.2 标准差 特征

3.2.3 近似熵 特征（计算时间较长）

近似熵函数：

3.2.4 样本熵 特征（计算时间较长）

样本熵函数：

3.2.5 AR 特征

时域特征主体函数 Festure_candidate_time ：

脑电在时间分辨率的优势，注定其在时域有丰富的潜在特征。
脑电时域特征也从有严谨推导的统计特征，逐步扩展至实用有效地熵类特征。

推荐大家广泛学习时序信号处理的方法，可以移植和创新大量的新算法。
脑电信号作为信号处理的一种，例如阵列信号处理的经典算法都有应用基础。

同时，对经典特征的融合、组合也是发掘更优混合特征的常用方式。
大家可以探索和发掘是用自己研究的优质特征策略。

目前多样性的特征还在不断发展、丰富，新的特征提取方法逐渐多元化。
进阶特征如脑网络、拓扑图等，基于人工智能的端到端特征提取方法，会在新的专栏中介绍。

囿于能力，挂一漏万，如有笔误请大家指正~

感谢您耐心的观看，本系列更新了约30000字，约3000行开源代码，体量相当于一篇硕士工作。

往期内容放在了文章开头，麻烦帮忙点点赞，分享给有需要的朋友~

坚定初心，本博客永远：
免费拿走，全部开源，全部无偿分享~

自己：脑机接口+人工智领域，主攻大脑模式解码、身份认证、仿脑模型…
在读博士第3年，在最后1年，希望将代码、文档、经验、掉坑的经历分享给大家~
做的不好请大佬们多批评、多指导~ 虚心向大伙请教！
想一起做些事情 or 奇奇怪怪点子 or 单纯批评我的，请至

版权声明：

本文来源网络，所有图片文章版权属于原作者，如有侵权，联系删除。

本文网址：https://www.mushiming.com/mjsbk/8921.html