第二讲_EEG信号预处理与特征量
EEG培训课件
eeg的发展历程
EEG技术自19世纪末期诞生以 来，经历了多个发展阶段。
从最初的简单脑电记录设备， 到现代的高分辨率脑电技术， EEG的精度和稳定性不断提高
。
随着计算机技术的发展，数字 信号处理和机器学习等技术也 进一步提升了EEG的应用价值
。
eeg的应用场景
在临床医学领域，EEG被用于诊断癫痫、多动症、自闭症等疾病，以及监测脑死 亡和昏迷病人的脑电活动。
03
eeg实践操作指南
eeg设备选择与使用
设备选择
使用前准备
根据实验需求和预算，挑选合适的EEG设备 。考虑设备的品牌、型号、性能和价格等因 素。
熟悉设备的操作说明和注意事项，准备好所 需的实验用品，如电极膏、电极帽、毛巾、 洗浴用品等。
设备佩戴
设备调整
根据实验要求，正确佩戴EEG设备，确保电 极与头皮紧密接触，减少干扰。
特征提取
提取脑电信号的特征，如频率、幅度、相 位等。
eeg数据分析方法
时域分析
观察脑电信号的时域波形，分析大 脑皮层神经元的放电模式。
频域分析
将脑电信号进行频谱分析，观察不 同频率成分的能量分布。
时频分析
结合时域和频域分析，观察大脑皮 层神经元在不同时间点的放电模式 和频率分布。
空间分析
结合脑功能区的结构，分析不同脑 区的神经元放电特征和相互作用。
根据实验需要，调整设备的参数和设置，如 采样率、滤波器类型、电极位置等。
eeg数据采集流程
实验设计
根据研究目的和要求，设计实验方案 和任务，确定实验流程和时间安排。
数据采集
按照实验设计，进行EEG数据采集。 确保采集过程中无干扰，实时监控 数据质量。
脑电信号的分析方法
脑电信号的分析方法脑电信号的分析方法是通过对脑电图（electroencephalogram, EEG）的采集和处理来研究脑电活动的方法。
脑电信号是来自人体头皮上电极的微弱电信号，反映出大脑神经元的集体活动。
脑电信号的分析方法对于研究大脑的功能和异常状态具有重要的意义，主要用于认知神经科学、神经生理学、神经工程学和临床神经医学等领域。
脑电信号的分析包括信号预处理和特征提取两个主要步骤。
信号预处理用于降低噪音干扰并增强有用信号，以便更好地解读脑电图。
特征提取则是从脑电信号中提取出与特定脑电活动相关的特征参数，用于定量分析和比较。
在信号预处理方面，常用的方法包括滤波、去除噪声和伪迹等。
滤波是将不同频率段的信号分离开来，以提取感兴趣的频率分量。
低通滤波器用于去除高频噪声，高通滤波器则用于去除低频噪声。
去除噪声的方法包括采用平均值滤波器和中值滤波器等。
伪迹则是因为头皮上电极和患者活动引起的信号干扰，可以通过参考电极和重采样等技术来进行处理。
特征提取是脑电信号分析的核心部分，可以从时域、频域和时频域等不同角度对脑电信号进行分析。
时域分析中，常用的特征包括振幅、功率、均值、方差和时域相关性等。
频域分析中，常用的特征包括频谱能量、频谱峰值、频带能量比和相干性等。
时频域分析则结合了时域和频域的特点，可以揭示脑电信号的时变特性。
除了传统的脑电信号分析方法之外，近年来还涌现出一系列新的分析方法，如事件相关电位（event-related potential, ERP）、脑网络分析和机器学习等。
事件相关电位是一种特殊类型的脑电信号，由于外部刺激或任务而引起，可以用于研究认知过程和脑功能异常。
脑网络分析则通过分析脑电信号的相互连接关系来揭示脑区之间的功能连接和信息传递。
机器学习是一种基于统计学和数据挖掘的方法，通过训练算法对大量的脑电数据进行分类、识别和预测，具有较高的自动化程度和预测性能。
总之，脑电信号的分析方法是多种多样的，涉及到信号预处理、特征提取和高级分析等多个环节。
eeg预处理原理
EEG（Electroencephalography，脑电图）是指在头皮上采集到的脑电信号。
在进行EEG信号分析之前，需要对原始EEG信号进行预处理。
EEG预处理是一个非常重要的步骤，它可以去除噪声、伪迹和其他干扰，并提高信号的质量，以便后续对EEG信号进行分析和解释。
本文将介绍EEG预处理的原理。
1. 信号滤波EEG信号包含多种频率成分，通常包括直流分量、低频分量、高频分量和干扰成分（如60 Hz的电源干扰）。
为了去除这些成分，需要进行信号滤波。
常用的滤波方法包括低通滤波、高通滤波和带通滤波。
低通滤波可以去除高频噪声，高通滤波可以去除低频噪声，而带通滤波可以提取特定频率范围内的信号。
2. 去除伪迹在EEG信号采集过程中，可能会出现眼动伪迹和肌电伪迹等干扰。
眼动伪迹是由于眼睛运动产生的电信号，而肌电伪迹则是由于头皮上的肌肉运动产生的电信号。
这些伪迹与脑电信号相混合，会影响EEG信号的分析结果。
因此，在进行EEG预处理时，需要尽可能去除这些伪迹。
常用的去除眼动伪迹的方法有ICA（独立成分分析）和卡尔曼滤波。
ICA是一种信号分离方法，可以将混合的EEG信号分离成不同的成分。
卡尔曼滤波则是一种递归滤波器，可以根据已知的状态和测量值来估计未知的状态值，并去除噪声。
对于去除肌电伪迹，通常采用高通滤波的方法。
3. 睡眠分期睡眠分期是指将睡眠过程中的EEG信号分为多个阶段，以便对睡眠过程进行分析。
根据国际睡眠学会的标准，通常将睡眠分为清醒、浅睡眠、深睡眠和快速眼动期（REM）四个阶段。
睡眠分期通常使用机器学习算法进行分类。
常用的算法包括支持向量机（SVM）、人工神经网络和决策树等。
这些算法可以对EEG 信号的频谱特征、时域特征和时频特征进行分类，以确定睡眠阶段。
4. 特征提取EEG信号是一组时间序列数据，其中包含大量信息。
在进行EEG 信号分析时，需要提取EEG信号中的有效信息。
常用的特征提取方法包括时域特征提取、频域特征提取和时频特征提取。
EEG培训课件
大脑神经电活动是产生EEG信号的主要来源。大脑神经元放电活动的同步性，可 以在头皮上通过EEG仪器记录到。
EEG信号的采集和处理
EEG信号的采集
EEG信号采集时，通常采用多个电极和多通道同时采集。电 极通常放置在头皮的不同位置，以记录不同区域的神经电活 动。
EEG信号的处理
EEG信号处理包括预处理、特征提取和数据分析等环节。预 处理包括滤波、放大和数字化等，特征提取和数据分析则涉 及到多种算法和技术。
神经康复
EEG可以评估神经康复患者的康复进程和疗效，如脑卒中康复、认知康复等，有 助于制定个体化的康复计划。
06
EEG的未来发展
EEG技术的未来趋势
增加通道数和降低侵入性
01
利用更多的电极和更先进的信号处理技术获取更精细的脑电信
号，同时采用非侵入性方式如干电极和光学成像技术等。
移动和可穿戴设备
02
由于EEG信号易受多种因素影响，不同研究 之间、不同实验室之间的结果难以直接比较 和重复。
隐私和伦理问题
技术普及和推广难度
采集和分析EEG信号时可能涉及到隐私和伦 理问题，需要制定相应的规范和标准。
EEG技术专业性较强，普及和推广难度较大 ，需要更多的教育和培训资源。
THANKS
谢谢您的观看
焦虑症
EEG可以检测焦虑症患者的神经生理异常，如β 波活动增强、α波抑制等，有助于焦虑症的诊断 和治疗。
精神分裂症
EEG可以检测精神分裂症患者的神经生理异常 ，如慢波异常、α波抑制等，有助于精神分裂症 的诊断和治疗。
EEG在脑机接口和神经康复领域的应用
脑机接口（BMI）
EEG可以用于脑机接口中，实现人脑与计算机或其他设备的直接通信和控制，如 脑控机器人、脑控家居等。
脑电信号处理算法优化方法
脑电信号处理算法优化方法脑电信号（Electroencephalogram, EEG）是一种记录大脑神经元电活动的非侵入性技术。
通过分析脑电信号，我们可以了解大脑的功能活动、认知过程和情绪等信息。
然而，由于脑电信号的特点复杂且噪声干扰大，因此需要经过一系列的信号处理算法来提取有用的信息。
本文将介绍一些脑电信号处理算法的优化方法。
1. 信号预处理脑电信号预处理是脑电信号处理的第一步，其目的是去除噪声干扰和对信号进行滤波处理。
通常的预处理方法包括滤波、去噪和伪迹消除。
滤波技术是预处理的关键步骤之一。
通常使用数字滤波器对原始脑电信号进行滤波处理，以去除高斯噪声和其他频率干扰。
常用的滤波算法包括低通滤波、高通滤波和带通滤波等。
为了更好地滤波脑电信号，我们可以采用优化滤波器设计方法，如基于优化算法的滤波器设计、自适应滤波器设计等。
在信号预处理中，去噪也是重要的一步。
脑电信号常常受到肌电噪声和眨眼等运动伪迹的干扰，而这些噪声干扰会降低信号质量。
为了去除这些噪声，我们可以采用经验模态分解（Empirical Mode Decomposition, EMD）方法或小波去噪方法。
经验模态分解可以将信号分解为多个固有模态函数和一个残差函数，通过将噪声与信号分离，实现去噪的目的。
而小波去噪方法则是通过使用小波分析技术，将噪声与信号分离。
2. 特征提取脑电信号中包含了丰富的信息，为了更好地理解脑电信号的意义，我们需要从中提取有效的特征。
常用的特征提取方法包括时域特征、频域特征和时频域特征。
时域特征是指对信号在时间上的统计特征进行分析，如均值、方差、标准差等。
频域特征则是对信号在频率上的统计特征进行分析，如功率谱密度、频率带能量等。
时频域特征则是综合考虑信号在时间和频率上的变化情况，如短时傅里叶变换、小波变换等。
为了更好地提取脑电信号的特征，我们可以采用机器学习算法进行特征选择和降维。
机器学习算法可以帮助我们从大量的特征中选择出对分类或识别任务最相关的特征，并将维度降低到更易处理的范围内。
EEG信号处理与分析方法的研究
EEG信号处理与分析方法的研究随着现代科技的不断发展，神经科学领域的探索也日益深入。
在神经科学中，EEG信号处理技术的研究日益成为一项重要的课题。
本文旨在介绍EEG信号处理分析的一些方法，包括基础的信号预处理、特征提取以及分类等方面。
一、EEG的概念及其应用EEG，即脑电图，是一种通过电极测量人脑不同区域电活动的技术。
EEG记录的是人脑皮层发放神经冲动的电位变化，是无创、高时空分辨率的神经记录技术之一。
EEG的应用广泛，并在医学和神经科学中具有重要的地位。
EEG技术能够用于诊断神经病理状态、研究意识状态和认知过程以及探究疾病的机制等方面的研究。
二、EEG信号处理的基本流程1.信号获取EEG信号是由在头皮上放置的多个电极记录获得的，这些电极将头皮上脑活动的电位变化转化为数字信号，在计算机上进行记录和处理。
EEG信号的采集受到诸多因素的影响，如电极间的距离和放置位置、噪声等。
2.信号预处理EEG信号预处理是指去除信号中的噪声和伪迹，使得后续的分析更加准确。
常用的预处理方法包括滤波、伪迹去除、信号重构等。
3.特征提取特征提取是从原始的EEG信号中提取有用的特征以用于后续分析的过程。
特征提取技术有很多，可以基于时域、频域、时频域等。
时域特征包括平均能量、均值、方差、互相关等；频域特征主要包括功率谱密度、幅值和相位等；时频域分析主要采用小波变换等。
4.分类分类是指将特征分类到不同的组别或类别中的过程，可以用于识别特定的认知状态或疾病状态等。
常见的分类算法包括支持向量机（SVM）、随机森林、神经网络等。
三、EEG信号处理技术的应用1.脑机接口技术脑机接口（Brain-machine interface，BMI）是将人脑活动转化为外部设备操作的技术，主要应用于残疾人辅助，人体活动状况的监测等方面。
通过使用EEG信号处理技术，从EEG信号中提取对应的意图，如运动意图、某种行为意图等，并将信息传递到外部设备上，实现对设备的控制。
EEG信号处理技术在脑机接口中的应用
EEG信号处理技术在脑机接口中的应用第一章：简介脑机接口（Brain-Computer Interface，BCI）是一种直接将人脑活动转化为特定指令的技术，可以使人与外界设备进行直接的交互。
在脑机接口系统中，脑电图（Electroencephalogram，EEG）是最常用的大脑活动监测手段之一。
本章将介绍EEG信号处理技术在脑机接口中的应用。
第二章：EEG信号采集与预处理2.1 EEG信号采集脑机接口系统使用EEG信号作为输入，因此准确、高效地采集EEG信号至关重要。
常用的EEG采集设备包括EEG电极帽和EEG脑电放大器。
电极帽可以覆盖头皮，并通过电极接触脑部的皮肤以测量电压变化。
脑电放大器负责放大、滤波和数字化处理脑电信号。
2.2 EEG信号预处理由于EEG信号受到多种因素的干扰，预处理步骤的目标是提取出有效的脑电信息并去除干扰。
预处理步骤包括去除基线漂移、滤波、噪声抑制、伪迹去除等。
常用的方法有均值滤波、小波变换和独立成分分析等。
第三章：EEG信号特征提取3.1 时域特征时域特征是指EEG信号在时间维度上的特征。
常见的时域特征包括平均绝对值、方差、斜度和峰值等。
这些特征可以揭示EEG信号的振幅、频率和幅频特性，为后续的分类和识别提供基础。
3.2 频域特征频域特征是指EEG信号在频率维度上的特征。
通过将EEG信号进行傅里叶变换或小波变换，可以得到信号在不同频段上的能量分布。
常用的频域特征包括功率谱密度、功率谱特性和频带能量等。
3.3 时频域特征时频域特征是指EEG信号在时间和频率维度上的特征。
通过采用时频分析方法，如短时傅里叶变换和连续小波变换，可以同时获得信号在时间和频率上的变化。
常用的时频域特征包括时频谱和色彩谱等。
第四章：EEG信号分类与识别4.1 机器学习方法机器学习方法在EEG信号分类与识别中得到了广泛应用，例如支持向量机、人工神经网络和随机森林等。
通过将提取得到的EEG信号特征输入到机器学习算法中进行训练，可以建立分类模型用于将来自不同脑功能区域的EEG信号进行分类与识别。
脑电波信号处理方法改进优化
脑电波信号处理方法改进优化概述：脑电波信号（EEG）是通过测量头皮上的电活动产生的一种生物电信号。
在医学、神经科学和认知科学研究中，EEG广泛用于识别和分析大脑功能和认知过程。
然而，由于EEG信号的低信噪比和复杂性，加上信号受到头皮和颅骨的干扰，EEG信号处理面临着许多挑战。
因此，改进和优化EEG信号处理方法对于提高信号质量，准确提取信息和解释脑动力学至关重要。
1. 信号预处理信号预处理是EEG信号处理中的重要步骤，旨在从原始EEG数据中去除噪声和干扰，提高信号质量。
常用的EEG信号预处理方法包括滤波、降噪、伪迹去除和零位化。
1.1 滤波滤波是常用的EEG信号预处理方法之一。
滤波分为低通滤波和高通滤波，可以去除信号中的高频或低频成分。
选择合适的截止频率对于去除噪声和保留有用信号非常重要。
此外，还可以使用带通滤波器，在特定频率段内保留信号。
1.2 降噪降噪指的是去除EEG信号中的噪声成分。
常用的EEG降噪方法有基于独立成分分析（ICA）的盲源分离和小波变换。
ICA可以将混合的脑电波信号分离成独立的成分，从而去除噪声成分。
小波变换可以将EEG信号通过变换和逆变换提取脑电动态。
1.3 伪迹去除伪迹是EEG信号处理中常见的问题，常指由于肌电或眼电活动、电极移动或环境干扰引起的与脑电波信号无关的成分。
伪迹去除方法包括基于阈值的方法、基于相关性的方法以及基于伪迹成分的方法。
1.4 零位化零位化是将EEG信号的平均值归零的过程，可以减少信号的偏移。
在零位化之前，通常还需要对信号进行分段，以便进行后续分析。
2. 特征提取特征提取是从经过预处理的EEG信号中提取有用的信息和特征，用于后续的分析和分类。
常用的特征提取方法包括时域特征提取和频域特征提取。
2.1 时域特征提取时域特征提取是指通过对EEG信号的波形进行分析，提取其统计信息和时域特征。
常用的时域特征包括平均值、方差、斜度和峰值等。
2.2 频域特征提取频域特征提取是指通过对EEG信号进行频谱分析，提取其频域特征。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
20
25
30
0.015
0.01
0.005
0
0
5
10
15 Hz
20
25
30
连续小波变换
连续小波变换
小波反变换
t b (W f )( a, b) | a | ( f (t ) ( )dt a 2 da f (t ) 0 [ (W f )(a, b)db] a 2 C
k j 2
g j (t )＝ d kj (2 j t k )
k
则有：fM(t)=fM-1(t)+gM-1(t) =fM-2(t)+gM-2(t)+gM-1(t)=…
=fM-N(t)+gM-N(t)+…+gM-1(t)
1、金字塔算法是对信号按频 带逐层分解，一直达到需要 的频带为止； 2、尺度函数分量为低通分量， 小波分量为各个频带的带通 分量。
EEG信号α波提取滤波器设计
频带为8-13Hz，所以设计带通滤波器，采样
频率为512，选择4阶椭圆滤波器，通带边缘 频率为[8.1, 12.8]
[B,A]=ellip(4,0.5,20,[8.1/256,12.8/256]) [h,f]=freqz(B,A,1000,512); plot(f(1:100),20*log(abs(h(1:100)))) axis([6,15,-60,5]) grid on
0
-10
-20
db
-30 -40 -50 -60 6
7
8
9
10 Hz
11
12
13
14
15
3
2
1
0
-1
-2
-3 6 7 8 9 10 11 12 13 14 15
滤波器参数
B =[0.097190441366968 -0.769432577410378 2.672998836022327 -5.322147245508169 6.642781096781421 -5.322147245508168 2.672998836022326 -0.769432577410377 0.097190441366968] A =[1 -7.868614767762873 27.153130827660359 -53.671367632725037 66.463174003175396 -52.800020096100070 26.278657639283775 -7.491593961776816 0.936634045474436]
主成分分析是一种通过降维技术把多个变量化为少 数几个主成分(即综合变量)的统计分析方法。这些 主成分能够反映原始变量的绝大部分信息，它们通 常表示为原始变量的某种线性组合。
寻找主成分的正交旋转
旋转公式：
y1 x1 cos x2 sin y2 x1 sin x2 cos
E[ x1 x p ] E[ x2 x p ] 2 E[ x p ]
该矩阵为实对称矩阵，且特征值都是非负实数，设 为 1 2 p 0，则存在正交矩阵P，使得
1 2 T PP E[(PX )(PX )T ] p
zi , N
xavg
1 M 1 M si M zi M i 1 i 1 savg zavg
声平均能量估计
单次信号平均能量估计:
s 2
1 N
2 s,n n 1
N
叠加平均信号平均能量估计:
2 s,avg
1 N 2 1 N M2 2 savg ,n 2 s*,n s 2 N n 1 N n 1 M
第二讲 EEG信号预处理及特征量
主讲人：谢宏 信息工程学院
信号预处理
叠加平均降噪（1维信号） 信号滤波（1维信号）
小波分解（DWT，1维信号）
主成分分解（PCA，多维信号） 独立分量分解（ICA，多维信号） Common
Spatial Pattern（CSP，多
维信号）
叠加平均降噪
1 0.8 0.6 0.4 0.2 0 -0.2 -0.4 -5 -4 -3 -2 -1 0 1 2 3 4 5
幅 频 谱
-2 -1 0 1 2 3 4
60 50 40 30 20 10 0 0
1.5
0.05
0.1
0.15
0.2
0.25
2、墨西哥草帽小波
(t ) c0 1 t )e （
2
IIR满足相同特性阶数较低，只能近似线性相位，必须浮
点运算 FIR满足相同特性阶数较高，可以做到严格线性相位，可 以采用整数运算
滤波器一般要结合实现时的计算效率和滤波器特性 等综合考虑
阶数 通带、阻带和过渡带特性
延迟
IIR滤波器
IIR滤波器的模型为： b0 b1 z 1 b2 z 2 bM z M H ( z) 1 a1 z 1 a2 z 2 aN z N IIR滤波器的类型：贝塞尔、巴特沃斯、切比雪夫I 型、切比雪夫II型和椭圆型 相位特性：贝塞尔>巴特沃斯>切比雪夫>椭圆 过渡带宽度：贝塞尔<巴特沃斯<切比雪夫<椭圆
2 1 0 -1
x 10
-4
脑电信号α波提取
-2 0 x 10
-5
2000
4000
6000
8000
10000
12000
14000
16000
4 2 0 -2 -4
0
2000
4000
6000
8000
10000
12000
14000
16000
0.04 0.03 0.02 0.01 0
频谱比较
0
5
10
15 Hz
2013-8-31
小波波形随尺度因子和位移因子的变化
a=1, b=0
a=1, b=6
a=3, b=6
a=1/3, b=6
常用连续小波函数
1、Morlet 小波
1
80 70
(t ) e
t2 2
cos(0t )
t2 2
函 数 图 像
0.8 0.6 0.4 0.2 0 -0.2 -0.4 -0.6 -0.8 -1 -4 -3
p2=0.2241438680420134, p4=-0.1294095225512603
1.4 1.2 1 尺 0.8 度 0.6 0.4 函 0.2 数 0 -0.2 -0.4 0 0.5 1 1.5 2 2.5 3
2 1.5
小 波 函 数
1 0.5 0 -0.5 -1 -1.5 0 0.5 1 1.5 2 2.5 3
主成分的定义及导出
X ( x1, x2 ,, x p )T 为一个 p 维随机向量，E(X)=0，其 设
协方差矩阵为
E[ x12 ] E[ x1 x2 ] 2 E[ x2 x1 ] E[ x2 ] E[ XX T ] E[ x x ] E[ x x ] p 1 p 2
单次噪声平均能量:
E zi ,n z j ,n
z2 n Ezi2,n z2
z2 , i j , i , j 1,, M 0, i j , i , j 1,, M
信号与噪声平均能量估计
叠加平均噪声平均能量:
2 z,avg
n Ez
2 s,avg s2 2 M SNRi 1 2 z,avg z
M
叠加平均在线计算
叠加平均批量计算公式:
xavg
1 M
x
i 1
M
i
叠加单次计算公式:
k 1 1 xavg (k ) xavg (k 1) xk k k
信号滤波
信号滤波涉及：低通、高通、带通、陷波 滤波个数有限； 2、尺度函数和小波函数的非零区域为[-4,4](紧支撑)；
3、尺度函数和小波函数连续。
常用小波
Haar小波(可以看作为Daubechies小波的特
例) Daubechies正交紧支撑小波(波形不对称) 半正交小波(波形具有对称性) 紧支撑双正交小波(波形可以具有对称性)
1 2
说明 a为尺度因子(对应频率)，较小的a对应高频，较大的a对应 低频； b为位移因子(对应时间)； ψ(t)为小波母函数，一般取具有单位能量的窗函数； 小波变换的值表示了信号f(t)与小波函数匹配的程度，例如若 对某个a和b的取值信号f(t)与小波完全相同，则小波变换为1。
令：
y1 u11 u12 y2 u21 u22 Y PX y u p p1 u p 2
HAAR正交小波
尺度系数：p0=1, p1=1 小波系数：q0=1, q1= -1
特点：
1、非零尺度系数和小波系数个数有限； 2、尺度函数和小波函数的非零区域为[0,1](紧支撑)；
3、尺度函数和小波函数不连续，频率窗太宽。
Db2紧支撑正交小波
尺度系数：
p0=0.4829629131445341, p1=0.8365123037378077
i
k
ckM (2 M t k )
重 构 ckj＝ [ pk 2 i cij 1 qk 2 i d i j 1 ] 算 i 法
注意：此算法与尺度函数和小波函数的形式无关
分解算法和重构算法的含意