EEG脑电信号常用处理方法

一. 关于脑电信号

今年中旬，在马斯克召开的发布会，其名下Neuralink 的脑机接口植入技术引发热议，脑-机接口（brain-computer interface, BCI）技术也成为了当前信息交互的研究热点，意念控制似乎离我们不再遥远，而脑电信号（electroencephalography， EEG）由于易操作性，安全性等特点，受到了科研工作者的广泛关注，如何准确得利用脑电信号来实现操控，信号的处理问题便成为了重中之重。

目前，运用较为广泛的信号是当受试者自主想象某种特定动作所产生的神经活动，称之为基于运动想象（Motor Imagery，MI）的脑电信号。研究表明，当受试者进行手、脚、舌头动作的运动想象，大脑皮层对侧和同侧运动感觉区的μ频带（8-13Hz）表现显著，而对侧区域其节律能量下降，该现象被称为事件相关同步/去同步（ERD/ERS）现象， 这种电生理现象常被用作运动想象脑电信号的分类标准， 用来辨别受试者的运动意图，为信号的特征提取提供了依据。

BCI 的实现主要涉及信号处理和模式识别。信号处理包括数据的预处理，如滤波、伪迹去除，还有关键的特征提取技术。利用机器学习技术，对输入特征进行分类。

接下来便对脑电信号（EEG）的相关方法进行一个简单的概括以便后续的学习：

二. 脑电信号处理算法概括：

通过查阅大量论文以及国际竞赛的数据，对脑电信号处理方法概括如下：

一.信号预处理方法：

1.去趋势化
2.独立成分分析（独立分量分析）
3.带通滤波去伪迹
4.陷波滤波
5.盲源分析

二.特征提取及其算法：

脑电信号是一种 5-100μv和低频的生物电信号，需放大后才能显示和处理。在脑电信号处理与模式识别系统中，为了正确的识别 EEG 信号，信号的处理应该包括以下三个部分：预处理、特征选择与提取以及特征分类。信号预处理主要为了去除低频噪声干扰，如利用空间滤波器（CAR）滤除眼电、肌电等低频噪声干扰。特征提取与选择主要是为了降低脑电数据的维数和提取出与分类相关的特征。

EEG数据的特征主要有三种：时域特征、频域特征与空域特征，不同的特征需要采取不同的特征提取方法，如空域特征一般采用空域滤波器(共同空间模式,CSP)进行提取，频域特征一般采用傅立叶变换、小波变换或自回归(Auto-Regressive, AR)模型获取。特征分类主要是利用分类算法对提取到的特征进行分类，主要分为两个步骤：首先，利用训练样本特征进行模型的训练，获取分类的参数，然后，用训练好的分类器来获取测试样本特征的类别。目前，较常用的分类器有 Fisher、支持向量机(SVM)、神经网络分类器(Neural network classifier)和贝叶斯分类器(Bayesian classifier)等。

BCI 的实现主要涉及信号处理和模式识别。信号处理包括数据的预处理，如滤波、伪迹去除，还有关键的特征提取技术。文献中的特征提取方法一般有：

频域分析：
自回归（AR）模型、功率谱估计；
时频分析：
小波变换、小波包变换、局部均值分解；空间域有主成
分分析（PCA）、独立分量分析（ICA）和共空间模式
（CSP），用于多导联的脑电信号。
模式识别是利用机器学习技术，对输入特征进行分类。
常用的二分类技术：
线性判别分析（LDA）、神经网络（NN）、支持向量
机（SVM）、基于随机森林和 Boosting 的集成技术。

通过对相关文献的研究，信号变换和分解的方法
多样，一般在信号处理后选取能量、熵等作为特征，但
变换方法及提取的特征单一化，无法多方面地表示脑
电信号，因此一般选用易于理解、计算量小、效果
良好的算法。

一些方法和分类器列表：
1.三层小波分析:frequecy domain
2.Hilbert变换:amplitude domain
3.岭回归分析
4.滑动窗技术
5.共空间算法
6.相关性分析法
7.利用功率谱的Fisher比来选择滤波频带的DCSP算法
8.ICA算法（互信息极小算法、JADE算法、FastIA算法、Infomax算法（同步分离的扩展Infomax算法））
9.SCM分类识别
10.(complex)Morlet wavelet transform:Time domain
11.fast Fourier transform:Frequecy domain
12.Feature subset selection(FSS)
13.Band bower ratios
14.MANOVA algorithm for SVM(支持向量机)
15.prediction neural networks(PNN)
16.Hjorth prameters two hidden markov model
17.(adoptive) auto regressive parameters
18.leaner discriminant analysis
19.common spatial subspace decomposition algorithm(CSSD)
20.classifier : Bayesian Gibbs sampling Laplace approximation Expectation propagation k-nearest neighbor linear minimum sum of squred error classifier
21.自回归（AR）
22.共空间模式（CSP）
23.离散小波变换（DWT）
24.功率谱密度（PSD）

三.验证方法：

10折交叉验证分析稳定性

脑电信号处理在python中实现工具MNE链接