脑电EEG代码开源分享 【4.特征提取-频域篇】

往期文章

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


脑电EEG代码开源分享 【4.特征提取-频域篇】

  • 往期文章
  • 一、前言
  • 二、特征提取 框架介绍
  • 三、代码格式说明
  • 三、脑电特征提取 代码
    • 3.0 参数设置
    • 3.1 标准输入赋值
    • 3.2 频域-特征提取
      • 3.2.1 频域特征提取函数
      • 3.2.2 均分频带 方法
      • 3.2.3 传统5频带 方法
  • 总结
  • To:新想法、鬼点子的道友:

一、前言

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】

提示:以下为各功能代码详细介绍,若节约阅读时间,请下滑至文末的整合代码


二、特征提取 框架介绍

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:

在这里插入图片描述

频域-特征提取的主要功能,分为以下3部分:

  • 传统5频带分段法
  • 均分频带法
  • 微分熵

传统5频带分段法:5个公认脑电频段范围如下表所示。由于5频带分段法具有一定的神经科学理论依据,目前5频带分段的频域能量提取方法应用最广泛。主要流程为分别计算各频段内的能量叠加。需要注意的是,各频段的边界频率仍存在争论,下表中4\8\14\30Hz的边界是普遍认可的。此外,建议脑电数据时间窗截取长一些,可以更准确刻画各频点的能量值,由于包括0.5Hz的频率分辨率,建议时间窗在2秒以上。
脑电EEG代码开源分享 【4.特征提取-频域篇】_第1张图片
均分频带法:本人在实际操作中也常用5频带法,但是不免发现一些工程应用上的限制。例如,当导联电极较少时,例如1导联,那么频域只能提取5个频域特征,难以满足分类器的输入需求。此外,5频带的划分相对宽泛、粗糙,大脑复杂丰富的功能仅划分5个频率区间,如果有宽度1Hz的细节特征会被淹没在宽频带中。
因此,我们提出一种偏工程类的均分频带方法,将脑电能量集中在0-60Hz的频带均分为30段,每段频带宽度为2Hz。均分方法可能缺少神经科学依据,但是在工程实践中大大提升了特征维度,用频域细节弥补空间信息,测试效果确实提升分类性能。均分频带法还能定位到精准频点,例如通过特征选择方法筛选出16-17Hz特征效果较好,有助于反向推动该16-17Hz频段与实验任务的机制研究
当然,均分频带法对于总体频带范围是0-60Hz还是10-80Hz,以及均分为30段还是40频带,都是可调整的,可根据采集的频率分辨率、导联数量、任务主要频带进行设置。
如下图蓝色虚线是5频带法,红色虚线是均分频带方法:
脑电EEG代码开源分享 【4.特征提取-频域篇】_第2张图片
微分熵:微分熵并不像上文单指一种频带分段方法,而是对特征附加的非线性变换,尤其在频域能量特征中效果显著。起初微分熵的应用在情绪分类等方向,目前应用范围逐渐扩大至运动想象、静息态检测等领域。计算的原理也较为简单,仅对能量特征求log。个人经验建议大家尝试一下,有的任务中确实有效,但有的数据中和简单能量特征的性能接近。
脑电EEG代码开源分享 【4.特征提取-频域篇】_第3张图片


三、代码格式说明

本文非锁时任务态(下文以静息态代替)范例为:ADHD患者、正常人群在静息状态下的脑模式分类

  • 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。

三、脑电特征提取 代码

提示:代码环境为 matlab 2018

3.0 参数设置

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:均分频带法、5频带法、微分熵。Featute_freq_content = [‘average_band’,‘five_band’,‘DE’];
  • 均分频带的窗口长度2Hz:freq_resolut = 2;
  • 均分频带的总体区间 1-60 Hz:freq_scale = [1;60];

%% 0.特征候选集-参数设置
%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
data_path = 'C:\Users\EEG\Desktop\basetest_flod\save_fold\';
svae_path = 'C:\Users\EEG\Desktop\basetest_flod\save_fold\';

subject_num = [1;10];
freq_resolut = 2;
freq_scale = [1;60];

Featute_content = ['time\','freq\','time_freq\','space'];

Featute_freq_content = ['average_band\','five_band\','DE\'];

disp(['||特征候选集-参数设置||']);
disp(['特征域内容: ' , Featute_content]);
disp(['时域-候选集: ' , Featute_time_content]);

3.1 标准输入赋值

导入上一步预处理阶段处理后的数据:


%% 1.标准输入赋值
Proprocess_target_file = load([data_path ,'Proprocess_target_',num2str(subject_num(1,1)),'_',num2str(subject_num(2,1))]);
Proprocess_nontarget_file = load([data_path ,'Proprocess_nontarget_',num2str(subject_num(1,1)),'_',num2str(subject_num(2,1))]);
stuct_target_name =  'Proprocess_target';
stuct_nontarget_name =  'Proprocess_nontarget';

Proprocess_target_data = Proprocess_target_file.(stuct_target_name).data;
Proprocess_nontarget_data = Proprocess_nontarget_file.(stuct_nontarget_name).data;

subject_num = Proprocess_target_file.(stuct_target_name).subject_num;
fs_down = Proprocess_target_file.(stuct_target_name).fs_down;

remain_trial_target = Proprocess_target_file.(stuct_target_name).remain_trial;
remain_trial_nontarget = Proprocess_nontarget_file.(stuct_nontarget_name).remain_trial;

disp(['目标试次剩余: ' , num2str(remain_trial_target),'||平均: ', num2str(mean(remain_trial_target))]);
disp(['非目标试次剩余: ' , num2str(remain_trial_nontarget),'||平均: ', num2str(mean(remain_trial_nontarget))]);

3.2 频域-特征提取

主函数中 调用频域提取函数

主函数 调用 频域 特征提取函数Festure_candidate_freq


%% 3.频域特征候选集
if contains(Featute_content,'freq')
disp(['频域特征计算中...']);

tic;
[Festure_freq_target,Festure_freq_candidate_num_target]= Festure_candidate_freq(Proprocess_target_data,Featute_freq_content,remain_trial_target,freq_resolut,fs_down,freq_scale);
[Festure_freq_nontarget,Festure_freq_candidate_num_nontarget]= Festure_candidate_freq(Proprocess_nontarget_data,Featute_freq_content,remain_trial_nontarget,freq_resolut,fs_down,freq_scale);   
if contains(Featute_freq_content,'DE')
Festure_freq_target = log(Festure_freq_target);
Festure_freq_nontarget = log(Festure_freq_nontarget);
end
t_freq_candidate_cost = toc;
disp(['频域特征计算完毕,耗时(秒): ',num2str(t_freq_candidate_cost)]);

Festure_candidate_freq_target = [];
Festure_candidate_freq_target.data  = Festure_freq_target;
Festure_candidate_freq_target.Featute_freq_content  = Featute_freq_content;
Festure_candidate_freq_target.remain_trial_target  = remain_trial_target;
Festure_candidate_freq_target.Festure_freq_candidate_num_target  = Festure_freq_candidate_num_target;
Festure_candidate_freq_target.fs_down = fs_down;

Festure_candidate_freq_nontarget = [];
Festure_candidate_freq_nontarget.data  = Festure_freq_nontarget;
Festure_candidate_freq_nontarget.Featute_freq_content  = Featute_freq_content;
Festure_candidate_freq_nontarget.remain_trial_nontarget  = remain_trial_nontarget;
Festure_candidate_freq_nontarget.Festure_freq_candidate_num_nontarget  = Festure_freq_candidate_num_nontarget;
Festure_candidate_freq_nontarget.fs_down = fs_down;

disp(['频域特征保存中...']);
save([ svae_path , 'Festure_candidate_freq_target_',num2str(subject_num(1,1)),'_',num2str(subject_num(2,1))],'Festure_candidate_freq_target');
save([ svae_path , 'Festure_candidate_freq_nontarget_',num2str(subject_num(1,1)),'_',num2str(subject_num(2,1))],'Festure_candidate_freq_nontarget');
disp(['频域特征保存完毕']);
end

3.2.1 频域特征提取函数

频域 特征提取函数Festure_candidate_freq


function [Festure_freq,Festure_freq_candidate_num]= Festure_candidate_freq(Standard_input_data,Featute_freq_content,remain_trial,freq_resolut,fs_down,freq_scale)

Festure_freq = [];
%% 1.均分频带average_band 或 传统5频带 five_band
fest_average_band = [];
fest_five_band = [];

count_trial = 1;
for sub_loop = 1:size(remain_trial,2)
for trial_loop = 1:remain_trial(1,sub_loop)
    average_band_temp = [];
    five_band_temp = [];
for channel_loop = 1:size(Standard_input_data{1,1},1)
fft_temp = [];
fft_temp = abs(fft(Standard_input_data{trial_loop,sub_loop}(channel_loop,:),fs_down));
if contains(Featute_freq_content,'average_band')
average_band_temp(channel_loop,:) =sum_average_band(fft_temp,fs_down,freq_resolut,freq_scale);
end
if contains(Featute_freq_content,'five_band')
five_band_temp(channel_loop,:) =sum_five_band(fft_temp,fs_down);
end
end
if contains(Featute_freq_content,'average_band')
fest_average_band(count_trial,:) = reshape(average_band_temp',1,size(average_band_temp,1)*size(average_band_temp,2));
end
if contains(Featute_freq_content,'five_band')
fest_five_band(count_trial,:) = reshape(five_band_temp',1,size(five_band_temp,1)*size(five_band_temp,2));
end
count_trial = count_trial+1;    
end
end

%% 2.
Festure_freq = [fest_average_band  fest_five_band];
Festure_freq_candidate_num = size(Festure_freq,2);

end

3.2.2 均分频带 方法


function average_band_sum = sum_average_band(fft_temp,fs_down,freq_resolut,freq_scale)
fft_resolut = fs_down/size(fft_temp,2);
epoch_num = (freq_scale(2,1) - freq_scale(1,1) + 1)/freq_resolut;
epoch_length = freq_resolut/fft_resolut;

average_band_sum = [];
for cut_loop = 1:epoch_num
fft_sum_temp = sum(fft_temp(:, (cut_loop-1)*epoch_length +1: cut_loop*epoch_length)');
average_band_sum = [average_band_sum fft_sum_temp'];
end

end

3.2.3 传统5频带 方法


function five_band_sum = sum_five_band(fft_temp,fs_down)
%% 这只是一行的5频带求和,请在外面加Channe_loop循环

delta =[1;4]; %δ 
theta =[4;8];  %θ
alpha =[8;12];  %α?
beta = [12;30];  %β ? 
gamma =[30;60];  %γ ?
five_band = [delta theta alpha beta gamma];

fft_resolut = fs_down/size(fft_temp,2);
epoch_num = size(five_band,2);
epoch_length = five_band.*fft_resolut;

five_band_sum = [];
for cut_loop = 1:epoch_num
fft_sum_temp = sum(fft_temp(:, epoch_length(1,cut_loop): epoch_length(2,cut_loop)));
five_band_sum = [five_band_sum fft_sum_temp'];
end

end


总结

大脑神经元放电产生的振荡、节律信息,对节律的探索仍是起步和模糊状态,
个人认为脑电EEG具有特征处理风格锁时任务特征偏时域长时任务特征偏频域
本系列将脑电任务分为锁时、长时的原因也在此

脑电作为一种随机性+节律性的神经信号,目前对节律性的频谱分析较多
但对随机性的探索还不足,推荐大家结合随机信号分析推出新的见解

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~


To:新想法、鬼点子的道友:

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[email protected]

脑电EEG代码开源分享 【4.特征提取-频域篇】_第4张图片

你可能感兴趣的:(开源,人工智能,机器学习,数据分析,matlab)