脑电EEG代码开源分享 【4.特征提取-时频域篇】

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

---

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：

时频域-特征提取的主要功能，分为以下2部分：

• 小波变换
• 本证模态分解

小波变换：小波变换是时频变换最经典的方法之一，通过滑动的小波基拆解信号时频信息。时频变换最常用的可视化方式为 雨谱图 or 瀑布图（不同领域名称不同），但总体思路就是将信号展开为 时域x频域 的 二维图像，可以清晰观察到随时间变化相应的频域变化。
我在这里画了4种视觉姓名刺激诱发的Cz电极的脑响应雨谱图，可以看出视觉刺激诱发了在500ms的3-5Hz响应，脑激活强度与姓名内容有关，强度大小为自身>熟人>陌生人>空白。
本文未应用小波变换代码，主要因为小波变换对小波基选择十分敏感，对脑电信号和小波基选择间缺少固定经验，因此鼓励大家自己尝试，探索适合自己脑电任务的小波基。

• 本证模态分解：(Empirical Mode Decomposition,EMD) 本征模态分解也称经验模态分解 ，目前广泛应用于脑电处理领域。不同于时频分解方法固定的小波基、短时傅里叶变换等，本征模态分解优势在于其 自适应的分解基底，可以让一个领域内毫无经验的小白快速上手。matlab 2017之后的版本已自带官方EMD算法函数。
  EMD分解大致思路为，1.分别连接信号的极大值点、极小值点，形成上包络、下包络。2.三次样条差值分别拟合上包络和下包络曲线，这一步主要为了光滑。3.上包络和下包络曲线均值。4.原始信号减去包络均值，结果为1阶的本征模态函数（IMF），完成1次分解。重复1-4对信号继续分解。分解公式如下图：
  
  我画了各阶IMF的频域图如下，可以看出EMD一遍遍滤掉了信号中的相对高频，IMF逐渐向低频聚拢。我第一次看结果的时候鸡皮疙瘩都起来了，极值包络想法实在太巧妙的过滤掉了信号中的相对高频。
  按个人经验及文献阅读结论，脑电信号一般选择2阶IMF进行下一步的特征处理，即下图红色虚线对应的结果。一方面，2阶IMF频率基本集中在0-60Hz，是正常脑电能量集中的频带；另一方面，一阶IMF初步滤掉了高频噪声，数据质量有改善。
  

下图 EMD基础理论引用自： EMD基础理论，也可看出各阶IMF时域内振荡周期（高频成分）逐渐降低。

个人对于时频域的薄见供大家参考：时域和频域都内含着丰富的潜在特征，并且两个特征域是互联互通、互相转换的。但纠其一面则失全貌，就像好看的姑娘正面和侧脸都有不一样的美感。特征提取需要我们将原数据掰开了、嚼碎了把最简单凝练的特征设计出来，因此时域多一点、还是频域多一点，就成了时频域常面临的平衡问题。这种你中有我、我中有你的 时、频共生关系很有趣，就像我的老师第一次总结小波变换，她说时域和频域必然损失一个，学会取舍。

---

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
• 时频特征选择 本征模态算法 + 微分熵 ： Featute_time_freq_content = [‘emd’,‘DE’];
• 2阶的本征模态函数提取特征：imf_level = 2;

%% 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_time_freq_content = ['emd\','DE\'];
imf_level = 2;

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 时频域-特征提取

主函数中 调用时频域提取函数

主函数 调用 时频域 特征提取函数Festure_candidate_time_freq

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

tic;
[Festure_time_freq_target,Festure_time_freq_candidate_num_target]= Festure_candidate_time_freq(Proprocess_target_data,Featute_time_freq_content,remain_trial_target,fs_down,imf_level);
[Festure_time_freq_nontarget,Festure_time_freq_candidate_num_nontarget]= Festure_candidate_time_freq(Proprocess_nontarget_data,Featute_time_freq_content,remain_trial_nontarget,fs_down,imf_level);

if contains(Featute_time_freq_content,'DE')
Festure_time_freq_target = log(Festure_time_freq_target);
Festure_time_freq_nontarget = log(Festure_time_freq_nontarget);
end
t_time_freq_candidate_cost = toc;
disp(['时频域特征计算完毕，耗时(秒)： ',num2str(t_time_freq_candidate_cost)]);

Festure_candidate_time_freq_target = [];
Festure_candidate_time_freq_target.data  = Festure_time_freq_target;
Festure_candidate_time_freq_target.Featute_time_freq_content  = Featute_time_freq_content;
Festure_candidate_time_freq_target.remain_trial_target  = remain_trial_target;
Festure_candidate_time_freq_target.Festure_time_freq_candidate_num_target  = Festure_time_freq_candidate_num_target;
Festure_candidate_time_freq_target.fs_down = fs_down;

Festure_candidate_time_freq_nontarget = [];
Festure_candidate_time_freq_nontarget.data  = Festure_time_freq_nontarget;
Festure_candidate_time_freq_nontarget.Featute_time_freq_content  = Featute_time_freq_content;
Festure_candidate_time_freq_nontarget.remain_trial_nontarget  = remain_trial_nontarget;
Festure_candidate_time_freq_nontarget.Festure_time_freq_candidate_num_nontarget  = Festure_time_freq_candidate_num_nontarget;
Festure_candidate_time_freq_nontarget.fs_down = fs_down;

disp(['时频域特征保存中...']);
save([ svae_path , 'Festure_candidate_time_freq_target_',num2str(subject_num(1,1)),'_',num2str(subject_num(2,1))],'Festure_candidate_time_freq_target');
save([ svae_path , 'Festure_candidate_time_freq_nontarget_',num2str(subject_num(1,1)),'_',num2str(subject_num(2,1))],'Festure_candidate_time_freq_nontarget');
disp(['时频域特征保存完毕']);
end

3.2.1 时频域特征提取函数

时频域 特征提取函数Festure_candidate_time_freq，调用的EMD函数为matlab2018自带

function [Festure_time_freq,Festure_time_freq_candidate_num]= Festure_candidate_time_freq(Standard_input_data,Featute_time_freq_content,remain_trial,fs_down,imf_level)

Festure_time_freq = [];
%% 1.emd只进行传统5频带 five_band
if contains(Featute_time_freq_content,'emd')
fest_five_band = [];
count_trial = 1;
for sub_loop = 1:size(remain_trial,2)
for trial_loop = 1:remain_trial(1,sub_loop)
    five_band_temp = [];
for channel_loop = 1:size(Standard_input_data{1,1},1)
fft_temp = [];
imf_temp = [];
imf_temp = emd(Standard_input_data{trial_loop, sub_loop}(channel_loop,:),'Interpolation','pchip','MaxNumIMF',imf_level ,'Display',0);
fft_temp = abs(fft(imf_temp(:,imf_level)',fs_down));
five_band_temp(channel_loop,:) =sum_five_band(fft_temp,fs_down);
end

fest_five_band(count_trial,:) = reshape(five_band_temp',1,size(five_band_temp,1)*size(five_band_temp,2));
count_trial = count_trial+1;    
end
end
end
%% 2.汇总视频特征
Festure_time_freq = [  fest_five_band];
Festure_time_freq_candidate_num = size(Festure_time_freq,2);

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

时频域特征融合了各自的长处，交叉了时域频域的信息，
方便研究人员更全面的了解信号特点。

目前时频特征还是在长时任务中应用较多，归因于时频分解还是注重频带的信息，
长时任务有较宽的频带能量分布，而任务态脑电的频域集中在低频

本文着重介绍的EMD算法，突出了自适应的基底优势，
建议新入门的朋友可以尝试使用。

也推荐大家尝试更多的分解模式如：变分模态分解，动态模态分解，
据其他领域的师兄称效果也出奇的好。

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~

---

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]