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


脑电EEG代码开源分享 【4.特征提取-时频域篇】

  • 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 时频域-特征提取
      • 3.2.1 时频域特征提取函数
      • 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
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。

脑电EEG代码开源分享 【4.特征提取-时频域篇】_第1张图片

  • 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:
    脑电EEG代码开源分享 【4.特征提取-时频域篇】_第2张图片
    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。
    脑电EEG代码开源分享 【4.特征提取-时频域篇】_第3张图片

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。
脑电EEG代码开源分享 【4.特征提取-时频域篇】_第4张图片

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-时频域篇】_第5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)