python语音信号时频分析_利用连续小波变换（CWT）去除EEG信号的baseline

对于一个CS的学生来说，信号处理是几乎完全陌生的领域，虽然在大二和大三上学过信号与系统、随机信号、通信原理一类的通信专业课，但实践甚（mei）少（you）。最近做有关EEG信号深度学习课题的时候被信号预处理搞的焦头烂额。网上关于用python进行EEG信号处理的资料似乎也很少，特别是小波分析这一块。在疯狂踩坑之后，决定写点东西给有需要的人参考。作为一个大三学生，接触小波分析的时间才不到一个月，理解难免有疏漏，欢迎大家指正，共同进步～

首先介绍一下EEG信号的基线是什么，简单的说呢，就有点类似于零点漂移（相信学过模拟电路的同学都不陌生吧）产生的噪声。基线校正就是去除这样的漂移，理解去噪就好啦。常用的去除baseline的方式是每个频率对应的功率减去刺激出现前一段时间内的功率的均值。这句话有点长有点绕，对不对？我第一次从师兄那里听到这句话的时候，也是一脸懵逼，花了好几天才搞懂（捂脸）。在这句话中，出现了三个单位：时间、频率、功率。其实这三个量就是时频图的核心，也就是对信号进行小波变换后的结果。小波变换后产生的小波系数实质上是一个二维数组：第一维代表尺度，第二维代表时间。由于在连续小波变换中，尺度和频率是一一对应的关系，所以也可以理解为shape为（频率，时间）的二维数组，数组中的每个值就是信号的功率。去除baseline的思路就是遍历每一行的前n个值，算出一定的时间范围内，每个频率对应的功率值，然后在对应的行内，每个元素减去该频率下对应的功率。这样，用两个循环，就去除了baseline，下面看具体的代码

import mne
import numpy as np
import pywt
import matplotlib.pyplot as plt

#用mne读取EEG数据并转为ndarray格式
raw=mne.read_epochs_eeglab(filename)
array_eeg=np.array(raw)

#设置小波变换的尺度范围，选择小波基
wavename = 'cgau8'
sampling_rate = 1000
t = np.linspace(-0.5, 1, 1500)
totalscal = 1500
fc = pywt.central_frequency(wavename)
cparam = 2 * fc * totalscal
scales = cparam / np.arange(totalscal, 1, -1)
[cwtcoff, frequencies] = pywt.cwt(array_eeg[1][1], scales, wavename)#连续小波变换的返回值是时频图和频率

#去除baseline
for i in range(1499):
    baseline=np.mean(cwtcoff[i][0:300])#这里选了-0.2到-0.5时间范围内的功率均值作为baseline
    for j in range(1500):
        cwtcoff[i][j]=cwtcoff[i][j]-baseline#在每个频率上，原始功率减去对应的baseline值

#绘制时频图
plt.figure(figsize=(8, 4))
plt.contourf(t, frequencies, abs(cwtcoff))
plt.ylabel('frequency')
plt.xlabel('time(second)')
plt.colorbar()
plt.show()