分解得到的时频域特征_脑电信号分析与处理（2）特征提取

特征提取的方法可以进行信号的时域、频域和时-频域分析。其中包括经验模态分解(EMD)、快速傅立叶变换(FFT)、小波变换(WT)、小波包分解(WPD)等。特征提取方法分为三类：谱估计方法、变换族和时间分解方法。不同类型的带通滤波器也可以用来将信号分解成不同的频率子带，然后从中提取特征以进行更详细的分析。从已有的研究中可以总结出四类特征，如图1所示，即：

a. 基于统计/小波的特征；

b. 基于谱的特征；

c. 基于非线性的特征；

d. 基于函数连通性的特征。

这些特征可以直接从原始信号或预处理信号中提取。

图1 四种典型的特征提取方法

01 统计/小波特征

小波/统计的特征从子带中提取，主要包括：均值、中值、方差、标准方差、峰度、最大值、最小值、均方根值、偏斜度、能量、平均整流值、峰间振幅、正演预测误差、过零点、均方振幅、移动性、复杂性、能量比、累计最大值、累计最小值、最小窗口元素、移动中值、自回归系数和小波系数等等。

02 谱特征

特征的频谱分析可以通过使用参数方法或非参数方法来完成。主要包括：平均频率、频带功率、归一化频带功率、峰值功率及其对应的峰值频率、相对功率、中位频率、单个Alpha频率、所有子带和范围4-13 Hz的最低，平均和最高相对功率和峰值频率，θ/α比、功率百分比、重力频率、频率变化量、功率比和功率的乘积等等。

03 非线性特征

不同类别的非线性特征对于理解EEG信号的非线性特征和复杂性质很重要，主要包括：基于PSI的拓扑要素、互相关和相位滞后指数等等。

04 基于功能连通性的指标

将网络理论应用于采集的脑电数据，构建了大脑的功能网络，并利用各种特征测量了其中的连通性。主要包括：遗传算法、基于相关的快速滤波解决方案、顺序正向浮动选择、包装器子集求值、使用ROC的基于排名的选择、t-检验、基于相关性的方法、包装器方法、Kruskal Wallis试验、方差检验和Fisher-分数等等。但是，在一些应用中没有使用特征提取方法，而是直接使用原始信号或预处理后的信号进行结果分析，因此不对其进行子带划分。

05 特殊情况

但是，在一些应用中没有使用特征提取方法，而是直接使用原始信号或预处理后的信号进行结果分析，因此不对其进行子带划分。

 • end • 

清风徐来

水波不兴