| 脑电EEG代码开源分享 【4.特征提取 | 您所在的位置：网站首页 › eeg特征提取算法实现 › 脑电EEG代码开源分享 【4.特征提取 |
脑电EEG代码开源分享 【4.特征提取
|
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： 前置准备数据预处理数据可视化特征提取（特征候选集）特征选择（量化特征择优）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：
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。 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]
|
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： 
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。 
【本文地址】