脑电EEG常用的特征

  最近学习有关脑电的一些基础知识，基于深度学习对脑电信号进行分类时，首先需要对脑电信号进行预处理（滤波等），这时一般不能将其作为数据进行学习，更常见的是提取脑电信号的特征，然后再用深度学习发掘特征与不同情绪的关联。脑电信号常见的特征有：

时域中： 平均值、标准差、一阶差分、归一化一阶差分、能量、功率、高阶过零分析。不稳定指数等
时频域： 功率谱密度、高阶谱、微分熵等
空间域： DASM、RASM、不对称系数、DCAU、多维度有向信息等
下面对上面所述的一些进行解析

1、微分熵DE：

式子中的 $Z$ 符合高斯分布$N(\mu ,{\delta }^2)$, $e$是自然对数，$\delta$是时间序列的标准差。
程序实现：

def compute_DE(signal):
    variance = np.var(signal, ddof=1)  # 计算指定数据(数组元素)的方差 ,ddof=1 除以（n-1）,ddof=0代表除以n，默认值为0
    return math.log(2 * math.pi * math.e * variance) / 2

2、一些时域特征（一阶差分、二阶差分及其归一化、能量、功率等）：

用 $s(n)$ 表示某个电极上第 n 次采样得到的 EEG 信号值, n = 1, 2, …, N; N 表示总采样数.



短时傅里叶：

上述的内容均摘自下面链接论文，文章开头提到的特征在此论文中都有详细的描述，建议直接看论文。

更多信息请参考此论文（可直接下载）：
http://engine.scichina.com/doi/10.1360/N112018-00337