Logo
信号处理算法
EEG记录的是电极与参考电极（如耳垂、乳突）之间的电势差，参考电极的选取会直接影响所有通道的信号。 重参考通过重新选择参考点，减少噪声并提高信号可比性。常用工具有：mne.set_eeg_reference() 带通滤波器（例如1-70 Hz）一般用来去除低频漂移和高频噪声，而陷波滤波器（例如50Hz）则可以有效去除 电源工频干扰。常用工具有：mne.filter()、scipy.signal.butter() 标记噪声过大的电极通道，并通过邻近通道数据插值修复。常用工具有： raw.info['bads']+   mne.interpolate_bads() 通过独立成分分析（ICA）方法分离信号中的统计独立成分，识别并去除眼动、肌电等伪迹，以提高数据质 量。常用工具有：mne.preprocessing.ICA() 根据事件标记截取时间窗口（如刺激前200ms至刺激后800ms），生成试次（trials）。 常用工具有：mne.Epochs() 重参考： 滤波： 坏道/坏段修复： 独立成分分析： 分段（Epoching）： 信号处理算法 如上所述，通过将多个电极放置在头皮上就能获取EEG信号。然而，外部干扰（生理干扰——如不自主的眼球运 动、眨眼、心脏活动和肌肉运动等，电磁干扰——市电50hz干扰）可能会导致各种伪影的出现，从而影响信号的质 量。因此，为了确保从EEG信号中提取的特征具有可靠性，去除相关的伪影十分重要。一般有下面几种常用方法：
例如事件相关电位（ERP）、平均电位、峰值电位、潜伏期等，这些特征能够反映大脑活动的瞬时电位变化。 如功率谱密度（PSD）、频带能量等，通过分析不同频段的能量分布，可以揭示大脑在不同状态下的频率特 征。 例如事件相关去同步化/同步化（ERD/ERS）等，时频分析有助于捕捉大脑活动的瞬时频率变化和事件相关反 应。 例如共空间模式（CSP）等，通过空间滤波增强两类任务的差异（如左手vs右手运动想象）。 例如各种熵（entropy）、分型维数等，用来量化信号复杂度。 时域特征： 频域特征： 时频特征： 空间域分析： 非线性特征： 特征提取算法 一般在数据清洗完成后，会从EEG信号中提取相关特征，以捕捉大脑的波动模式。
Logo