摘要：当信号分析应用于EEG时，由于应用数字信号处理(DSP)和机器学习(ML)方法通常可以识别整个身体的状态以及大脑状态。

经典流程如下：

(1)数据采集 (2)数据预处理 (3)特征提取(4)特征选择(5)模型训练与分类 (6)性能评估

当信号分析应用于EEG时，由于应用数字信号处理(DSP)和机器学习(ML)方法通常可以识别整个身体的状态以及大脑状态。

EEG系统由电极、差分放大器、滤波器和寄存器组成。常用的EEG电极放置方法为10-20标准导联(图1)。由于EEG信号的有效带宽为~100Hz，因此对于大多数应用来说，200Hz的最小频率(以满足Nyquist标准)足以采集EEG信号。

特征提取是信号预处理后的下一步，由于脑电信号携带的特性会使特征提取和信号分析过程复杂化，需要在过程中对这些特性加以考虑，并进行特征选择。

分别按一维特征提取方法和多维特征提取方法进行阐述：

一维：

1.时域特征提取

一种较为原始的技术，它根据时间对信号/数据进行分析，使得我们可以量化信号是如何随时间变化的。常见的脑电时域技术包括自回归建模、基于Higuchi算法的分形维数、统计特征、去趋势波动分析。

2.频域特征提取

侧重于从构成数据的正弦波信号中提取特征。通常是先从时域转换到频域，然后再做进一步的分析。时域信号及其频域对应信号的可视化如（图2）所示。常见的脑电频域技术包括傅里叶变换(FT)、功率谱密度(PSD)、频带功率(BP)、希尔伯特-黄变换(HHT)。

3.分解域特征提取

允许同时对信号进行滤波。基本前提是：(1)使用选择的方法对信号进行分解；(2)选择需要的分量；(3)剔除不需要的分量。包括自适应Hermite分解、局部特征尺度分解、小波变换(又包括连续小波变换(CWT)和离散小波变换(DWT))、经验模态分解(EMD)。

多维：

1.时频域特征提取

为了克服单一域的局限性，时频分析技术很好地将单独使用信号的频谱和时间特征进行结合。常见的脑电时频特征提取技术包括短时傅里叶变换、S-变换(morlet小波变换的延伸)、匹配追踪。

2.空间域特征提取

又称空间滤波，最常用的脑电信号分类技术之一。该技术使用了共空间模式(CSP)，即一种有监督的空间滤波器。将脑电波转换到一个独特的空间，一组的方差被放大，而另一组的方差较小。由于受限于特定被试的最优频带，而无法达到理想的性能，纯CSP技术存在局限性。基于改进的方法有共空谱模式(CSSP)、共稀疏空谱模式(CSSSP)等。

来源：茗创科技