最近学习了一些脑电图的基础知识。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）。提取脑电信号的特征，然后利用深度学习发现特征与不同情绪之间的相关性。 EEG 信号的共同特征是：
在时域：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
以下是对以上部分的分析
1、微分熵DE：
式中符合高斯分布
，
为自然对数，
为时间序列的标准差。
方案实施：
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.
以上内容均取自以下链接的论文。文章开头提到的特性在本文中进行了详细描述。建议直接阅读论文。
欲了解更多信息，请参阅本文（可直接下载）：
http://engine.scichina.com/doi/10.1360/N112018-00337
文章出处登录后可见！
已经登录？立即刷新
