本帖最后由 miguru 于 2024-9-19 16:53 编辑
在使用深度学习方法对脑电信号进行分类时，一种常见的做法是先提取脑电信号的特征，然后再用深度学习发掘特征与不同状态之间的关联。一些常用的脑电信号特征如下： 时域：峰-峰值，均方根值等。 时频域：功率谱密度、微分熵等。 空间域：DASM、RASM、不对称系数、DCAU、多维度有向信息等。 接下来对其中部分特征进行简要介绍。
微分熵（Differential Entropy, DE）是信息论中用来量化连续随机变量的不确定性的一种度量，与离散随机变量的熵（香农熵）概念相对应。在数学表达上，对于一个连续随机变量X，其概率密度函数为p(x)，微分熵H(X)的定义是： 微分熵具备的一些性质使其适于脑电信号分类。 1.脑电信号是一种非线性、非平稳的时间序列数据。微分熵能够捕捉信号中的复杂性和随机性，这对于描述脑电信号的特征非常重要。 2.脑电信号常常受到各种噪声的干扰，如眼电干扰、肌电干扰等。微分熵对于这些噪声具有一定的鲁棒性，因为它反映的是信号的整体统计特性，而不是单个数据点。 3.脑电信号在不同的认知状态或大脑活动中表现出不同的动态特性。微分熵能够描述这些时间序列的动态变化，从而为分类提供有用的信息。
功率谱密度特征（Power Spectral Density, PSD）也是在分析脑电信号频域特性中经常使用的一种特征。脑电信号根据其频率成分通常被分为不同的频带，如δ（0.5-4 Hz）、θ（4-8 Hz）、α（8-12 Hz）、β（12-30 Hz）和γ（30-100 Hz）。PSD可以用来计算每个频带内的信号功率，这些功率值可以作为特征用于分类。
| 
