本帖最后由 vera 于 2024-9-19 15:08 编辑
脑电信号（EEG）的时频分析技术用于同时分析信号的时间和频率特性，揭示在不同时间点上信号中的频率成分是如何变化的，从而提供更丰富的信息来帮助理解大脑活动。以下是常见的几种时频分析技术：
1. 短时傅里叶变换（STFT, Short-Time Fourier Transform） 基本原理：STFT通过使用一个滑动窗口对信号进行傅里叶变换，提供信号在时间和频率域的局部特征。它将信号分成短的时间片段，并在每个片段内执行傅里叶变换。
计算公式：
实现步骤：- 选择一个窗口函数 w(t)和窗口长度。
- 滑动窗口函数并对每个时间片段执行傅里叶变换。
- 计算得到的复数结果取幅值平方（得到功率谱），并绘制时频图。
- 通过频率和时间维度对信号进行分析。
优缺点：- 优点：适合平稳信号，简单易实现。
- 缺点：时间分辨率和频率分辨率之间存在权衡，窗口长度固定。
2. 小波变换（Wavelet Transform）
基本原理：小波变换是一种多尺度分析方法，通过使用缩放和平移的母小波函数来分析信号的不同频率成分。
计算公式：
实现步骤：- 选择适当的母小波（如Morlet小波）。
- 通过调节尺度 a 和平移 b，对信号进行卷积。
- 获取时频表示，使用不同的尺度以捕捉不同频率的细节。
- 将结果绘制为时频图，用于观察信号的瞬时频率变化。
优缺点：- 优点：良好的时间和频率分辨率，适合分析瞬时信号和非平稳信号。
- 缺点：计算复杂度较高，母小波选择影响分析效果。
3. 希尔伯特黄变换（HHT, Hilbert-Huang Transform）
基本原理：希尔伯特黄变换结合了经验模态分解（EMD）和希尔伯特变换，它首先将信号分解为若干固有模态函数（IMFs），然后对每个IMF进行希尔伯特变换，得到瞬时频率信息。
计算公式：实现步骤：- 使用EMD分解信号，获得若干个IMF。
- 对每个IMF进行希尔伯特变换，计算瞬时频率和瞬时幅值。
- 绘制时频图，观察信号的瞬时频率变化。
优缺点：- 优点：适用于处理非线性和非平稳信号，能够提供瞬时频率。
- 缺点：计算复杂，容易受噪声影响。
4. 维格纳-维尔分布（WVD, Wigner-Ville Distribution）
基本原理：WVD是一种时频分布方法，它通过信号的自相关函数获得信号在时间和频率上的分布，提供了高分辨率的时频表示。
计算公式：
实现步骤：- 计算信号的自相关函数。
- 对自相关函数进行傅里叶变换，得到时频分布。
- 绘制时频图。
优缺点：- 优点：高时频分辨率，适合分析非平稳信号。
- 缺点：可能产生交叉项干扰，使得时频图难以解释。
5. 同步挤压变换（SST, Synchrosqueezing Transform） 基本原理：同步挤压变换是小波变换的改进技术。它通过重新分配时频图中的频率分量，增强频率分辨率，使信号的时频表示更加集中。
计算公式：
实现步骤- 使用小波变换计算时频表示。
- 按照瞬时频率重新分配能量。
- 绘制同步挤压后的时频图，频率分辨率更高。
优缺点- 优点：比传统小波变换具有更高的频率分辨率，时频图更清晰。
- 缺点：计算复杂，对噪声敏感。
总结： 脑电信号的时频分析广泛应用于认知神经科学、神经病理学和脑机接口等领域。例如，分析大脑不同频段（如α波、β波、θ波和δ波）的时频特性，可以帮助研究大脑的状态变化（如注意力、睡眠、癫痫发作等）。此外，时频分析也常用于探索不同脑区的交互以及外界刺激对脑电信号的影响。这些技术的选择通常取决于具体的应用场景、信号特性以及研究目的。
| 
