EEG手工特征提取总结

一、引言

EEG信号简介

EEG信号是记录大脑神经元电活动的生理信号。它以高时间分辨率直接反映大脑的实时动态变化，是研究大脑功能、认知过程和神经疾病的重要工具。

EEG特征提取的重要性

原始的EEG信号是高维、复杂且包含大量噪音的时序数据。直接分析这些原始数据效率低下且难以量化。通过特征提取，我们可以将这些数据转化为低维、有意义的量化指标，从而更有效地识别大脑状态、区分不同认知任务或辅助疾病诊断，是进行EEG数据深入分析和应用的基础。

本次汇报目的与内容概述

本次汇报旨在系统总结EEG信号中常见的、具有生理和认知意义的手工特征。将涵盖从时域、频域到时频域、空间域以及复杂动力学等多个维度的特征，并重点阐释这些特征所对应的认知功能和大脑活动，以期为EEG数据分析提供理解框架。

二、EEG信号核心特征

时域特征 (Time-Domain Features)

时域特征直接从EEG信号的时间波形中提取，反映信号在时间上的变化特性。
常见为以下：
均值 (Mean)： 信号在一段时间内的平均幅度。
方差/标准差 (Variance/Standard Deviation)： 信号幅度的离散程度，反映信号的波动性。
峰值幅度 (Peak Amplitude)： 信号的最大或最小幅度。
峰峰值 (Peak-to-Peak Amplitude)： 信号最高峰与最低谷之间的差值。
斜率 (Slope)： 信号变化的速率。
过零率 (Zero-Crossing Rate)： 信号穿过零轴的次数，反映信号的频率特性。

频域特征 (Frequency-Domain Features)

频域特征通过将EEG信号从时域转换到频域来提取，反映信号在不同频率成分上的能量分布。这是EEG分析中最常用的一类特征，因为大脑活动通常表现为特定频率范围内的振荡。

• 功率谱密度 (Power Spectral Density, PSD)： 描述信号功率在不同频率上的分布。常用的计算方法包括快速傅里叶变换（FFT）和Welch方法。
• 频带功率比 (Ratio of Band Powers)： 不同频带功率之间的比值，可以反映特定生理或病理状态。例如，Theta/Alpha比值常用于注意力评估。
• 频带功率 (Band Power)： 将EEG信号分解为不同的标准频率带（如Delta、Theta、Alpha、Beta、Gamma），并计算每个频带内的功率或平均功率。

1. Delta (1-4 Hz)： 通常与深度睡眠、无意识状态相关。
2. Theta (4-8 Hz)： 与嗜睡、冥想、记忆编码相关。
3. Alpha (8-13 Hz)： 与放松、闭眼、清醒休息状态相关。
4. Beta (13-30 Hz)： 与警觉、思考、主动集中注意力相关。
5. Gamma (>30 Hz)： 与高级认知功能、信息整合相关。

三、EEG信号高级特征

时频域特征 (Time-Frequency Domain Features)

这类特征同时考虑信号在时间和频率上的变化，适用于分析非平稳的EEG信号。
处理：小波变换 (Wavelet Transform, WT)与短时傅里叶变换 (Short-Time Fourier Transform, STFT)

空间域特征 (Spatial-Domain Features)

空间域特征考虑不同电极之间或大脑不同区域之间的相互作用。
共空间模式 (Common Spatial Pattern, CSP)： 一种常用的监督式空间滤波方法，旨在找到一组空间滤波器，最大化两类任务（如左右手运动想象）的方差比，从而提取出区分度最大的特征。
连接性特征 (Connectivity Features)： 衡量不同脑区之间功能连接强度，例如：

1. 相干性 (Coherence)： 衡量两个信号在特定频率上的线性关系。
2. 互信息 (Mutual Information)： 衡量两个信号之间的非线性依赖关系。
3. 相位锁定值 (Phase Locking Value, PLV)： 衡量两个信号相位同步的程度。

复杂动力学特征 (Complex Dynamic Features)

分形维数 (Fractal Dimension)

• 定义： 衡量信号在不同尺度下的自相似性或复杂程度。
• 认知功能解释： 较高的值通常与大脑活动的复杂性、适应性和灵活性相关；较低的值可能与活动刻板化或退化有关。
• 计算方法：
  盒计数法 (Box-counting Dimension)： 通过计算覆盖信号图形所需的不同尺寸方格的数量来估计维数。

李雅普诺夫指数 (Lyapunov Exponent)

• 定义：衡量混沌系统中相邻轨迹随时间分离的平均速率（正值表示混沌）。
• 认知功能解释：反映大脑活动的混沌程度，可能与灵活性和处理不可预测信息的能力有关。
• 计算方法：通常通过相空间重构和数值算法计算。

近似熵 (Approximate Entropy, ApEn) / 样本熵 (Sample Entropy, SampEn)

• 定义：衡量时间序列的复杂性和规律性（值越高越复杂）。
• 认知功能解释：反映大脑活动的信息生成率和灵活性。高值可能与认知负荷相关，低值可能与意识水平降低或疾病有关。
• 计算方法：基于嵌入维度和相似性容忍度参数，计算给定模式下新模式出现的概率。样本熵是近似熵的改进，具有更好的统计特性，对数据长度的依赖性更小。

Lempel-Ziv 复杂度 (Lempel-Ziv Complexity)

• 定义：衡量时间序列中新模式产生速率的非参数指标。
• 认知功能解释：评估大脑活动的信息处理能力、灵活性和模式多样性。高值可能与活跃、信息丰富的状态相关，低值可能暗示活动僵化或简化。
• 计算方法：需要对原始连续时间序列进行二值化处理（例如，设定阈值将信号转换为0和1的二进制序列），然后按特定算法扫描并构建模式词典。

注: C0复杂度与前两者相似，其通常被认为是样本熵的一种简化或变体,但其核心思想仍然是量化序列的复杂性和非规律性。

四、总结

本次汇报，我们探讨了EEG信号中各类手工特征及其对应的认知功能。从直接反映大脑活动基础特性的时域和频域特征，到揭示信号动态和脑区间协同的时频域、空间域以及复杂动力学特征，我们逐一剖析了它们的提取原理与认知学意义。理解这些特征，不仅为我们深入解读大脑信息处理机制提供了量化工具，也为未来脑电数据的应用，奠定了坚实基础。

本次汇报参考文献：
[1] 毕明川. 基于EEG的冥想状态数据挖掘研究[D]. 集美大学, 2025.
[2] GALINDO-ALDANA G, MONTOYA-RIVERA L A, ESQUEDA- ELIZONDO J J, 等. Mindfulness-Based Intervention Effects on EEG and Executive Functions: A Systematic Review[J]. Brain Sciences, 2025, 15(3): 324.
[3] KESHAVAN M S, BHARGAV H. Dhyana yoga, the path of meditative being: Psychotherapeutic insights from the east[J]. Asian Journal of Psychiatry, 2025, 108: 104483.
[4] 《脑电信号分析方法及其应用》李颖洁等.