【脑电信号处理与特征提取】https://www.bilibili.com/video/BV1Sg411775g?p=6&vd_source=77fb52274de00164fa71d28e4ce52cc5
滤波：对特定频率进行有效提取，并对提取部分进行特定的处理（增益、衰减、滤除）。
低通滤波：保留低于某下限的低频信号，去除或减弱高于该值的信号。
高通滤波：高频可以通过，去除低频。
带通滤波：保留某上下限值之间的信号。
凹陷滤波（带阻滤波）：去除某上下限值之间的信号，而保留在此之外的信号。
关于滤波器的重要参数：
截止频率（Cut-off frequency）：半功率截止频率（增益降低3dB）
滤波器的滚降（roll-off），增益下降的陡峭成都，单位为dB/oct
截止频率决定了分界曲线的位置，斜率决定了分界曲线的倾斜程度（更陡峭或者是更平缓）
高通滤波器在使用时截止频率选择不当，更有可能导致波形的失真，并且能在波形中产生虚假的峰所以高通滤波器的截止频率不能选择的太高。
一般来说，应该进行较少的在线滤波（在数据采集时进行的硬件滤波），不然无法“复原”已经滤波的数据。
0.1Hz的高通滤波器可以用来衰减皮肤电位和其他慢电压，30Hz的低通滤波器可以用来衰减线路噪声和肌电噪声。
当滤波器被用于很短的数据分段时，可能无法正常工作。避免使用较低的截止频率的滤波器对短数据进行滤波，如0.1Hz高通滤波器应用于连续的EEG信号。
滤波器可能在波形的最开始和最末端产生边缘效应（edge artifacts），可以在组块开始前和结束后的时段多记录EEG信号，边缘伪迹将出现在没有任何时间编码的时段，不会对ERP造成影响。
脑电（尤其是静息态脑电）一般在频域进行分析，以刻画信号的周期行特征，需要使用频谱分析（不包含时间信息）来描述脑电信号功率沿频率的分布特征。
任务态脑电实验中，任务可增强或减弱脑电在特定频段的节律幅度，事件相关的频谱变化被称为事件相关同步化/去同步化（ERS/ERD），通常表示为在时间-频率域中随时间变化的频谱功率，可以通过时频分析方法进行估计。
频谱估计基本概念：
1、时间序列信号：例如在某通道连续记录的脑电信号，可以在时间域中表征为信号幅度（或其他量值）相对于时间的变化，也可以在频率域中表征为信号功率（或其它量值）沿频率变化的分布。
2、频率：描述振荡波型在单位时间内周期活动的基本参数。单位是赫兹（Hz），即每秒一个周期。（如果1秒中周期数是1个，那么频率就是1赫兹；20Hz就是1秒内有20个周期）
3、频谱：时序信号的功率、幅度或相位等在频率域沿频率的分布曲线。
4、频谱估计：将时域信号变换到频域频谱的估计方法，目的是观察对应周期的频率峰值以检测信号周期性。
频谱估计的基础：
1、频谱估计的基础是傅里叶变换（Fouier transform）
2、简单来说，傅里叶变换是从“波形”的角度看世界，将时间序列信号表示为一系列波形（余弦函数）的总和。
3、傅里叶变换通常使用快速傅里叶变换（FFT）算法来实现。
FFT点数通常选择为大于信号点数的最小的2次幂。
eg:信号点数为1000，FFT点数可选择为2的10次方 =1024.（DEAP数据集中每个通道是8064个数据点，FFT点数可选择为2 的 13 次方 = 8192。）
如果FFT点数小于数据长度，数据尾部会被截掉（损失信息）
如果FFT点数大于数据长度，数据末尾补零（FFT点数过于大的话，运算会非常非常慢）
4、频谱的范围是从0到信号采样率的一半（奈奎斯特频率）。
例如：脑电具有1000Hz的采样率，那么可以从该信号中检测到的最高频率是500Hz。
5、假设信号采样率为Fs，数据点数为N，则频谱在以下频率点上有值：f = kFs/N,(k=1,2,......，N)。
频谱单位 V²/Hz或分贝dB,即10log10(V²/Hz)
脑电分析中常用的几种方法：
周期图：
周期图就是对信号做fft（得到的数一般是负数）然后再把幅值平方，再乘以一个常数。
Welch法
多窗口法：
自回归法：
频谱估计方法的比较：
频谱特征提取：
估计频谱后，仍需要从频谱中提取少量的、有意义的特征。
最常见的脑电频谱特征是特定频段内的频谱功率。
频段范围可以遵循常规定义（即delta、theta、alpha、beta、gamma等，或更细分如alpha-1和alpha-2）
频段范围也可由统计分析检测出最重要或具有最强区分度的频率点（例如在该频率点两组被试或两个实验条件下的脑电功率统计意义上显著不同）
某一感兴趣的频段内的带限功率可以计算为该频段内所有频率点上功率的平均值或总和。
为消除个体之间的差异，经常使用相对功率（即某频段功率与整个频率范围总功率之间的比率）作为特征。
另一类重要的脑电频谱特征是频谱峰值的频率、幅度和带宽。
例如：在基于稳态视觉诱发电位的脑机接口的应用中，需要定位频谱峰的频率和幅度以确定被试的行为意图。
例如：不同个体的ahpha节律峰值频率不同，这种个体间差异的alpha峰值频率是重要的个体特征或状态的标记。
此外，还可以将脑电信号频谱看作一个随机过程，从中计算其统计值或每个节律的统计值，如平均值、方差和熵等，作为脑电频谱特征。
时频分析
短时傅里叶变换
、
一般来说，短时傅里叶变换选用的窗口大小在200ms到300ms就可以得到好的结果
连续小波变换
其他常用的时频分析方法
运用机器学习技术和脑电进行大脑解码
基于脑电数据的机器学习基础分析
机器学习的基本流程：
基于脑电数据的机器学习进阶分析
代码解读