阅读笔记3：基于深度学习的运动想象脑电信号分类算法研究-CSDN博客

本文链接：https://blog.csdn.net/InsectsAwaken_/article/details/108653626

这篇笔记探讨了基于深度学习的运动想象脑电信号分类算法，包括卷积神经网络（CNN）和循环神经网络（LSTM）。研究发现，CNN在分类准确率上优于LSTM，尤其在处理多受试者数据时。尽管深度学习简化了分类器设计，但样本数量、网络复杂度和脑电信号的特性对分类效果有显著影响。提出的新方法将CNN与LSTM结合，通过将脑电信号转化为脑电功率图，同时提取时域、频域和空域特征，以提高单个受试者的分类准确率。

摘要由CSDN通过智能技术生成

1.论文信息

题目：基于深度学习的运动想象脑电信号分类算法研究
作者佟歌
单位：哈尔滨工程大学控制科学与工程
发表时间：201803

2.笔记

2.1 脑电信号采集及预处理

2.1.1脑电信号分析方法

传统分析方法主要从四个方面入手：时域分析、频域分析、时频分析、空域分析

时域分析：EEG 的全部信息都包含在采集到的时域波形中，因此时域分析是最为直观的方法，通常用来对脑电信号的幅值，周期等信息进行初步分析。该类方法的优点在于可以直接从时域提取有用的波形特征，简单方便而且不需要对脑电信号进行平稳性假设。常见的时域分析方法包括：幅值、方差、周期分析、直方图分析、过零点分析方法等，这些方法可以清晰直观地表达波形特征，在长时间的睡眠脑电信号分析中得到了较为广泛的应用。

频域分析：时域分析方法虽然得到了一定的应用，但是脑电信号的特征主要还是来自频域与空域。频域分析方法的基础是功率谱估计，该方法将幅值随时间变化的时域 EEG 信号转化为功率随频率变化的频率图谱，在脑电分析中占有非常重要的地位。通过计算功率谱密度（Power Spectral Density, PSD）可以直观的看出脑电信号中δ波、θ波、α波、β波、γ波的分布与变化情况，对 EEG 信号的能量特征进行突出展现。谱估计分为参数估计和非参数估计，其中参数估计包括基于 AR 模型的功率谱估计和基于 AAR模型的功率谱估计等，该方法假设信号是由某种函数形式已知的模型产生，通过对模型的参数进行估计并从中得到谱特性[59]，非参数估计主要是以傅里叶变换为主的周期图法，相关图法等。

时频分析：在频域分析中，一旦将信号由时域转向频域，原时域信号中的趋势，突变，事件的开始结束等特征就被全部丢掉了，而时频分析方法综合了时域分析与频域分析，是一种可以更全面分析脑电信号的方法。目前被广泛应用的时频分析方法主要是小波变换、小波包变换。小波变换具有多分辨率特性，无论时域还是频域都具有良好的分辨率，是一种分析非平稳过程的有效方法，而小波包变换则是比小波包变换更加精细的信号分解与重构方法。由于 EEG 信号也具有非平稳性，非线性的特点，因此无论是小波变换还是小波包变换方法都非常适用于 EEG 信号的分析.

空域分析：在脑电信号的采集过程中，通常会将几十个导电极放置在大脑的不同位置。如果研究这些不同位置的导电极所记录的脑电信号之间有什么关联，就要使用空域分析法。典型的空域分析方法有共同空间模式法和独立分量分析法。共同空间模式算法通过构建空间滤波器，使得不同类别的脑电波在该滤波器上投影的能量分布差异最大化来完成 EEG 信号的空间特