脑电的频谱分析和时频分析-EEG Processing and Feature 5

已于 2022-09-21 09:59:33 修改
阅读量1.1w 收藏 179
点赞数 33
分类专栏： BCI 文章标签： EEG
于 2021-10-16 11:47:41 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/qq_41990294/article/details/120787646
版权

这是《EEG Processing and Feature Extraction》的第五个视频资料整理。内容是“脑电的频谱分析和时频分析”。

视频地址：https://www.bilibili.com/video/BV1Sg411775g/?spm_id_from=333.337.search-card.all.click&vd_source=9ddbbbcbfdb81f60495d541b75a93179

脑电的频谱分析和时频分析

在这里插入图片描述

内容简介

在这里插入图片描述

背景

在这里插入图片描述
在这里插入图片描述

频谱估计

频谱估计基本概念

在这里插入图片描述
在这里插入图片描述
在这里插入图片描述

傅里叶变换

在这里插入图片描述

频谱分析：细节与注意事项

在这里插入图片描述

频谱估计方法

周期图

在这里插入图片描述
在这里插入图片描述
在这里插入图片描述

Welch法

在这里插入图片描述在这里插入图片描述
在这里插入图片描述

多窗口法

在这里插入图片描述

自回归法

在这里插入图片描述

频谱估计方法的比较

在这里插入图片描述
在这里插入图片描述

频谱特征提取

在这里插入图片描述
在这里插入图片描述
在这里插入图片描述

时频估计

在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述

短时傅里叶变换

在这里插入图片描述
在这里插入图片描述

时频分辨率与窗口选择

在这里插入图片描述

连续小波变换

在这里插入图片描述
在这里插入图片描述
在这里插入图片描述

其他的时频分析方法

在这里插入图片描述

事件相关同步化/去同步化

在这里插入图片描述
在这里插入图片描述

ERS/ERD的检测

在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
去基线，基线时长的选择跟短时傅里叶变换的窗口长度有关，如果窗口长度为200ms，则选择的基线为-300ms到-100ms的信号，-100ms到0ms的信号不要，因为这段时间的信号可能被前一个刺激的响应给污染掉。

时频分析方法和参数

在这里插入图片描述

ERS/ERD的基线校正

在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
老师推荐功率比的方法。

ERS/ERD的显示

在这里插入图片描述

ERS/ERP的特征提取

在这里插入图片描述

视频分析的相位特征

在这里插入图片描述
时频分析最好单通道做。
在这里插入图片描述
在这里插入图片描述

总结

在这里插入图片描述

工具包和代码

在这里插入图片描述

梁小憨憨
关注
  • 33
    点赞
  • 踩
  • 179
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
脑电信号频谱、能量和功率谱密度分析代码
07-12
代码演示说明了脑电信号频谱、能量、功率谱密度等相关联系，详见www.xxy.ink/537.html
EEG信号——时域分析、频域分析、时频分析
qq_38341276的博客
04-13 1万+
EEG信号的时频分析
脑电时频分析II：时频分析
Kobe123brant的博客
01-29 4988
前言：为什么需要做时频分析 脑电信号为非平稳信号，不能直接使用傅里叶变换进行操作 时频分析将连续数据划分为一个个小片再做傅里叶变换 谱分析不能反映各个频段能量随时间的变化 1、时频分析的原理——卷积（Convolution） 上次提到的谱分析的原理是将需要处理的信号跟kernel函数进行点积处理，这样就能得到谱分析的结果，但是时频分析的是卷积 其实和点积有相同的原理，只不过时频分析需要得到随时间变化的信息，所以需要这个kernel函数随着时间，不断的往前推进， 都做一个点积，这个流程就是一个卷积，但是因
EEG&CNN深度学习神经网络前置：处理EEG脑电信号生成时频图dataset
SashiMoore的博客
03-11 3803
在这这一篇博客中，将尝试使用EEG信号，主要使用plt.specgram()函数来生成脑电信号的时频图dataset，为接下来使用神经网络进行深度学习做准备。
【脑电信号处理与特征提取】P6-张治国：频谱分析和时频分析
最新发布
m0_51474171的博客
01-31 2083
下面是一个模拟信号的时域波形和频域变换的例子： 下面是一个真实脑电信号的时域波形和频域变换： 比如下面的红色波形，可以看做六个蓝色波形的组合。 这六个蓝色波形都有自己的频率和幅值，从侧面看，便可以得到信号在频率域上的变化。 因此，时间序列信号就可以表示为一系列余弦函数的总和。 周期法有一个缺点是方差过大，使用Welch法可以解决这个问题，步骤如下：那上面进行Welch频谱估计等睡眠脑电举例进行特征提取，可以将得到的频谱图划分为多个频段，再将每一段频谱计算一个平均值。 频谱分析的假设：脑电信号的频谱
基于 脑电波数据的时频图 小波尺度图 FFT变化 Wigner-Ville图 小波分析图的数据介绍和程序实现
matlab_python22的博客
05-29 658
包含小波去噪 功率图 Wigner-Ville 小波尺度图等 小波去噪，并且画出来小波去噪后的频谱小波去噪，并且画出来小波去噪后的频谱 wavename='cmor4-5';%%选用带宽参数和中心频率均为4 的复morlet小波 详细的代码见 基于脑电波数据的时频图小波尺度图FFT变化Wigner-Ville图小波分析图的数据介绍和程序实现-机器学习文档类资源-CSDN文库 ...
脑电时频分析I：谱分析
Kobe123brant的博客
01-28 9939
1、EEG频带划分 自发的EEG活动在活体大脑中持续存在，通常通过频率进行分类（也叫神经振荡活动） 特定频段的脑活动，即节律性的活动，具有特定的头皮分布和生物学意义 最后还有一个γ波，主要是指30hz~100hz的一个波段，通常这个波段也包含了噪声唁电的成分，比较难提取处理，比较少用到这个波段 这个波段主要是有可能躯体感觉皮层，进行一个多通道的感觉输入的i信号处理，比如我们同时处理视觉和听觉信号的处理，而且γ波与我们记忆的形成有关 除此之外，还有一个特殊的波段，8~12hz的Mu波段主要是特指我们
脑电信号处理与特征提取——5.频谱分析和时频分析（张治国）
m0_58086930的博客
07-26 2595
频谱分析和时频分析,脑电信号处理与特征提取
做EEG频谱分析，看这一篇文章就够了！
悦影科技
12-14 1万+
所谓频谱分析，又称为功率谱分析或者功率谱密度（Power Spectral Density, PSD）分析，实际就是通过一定方法求解信号的功率power随着频率变化曲线。笔者在这里对目前常用的频谱分析方法做一个总结，并重点介绍目前EEG分析中最常用的频谱分析方法，并给出相应的Matlab程序。 1.频谱分析的方法有哪些？ 目前来说，功率谱分析的方法大致可以分为两大类：第一类是经典的功率谱计算方法，...
脑电信号分析python代码（python_eeg_analysis）.zip
09-23
脑电信息，分析，处理与采集的python代码，启动代码，配置文件等等。
Epileptic-EEG-.rar_EEG_EEG数据_EEG脑电数据_eeg 时频分析_site:www.pudn.com
07-14
癫痫脑电时频分析 癫痫脑电数据 正常脑电数据
matlab脑电功率谱代码-EEG-processing:脑电数据的批处理
05-28
matlab脑电功率谱代码脑电图处理 该存储库包含三个程序： 使用Matlab 2015b批处理EEG数据的脚本，位于batch_processing 在hacked_recorder下找到的适用于Matlab 2007b的EEG recorder_v4.2 hacked_recorder被黑客攻击...
FFT.zip_fft 脑电_matlab 脑电_信号分析_脑电 频谱_脑电分析
07-15
在本文中，我们将深入探讨如何使用快速傅里叶变换（FFT）进行脑电信号的频谱分析，特别是在MATLAB环境中。脑电图（EEG）是记录大脑电活动的一种重要工具，它能揭示大脑功能状态的诸多信息。通过分析EEG的频谱，我们...
事件相关去同步 (ERD) 和事件相关同步化 (ERS)在脑电信号研究中的应用
热门推荐
菜的不行的IT民工
03-24 2万+
作者：周思捷，白红民，广州军区广州总医院神经外科 人脑具有电活动是HansBerger于1924年首先检测到的，并将这种检测方法命名为脑电图（electroencephalo-graph，EEG）。脑电信号主要由皮质内大量神经元突触后电位同步总和形成，是很多神经元共同活动的结果。传统脑电信号分析大多由专家根据经验辨别伪差目测完成，并根据脑电图波形的幅度、频率和瞬态分布等给出评价。这使对脑...
小波时频图和CNN(卷积神经网络的）脑电分类技术研究
matlab_python22的博客
05-29 3392
在这里我们可以用matlab进行时频图的绘制 得到了时频图后，可以输入到卷积神经网络进行训练和技术研究 小波基和尺度后，就可以用cwt求小波系数coefs（系数是复数时要取模），然后用scal2frq将尺度序列转换为实际频率序列f，最后结合时间序列t，用imagesc(t,f,abs(coefs)) 小波时频图 可以得到脑电信号的图像特征，将图像保存下来后 进而可以进行CNN的卷积网络识别和分类的技术研究 图 卷积神经网络进行训练的结果 layers ...
EEG情感分析综述（三）
gaoyang5015的博客
11-06 711
eeg信号情感分析
脑电信号的预处理及数据分析要点-EEG Processing and Feature 3
梁小憨憨的博客
10-14 3013
这是《EEG Processing and Feature Extraction》的第三个视频资料整理。内容是“脑电信号的预处理及数据分析要点”。 脑电信号的预处理及数据分析要点1.1 脑电 1.1 脑电
mne库脑电时频信号分析函数解读：小波变换及方法比较
SashiMoore的博客
01-11 2783
2023/1/8-2023/1/9 脑机接口学习内容一览：这一篇博客里，主要研究mne库中的函数mne.time_frequency.tfr_morlet如何完成时频信号分析，提供基本的函数功能、参数翻译以及部分参考用实践代码。本文内容较为基础，主要提供给脑机接口的初学者阅读。
基于Python的脑电信号时频分析
04-28
脑电信号的时频分析是研究脑电信号随时间和频率的变化规律，常用于研究脑电信号的频率成分、波形特征和事件相关性等。Python作为一种广泛应用于科学计算和数据分析的编程语言，在脑电信号时频分析方面也有着广泛的应用。 常用的Python库包括 NumPy、SciPy、Matplotlib、MNE（M/EEG工具箱）和PyEEG等。其中，NumPy和SciPy是Python科学计算的核心库，提供了丰富的数值计算和信号处理函数，如傅里叶变换、小波变换、频谱分析、滤波等。Matplotlib是Python的绘图库，可用于绘制脑电信号的时域波形、频谱图等。MNE是一款用于处理脑电和脑磁图数据的Python工具箱，包含了丰富的数据预处理、时频分析、源空间分析和统计分析等功能。PyEEG是一个用于分析脑电信号的Python库，提供了多种时域和频域特征的计算函数，如Hjorth参数、功率谱密度、小波能量等。 综上所述，使用Python进行脑电信号的时频分析需要掌握一定的Python编程和信号处理知识，同时熟悉相关的Python库函数和工具箱的使用。

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值