DE特征、PID特征、PSD特征、时频图

本文链接：https://blog.csdn.net/qq_41990294/article/details/144551019

浅记一下四个特征，方便以后查阅。

DE特征、PID特征、PSD特征、时频图

1. DE特征（Differential Entropy）
2. PID特征（Permutation Index Dimension）
- Python 实现：
- - 代码解释
3. PSD特征（Power Spectral Density）
4. 时频图（Time-Frequency Representation）

DE特征（Differential Entropy） 、PID特征（Permutation Index Dimension） 和 PSD特征（Power Spectral Density） 是在脑电信号分析中用于描述信号复杂度和结构的信息理论特征。这些特征通常用于脑电信号分类、预测任务或神经网络模型中，特别是在脑机接口（BCI）和情绪识别等领域。

1. DE特征（Differential Entropy）

DE（Differential Entropy） 是熵的一种度量方式，用来描述信号的不确定性或信息量。在脑电信号分析中，DE特征用于量化信号的复杂度。与传统的熵（如香农熵）不同，DE考虑了信号的动态变化，它是基于信号的概率分布来评估信号的复杂性。

定义：DE是信号在特定频带（例如，α波、β波等）上的差异性，通常基于信号的功率谱估计来计算。
计算方法：通常，通过对信号的功率谱进行傅里叶变换或小波变换，然后计算信号的差分熵。

DE的公式：

$\int p(x) \log p(x) dx$
其中， $p (x)$ 是信号 $x$ 的概率密度函数， $H (x)$ 就是信号的差分熵。

DE特征的计算步骤：

进行傅里叶变换或小波变换，得到信号的频谱。
计算信号在不同频段（如 α 波、β 波、θ 波）的功率谱。
计算这些频段的差分熵，得到 DE 特征。

Python 实现：

import numpy as np
import scipy.signal as signal
from scipy.stats import entropy

def differential_entropy(data, fs=512):
    """
    计算单通道脑电信号的差分熵（DE特征）。
    
    参数：
    data: 单通道EEG信号（NumPy数组）
    fs: 采样率（Hz）
    
    返回：
    DE值
    """
    # 计算信号的功率谱密度（PSD）
    f, Pxx = signal.welch(data, fs, nperseg=1024)
    
    # 对功率谱密度取对数后计算熵
    psd_log = np.log(Pxx + 1e-10)  # 防止log(0)的出现
    de = entropy(psd_log)
    
    return de

# 示例：假设有一个脑电信号 `eeg_signal` 和采样率 `fs`
eeg_signal = np.random.randn(1024)  # 这里使用随机信号代替
fs = 512  # 假设采样率为512Hz

de_value = differential_entropy(eeg_signal, fs)
print(f"Differential Entropy (DE): {
     de_value}")

代码解释

scipy.signal.welch：计算信号的功率谱密度（PSD），这可以看作是信号的频谱分布。
entropy：计算信号的熵，基于其功率谱的对数。
DE特征：最终通过对功率谱密度的对数进行熵计算得到 DE 特征。

2. PID特征（Permutation Index Dimension）

PID（Permutation Index Dimension） 是一种基于排列的复杂度度量方法。它可以用于描述时间序列的动态结构。PID特征通过比较信号在不同时间点的排列顺序来反映信号的动态行为。

定义：PID特征基于信号的排列模式，考虑到信号的局部结构和动态。它通过检测信号的排列模式是否有规则性来量化信号的复杂性。
计算方法：PID的计算通常依赖于对信号的局部子序列的排列模式进行分析。通过比较子序列之间的排列模式，计算出信号的维度或复杂度。

Python 实现：

我们可以使用一个简单的 PID 计算方法，基于排列模式（permutation）来计算复杂度。

import numpy as np
from itertools import permutations

def permutation_index_dimension(data, m=3, tau=1):
    """
    计算脑电信号的排列指数维度（PID特征）。
    
    参数：
    data: 单通道EEG信号（NumPy数组）
    m: 选择的嵌入维度（通常为3）
    tau: 时间延迟
    
    返回：
    PID值
    """
    # 创建嵌入向量
    embedded = np.array([data[i:i+m*tau:tau] for i in range(len(data) - m*tau)])
    
    # 计算排列模式
    perm_indices = []
    for vector in embedded:
        perm_indices.append(np.argsort(vector))  # 获取每个向量的排列顺序
    
    # 计算PID：通过排列模式的维度来量化复杂度
    unique_perms = set(tuple(perm) for perm in perm_indices)
    pid = len(unique_perms)  # 不同排列的数量
    
    return pid

# 示例：假设有一个脑电信号 `eeg_signal`
eeg_signal = np.random.randn(1024)  # 这里使用随机信号代替

pid_value = permutation_index_dimension(eeg_signal)
print(f"Permutation Index Dimension (PID): {
     pid_value}")