脑电信号是一种非平稳的随机信号,一般而言随机信号的持续时间是无限长的,因此随机信号的总能量是无限的,而随机过程的任意一个样本函数都不满足绝对可积条件,所以其傅里叶变换不存在。
不过,尽管随机信号的总能量是无限的,但其平均功率却是有限的,因此,要对随机信号的频域进行分析,应从功率谱出发进行研究才有意义。正因如此,在研究中经常使用功率谱密度(Power spectral density, PSD)来分析脑电信号的频域特性。
本文简单的演示了对脑电信号提取功率谱密度特征然后分类的基本流程。希望对那些尚未入门、面对 BCI 任务不知所措的新手能有一点启发。
2. 功率谱密度理论基础简述
功率谱密度描是对随机变量均方值的量度,是单位频率的平均功率量纲。对功率谱在频域上积分就可以得到信号的平均功率。
功率谱密度 是一个以频率 为自变量的映射, 反映了在频率成分 上信号有多少功率。
我们假定一个随机过程 ,并定义一个截断阈值 ,随机过程 的截断过程 就可以定义为
则该随机过程的能量可定义为
对能量函数求导,就可以获得平均功率。
根据 Parseval 定理(即能量从时域角度和频域角度来看都是相等的)可得:
这里 是 经过傅里叶变换后的形式。由于随机过程 被限定在了一个有限的时间区间 之间,所以对随机过程的傅里叶变换不再受限。另外我们还需要注意到, 是一个随机变量,因此为了得到最终总体的平均功率,还需要求取随机变量的期望值。
由此,通过求取 时的极限,就可以得到原始随机过程的平均功率 。
将式中被积函数单独提取出来,定义为 :
这样一来,平均功率 可以表示为 。通过这种定义方式,函数 可以表征每一个最小极限单位的频率分量所拥有的功率大小,因此我们把 称为功率谱密度。
3. Matlab 中 PSD 函数的使用
功率谱密度的估计方法有很多。总体来讲可以分为两大类:传统的非参数方法,和现代的参数方法。
在这里插入图片描述
本节不对理论知识做详细的叙述,感兴趣的可以深入查阅文