脑电特征中的微分熵（DE）计算

最新推荐文章于 2024-10-17 03:56:00 发布
最新推荐文章于 2024-10-17 03:56:00 发布
阅读量1.8w 收藏 137
点赞数 29
分类专栏： 算法 文章阅读 文章标签： EEG 算法
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/zhoudapeng01/article/details/108596687
版权
本文探讨了微分熵在脑电情绪识别竞赛中的应用，通过对比多种特征，发现微分熵表现最优。文章分析了微分熵的计算方法及其简化替代方案，并指出简化计算虽方便，但会影响分类精度。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

最近参加了一个脑电相关的竞赛，其中有一个赛道是情绪识别，根据脑电数据将情绪进行4分类，查了一些文献，使用了包括时域、频域、空间域的一些特征，最后发现微分熵作为特征的分类效果最好。

相关参考文献整理下载：

https://download.csdn.net/download/zhoudapeng01/12845100

微分熵作为作为香农熵在连续变量上的推广形式其计算比较简单：

参考：http://cg.cs.tsinghua.edu.cn/people/~Yongjin/N112018-00337.pdf

实际上，作为脑电的一个非线性特征，到这微分熵的计算已经很明确了，可是在看其他资料的时候发现有用功率谱近似代替微分熵的计算的，这就是个问题了，他这么简化的依据是什么呢？

参考：http://bcmi.sjtu.edu.cn/~zhujiayi/pdf/BachelorThesis.pdf

为了找这个简化运算的依据还真费了点时间，不过最后在《Differential Entropy Feature for EEG-based Vigilance Estimation》中找到了些依据。虽然可以如此简化运算，在实际应用中发现还是不简化的好，分类的结果更加准确。

相关参考文献下载：https://download.csdn.net/download/zhoudapeng01/12845100

 

脑电情感识别中微分熵(DE)和功率谱密度(PSD)特征提取的matlab代码
05-06
脑电情感识别中，常用的特征主要有DE和PSD特征，这里提供了特征提取的matlab代码
脑电EEG常用的特征
ZhangJingHuaJYO的博客
03-13 1万+
  最近学习有关脑电的一些基础知识，基于深度学习对脑电信号进行分类时，首先需要对脑电信号进行预处理（滤波等），这时一般不能将其作为数据进行学习，更常见的是提取脑电信号的特征，然后再用深度学习发掘特征与不同情绪的关联。脑电信号常见的特征有： 时域中： 平均值、标准差、一阶差分、归一化一阶差分、能量、功率、高阶过零分析。不稳定指数等 时频域： 功率谱密度、高阶谱、微分熵等 空间域： DASM、RASM、不对称系数、DCAU、多维度有向信息等 下面对上面所述的一些进行解析 1、微分熵DE： 式子中的 ZZZ 符
【计算机科学与技术】信息论笔记（6）：微分熵
招财猫qwq的博客
08-03 3441
本篇是学习信息论的入门笔记，希望能与各位分享进步！这是第六章：微分熵~
脑电数据集提取微分熵特征(以SEED数据集为例)
YuqingF的博客
07-19 1万+
SEED数据集是常用的脑电信号情绪识别数据集，在该数据集的Preprocessed_EEG文件夹中是原始的脑电数据，在ExtractedFeatures文件夹中是官方提取特征后的数据(提取了多种特征可直接使用)。既然官方已经把特征提取好了为什么还要自己做特征提取？官方并没有开源提取特征的代码。为了处理其他数据集或者自己的数据。微分熵(de)作为脑电中非常好的脑电特征目前在网上却很难找到实现的放发，收费的代码大多也是错的或者是不完整的。...
（论文加源码）基于连续卷积神经网络（CNN）（SVM）（MLP）提取脑电微分熵特征的DEAP脑电情绪识别
qq_45874683的博客
11-16 5694
简介： 主要内容是采用DEAP数据集将脑电信号进行频域分段并提取其微分熵特征，为了充分利用空间特征，结合微分熵特征将其构建为一个三维脑电特征，输入到连续卷积神经网络，并最终取得了90.24%的准确率。 提出了一种脑电特征的三维输入形式，并将其输入到连续卷积神经网络中进行情感识别。三维输入的优点是在集成多个频带的微分熵特征的同时保留电极之间的空间特征。 主要内容： 为了后续处理方便，将DEAP数据集40*40*8064转换为40*8064*32. 1. 根据以前研究，...
（论文加代码）基于DEAP数据集的脑电情绪识别，使用了连续卷积神经网络（CNN）模型，提取了脑电微分熵特征
11-16
主要内容是采用DEAP数据集将脑电信号进行频域分段并提取其微分熵特征，为了充分利用空间特征，结合微分熵特征将其构建为一个三维脑电特征，输入到连续卷积神经网络，并最终取得了90.24%的准确率。 提出了一种脑电特征的三维输入形式，并将其输入到连续卷积神经网络中进行情感识别。三维输入的优点是在集成多个频带的微分熵特征的同时保留电极之间的空间特征。
微分熵_Differential Entropy_matlab
03-24
【达摩老生出品，必属精品，亲测校正，质量保证】 资源名：微分熵_Differential Entropy_matlab 资源类型：matlab项目全套源码 源码说明： 全部项目源码都是经过测试校正后百分百成功运行的，如果您下载后不能运行可联系我进行指导或者更换。 适合人群：新手及有一定经验的开发人员
UA MATH636 信息论6 微分熵
一个不愿透露姓名的博客
03-25 1328
UA MATH636 信息论6 微分熵Differential EntropyConditional Differential EntropyDifferential Entropy of Gaussian r.v.信源编码基础Typical Set数据压缩 之前讨论的熵都是基于离散型随机变量讨论的，现在考虑基于连续型随机变量来定义熵。假设XXX是连续型随机变量，概率密度函数为f(x)f(x)f(...
（论文加源码）基于deap的脑电情绪识别，构建脑图的二维卷积（提取了功率谱密度psd和微分熵DE）
04-07
该模型被称为多任务卷积神经网络（MT-CNN），使用微分熵（DE）和功率谱密度（PSD），并考虑0.5s的观察窗口，由四种不同频段的不同波（α、β、γ和θ）的叠加脑图构成。该模型在DEAP数据集上进行训练和测试，DEAP...
MATLAB提取脑电信号的微分熵特征
05-13
最后，可以对整个脑电信号数据进行微分熵的计算，并将结果存储在一个特征向量中，例如： ```matlab % 定义微分熵计算的参数 m = 3; r = 0.2; % 定义特征向量 de_feature = zeros(size(eeg_data,1), 1); % 对每个...
功率谱密度代码matlab-Signal-feature-extraction_DE-and-PSD:提取信号的DE（微分熵）和PSD（功率谱
06-02
功率谱密度代码matlab 信号特征提取（DE 和 PSD） 用于提取信号的 DE（差分熵）和 PSD（功率谱密度）特征的代码。 提供了 Matlab 和 python 版本。 input: data [n*m] n electrodes, m time points stft_para.stftn frequency domain sampling rate stft_para.fStart start frequency of each frequency band stft_para.fEnd end frequency of each frequency band stft_para.window window length of each sample point(seconds) stft_para.fs original frequency output: psd,DE [n*l*k] n electrodes, l windows, k frequency bands
计算图像的熵（一阶、二阶和差熵）
03-11
本代码是计算图像的一阶熵、二阶熵和差熵的程序。希望能对大家有所帮助
样本熵-EEG
11-19
脑电信号分析，脑电信号分段，脑电样本熵特征计算，样本熵程序
python脑电seed数据集微分熵DE特征提取
06-11
在Python中，可以使用...需要注意的是，微分熵特征的提取需要结合具体的脑电数据和研究问题进行选择和调整。此外，还可以使用其他特征提取方法，例如小波变换、熵、幅度和频率统计量等，以获得更全面的脑电信号特征。
（论文加源码）通过构建脑图基于DEAP的情绪识别多任务CNN模型（提取了功率谱密度psd和微分熵DE）
qq_45874683的博客
04-02 4405
引言 EEG信号能客观地反映多种情绪，是检测真实情绪的可靠方法。 •原始EEG信号易受噪声影响，且难以分析，因此产生高分辨鲁棒特征的问题 •EEG脑图是从EEG信号中提取的特征的空间表示 框架： setuptools>=52.0.0 keras>=2.7.0 numpy>=1.19.5 tensorflow>=2.7.0 scikit-learn>=0.24.1 scipy>=1.4.1 数据处理和特征提取 大脑地图创建（1） 使用4个脑电波段：θ（
（论文加源码）基于DEAP的脑电情绪识别（CNN,RNN和两种不同的注意力机制）
qq_45874683的博客
04-01 5922
两种注意力机制为通道注意力机制（channel-wise attention）和扩展自我注意力机制（self-attention mechanisms） 摘要 本文提出了一种基于注意力机制的卷积循环神经网络（ACRNN），用于从脑电信号中提取更多的特征，提高情感识别的准确性。首先，提出的ACRNN采用了一种基于通道的注意力机制来自适应地分配不同通道的权重，并利用CNN来提取编码脑电信号的空间特征。然后，为了探索脑电信号的时域特征，将扩展的自我注意力机制集成到RNN中，根据脑电信号的内在相似性重新编码重要
脑电数据的特征提取算法详解
baozhiqiangjava的博客
11-27 1万+
脑电信号是一些时域变换。 作者做了什么 做这件事有什么意义 作者是用什么方法去做的 这个方法（思路）的每一步具体怎么操作，每一步都有什么目的，为了解决一个什么样的小问题 在做的过程中，有哪些难点，作者是如何解决的 作者得到的每一张图、每一张表、每一个结果，都说明了什么问题 1 傅里叶变换 1 为什么进行傅里叶变换？ 2 输入是什么？输出是什么？ 3 傅里叶变换在计算机里还能做什么？ 4 傅里叶变换的理论推导证明？ 5 其他跟傅里叶变换类似的变换？...
微分熵和连续随机变量的信息度量【**】
最新发布
qq_51011530的博客
10-17 1168
对于一个连续随机变量XXX，其概率密度函数（pdf）为pxp(x)px。微分熵HXH(X)HXHX−∫pxlog⁡1pxdx−∫pxlog⁡pxdxHX−∫pxlogpx1​dx−∫pxlogpx))dx这个公式看起来与离散随机变量的熵公式类似，只是将离散情况下的求和符号替换为了积分符号，因为我们现在处理的是连续概率密度函数。最后，互信息IX;YI(X;Y)IX;Y。
高斯分布微分熵的推导
热门推荐
机器学习的小学生
06-19 2万+
参考文献：PRML
评论 13
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