前言

腦電圖(EEG)信號(hào)在理解與腦功能和腦相關(guān)疾病的電活動(dòng)方面發(fā)揮著重要作用。典型的腦電信號(hào)分析流程如下：(1)數(shù)據(jù)采集；(2)數(shù)據(jù)預(yù)處理；(3)特征提??；(4)特征選擇；(5)模型訓(xùn)練與分類；(6)性能評(píng)估。當(dāng)信號(hào)分析應(yīng)用于EEG時(shí)，由于應(yīng)用數(shù)字信號(hào)處理(DSP)和機(jī)器學(xué)習(xí)(ML)方法通常可以識(shí)別整個(gè)身體的狀態(tài)以及大腦狀態(tài)，因此特別有意義。

Carlo Matteucci和Emil Du Bois-Reymond是最先建立神經(jīng)生理學(xué)的人，也是最先記錄和顯示大腦活動(dòng)的人。后來，Hans Berger發(fā)現(xiàn)了大腦中的alpha波活動(dòng)，他是19世紀(jì)70年代第一個(gè)使用頭皮電極以電信號(hào)的形式記錄大腦活動(dòng)的人。Berger最終被認(rèn)為是發(fā)明和測(cè)量EEG信號(hào)的人。Kornmüller關(guān)注多通道記錄及其重要性，并通過使用更多的電極來擴(kuò)大腦區(qū)覆蓋范圍。EEG分析自發(fā)現(xiàn)以來，為各種神經(jīng)系統(tǒng)疾病的診斷和治療以及中樞神經(jīng)系統(tǒng)整體健康狀況的研究帶來了重大進(jìn)展。

用于信號(hào)采集的EEG系統(tǒng)由電極、差分放大器、濾波器和寄存器組成。常用的EEG電極放置方法為10-20標(biāo)準(zhǔn)導(dǎo)聯(lián)(見圖1)。對(duì)EEG信號(hào)進(jìn)行采樣、量化和編碼，將其轉(zhuǎn)換為數(shù)字形式。由于EEG信號(hào)的有效帶寬為~100Hz，因此對(duì)于大多數(shù)應(yīng)用來說，200Hz的最小頻率(以滿足Nyquist標(biāo)準(zhǔn))足以采集EEG信號(hào)。

腦電分析與應(yīng)用的挑戰(zhàn)

腦電信號(hào)分析的應(yīng)用比較廣泛：從疾病診斷到腦機(jī)接口(BCIs)。癲癇是腦電信號(hào)分析中研究較多的一種疾病。癲癇的特點(diǎn)是頻繁發(fā)作，被歸類為慢性神經(jīng)系統(tǒng)疾病。EEG可用于識(shí)別癲癇發(fā)作以及癲癇的診斷，但這一過程耗時(shí)長(zhǎng)且需要手動(dòng)操作。由于手動(dòng)操作存在主觀性，因此可能導(dǎo)致診斷存在差異。這同時(shí)也促進(jìn)了技術(shù)領(lǐng)域的創(chuàng)新，以開發(fā)癲癇檢測(cè)的自動(dòng)化方法。

腦電信號(hào)分析也被應(yīng)用于腦機(jī)接口領(lǐng)域，這是一個(gè)快速發(fā)展的研究領(lǐng)域，也是一個(gè)有趣的領(lǐng)域，因?yàn)樗鼮橥獠渴澜绾腿祟惔竽X之間的溝通提供了橋梁。目前已被應(yīng)用于輔助設(shè)備，用于恢復(fù)患者的運(yùn)動(dòng)，以及再訓(xùn)練患者以恢復(fù)運(yùn)動(dòng)功能。腦機(jī)接口系統(tǒng)的作用是分析從腦電圖傳入的腦電波，并將信號(hào)轉(zhuǎn)換為適當(dāng)?shù)膭?dòng)作。然而，該領(lǐng)域在可用性、訓(xùn)練、信息傳輸率以及技術(shù)方面仍然存在許多挑戰(zhàn)。

EEG的其他應(yīng)用包括但不限于運(yùn)動(dòng)想象分類、情緒分類、心理診斷和睡眠狀態(tài)分類。由于這些應(yīng)用在數(shù)據(jù)采集過程中需要采集大量的EEG通道，因此需要通道冗余。已經(jīng)開發(fā)了一些算法來輔助腦電信號(hào)的通道選擇。通道選擇有助于降低計(jì)算復(fù)雜度，減少冗余通道的過擬合以提高性能，并減少某些應(yīng)用程序的設(shè)置時(shí)間。通道選擇技術(shù)包括：(1)使用評(píng)估標(biāo)準(zhǔn)“過濾”通道的過濾法；(2)使用分類算法的包裝法；(3)基于分類器學(xué)習(xí)過程中生成的標(biāo)準(zhǔn)來選擇通道的嵌入法；以及(4)結(jié)合過濾和包裝技術(shù)的混合方法。

腦電特征提取方法的發(fā)展

特征提取是信號(hào)預(yù)處理后的下一步，是生物醫(yī)學(xué)信號(hào)分析的重要步驟。使用大數(shù)據(jù)已經(jīng)變得越來越普遍，特別是在醫(yī)療領(lǐng)域，因?yàn)榇髷?shù)據(jù)需要多個(gè)小時(shí)的采集以及多個(gè)通道，就像EEG信號(hào)采集一樣。因此，特征提取的基本目標(biāo)之一是降維和數(shù)據(jù)壓縮。從本質(zhì)上講，這將允許人們用更小的特征子集來表示他們的數(shù)據(jù)。這促進(jìn)了機(jī)器學(xué)習(xí)(ML)和人工智能(AI)算法在分類和診斷應(yīng)用中的高效使用。注意，并非所有特征都適用于給定的應(yīng)用程序；理論上，“有用的”特征應(yīng)該具有準(zhǔn)確表示潛在信號(hào)的能力。

此外，需要注意的是，腦電信號(hào)攜帶的特性會(huì)使特征提取和信號(hào)分析過程復(fù)雜化。腦電信號(hào)具有：(a)非平穩(wěn)，(b)非線性，(c)非高斯，和(d)非短形式。為了實(shí)現(xiàn)穩(wěn)健的端到端管道，需要在特征提取過程中對(duì)這些特性加以考慮。

特征提取后進(jìn)行特征選擇。不同的特征組合會(huì)對(duì)管道產(chǎn)生不同的結(jié)果；它們可能會(huì)對(duì)以下機(jī)器學(xué)習(xí)(ML)模型的性能產(chǎn)生消極或積極影響。例如，如果選擇不合適/低效的特征來訓(xùn)練模型，總體上不能很好地表示潛在信號(hào)，那么模型的性能就會(huì)下降。一個(gè)好的經(jīng)驗(yàn)法則是選擇與應(yīng)用程序相關(guān)的特征來表示信號(hào)，而不是一般特征，這將確保特征能夠捕獲感興趣的模式和行為。

總之，特征提取和特征選擇節(jié)省了硬件和軟件資源、計(jì)算時(shí)間，并降低了復(fù)雜性，所有這些都可應(yīng)用于ML和基于AI的連接醫(yī)療和遠(yuǎn)程醫(yī)療領(lǐng)域。本文回顧了近年來應(yīng)用于腦電信號(hào)的常見特征提取方法(見圖2)。接下來將按一維特征提取方法和多維特征提取方法進(jìn)行闡述。

(一)一維特征提取技術(shù)

①時(shí)域。

②頻域/譜域。

③分解域。

(二)多維特征提取技術(shù)

①時(shí)頻聯(lián)合域。

②空間域。

特征對(duì)機(jī)器學(xué)習(xí)的重要性

在進(jìn)行特征提取和特征選擇之后，將特征輸入到機(jī)器學(xué)習(xí)(ML)模型中。這些ML模型是為特定應(yīng)用定制的，例如用于分類(疾病診斷)。ML是整個(gè)AI領(lǐng)域的一個(gè)子集，可以幫助優(yōu)化所選擇的特征。這是由開發(fā)人員在確定哪些特征對(duì)模型有積極/消極影響時(shí)完成的，并使用這些信息來優(yōu)化整個(gè)管道。

在選擇合適的ML算法來實(shí)現(xiàn)時(shí)，必須考慮所選擇的應(yīng)用程序/問題。這是因?yàn)閷?duì)于特定的應(yīng)用程序，某些模型的表現(xiàn)比其他模型更好。人們還必須考慮現(xiàn)有ML模型固有的優(yōu)缺點(diǎn)，例如，有些模型的計(jì)算量更大，這對(duì)于實(shí)時(shí)設(shè)計(jì)來說可能不可行。在選擇ML算法時(shí)，有一些一般標(biāo)準(zhǔn)需要考慮：(1)生物信號(hào)的類型，(2)特征矩陣的大小，和(3)標(biāo)記數(shù)據(jù)的可用性等等。請(qǐng)參考圖2了解簡(jiǎn)單的端到端特征提取ML管道。

開發(fā)人員可以選擇有監(jiān)督或無(wú)監(jiān)督的ML模型。通常在醫(yī)療應(yīng)用中，會(huì)選擇有監(jiān)督的模型。監(jiān)督學(xué)習(xí)是指領(lǐng)域?qū)＜姨峁┑臉?biāo)記數(shù)據(jù)的可用性；標(biāo)記的數(shù)據(jù)作為訓(xùn)練過程中模型學(xué)習(xí)的基礎(chǔ)。

無(wú)監(jiān)督學(xué)習(xí)是指缺乏專家標(biāo)記的數(shù)據(jù)，取而代之的是算法研究數(shù)據(jù)以找到模式來區(qū)分不同類別。然而，這種類型的學(xué)習(xí)通常不用于生物醫(yī)學(xué)信號(hào)數(shù)據(jù)。這是因?yàn)樯镝t(yī)學(xué)信號(hào)在短時(shí)段中可以得到更好的分析；在監(jiān)督學(xué)習(xí)中，可以將標(biāo)簽應(yīng)用于單個(gè)片段。然而，在無(wú)監(jiān)督學(xué)習(xí)中，ML預(yù)測(cè)標(biāo)簽將應(yīng)用于全程信號(hào)，這是不可取的，特別是當(dāng)存在需要局部特征提取而不是全局特征提取的感興趣區(qū)域(ROI)時(shí)。

如前所述，不同的特征集產(chǎn)生不同的性能結(jié)果，從而使機(jī)器學(xué)習(xí)的選擇和訓(xùn)練成為一個(gè)漫長(zhǎng)的過程。我們應(yīng)該意識(shí)到，適當(dāng)特征的數(shù)量也是一個(gè)關(guān)鍵考慮因素，因?yàn)檫@可能會(huì)導(dǎo)致模型過擬合或欠擬合問題。

一維特征

時(shí)域特征提取

時(shí)域特征提取是一種較為原始的技術(shù)，它根據(jù)時(shí)間對(duì)信號(hào)/數(shù)據(jù)進(jìn)行分析。這使得我們可以量化信號(hào)是如何隨時(shí)間變化的。這在EEG信號(hào)中尤其重要，因?yàn)樗鼈兺ǔＪ窃诙鄠€(gè)小時(shí)的時(shí)間范圍內(nèi)記錄的。通常，信號(hào)的加窗和分割是時(shí)域特征提取所需的。這樣，每個(gè)窗口都將提取一個(gè)局部特征，研究人員將能夠查看這些特征在每個(gè)窗口上的變化情況。由于生理信號(hào)本質(zhì)上是非線性和非平穩(wěn)的，因此加窗和分割對(duì)于生理信號(hào)的處理尤其重要。常見的腦電時(shí)域技術(shù)包括自回歸建模、基于Higuchi算法的分形維數(shù)、統(tǒng)計(jì)特征、去趨勢(shì)波動(dòng)分析。(相關(guān)推薦：時(shí)域、頻域、時(shí)頻特征提取技術(shù))

頻域特征提取頻域分析技術(shù)側(cè)重于從構(gòu)成數(shù)據(jù)的正弦波信號(hào)中提取特征。這通常是先從時(shí)域轉(zhuǎn)換到頻域，然后再做進(jìn)一步的分析。時(shí)域信號(hào)及其頻域?qū)?yīng)信號(hào)的可視化如圖3所示。常見的腦電頻域技術(shù)包括傅里葉變換(FT)、功率譜密度(PSD)、頻帶功率(BP)、希爾伯特-黃變換(Hilbert-Huang transform，HHT)。

分解域特征提取

分解特征提取是有用的，因?yàn)樗试S同時(shí)對(duì)信號(hào)進(jìn)行濾波。其基本前提是：(1)使用選擇的方法對(duì)信號(hào)進(jìn)行分解；(2)選擇需要的分量；(3)剔除不需要的分量。這也會(huì)導(dǎo)致數(shù)據(jù)壓縮，使其成為更現(xiàn)代應(yīng)用程序的理想選擇。常見的腦電分解域技術(shù)包括自適應(yīng)Hermite分解、局部特征尺度分解、小波變換(又包括連續(xù)小波變換(CWT)和離散小波變換(DWT))、經(jīng)驗(yàn)?zāi)B(tài)分解(EMD)。

多維特征提取

時(shí)頻域特征提取

單獨(dú)使用信號(hào)的頻譜和時(shí)間特征進(jìn)行特征提取通常是無(wú)效的，因?yàn)樗鼈兊男盘?hào)沒有對(duì)應(yīng)起來。為了克服單一域的局限性，時(shí)頻分析技術(shù)很好地將兩者進(jìn)行結(jié)合。常見的腦電時(shí)頻特征提取技術(shù)包括短時(shí)傅里葉變換、S-變換(morlet小波變換的延伸)、匹配追蹤。

空間域特征提取

空間域特征提取，又稱空間濾波，是最常用的腦電信號(hào)分類技術(shù)之一。具體來說，該技術(shù)使用了共空間模式(common spatial pattern，CSP)，即一種有監(jiān)督的空間濾波器?？臻g濾波方法將腦電波轉(zhuǎn)換到一個(gè)獨(dú)特的空間。在這個(gè)獨(dú)特的空間中，一組的方差被放大，而另一組的方差較小。然而，純CSP技術(shù)存在局限性；由于受限于特定被試的最優(yōu)頻帶，而無(wú)法達(dá)到理想的性能。因此，研究人員一直在開發(fā)CSP的變體，以克服這些局限性?；贑SP改進(jìn)的方法有共空譜模式(CSSP)、共稀疏空譜模式(CSSSP)、子帶共空間模式(SBCSP)、正則化共空間模式(RCSP)。

結(jié)論

本文從時(shí)域、頻域、分解域、時(shí)頻域和空間域等方面分析和闡述了各種腦電特征提取技術(shù)。與單獨(dú)的時(shí)域和頻域結(jié)果相比，分解域和時(shí)頻域中的信號(hào)表征效果最好；然而，許多研究得出結(jié)論，在腦電分析和特征提取方面，空間域是最強(qiáng)大的。從腦電信號(hào)中提取的特征可以集成到ML管道中。然而，應(yīng)該注意的是，在開發(fā)一個(gè)穩(wěn)健的特征提取管道時(shí)，它必須在與ML模型集成之前生成穩(wěn)健的特征并對(duì)數(shù)據(jù)進(jìn)行降維。

本文首先分析了一維特征提取域。例如，自回歸(AR)建模、Higuchi分形維數(shù)、統(tǒng)計(jì)特征提取和去趨勢(shì)波動(dòng)分析等常用的時(shí)域方法因其處理速度快而被廣泛使用，但是它們并不總是產(chǎn)生最相關(guān)和最穩(wěn)健的特征。大多數(shù)時(shí)域方法的計(jì)算成本較低，比如從腦電信號(hào)中提取統(tǒng)計(jì)特征。這意味著它們通常不會(huì)優(yōu)化潛在腦電信號(hào)的表征。對(duì)于大多數(shù)頻域方法亦是如此。這是因?yàn)閱为?dú)的時(shí)域和頻域技術(shù)無(wú)法捕獲足夠的細(xì)節(jié)和信息。

在頻域上，F(xiàn)T、PSD、BP和HHT四種特征提取方法與頻帶功率分析一樣，可以實(shí)現(xiàn)高精度，但計(jì)算成本較高。此外，當(dāng)頻率突變是腦電圖信號(hào)的特征時(shí)，這些方法的可靠性會(huì)降低。

在分解域上，有小波變換和經(jīng)驗(yàn)?zāi)B(tài)分解等經(jīng)典方法，以及其他鮮為人知的方法，如AHD和LCSD。這些方法更具適應(yīng)性、高效和準(zhǔn)確，但計(jì)算速度較慢。離散小波變換(DWT)具有時(shí)變尺度(與頻率呈負(fù)相關(guān))表征，克服了之前討論的單一域的局限性。當(dāng)進(jìn)行多維特征提取時(shí)，聯(lián)合時(shí)頻域進(jìn)一步克服了這一問題。

時(shí)頻聯(lián)合域同時(shí)觀察時(shí)域和頻域的特征，從而從腦電信號(hào)中提取更多的細(xì)節(jié)和信息。這將有更高的效率(如STFT方法)和更好的性能精度(如MP方法)。但是，使用這些方法，必須找到時(shí)間和頻率分辨率的平衡，因?yàn)閮烧咧g存在明顯的權(quán)衡；即隨著一個(gè)增加，另一個(gè)將減少。

空間域被認(rèn)為是腦電特征提取最相關(guān)的域，它允許將腦電波轉(zhuǎn)換到一個(gè)獨(dú)特的空間進(jìn)行方差分析。共空間模式(CSP)方法具有廣泛的應(yīng)用前景，而且基于CSP改進(jìn)的方法包括CSSP、CSSSP、SBCSP和RCSP等，這些方法都優(yōu)于傳統(tǒng)的CSP方法，精度更高，并克服了CSP的局限性。然而，這些方法中的大多數(shù)計(jì)算成本很高。為了便于參考，圖4中總結(jié)了所有方法。

圖4中總結(jié)的每一種方法都有其優(yōu)點(diǎn)和缺點(diǎn)(參見表1-5)，在執(zhí)行和測(cè)試期間，研究人員需要權(quán)衡這些優(yōu)缺點(diǎn)。雖然分解域、時(shí)頻域和空間域能夠提供腦電信號(hào)平均的最佳表征，但其他域的方法仍然很重要，根據(jù)研究應(yīng)用或要解決的問題而具體分析。

參考文獻(xiàn)（上下滑動(dòng)查看）：

Abdulkader, S. N., Atia, A., and Mostafa, M. M. (2015). Brain computer interfacing: applications and challenges. Egypt. Inform. J. 16, 213–230. doi: 10.1016/j.eij.2015.06.002

Alotaiby, T., El-Samie, F. E. A., Alshebeili, S. A., and Ahmad, I. (2015). A review of channel selection algorithms for EEG signal processing. EURASIP J. Adv. Signal Process. 1, 2015. doi: 10.1186/s13634-015-0251-9

Azlan, W. A. W., and Low, Y. F. (2014). “Feature extraction of electroencephalogram (EEG) signal - a review,” in 2014 IEEE Conference on Biomedical Engineering and Sciences (IECBES) (Kuala Lumpur: IEEE), 801–806. doi: 10.1109/IECBES.2014.7047620

Boonyakitanont, P., Lek-uthai, A., Chomtho, K., Songsiri, J. (2020). A review of feature extraction and performance evaluation in epileptic seizure detection using EEG. Biomed. Signal Process. Control 57, 101702. doi: 10.1016/j.bspc.2019.101702

Bourien, J., Bellanger, J. J., Bartolomei, F., Chauvel, P., and Wendling, F. (2021). EEG signal analysis for epileptic seizures detection by applying Data Mining techniques. Internet Things 14, 100048. doi: 10.1016/j.iot.2019.03.002

Chai, R, Naik, G. R, Nguyen, T. N, Ling, S. H, Tran, Y, Craig, A, et al. (2017). Driver fatigue classification with independent component by entropy rate bound minimization analysis in an EEG-based system. IEEE J. Biomed. Health Inform. 21, 715–724. doi: 10.1109/JBHI.2016.2532354

Chakladar, D. D., Chakraborty, S. (2018). Multi-target way of cursor movement in brain computer interface using unsupervised learning. Biol. Inspired Cogn. Arch. 25, 88–100. doi: 10.1016/j.bica.2018.06.001

Delimayanti, M. K., Purnama, B., Giang, N. N., Mahmudah, K. R., et al. (2020). Classification of brainwaves for sleep stages by high-dimensional FFT features from EEG signals. Appl. Sci. 10, 1797. doi: 10.3390/app10051797

Dornhege, G., Blankertz, B., Krauledat, M., Losch, F., Curio, G., Müller, K.- R., et al. (2006). Combined optimization of spatial and temporal filters for improving brain-computer interfacing. IEEE Trans. Biomed. Eng. 53, 2274–2281. doi: 10.1109/TBME.2006.883649

Fernández-Rodríguez, á., Velasco-álvarez, F., and Ron-Angevin, R. (2016). Review of real brain-controlled wheelchairs. J. Neural Eng. 13, 061001. doi: 10.1088/1741-2560/13/6/061001

Guo, S., Lin, S., and Huang, Z. (2015). “Feature extraction of P300s in EEG signal with discrete wavelet transform and fisher criterion,” in 2015 8th International Conference on Biomedical Engineering and Informatics (BMEI) (Shenyang: IEEE), 200?204. doi: 10.1109/BMEI.2015.7401500

Ha, K.-W. and Jeong, J.-W. (2019). Motor imagery EEG classification using capsule networks. Sensors 19, 2854. doi: 10.3390/s19132854

Haddad, R. A. and Akansu, A. N. (1993). Time-frequency localization in transforms, subbands, and wavelets: a critical review. Opt. Eng. 32, 1411. doi: 10.1117/12.138550

Ieracitano, C., Mammone, N., Hussain, A., and Morabito, F. C. (2020). A novel multimodal machine learning based approach for automatic classification of EEG recordings in dementia. Neural Netw. 123, 176–190. doi: 10.1016/j.neunet.2019.12.006

Jin, J., Miao, Y., Daly, I., Zuo, C., Hu, D., Cichocki, A., et al. (2019). Correlation-based channel selection and regularized feature optimization for MI-based BCI. Neural Netw. 118, 262–270. doi: 10.1016/j.neunet.2019.07.008

Kaur, B., Singh, D., and Roy, P. P. (2018). EEG based emotion classification mechanism in BCI. Procedia Comput. Sci. 132, 752–758. doi: 10.1016/j.procs.2018.05.087

Khan, J., Bhatti, M. H., Khan, U. G., and Iqbal, R. (2019). Multiclass EEG motorimagery classification with sub-band common spatial patterns. EURASIP J. Wirel. Commun. Netw. 2019, 174. doi: 10.1186/s13638-019-1497-y

Krishnan, S. (2021). Signal Analysis for Connected Healthcare. Cambridge, MA: Academic Press. doi: 10.1016/B978-0-12-813086-5.00005-0

Krishnan, S., and Athavale, Y. (2018). Trends in biomedical signal feature extraction. Biomed. Signal Process. Control 43, 41–63. doi: 10.1016/j.bspc.2018.02.008

Lawhern, V., Hairston, W. D., McDowell, K., Westerfield, M., and Robbins, K. (2012). Detection and classification of subject-generated artifacts in EEG signals using autoregressive models. J. Neurosci. Methods 208, 181–189. doi: 10.1016/j.jneumeth.2012.05.017

Liu, A., Chen, K., Liu, Q., Ai, Q., Xie, Y., Chen, A., et al. (2017). Feature selection for motor imagery EEG classification based on firefly algorithm and learning automata. Sensors 17, 2576. doi: 10.3390/s17112576

Mandel, C., Luth, T., Laue, T., Rofer, T., Graser, A., Krieg-Bruckner, B., et al. (2009). “Navigating a smart wheelchair with a brain-computer interface interpreting steady-state visual evoked potentials,” in 2009 IEEE/RSJ International Conference on Intelligent Robots and Systems (St. Louis, MO: IEEE), 1118–1125. doi: 10.1109/IROS.2009.5354534

Mumtaz, W., Malik, A. S., Ali, S. S. A., Yasin, M. A. M., and Amin, H. (2015). Detrended fluctuation analysis for major depressive disorder. Annu. Int. Conf. IEEE Eng. Med. Biol. Soc. 2015, 4162–4165. doi: 10.1109/EMBC.2015.7319311

Picard, R. W., Vyzas, E., and Healey, J. (2001). Toward machine emotional intelligence: analysis of affective physiological state. IEEE Trans. Pattern Anal. Mach. Intell. 23, 1175–1191. doi: 10.1109/34.954607

Rashid, M, Sulaiman, N, Majeed, A. P. P. A, Musa, R. M, Nasir, A. F. A, Bari, B. S, et al. (2020). Current status, challenges, and possible solutions of EEGbased brain-Computer Interface: a comprehensive review. Front. Neurorobot. 14, 25. doi: 10.3389/fnbot.2020.00025

Reddy, T. K., Arora, V., Behera, L., Wang, Y.-K., and Lin, C.-T. (2019). Multiclass fuzzy time-delay common spatio-spectral patterns with fuzzy information theoretic optimization for EEG-based regression problems in brain–computer interface (BCI). IEEE Trans. Fuzzy Syst. 27, 1943–1951. doi: 10.1109/TFUZZ.2019.2892921

Rutkowski, G., Patan, K., and Le′sniak, P. (2013). “Comparison of timefrequency feature extraction methods for EEG signals classification,” in Artificial Intelligence and Soft Computing, eds L. Rutkowski, M. Korytkowski, R. Scherer, R.Tadeusiewicz, L. A. Zadeh, and J. M. Zurada (Berlin; Heidelberg: Springer), 320–329. doi: 10.1007/978-3-642-38610-7_30

Sanei, S., and Chambers, J. A. (2021). EEG Signal Processing and Machine Learning, 2nd ed. Hoboken, NJ: John Wiley & Sons Inc. doi: 10.1002/9781119386957

Song, Z., Fang, T., Ma, J., Zhang, Y., Le, S., Gege, Z., et al. (2021). Evaluation and diagnosis of brain diseases based on non-invasive BCI,” in 2021 9th International Winter Conference on Brain-Computer Interface (BCI) (Gangwon: IEEE), 1–6. doi: 10.1109/BCI51272.2021.9385291

Subasi, A. (2019). “Feature extraction and dimension reduction,” in Practical Guide for Biomedical Signals Analysis Using Machine Learning Techniques, ed A. Subasi (San Diego, CA: Elsevier), 193–275. doi: 10.1016/B978-0-12-817444-9.00004-0

Taran, S., and Bajaj, V. (2018). Drowsiness detection using adaptive Hermite decomposition and extreme learning machine for electroencephalogram signals. IEEE Sens. J. 18, 8855–8862. doi: 10.1109/JSEN.2018.2869775

Zhang, D.-X., Wu, X.-P., and Guo, X.-J. (2008). “The EEG signal preprocessing based on empirical mode decomposition,” in 2008 2nd International Conference on Bioinformatics and Biomedical Engineering (Shanghai: IEEE), 2131–2134. doi: 10.1109/ICBBE.2008.862

Zhang, Y., Ji, X., and Zhang, Y. (2015). “Classification of EEG signals based on AR model and approximate entropy,” in 2015 International Joint Conference on Neural Networks (IJCNN) (Killarney: IEEE), 1–6. doi: 10.1109/IJCNN.2015.7280840

小伙伴們關(guān)注茗創(chuàng)科技，將第一時(shí)間收到精彩內(nèi)容推送哦～