EEG信号处理的新兴趋势：系统综述

脑电图（Electroencephalography, EEG）是一种用于脑电活动的诊断技术。它广泛用于数据分析，通过测量神经元中离子电流产生的电压波动来评估时间和频率序列。EEG捕捉突触传递的变化；当动作电位到达轴突末梢时，释放神经递质，导致突触后膜细胞的兴奋性或抑制性突触后分级电位。这些电位产生离子电流，产生局部场电位。在大脑皮层中的特征锥体神经元之间的同步活动可以检测到电场。这些神经元电流的稳定方向可以防止抵消，从而产生一个明显更强的整体电场。这种求和过程便于EEG的测量，其表现出非线性和非平稳的特性。对于长时间的EEG记录，目视检查变得非常耗时，并且可能会因为伪迹而导致不准确。

为了克服挑战并获得更快、更准确的结果，利用计算机辅助技术来处理和分析脑EEG信号。EEG信号处理和分析通常涉及四个基本步骤：

1）原始信号经过预处理，其中采用滤波等技术来提高信号质量；

2）从预处理后的信号中提取关键特征；

3）选择方法优化这些特征，增强特征；

4）使用机器学习模型或统计测试诊断或识别各种功能性大脑状态。

本文主要目的是探索现有文献中存在的大量基于EEG的研究应用。下图显示了本文的内容概览。

EEG信号

EEG使用连接到头皮的金属电极，持续捕捉大脑的电活动。即使在睡眠或放松期间，神经元细胞也会继续产生电流作为一种自然的交流形式。使用不同技术对脑电分析和分类。

大脑在解剖学上分为三个主要部分：后脑、中脑和前脑，每个部分进一步分为两个半球。而大脑皮层包括额叶、枕叶、顶叶和颞叶，四个主叶。中枢神经系统整合和处理感觉数据，然后将其传递到更高级的大脑功能，这些功能负责人体的各处功能。例如，额叶负责性格、情绪和复杂的认知功能；颞叶处理听觉和其他感觉信息；顶叶主要参与语言处理、注意力和感官知觉；而枕叶在视觉领域起着至关重要的作用。

头皮记录捕捉频率低于40Hz、振幅100μV内的信号。EEG节律包括0.5到40Hz之间的频率范围，进一步可分为四个主要波，如下表所示。不同频率的脑电信号的都有其独特特性，具体如下：

1. Delta波：在大脑的颞叶和顶叶中都可以观察到该波段，特点是振幅较大，通常出现在成人深度睡眠期间或大脑缺氧时。此外，该波段是婴儿大脑中的主要波段；

2. Theta波：主要表现在青春期，与个体的情绪和精神状态有关。当成年人处于负面情绪时，该波变得特别明显；

3. Alpha波：是脑电信号中最高频率的波，通常在两侧的大脑后部区域可以观察到。该波段通常出现在大脑清醒或处于闭眼放松时，其也是脑电信号的基本组成部分；

4. Beta波：在大脑两侧多显示该波段，表示大脑皮层的兴奋性增加。它通常表示大脑皮层中神经元活动增加，并与过度的精神压力有关；

5. Gamma波：在感觉皮层中可以观察到该波段，其代表了与感知觉和认知加工相关的高频脑电波。

EEG信号在各个学科中得到广泛应用，为大脑活动和认知过程提供了有价值的见解。EEG也是定位人体各种神经系统状况和异常的重要诊断工具。EEG信号的一些主要应用包括：

• EEG用于监测警觉性、昏迷、脑死亡、中风和肿瘤，提供有关患者大脑功能状态的关键信息；

• 通过分析alpha节律可以监测认知参与度，帮助评估一个人的注意力和精神专注度；

• 在麻醉中，EEG有助于控制麻醉深度，确保医疗过程中的最佳水平；

• 它在调查癫痫和定位癫痫发作来源方面起着至关重要的作用，有助于诊断和管理癫痫；

• EEG可用于测试癫痫药物的效果，评估它们对大脑活动和癫痫发作控制的影响；

• 在协助癫痫病灶的实验性皮质切除方面，EEG有助于识别导致癫痫发作的特定大脑区域，指导手术干预；

• EEG在监测大脑发育方面很有价值，尤其是婴儿和儿童的大脑发育，有助于了解神经发育的成熟度；

• EEG用于药物的惊厥作用，帮助评估药物对大脑激活的潜在影响；

• EEG是研究睡眠障碍、研究精神障碍和了解睡眠生理学的宝贵工具，可以揭示各种与睡眠相关的疾病；

• EEG可以集成到混合数据记录系统中，与其他成像技术相结合，以全面了解各种情况下的大脑功能；

数据采集研究

数据采集过程可以分为两种：可公开访问的数据集和本地采集数据。

公开数据集：公开数据集是研究人员可以访问的用于研究的EEG信号的集合。这些数据集免费向公众开放，并作为各种研究应用的宝贵资源；

本地数据采集：研究人员独立创建自己的EEG数据，不对外公开。这些研究涵盖多种应用，如痴呆研究、抑郁分析、运动想象调查、情绪等。

EEG信号处理和分析

EEG信号分析涉及四个阶段：预处理、特征提取、后处理和结果分析。

可分为三个步骤：降采样、伪迹去除和特征缩放。其中，伪迹去除，主要是去除由于实验设置、环境噪声、生理信号等产生的伪迹。而特征缩放，最常用的方法之一是归一化，一些机器学习算法的目标函数在没有规范化的情况下将无法运行，因为原始数据的值范围波动很大。

特征提取涉及从主要信号中提取特征以获得一致的分类，其有助于对神经系统疾病和其他使用EEG信号的监测应用进行分类。最常见的方法，如小波变换（WT）、功率谱密度（PSD）、统计、短时傅里叶变换（STFT）、小波熵（WE）、微分熵（DE）、经验模态分解等。下表给出了EEG不同特征提取技术

EEG信号的时域分析包括检查信号特性随时间的变化。这包括了解各种脑电波形的振幅、持续时间和形状。

• 振幅分析：测量EEG信号的强度。高振幅可能表明神经活动强烈，而低振幅可能表明大脑处于放松或不活跃的状态；

• 时间模式：包括EEG信号中反复出现的模式，这可能表明有规律的大脑活动或癫痫发作等异常模式；

• 统计测量：变异性、平均值、标准差、偏度和峰度是应用于EEG的统计测量方法，以了解其分布和特征。

旨在揭示EEG信号中的潜在频率分量。不同大脑活动表现在不同的频段。

• 功率谱密度（PSD）：说明了功率在各种频率上如何分配的，它是使用快速傅里叶变换（FFT）等技术计算的，并提供了对主频段的见解；

• 频段功率：分析EEG频段内的功率可以提供有关大脑状态的特定信息。

EEG信号是动态的，显示频率随时间的变化，突出了时频分析的重要性。

• 短时傅里叶变换（STFT）：STFT使我们能够在短时间内观察EEG信号的频率内容的变化。通过使用不同大小的窗口，它提供了时间局部化的频率分析，使其适用于非平稳信号；

• 连续小波变换（CWT）：在不同尺度上分析信号，并在时域和频域中提供高分辨率。它对于捕获不同时间间隔内的瞬态事件和频率变化特别有用；

• 频谱图：说明了信号的频谱如何随时间变化，三维频谱图上较暗的区域表示特定时间特定频率范围内的功率或振幅较高。

特征选择和降维技术是后处理的类型。要构建模型，必须使用特征选择技术选择相关特征的子集。特征选择消除了不相关的变量或噪声，降低了计算复杂性，减少了过拟合，并提高了模型的泛化能力。降维（有时也称特征提取）组合特征以提取一组新的特征。为了解释数据并获得更精确的结果以及提高分类准确性，需要减少EEG信号的维度或特征。使用特征提取，将高维数据转换为低维。

可以使用各种机器学习算法，如有监督、无监督、深度学习神经网络和GSP（图信号处理）技术进行EEG信号分析。这些技术结合EEG信号，可以诊断神经系统疾病，如癫痫发作等。监测其他应用，如情绪监测、睡眠阶段分类等。

EEG信号分类方法

深度学习和机器学习的融合显著提高了我们对大脑活动的理解，尤其是在EEG信号分类方面。提取时域统计、功率谱密度和频谱图等信息特征，并使用支持向量机和随机森林等机器学习模型进行分类。

此外，深度学习模型的引入，特别是CNN和LSTM，彻底改变了EEG信号分类。CNN擅长自动学习EEG数据中的分层空间模式，利用多个卷积进行特征提取和识别。RNN擅长捕捉EEG序列中的时间依赖性，使其适用于时间动态是只管重要的任务。机器学习和深度学习的集成极大地改进了EEG信号分类。通过将预处理、特征提取和分类阶段与传统算法和深度学习模型相结合，准确性得到了提高，从而更好的理解复杂的大脑活动，在EEG信号分析中，最流行的分类算法包括：KNN、SVM、naive Bayes(NB)、logistic regression(LR)、gradient boosting(GB)、LDA、RF和DT。

研究差距和未来方向

一个基本问题是如何有效地表示、处理、分析和可视化大规模结构化数据，尤其是来自网络和图形复杂领域地数据，这是现有机器学习技术面临地重大挑战之一。GSP是信号处理模型和方法中的一个发展分支，旨在基于图估计数据，为解决这个问题提供了一条新的研究图形。

噪声、伪迹、不规则结果数据、大型数据集、有限地空间分辨率和个体差异性等挑战需要创新方法。EEG信号处理地差距源于数据中固有地限制，例如噪声和分辨率限制，以及人脑地复杂性和可变性。解决这些差距需要创新的方法，包括GSP等先进的信号处理技术，以提高基于EEG的研究和临床应用的可靠性和实用性。

EEG信号的图像信号处理

图像信号处理（GSP）因其在分析不规则数据和图网络方面的有效性而被广泛用于脑图像处理。在神经科学中，复杂的大脑活动与错综复杂的功能和结构连接网络有关。传统的深度学习方法在处理不规则数据方面存在局限性，如果想在图结构或不规则数据上使用CNN，将超出CNN分析的范围。考虑到GSP的优点，开发了一种分类器GCNN（图卷积神经网络）。下表列出了一些基于图信号处理的图神经网络分类器。

Sharma Ramnivas,Meena Hemant Kumar. Emerging Trends in EEG Signal Processing: A Systematic Review[J]. SN Computer Science,2024,5(4).