是个脑电信号研究小白，今年3月下旬临时换了研究方向，到现在也看了不少论文，试过一些特征提取的代码还有分类的代码。现在也想总结一下这段时间所学的东西，算是做个中期回顾吧。
Ps:里面的特征提取的代码以及分类的代码均不是我所写的，后面会附上链接，可以直接去找链接，还有一些工具包，等会上传上去，应该是可以免费拿的，第一次弄，我还没怎么搞清楚。
Pps:这篇主要是汇总一些方法，还有代码链接等等。均适用于Matlab
No.1 脑电信号分析的大致流程
大致流程是：脑电信号采集，预处理，特征提取，特征筛选（我看有的文章并没有这一块，所以主要看自己吧），分类，得出结果进行分析。
流程这一块大同小异，在脑电信号这一块大部分都是这个流程。
No.2 预处理
预处理这一块我就不做过多的详解了，我接触的不多，只是尝试过使用EMD以及EEMD做噪声剔除。
在预处理这一块，主要是剔除噪声和伪影，伪影包括眼动，肌动，心动等伪影，可以采用一些方法进行剔除，如我前面所讲的EMD和EEMD，还有PCA，ICA，ANOVA等也可以进行剔除，稍后我把EMD和EEMD的工具包上传，应该可以免费获取。
Ps：EEMD是EMD的进化，里面可以尽量避免模态混叠，但是感觉好像两者没啥太大的区别，但也有可能是我研究的这一块看起来没啥太大的区别。
我目前在网上以及文献里看到采用EMD和EEMD进行去噪去伪影的方法是，采用这些方法将原始信号分解成多个imf，随后对分解的imf进行相关性分析，得出相关系数，然后对所有的imf的相关系数求取std，随后将其设置为阈值进行筛选，大于阈值的留下，小于阈值的剔除。最后将筛选出来的imf进行重构（相加）得出一个新的信号，这个新的信号就是剔除噪声和伪影的信号。
附上链接：EEMD算法原理及应用_Zhi Zhao的博客-CSDN博客_eemd算法
No.3 特征提取
特征提取主要分为时域，频域，时频域，非线性动力学等。时域的特征有SSA（奇异值），ERP（事件相关电位）等，频域有PSD等，时频有小波变换，小波包变换等，非线性动力学特征有各种熵，比如模糊熵FuzzyEn，样本熵SaEn，近似熵ApEn，排列熵PEn等等。
附上链接1：非线性动力学特征的代码
关于熵的一个总结_人间不想清醒的博客-CSDN博客_matlab多尺度熵
【熵与特征提取】从近似熵，到样本熵，到模糊熵，再到排列熵，究竟实现了什么？（第一篇）——“近似熵”及其MATLAB实现 - 知乎 (zhihu.com)
附上链接2：PSD的代码
数字信号中功率谱估计相关方法简介及MATLAB实现_cqfdcw的博客-CSDN博客_信号功率谱matlab
Ps: 可以直接用Welch法来计算功率谱密度
No.4 特征筛选
特征筛选就是将求取的特征进行相关性分析，将P＜0.05的特征提取出来进行下一步分类的分析。因为统计学上认为P＜0.05具有显著性差异，否则没有。相关性分析可以直接调用Matlab的函数corr。调用格式为
[R,p_value] = corr(data,'Type','spearman') %spearman可以替代为pearson或者Kendall，默认类型为pearson型附上链接：matlab相关性分析（皮尔逊，肯德尔，斯皮尔曼） - 知乎 (zhihu.com)
No.5 分类
分类是我接触脑电信号研究的第一个模块，最先接触的分类器是SVM。目前感觉最好用的SVM是Libsvm，是一个工具包，稍后附上Libsvm下载的官网地址以及如何激活等。
当然分类器还有DT（决策树），RF（随机森林），KNN等。
分类主要分为机器学习和深度学习两大类
| 种类 | 分类器 |
|---|---|
| 机器学习 | DT（决策树） |
| RF（随机森林） | |
| SVM（支持向量机） | |
| KNN（K近邻） | |
| LDA（线性判别分析） | |
| 深度学习 | 多层感知机 |
| LSTM（长短期记忆网络） | |
| 各种神经网络 （卷积神经网络，循环神经网络等） |
分类器就是首先将每个样本打上标签，标签自行定义。
随后将样本随机打乱分为test测试集和train训练集。分类器对训练集进行训练，得出一个模型，然后将test测试集放入到模型里进行测试，得出准确率。
分类一般分为二分类和多分类。二分类可以直接调用Matlab自带的函数。多分类则需要进行一定的更改，当然也可以不更改，比如RF，就可以直接调用Treebagger进行多分类。格式如下
%% all 随机森林模型
a_randomforest = TreeBagger(100, Traindata, Traindata_label,'Method','classification');
[a_randomforest_pred, outcome] = predict(a_randomforest, Testdata); % outcome 是概率输出% a_randomforest，a_randomforest_pred, Traindata, Traindata_label，Testdata为自行定义的名称，可根据自己喜好进行更改。
% a_randomforest：训练的模型
% a_randomforest_pred：预测的结果
% Traindata：训练的数据
% Traindata_label：训练数据的标签
% Testdata：测试的数据
附上链接：Libsvm的多分类代码示例以及Libsvm安装包如何安装的案例
SVM多分类问题 libsvm在matlab中的应用_lwwangfang的博客-CSDN博客_matlab svm多分类
LIBSVM在Matlab下的使用_xiaopihaierletian的博客-CSDN博客_libsvmread
Over！
先讲这些，后面又找到一些，学习完后，再进行归纳总结。
欢迎提问！
