通向大脑之路：脑电信号处理与特征提取( 二 ) 生物科学最前沿的领域之一是

第六章至第十三章，全面介绍了几乎所有主流EEG信号处理和特征提取方法，包括盲源分离（第六章）、微状态分析（第七章）、源分析（第八章）、单试次分析（第九章）、非线性神经动力学（第十章）、连通性分析（第十一章）、空间复杂脑网络（第十二章）和时间复杂网络分析（第十三章）。对其中某一特定主题感兴趣的读者可以从相关章节中获得有用的信息。
第十四章至第十八章，重点关注机器学习（包括深度学习）和EEG相关的统计分析。这些方法通常被用于探索不同条件或群组之间的EEG特征差异或分类，越来越受到EEG相关的科研工作者的重视。第十四章介绍了机器学习的基本概念和经典算法。第十五章简要阐述了深度学习在脑电技术中的应用。第十六章旨在提供有关统计的基本概念。第十七章和第十八章分别用于介绍多模态数据融合，即同步EEG-fMRI数据处理和Letswave这一非常实用的EEG工具箱。最后，我们简要总结了有关EEG数据分析和特征提取的研究现状和未来发展方向。

文章图片
《脑电信号处理与特征提取》有两大特点：一是系统性，二是实用性。系统性。脑电数据分析方法众多，从基础的时域分析、频域分析和时频分析，到高级的单试次分析、源定位、非线性神经动力学和机器学习等。要对脑电信号进行深入挖掘，这些分析方法不可或缺。该书不仅对这些方法做了全面、系统的介绍，还介绍了脑电的生理基础，并重点强调了前期的实验设计、数据采集和数据预处理。这一特点使得阅读该书对于初学者和不同领域的专家来说都有裨益。实用性。作为一项研究技术，脑电技术对于一般研究者的最大价值在于其应用。光有理论知识，无法应用，难以称为真正理解了脑电技术。该书特别重视脑电技术的实用性，绝大多数章节提供了分析的工具包、代码和示例数据，为读者从零开始，真正应用脑电技术开展研究提供了极大的便利。该书文字流畅、通俗易懂，却不失严谨，是不可多得的脑电教学佳作。

文章图片
脑电信号处理与特征提取
胡理张治国等著
北京：科学出版社， 2020.12
脑电的独特优势使其在临床和科学研究中广泛应用。随着人脑电活动实时测量技术的逐步提高，一系列脑电信号处理方法得到快速发展，脑电有望成为更有效和通用的研究大脑功能的工具。本书各章由相关领域拥有丰富经验的优秀研究者撰写，旨在以全面、简洁且通俗易懂的方式，呈现作者对脑电技术本身及信号处理方法的深入理解和应用心得，向读者提供覆盖脑电神经基础、主流脑电信号处理和特征提取方法相关的概念、数学及应用知识。大多数章节还链接了MATLAB软件、代码和示例数据。
本书适用于认知神经科学、心理学和生物医学工程等学科的科研工作者，其他有能力理解和掌握数据分析方法却缺乏数学和工程学背景知识的业余爱好者。
本书目录
向上滑动阅览
目录CONTENTS丛书序（杨玉芳吴艳红）序一（罗跃嘉）序二（尧德中）前言缩略语表第一章脑电的神经起源和测量001第一节脑电的神经起源001第二节脑电测量005第二章脑电、诱发电位和事件相关电位016第一节自发性脑电活动016第二节诱发电位和事件相关电位017第三节EP和ERP的概述018第四节常见的EP和ERP成分019第五节脑电技术的优势和局限性027第三章ERP实验设计037第一节实验设计与认知过程039第二节ERP实验的技术性要求046第三节实验的无关因素050第四节经典实验设计及对应的ERP成分052第四章脑电数据的预处理与降噪070第一节脑电信号中的伪迹071第二节导联方法073第三节滤波075第四节重参考076第五节脑电分段和基线校正077第六节剔除或插值坏导078第七节剔除坏段078第八节基于ICA的伪迹去除079第九节总结080第五章频谱分析和时频分析084第一节简介084第二节频谱估计085第三节时频分析095第四节事件相关同步化/去同步化104第六章盲源分离112第一节盲源分离算法简介112第二节主成分分析与旋转在事件相关电位分析中的应用114第三节独立成分分析在连续脑电中的应用121第四节张量分解在事件相关电位研究中的应用131第七章微状态分析136第一节基础概念139第二节微状态分析中的空间聚类算法140第三节鉴别最优的类别数目143第四节匹配模板图和电压图144第五节经常使用微状态参数144第六节微状态分析中的可用工具145第七节总结151第八章源分析154第一节正问题155第二节逆问题159第三节贝叶斯166第四节未来的发展方向171第五节应用实例173第六节总结185第九章单试次分析190第一节单试次分析简介190第二节如何进行单试次分析192第三节单试次分析的潜在应用205第十章非线性神经动力学215第一节非线性神经动力学简介216第二节复杂度218第三节熵222第四节赫斯特指数229第五节递归图231第六节总结233第十一章连通性分析239第一节共同源问题240第二节EEG连通性分析中的指标241第三节总结250第四节示例255第五节本章结语262第十二章空间复杂脑网络266第一节图论与复杂网络268第二节空间复杂脑网络270第三节总结279第十三章时序复杂网络分析284第一节复杂网络简介285第二节典型复杂网络时间序列分析方法286第三节复杂网络时间序列分析的两种方法290第十四章机器学习297第一节机器学习分析简介298第二节机器学习分析的脑电特征299第三节机器学习分析训练301第四节机器学习分析的特征选择和降维302第五节机器学习分析的选择分类器304第六节机器学习分析的评价结果307第七节机器学习分析的模式表达309第八节展望：深度学习算法310第九节机器学习分析示例312第十五章深度学习318第一节深度学习简介319第二节深度学习模型319第三节在EEG信号中应用的两个示例321第十六章统计分析326第一节统计学基础326第二节假设检验336第三节方差分析344第四节相关分析与回归分析349第五节非参数检验353第六节多重比较问题359第十七章同步脑电-功能磁共振367第一节同步脑电-功能磁共振的硬件系统368第二节伪迹去除369第三节基于fMRI约束的EEG源成像373第四节基于EEG信息的fMRI分析375第五节多模态脑网络379第六节应用实例382第七节总结388第十八章EEG/ERP数据分析工具箱397第一节EEG/ERP数据分析工具箱简介397第二节Letswave介绍399第三节下载和安装404第四节单个被试分析的示例405第五节多个被试分析的示例414第六节绘图和批处理420结语426