20、单试次脑电图分析的信号处理与分类入门

单试次脑电图分析的信号处理与分类入门

在脑机接口（BCI）研究中，对单试次脑电图（EEG）数据的分析至关重要。本文将从基础概念入手，逐步介绍单试次EEG分析中的信号处理、特征提取和分类方法。

1. 单变量特征与幅度阈值准则

单试次分类的一个良好起点是幅度阈值准则，这是一种基于测量数据中单一变量（单变量特征）的简单分类规则。以奇偶数实验中的EEG数据为例，参与者会随机看到六种不同的视觉刺激，要求他们关注其中一种刺激并在心里计数。被关注的刺激（目标刺激）会在EEG中引发P300成分，这是一种在中央EEG通道可观察到的正电压偏转。

为了检测P300成分，我们可以采用幅度阈值准则。具体操作如下：
- 选择测量通道和时间点 ：选择通道Cz（预期显示最强P300幅度）和时间点220ms（该数据中P300峰值出现的时间）。
- 确定检测阈值 ：计算目标和非目标两类平均ERP的均值，以此作为检测阈值。例如，在某示例中，该阈值为4.86μV。
- 进行分类 ：如果某一试次在220ms和Cz处的幅度超过该阈值，则将其分类为目标试次；否则，分类为非目标试次。

在这个示例中，该规则正确检测到了三个目标试次，但也将一个非目标试次误分类为目标试次；同时，正确标记了四个非目标试次，但也有两个目标试次被错误分类为非目标试次。在机器学习术语中，这分别对应三个命中（真阳性）、一个误报（假阳性）、四个正确拒绝（真阴性）和两个漏报（假阴性）。

2. 从单变量特征到多变量特征

虽然通道Cz和时间点220ms能最明显地