脑电信号EEG自动分类与处理系统

资 源 简 介

该项目旨在通过数字信号处理、特征提取和机器学习算法实现对多通道脑电信号的自动识别与分类。该程序首先对输入的原始EEG数据进行预处理，包括去除50Hz工频干扰、陷波滤波、带通滤波以及基于独立成分分析（ICA）的伪影自动去除，以显著提高信号的信噪比。在特征提取阶段，系统集成了时域统计特征、频域特征（如功率谱密度PSD）、以及时频域特征（如离散小波变换DWT系数）。分类模块支持多种主流算法，如支持向量机（SVM）、随机森林、线性判别分析（LDA）以及共空间模式（CSP）算法，同时也支持将特征输入至简单的神经网络

详 情 说 明

基于MATLAB的脑电信号（EEG）自动分类系统

项目介绍

本项目是一个集成的MATLAB工具箱，旨在提供从原始脑电信号（EEG）到分类结论的全自动化处理流程。系统实现了信号预处理、多维度特征提取、机器学习分类以及性能定量分析。该工具适用于医疗辅助诊断、脑机接口（BCI）算法原型设计以及注意力/情绪状态监控等研究场景。

功能特性

• 合成信号仿真：内置EEG仿真引擎，能够模拟生成包含Alpha节律（10Hz）和Beta节律（22Hz）的8通道脑电数据，并添加了50Hz工频干扰和高幅值眼电伪影。
• 鲁棒的预处理工作流：集成了陷波滤波、带通滤波以及基于奇异值分解（SVD）的伪影分离技术，有效提升信号信噪比。
• 混合特征提取架构：同步提取空间域（CSP）、频域（PSD）和时频域（DWT）特征，构建高维特征空间。
• 高级模型训练：采用径向基函数（RBF）核的支持向量机（SVM）进行非线性分类，支持自动化的数据标准化处理。
• 可视化评估报表：自动生成包含时域对比图、功率谱分析图、混淆矩阵及核心性能指标的综合报表。

系统逻辑实现说明

1. 模拟数据生成逻辑

系统初始化8通道、采样率250Hz的信号。通过正弦函数模拟不同类别的特征频率：类别1侧重Alpha波，类别2侧重Beta波。同时，利用随机高斯噪声作为背景，并嵌入50Hz工频分量和基于高斯脉冲的眼电伪影。

1. 多级预处理流程

• 陷波滤波：使用IIR陷波器精准剔除50Hz电力线干扰。
• 带通滤波：使用4阶巴特沃斯滤波器保留1-40Hz的核心脑电频段。
• 伪影去除：通过SVD分解将多通道信号投影至分量空间，识别并削弱具有最大能量权重的首个分量（模拟眼动伪影），随后重构信号。

1. 特征工程细节

• 共空间模式 (CSP)：通过求解两类数据的广义特征值问题，设计空间滤波器，使两类信号投影后的方差差异最大化，提取其对数方差作为特征。
• 功率谱密度 (PSD)：利用周期图法计算特定频段（Alpha: 8-13Hz, Beta: 14-30Hz）的能量分布。
• 离散小波变换 (DWT)：应用Daubechies 4 (db4) 小波进行3层分解，提取不同尺度下的细节系数能量。

1. 分类与评估逻辑

• 使用Holdout方法将数据划分为训练集（80%）与测试集（20%）。
• 对组合后的特征向量进行Z-Score标准化处理。
• 训练SVM分类器，并在测试集上预测。计算准确率（Accuracy）、精确度（Precision）和召回率（Recall）。

关键函数与算法分析

• calculate_csp：该算法核心在于计算两类任务的平均协方差矩阵，通过联合对角化找到最佳投影矩阵 $W$。
• extract_freq_features：应用 periodogram 函数对各通道信号进行频谱估计，并按频率区间进行数值积分获取频带功率。
• extract_wavelet_features：通过 wavedec 执行多尺度分解，利用 detcoef 获取细节分量的L2范数，表征不同频率细粒度的突变特征。
• fitcsvm：调用MATLAB机器学习工具箱函数，配置RBF核函数以处理高维特征空间的非线性决策边界。

使用方法

1. 确保MATLAB安装了“信号处理工具箱”（Signal Processing Toolbox）和“统计与机器学习工具箱”（Statistics and Machine Learning Toolbox）。
2. 在控制台直接运行主程序脚本。
3. 系统将通过命令行输出“正在提取特征”、“训练模型”等进度信息。
4. 运行结束后，将自动弹出分类性能报表窗口。

系统要求

• 软件环境：MATLAB R2020a 或更高版本。
• 硬件环境：建议内存8GB以上，以支持多通道大规模矩阵运算。