脑电入门（一）

本周主要阅读了四位学长学姐的毕业论文，对分析实验复现的步骤进行学习、总结与梳理。

EEG的特点

脑电信号是非平稳的、噪声较大且具有很大的个体差异，同时冥想与非冥想状态也有明显不同，不同冥想方式，如正念冥想、超觉冥想、慈悲冥想等所产生的脑电信号特征同样存在差异，从EEG信号中精准提取有效的时域、频域和非线性特征，是实现冥想状态精准识别的基础。

特征提取方法

传统手工特征提取
能靠先验知识准确捕捉脑电信号的关键信息，计算简便，可解释性，但依赖先验知识，特征泛化能力不足。
自动化特征提取工具—hctsa工具包
基于MATLAB平台开发的资源包，能自动从时间序列中算出数千种特征，特征全面，通用性强，能适应不同类型的EEG信号。

数据预处理

需要对原始信号进行信号降噪、分段、重参考、伪影去除等操作，保证后续特征提取的可靠性。

模型架构

DAEST模型
核心思想是用多尺度时序卷积和空间卷积提取脑电特征，再用动态注意力机制对这些特征做自适应加权，得到更有特征表示，从而准确刻画脑状态随时间变化的动态转移过程。
EEGProgress模型
由两个模块组成：拓扑排序层和渐进式卷积模块。
EmT模型
由四个主要部分组成：（1）时间图构建模块，（2）残差多视图金字塔模块，（3）时序上下文构建模块、（4）任务专用输出模块。

实验复现

对采集的信号进行预处理，随后对特征进行提取、融合与选择，再根据选择的模型进行实验，复现已有的结论成果，根据自己的思考尝试改进。

小结

在后续的学习过程中需掌握机器学习、深度学习的相关知识，接触使用MATLAB、EEGLAB等相关工具，为后续论文撰写及实验复现打好基础。