脑电情绪识别的相关技术综述

会用到的技术都会写在这里，会一直更新下去。

只是简单写一下啥作用，并没有公式推导，很多专业文章会讲述。

傅里叶变换和快速傅里叶变换（FFT）

从脑电信号中提取特征的常用技术之一是傅里叶变换，如图所示。这是一种将信号从时域转换到频域的优雅算法。

通过对波形（如EEG信号）应用傅里叶变换，可以将信号分解并分离为其组成频率，因为傅里叶变换返回给定任何周期函数的分量正弦波的振幅和频率。傅里叶变换的一个例子——原始信号（黑色）被傅里叶变换分解为三个分量（蓝色、绿色和红色）。还提供了图形解释（右）。如图所示：

快速傅里叶变换（FFT）是对傅里叶变换的一种改进，即在信号的短窗口上进行信号的傅里叶变换，顾名思义，这减少了变换所需的时间。

然而，尽管FFT在频域中具有高分辨率，但在时域中具有零分辨率。因此，虽然FFT可以洞察特定信号中存在的频率，但它并不能揭示这些信号相对于彼此发生的时间。然而，在脑电信号处理中，可以说脑电信号的频域和时域特征都非常重要。

连续小波变换（CWT）

另一种分析脑电信号的方法是通过连续小波变换（CWT）。CWT算法的核心概念是，正常信号可以表示为特定类型（称为小波）的线性组合基函数。这些小波是通过移动和扩展一个称为母小波的函数而得到的。CWT可以用作一种估计技术，将给定的一般函数表示为一组无限小波，并且有许多不同类型和系列的小波，如图所示。基于输入信号x（t），CWT算法可以表示为：

信号CWT的结果可以以比例图的形式可视化，如图所示。比例图表示原始信号的大部分能量（从比例图右侧的颜色栏）在时间和频率中的位置。此外，我们可以看到信号的特征现在以高分辨率的细节显示。标度图中的每个水平特征可以解释为总信号的频率。在图中看不到一条连续线的事实对应于所述频率在时间上不连续的事实。CWT系数的这种可视化（如2D比例图）可用于改善不同类型信号之间的区别。这样的标度图不仅可以用来更好地理解系统的动力学行为，还可以用来区分系统产生的不同类型的信号。

K-fold交叉验证

交叉验证是评估ML模型的基石。在评估机器学习模型时，重要的是要衡量它对新的和看不见的数据的泛化程度。为了做到这一点，通常的做法是将可用数据划分为训练集和测试集，交叉验证要求训练数据集和测试数据集之间不应有重叠。

K-折叠交叉验证是对通常的训练测试独立性的改进，因为后者在某些情况下可能不完整且具有误导性，例如缺乏训练和测试数据。使用K-fold，原始数据集被分割成K个大小相等的集合。然后对模型进行k次训练。每次训练时，k组中的一个被分离出来作为测试集。最后，将整体性能计算为k个单一性能的平均值。该过程如图所示。这种方法允许ML从业者对模型的性能进行更准确的估计，并确保模型在对不同的标记数据段进行训练后不会表现出巨大的差异，在缺乏可用数据时可能会出现这种情况。使用k-fold交叉验证有几个缺点，即计算成本高，因为需要反复进行多次培训。然而，人们也普遍认为，交叉验证对于评估学习模型的性能至关重要。