python提取脑电微分熵特征

脑电微分熵是一种常用的脑电信号分析方法，可以用来评估脑电信号的复杂度和不规则性。以下是提取脑电微分熵特征的Python代码示例：

import numpy as np
from scipy.signal import hilbert

def differential_entropy(signal, tau=1):
    """计算微分熵"""
    n = len(signal)
    m = 2  # 窗口大小
    r = 0.1 * np.std(signal)  # 阈值
    x = np.zeros((n - m + 1, m))  # 构造向量矩阵
    for i in range(n - m + 1):
        x[i] = signal[i:i+m]
    d = np.zeros((n - m + 1, n - m + 1))  # 构造距离矩阵
    for i in range(n - m + 1):
        for j in range(i, n - m + 1):
            d[i, j] = max(abs(x[i] - x[j]))
            d[j, i] = d[i, j]
    count = 0
    for i in range(n - m + 1):
        for j in range(i + 1, n - m + 1):
            if d[i, j] < r:
                count += 1
    p = count / ((n - m + 1) * (n - m) / 2)
    if p == 0:
        return 0
    else:
        return -np.log(p)

def extract_features(eeg_data, fs):
    """提取微分熵特征"""
    # 带通滤波
    b, a = butter(4, [1, 30], btype='band', fs=fs)
    eeg_data = filtfilt(b, a, eeg_data)
    # 希尔伯特变换
    analytic_signal = hilbert(eeg_data)
    amplitude_envelope = np.abs(analytic_signal)
    # 计算微分熵
    diff_entropies = []
    for i in range(len(eeg_data)):
        if i + fs < len(eeg_data):
            segment = amplitude_envelope[i:i+fs]
            diff_entropy = differential_entropy(segment)
            diff_entropies.append(diff_entropy)
    return diff_entropies

以上代码中，`eeg_data`为原始脑电信号数据，`fs`为采样频率。首先对信号进行带通滤波和希尔伯特变换，然后对每个时段（时长为1秒）计算微分熵，并将所有微分熵值作为特征返回。