使用scipy butter filtfilt 分解EEG数据和滤波参数
【目录】
- EEG数据频带和滤波参数
- 滤波类型及示例
- Pyhton 代码实现
一、EEG数据频带和滤波参数
二、滤波类型
- 低通滤波（lowpass)
- 高通滤波（highpass）
- 带通滤波（bandpass）
- 带阻滤波（bandstop）
2.1 低通滤波
低于某个频率的信号可以通过，而高于这个频率的信号会被衰减过滤掉
2.2 高通滤波
高于某个频率的信号可以通过，而低于这个频率的信号会被衰减过滤掉
2.3 带通滤波
指的是在某个频率段范围内的信号可以通过，而这个频率段范围以外的信号会被衰减过滤掉
2.4 带阻滤波
指的是在某个频率范围内的信号会被衰减过滤掉，而这个频率范围以外的信号会被保留下来
tips：滤波并不能完全过滤出我们想要的频段。比如30Hz的低通滤波，并不是说30Hz以外的信号就全部 被过滤掉了，而是以30Hz为截止频率，高于这个截止频率的信号会被逐渐衰减。
三、Python 代码实现
- scipy
- butter
- filtfilt，对于EEG数据，推荐filtfilt
import numpy as np
from scipy.signal import butter, filtfilt
def decompose_eeg_data(data, sample_rate=250):
"""
decompose eeg data to five band:
'delta': (1, 4),
'theta': (4, 8),
'alpha': (8, 13),
'beta': (13, 30),
'gamma': (30, 40)
:param data: raw eeg data, format = (channels, timepoints)
:param sample_rate: sampling rate of data
:return: decomposed eeg data
"""
# define band
frequency_bands = {
'delta': (1, 4),
'theta': (4, 8),
'alpha': (8, 13),
'beta': (13, 30),
'gamma': (30, 40)
}
data_matrix = []
for item in frequency_bands.values():
data_matrix.append(butter_bandpass(data, 5, item, sample_rate))
return np.array(data_matrix)
def butter_bandpass(data, order, freq_cut, sample_rate):
"""
btype: lowpass, highpass, bandpass, bandstop.
低通、高通、带通、带阻
low order -> [1, 3]
通常用于简单的滤波需求，如基础的信号去噪或低频信号的保留.
例如，1阶滤波器相对平滑，适合对信号变化不那么敏感的情况。
middle order -> [4, 6]
通常用于对频率响应有一定要求的应用。
比如在图像处理或生物信号处理（如 EEG、ECG）中，4-6阶可以在有效过滤噪声的同时
保留信号的特征。
high order -> [7, 7+]
只有在信号特点复杂、需要更加精准的频率选择时使用。
高阶滤波器可以产生更陡峭的过渡带，但可能提高计算复杂性和引入更大的相位延迟。
一般考虑在 7-10 阶，但如果需要更严格的频率响应，甚至可以用到 20 阶或以上，
但这通常不建议，因为稳定性和计算负担会显著增加。
:param data: raw data is going to filter
:param order: the order of filter
:param freq_cut: [low, high] cut frequency
:param sample_rate: sampling rate of data
:return: filtered data
"""
low = freq_cut[0] * 2 / sample_rate
high = freq_cut[1] * 2 / sample_rate
b, a = butter(order, [low, high], btype='bandpass', fs=sample_rate)
return filtfilt(b, a, data) # 双向滤波
