信号处理之功率谱原理与python实现
功率谱图又叫功率谱密度图
功率谱是功率谱密度函数的简称,它定义为单位频带内的信号功率。它表示了信号功率随着频率的变化情况,即信号功率在频域的分布状况。
功率谱表示了信号功率随着频率的变化关系。常用于功率信号(区别于能量信号)的表述与分析,其曲线(即功率谱曲线)一般横坐标为频率,纵坐标为功率。由于功率没有负值,所以功率谱曲线上的纵坐标也没有负数值,功率谱曲线所覆盖的面积在数值上等于信号的总功率(能量)。
功率谱、能量谱、幅值谱之间的关系
知乎用户CrisYang对功率谱、能量谱、幅值谱之间的关系进行了详细的说明:
在频谱分析中幅度和功率是由紧密联系的两个不同的物理量:能量能表述为幅值的平方和,也能表述为功率在时间上的积分;功率谱密度,是指用密度的概念表示信号功率在各频率点的分布情况,是对随机变量均方值的量度,是单位频率的平均功率量纲;也就是说,对功率谱在频域上积分就可以得到信号的平均功率,而不是能量。能量谱密度是单位频率的幅值平方和量纲,能量谱密度曲线下面的面积才是这个信号的总能量。于是,功率谱、能量谱、幅值谱之间的紧密关系主要表述为:能量谱是功率谱密度函数在相位上的卷积,也是幅值谱密度函数的平方在频率上的积分;功率谱是信号自相关函数的傅里叶变换,能量谱是信号本身傅立叶变换幅度的平方。
Raw对象的功率谱绘制(PSD)
功率谱是功率谱密度(Power Spectral Density, PSD)函数的简称,它定义为单位频带内的信号功率。
它表示了信号功率随着频率的变化关系,即信号功率在频域的分布状况。
功率谱密度的单位用每赫兹的瓦特数(W/Hz)表示,
它的另一种单位 dB,当单位为dB时是因为对数据做了对数处理(10logX)
做对数处理的目的是拉高低振幅成分,便于观察噪声中的周期信号
功率谱估计是频域分析的主要分析手段,我们之前看到的是幅度随时间变化的脑电波
功率谱展现的是脑电功率随频率变化的频图。
在睡眠的分期以及智力活动与EEG之间的关系等很多方面,功率谱分析都非常有用。
MNE中专门针对Raw对象(也就是原始脑电信号),有多种绘制PSD图的方式
1.利用plot_psd()绘制功率谱图
2.利用plot_psd_topo()在脑地形图上绘制功率谱图
下面以plot_psd为例介绍一下绘制PSD的案例。
# 引入python库
import mne
from mne.datasets import sample
import matplotlib.pyplot as plt
# sample的存放地址
data_path = sample.data_path()
# 该fif文件存放地址
file_name = data_path + '/MEG/sample/sample_audvis_raw.fif'
"""
读取数据文件
"""
raw = mne.io.read_raw_fif(file_name,preload=True)
"""
绘制指定通道的功率谱图
"""
picks = ['eeg']
raw.plot_psd(picks=picks)
plt.show()
"""
设置更窄频率范围
设置fmin和fmax来指定频率的跨度。
"""
picks = ['eeg']
#raw.plot_psd(picks=picks,fmin=0,fmax=100)
raw.plot_psd(picks=picks,fmin=0,fmax=80)
plt.show()
不用于商业行为,转载请联系后台
若有侵权,请后台留言,管理员即时删侵!
更多阅读
超31亿! “脑科学与类脑研究”重大项目2021年度申报指南
脑电信号预处理--去趋势化(Detrended fluctuation analysis)