用于生物医学应用中 EEG 特征提取的 Teager-Kaiser 能量方法

基于摘要分析。本文针对 EEG 非线性、非平稳及易受噪声干扰所带来的特征提取问题，研究利用 Teager-Kaiser Energy Operator（TKEO）描述信号能量动态，并在运动想象、情绪识别和癫痫检测三个任务中评估其特征价值。核心贡献是构建无需训练的能量解调特征提取流程，考察其与传统 EEG 特征的互补性。 方法上，作者先使用 Gabor filterbanks 分离典型频带，以适配 TKEO 的窄带信号要求；随后通过 Energy Separation Algorithm，将 TKEO 输出解调为幅度包络和瞬时频率分量，再据此构造能量描述符并开展分类对照。摘要将该流程描述为简单、具有生理解释基础且数据高效，但“无需训练”指特征提取流程，不能据此推断下游分类器也无需训练。具体描述符定义、滤波参数、分类器及特征融合方式尚未验证。 结果方面，作者报告：将 TKEO 特征与传统特征结合后，癫痫检测的 Balanced Accuracy 提升约 15%，运动想象获得较小增益，情绪识别表现与对照相当。摘要未明确该 15% 是相对提升还是百分点差，也未提供数据集、被试数、划分方式及基线细节，因此不能据此判断跨被试或跨会话泛化能力，也不能直接比较三个任务的收益。 复现时应重点核对窄带滤波与能量解调在低信噪比 EEG 下的稳定性，以及融合特征相对传统特征和单独 TKEO 特征的增益。可在固定数据划分与同一下游分类器下比较这三种特征配置，并分别记录运动想象的 Balanced Accuracy 与噪声敏感性。实验协议、消融及统计信息尚未验证。材料注明论文已接收于 EUSIPCO 2026，不据此推断已正式发表。