格兰杰因果 / EEG脑电数据分析

（因为处理数据的时候需要用到格兰杰因果关系检验，相关的文献里又没有详细解释，但看格兰杰因果又有一些一知半解，于是自己学了一些相关的东西，整理了一下。）

格兰杰因果关系检验为2003年诺贝尔经济学奖得主克莱夫·格兰杰（Clive W. J. Granger）所开创，用于分析经济变量之间的格兰杰因果关系。他给格兰杰因果关系的定义为“依赖于使用过去某些时点上所有信息的最佳最小二乘预测的方差。”

所以说，这个格兰杰因果其实是一个时间序列计量经济学模型，但它的应用不仅限于计量经济学，比如这里我就用它来分析脑电数据。

于是，说到时间序列，我觉得吧，要想前后真正理清楚思路然后把它和我要做的东西关联起来，我决定自学一把信号与系统的比较浅显的一些概念和数学原理还有EEG脑电信号的处理。

写这个博客是记录自己的思考和学习过程，但想到它也可能有幸被人参考于是，列个大纲，可以根据需要看看。

1.信号与系统的基础概念梳理

什么是信号

定义：消息有用的部分

转换成信号的目的：便于传输、梳理

三大热点：传输、交换、处理

信号处理：特征提取、噪声消除、优化

什么是系统

定义：处理输入，生成想要的输出

信号描述

信号可表示为1/多个变量的函数

即，信号=函数

描述方式 ：时域分析、频域分析、波形（函数图像）

信号分类

1. 确定&随机
2. 周期&非周期
3. 连续（模拟信号）与离散（数字信号/抽样信号）
4. 一维&多维
5. 能量受限&功率受限

典型连续时域信号

1. 指数信号（常用）
2. 复指数信号（可表示各种常见信号）

复指数信号可分为实、虚两部分。其中，实部包含余弦信号，代表时域，体现信号大小，振幅、波峰等。虚部则为正弦信号代表频域，体现信号方向，频率变化。

抽样信号

描述：很小区间里有很大的值

Sa函数

用处：过滤、处理（小波变换）

脑电信号的分析方法

时域分析法——自回归AR模型

自回归模型是脑电分析中常用的一个传统模型，它会根据采集到的数据的更新不断更新参数，以更好地描述数据，然后在此基础上我们就可以用这个模型来进行谱估计和特征提取等等工作。

在时域空间，AR模型可以表述为一个线性预测问题。

我们假设时间序列是  ，当前采样值为，这个采样值可以用最邻近的前p个数据x(n-p),x(n-p+1),...,x(n-1)的线性加权和来近似。

的预测值即为

其中p表示的是模型的阶数，表示的是权重。我们把预测值和实际值的差值称为前向预测的误差，

对于整个序列，定义其预测误差功率为预测误差的平方和，于是有