### **特征提取（Feature Extraction）**

#### **核心定义**
特征提取是**从原始数据（如生物信号、医学影像、临床记录）中自动或半自动地生成一组具有高度判别性、紧凑性、解释性的数值或符号特征**的过程。其核心目标是在保留任务相关关键信息的同时，**消除冗余、降低维度、抑制噪声**，从而提升下游机器学习模型或统计分析的效果与泛化能力。在临床医学中，特征提取是连接原始测量（如脑电图、MRI、病理切片）与疾病诊断、预后评估之间的关键桥梁。

---

### **关键技术点**

1. **时域与频域特征**  
   对一维信号（如EEG、ECG）提取均值、方差、过零率等时域统计量，以及功率谱密度、峰值频率、频带能量等频域指标，用于刻画信号的统计特性与节律模式。

2. **时频分析**  
   利用短时傅里叶变换（STFT）或小波变换（WT）在时间-频率二维平面上表征信号的瞬态变化，特别适合处理脑电、癫痫放电等非平稳信号。

3. **非线性动力学特征**  
   包括近似熵、样本熵、Lempel-Ziv复杂度、分形维数（如Hurst指数）、Lyapunov指数等，用于量化神经电生理信号中的混沌与复杂程度，对癫痫发作、帕金森震颤等具有独特敏感性。

4. **形态学与纹理特征**  
   主要应用于医学影像（如CT、MRI、病理切片），提取形状描述子（面积、周长、偏心率）、灰度共生矩阵（熵、对比度、相关性）及高阶统计量，用于肿瘤分割、病变区域量化。

5. **深度自动特征提取**  
   利用卷积神经网络（CNN）、自编码器、Transformer等深度学习模型，从原始数据中**端到端学习**层次化特征表示，无需手工设计，在脑电分类、fMRI解码等场景中表现优异。但需注意可解释性下降问题，常与Shapley值、类激活图等方法联用。

---

### **医学/神经科学应用场景：基于脑电的癫痫发作预测（首都医科大学神经病学研究）**

癫痫患者发作间期脑电图（EEG）中隐藏着与发作起始相关的微弱前兆信号。首都医科大学附属北京天坛医院团队的研究中，特征提取流程如下：

- **时频特征**：对多导联EEG进行5-8层小波包分解，提取各子带相对能量、小波熵，捕捉发作前β频带（13-30Hz）能量下降与γ频带（>30Hz）爆发。
- **非线性特征**：计算短时样本熵与关联维数，量化大脑节律从高复杂态向低复杂同步态的转变。
- **空间特征**：利用相位锁定值（PLV）构建功能连接矩阵，提取图论指标（聚类系数、特征路径长度），揭示致痫灶所在脑区的异常局部连接增强与全局整合减弱。

这些特征经XGBoost分类器集成，在长达2小时的预发作窗（发作前30分钟至发作前1分钟）内实现了平均约85%的预测准确率，显著降低了临床电极植入前筛查的假阳性率。该流程将传统手工特征与深度学习自动特征（如CNN提取的电极时空图谱）相融合，形成了“可解释+高性能”的混合特征提取框架，已通过伦理审批进入前瞻性临床试验阶段。