脑电信号MFDFA特征提取与CNN/RNN格式转换实战指南

1. 项目概述：从脑电信号到深度学习模型的桥梁

最近在做一个关于脑电信号（EEG）情绪识别的项目，核心任务是把采集到的、看起来杂乱无章的原始脑电波形，变成深度学习模型能“吃”得下去、并且“吃”了有效的特征数据。这个过程里，有两个关键环节让我折腾了很久，也收获颇丰：一是如何从EEG信号中提取能表征其复杂性的MFDFA（多重分形去趋势波动分析）特征；二是如何将这些一维的特征序列，转换成适合CNN（卷积神经网络）或RNN（循环神经网络）训练的规整数据格式。这听起来像是两个独立的步骤，但在实际工程中，它们紧密相连，任何一个环节处理不当，都会导致模型性能大打折扣。今天，我就把在这条“数据流水线”上踩过的坑、总结的经验，系统地梳理一遍。

脑电信号本质上是大脑神经元群电活动在头皮表面的综合反映，它非平稳、非线性的特性非常显著。传统的时域（如均值、方差）、频域（如功率谱）特征虽然有用，但往往丢失了信号内在的复杂动力学信息。而MFDFA方法，恰恰擅长捕捉时间序列的这种多重分形特性，它能告诉我们信号在不同尺度上的波动规律是否具有自相似性，以及这种规律是否随着尺度变化——这对于区分不同的认知状态（如放松、专注、情绪波动）非常有价值。然而，MFDFA计算出的是一系列标量值（如广义赫斯特指数），如何将这些值组织起来，并匹配上CNN需要的网格结构（如图像）或RNN需要的序列结构，就成了下一个难题。

这个实践适合所有正在或即将处理生理信号（不仅是EEG，ECG、EMG等也同样适用）、并希望引入非线性特征和深度学习的同学。无论你是神经科学领域的研究者，还是做脑机接口、情感计算的工程师，这套从特征提取到数据格式转换的完整流程，都能为你提供一个清晰、可复现的参考框架。我会尽量避开艰深的数学推导，聚焦在“怎么做”以及“为什么这么做”的工程实现层面。

2. 核心思路：为什么是MFDFA+CNN/RNN？

在深入代码之前，我们必须先想清楚方案选型的逻辑。为什么选择MFDFA？为什么又要同时考虑CNN和RNN？这背后是基于EEG信号的特性和我们任务目标的双重考量。

2.1 MFDFA之于EEG：超越时频域的特征利器

EEG信号的分析，长久以来依赖于时域和频域。时域特征简单直观，但信息密度低；频域特征（如各频段功率）揭示了节律活动，但对信号的非平稳性和瞬态特性不敏感。而大量研究表明，大脑作为一个复杂的非线性动力系统，其产生的EEG信号具有分形和多重分形特性。比如，在深度睡眠和清醒状态下，EEG信号的长程相关性（一种分形特性的体现）是不同的。

MFDFA正是量化这种多重分形特性的强大工具。简单来说，它的计算可以分解为几个关键步骤：首先，对原始信号构造轮廓序列；然后，将序列分割成多个等长的小区间，并在每个区间内进行多项式拟合以去除局部趋势；接着，计算不同阶数q下的波动函数；最后，通过分析波动函数与尺度之间的关系，得到一系列广义赫斯特指数H(q)。当H(q)不依赖于q时，信号是单分形的；当H(q)随q变化时，信号是多重分形的。对于EEG，我们通常能得到一个H(q)关于q的曲线，这条曲线本身，或者从其衍生出的几个关键参数（如奇异谱宽度），就构成了我们想要的特征。

选择MFDFA的核心理由是：它提供了一种对信号复杂性和内在波动模式更深刻的描述，这些信息很可能与高级脑功能状态（如情绪、疲劳、认知负荷）相关，是传统特征的有效补充。在实际项目中，我常常将MFDFA特征与传统的频带功率特征拼接在一起，形成混合特征向量，模型效果通常会有可观的提升。

2.2 CNN与RNN的格式之争：从特征到输入的映射

提取出MFDFA特征（假设我们计算了10个不同q值对应的H(q)，得到一个长度为10的特征向量）后，下一个问题是如何喂给模型。这里CNN和RNN的需求截然不同。

CNN通常期望输入具有网格状拓扑结构，如图像（2D网格）或多通道时间序列（可以视为2D：时间×通道）。如果我们只有单一的MFDFA特征向量，直接输入CNN是低效的，因为卷积核在短向量上难以提取有意义的空间层次特征。常见的做法是进行“结构化”：

1. 多通道/多片段构建：将单次试验的EEG数据（多通道×时间点）分别计算MFDFA，每个通道得到一个特征向量。然后将所有通道的特征向量堆叠起来，形成一个【通道数 × 特征维度】的2D矩阵。这个矩阵可以被视为一张“特征图像”，其中高度是通道，宽度是特征维度。CNN可以学习不同通道间特征模式的关联。
2. 时间窗滑动：如果我们的数据是长时间序列，可以滑动时间窗，对每个窗计算MFDFA特征。这样，对于每个通道，我们得到的是一个【时间窗数量 × 特征维度】的序列。我们可以将所有通道的这类序列分别视为“图像”的不同行，或者更复杂地，构建成3D张量【样本×通道×特征×时间窗】。

RNN（尤其是LSTM、GRU）天生是为序列建模设计的。对于MFDFA特征，最自然的利用方式是将其作为一个时间序列中的“一步”的特征。例如：

1. 特征作为时间步：如果我们用滑动时间窗提取特征，那么每个时间窗对应的MFDFA特征向量（可能还融合了其他特征）就构成了序列中的一个时间步。输入RNN的格式就是【样本数， 时间步数（即窗数）， 特征维度】。
2. MFDFA参数序列：另一种思路是，MFDFA本身在计算过程中，在不同尺度s上会产生波动函数Fq(s)。我们可以将log(Fq(s))相对于log(s)的序列（对于某个固定的q）作为输入RNN的序列，让RNN来学习尺度间的依赖关系。但这属于更高级的用法，对数据量和计算要求更高。

在本实践中，我将重点介绍第一种也是最常用的场景：如何将多通道、单时间窗（或分段后）的EEG数据，批量转换为MFDFA特征矩阵，并分别适配成CNN和RNN的标准输入格式。这是从科研实验走向可部署模型的关键一步。

3. MFDFA特征提取的工程化实现

理论很美，但实现起来细节很多。网上能找到的MFDFA代码片段往往只适用于理想情况，一旦应用到真实的、带噪声的、长度不一的EEG数据上，各种问题就冒出来了。下面我分享一个经过实战打磨的、鲁棒性较强的MFDFA特征提取函数，并附上关键参数选择的经验。

3.1 算法核心步骤与代码实现

我们先抛开复杂的公式，用工程师的思维理解MFDFA流程：1）整合信号；2）切块并去趋势；3）计算波动；4）尺度分析。以下是Python实现，主要依赖numpy。

import numpy as np from scipy import stats, optimize import warnings def mfdfa(x, scales, q, order=1): """ 计算时间序列x的多重分形去趋势波动分析（MFDFA）。 参数： x : 一维numpy数组，输入时间序列。 scales : 一维numpy数组，要分析的尺度（窗口大小）列表。建议为2的幂次，且远小于信号长度。 q : 一维numpy数组，q阶数列表。q为0时需特殊处理。 order : int, 去趋势时拟合多项式的阶数，默认为1（线性去趋势）。 返回： Hq : 一维numpy数组，对应每个q的广义赫斯特指数。 Fq : 二维numpy数组，形状为(len(scales), len(q))，每个尺度、每个q下的波动函数值。 """ # 1. 预处理：确保x是一维的，并计算累积离差序列（轮廓序列） x = np.asarray(x).ravel() y = np.cumsum(x - np.mean(x)) # 轮廓序列Y(i) n = len(y) Fq = np.zeros((len(scales), len(q))) # 2. 对每个尺度s进行处理 for i, s in enumerate(scales): # 确保信号长度能被s整除，否则切掉尾部 n_segments = int(np.floor(n / s)) if n_segments < 1: warnings.warn(f"尺度 s={s} 大于信号长度，跳过。") continue # 将轮廓序列分割成不重叠的片段 segments = y[:n_segments * s].reshape((n_segments, s)) # 对每个片段进行去趋势 # 构造从0到s-1的索引作为x轴 t = np.arange(s) # 使用向量化方式拟合多项式并去趋势（对于order=1，即线性拟合） # 这里使用np.polyfit和np.polyval进行批量处理效率较低，我们采用更直接的方法 detrended_segments = np.zeros_like(segments) for seg_idx in range(n_segments): coeff = np.polyfit(t, segments[seg_idx], order) # 拟合多项式系数 trend = np.polyval(coeff, t) # 计算趋势 detrended_segments[seg_idx] = segments[seg_idx] - trend # 去趋势 # 3. 计算每个片段的方差（波动） variance = np.var(detrended_segments, axis=1, ddof=1) # 无偏估计 # 4. 计算q阶波动函数Fq(s) for j, q_val in enumerate(q): if q_val == 0: # q->0 的特殊情况：使用对数平均 with warnings.catch_warnings(): warnings.simplefilter("ignore", category=RuntimeWarning) Fq[i, j] = np.exp(0.5 * np.mean(np.log(variance))) else: # 通用公式：均值(q阶矩)的1/q次方 mq = np.mean(variance ** (q_val / 2)) if mq > 0: Fq[i, j] = mq ** (1.0 / q_val) else: Fq[i, j] = np.nan # 5. 对每个q，拟合log(Fq(s)) ~ log(s) 得到H(q) Hq = np.zeros(len(q)) log_scales = np.log(scales) for j in range(len(q)): # 选取Fq值有效的尺度点进行拟合 valid_idx = ~np.isnan(Fq[:, j]) if np.sum(valid_idx) < 2: Hq[j] = np.nan continue # 线性拟合，斜率即为H(q) slope, intercept = np.polyfit(log_scales[valid_idx], np.log(Fq[valid_idx, j]), 1) Hq[j] = slope return Hq, Fq

注意：上述代码中的q为0时的处理采用了指数和对数的形式，这是数学上等价但数值更稳定的写法。直接计算(variance ** (q/2)).mean() ** (1/q)在q=0时会引发除零错误。

3.2 关键参数选择与调优经验

参数选择直接影响特征的有效性和计算成本。以下是我的经验之谈：

1. 尺度scales的选择：

   • 范围：通常从大于拟合阶数order（如10）开始，到小于信号长度N/4或N/10为止。例如，对于一个4秒、采样率250Hz的EEG片段（N=1000），scales可以取np.logspace(np.log10(20), np.log10(100), 15).astype(int)，生成15个在20到100之间对数均匀分布的整数尺度。
   • 分布：建议在对数坐标下均匀分布，因为我们对不同尺度范围（小尺度反映细节，大尺度反映整体趋势）的兴趣是均等的。
   • 实践踩坑：尺度不能太小，否则去趋势后剩余波动太少，方差估计不可靠；也不能太大，否则分段数太少，统计波动大。务必检查Fq随scales在对数坐标下的线性关系，如果明显偏离直线，说明尺度范围选择不当或信号不符合分形假设。

2. q阶数q的选择：

   • 范围与间隔：q通常取一个对称区间，如np.arange(-5, 6, 1)。负数q放大小波动的影响，正数q放大波动的影响。区间越宽，越能探测多重分形谱的宽度，但计算量也越大。
   • 核心参数：我们最终关心的特征往往是H(q)曲线本身，或者从中提取的几个统计量：H(q=2)（经典DFA的赫斯特指数，表征长程相关性）、H(q)的均值、标准差、H(q)随q变化的斜率（反映多重分形强度）。在我的情绪识别任务中，H(q=2)和H(q)的标准差是最具判别力的两个特征。

3. 去趋势阶数order：

   • 对于EEG信号，线性去趋势（order=1）在绝大多数情况下已经足够。高阶多项式（如order=2）可能会过度拟合，去除掉信号中我们关心的慢变波动成分。除非你有很强的先验知识认为信号中的趋势是二次或更高次的，否则坚持用order=1。

一个重要的实操心得：MFDFA计算量较大，尤其是当数据量（通道数×试验数×时间窗数）很大时。务必对每个EEG通道/片段进行特征提取后，将结果（Hq向量）及时保存到磁盘（如.npy或.h5文件），避免在后续格式转换时重复计算。你可以将整个特征提取过程封装成一个类，并加入进度条显示，这对于处理大规模EEG数据集至关重要。

4. 从特征向量到模型输入：格式转换实战

假设我们已经对每个EEG试验（Trial）的每个通道（Channel）提取了一个长度为M的MFDFA特征向量（例如，M=11，对应q = [-5, -4, ..., 5]的H(q)值）。现在我们有N个试验，每个试验有C个通道。原始数据组织方式可能是一个列表的列表，或者一个形状为(N, C, feature_dim)的NumPy数组。我们的目标是将其转换为CNN和RNN友好的格式。

4.1 构建适用于CNN的输入格式

CNN期望的输入通常是4D张量：(batch_size, height, width, channels)对于TensorFlow的channels_last格式，或者(batch_size, channels, height, width)对于PyTorch的channels_first格式。这里，我们把“特征”映射到“宽度”或“高度”上。

方案一：特征图模式（最常用）将每个试验的C个通道的MFDFA特征堆叠起来，形成一个C × M的矩阵。这个矩阵可以被视为一张单通道的“图像”，其中行是脑电通道，列是MFDFA特征维度。

# 假设 features 是一个形状为 (N, C, M) 的数组 # N: 试验数， C: 通道数， M: MFDFA特征维度 import numpy as np # 1. 直接重塑为 (N, C, M, 1) - 适合TensorFlow (height, width, channels) cnn_input_tf = features[..., np.newaxis] # 增加一个通道维，变成 (N, C, M, 1) # 2. 或者重塑为 (N, 1, C, M) - 适合PyTorch (channels, height, width) cnn_input_pt = features[:, np.newaxis, :, :] # 增加一个通道维放在第1位，变成 (N, 1, C, M) print(f"TensorFlow 格式形状: {cnn_input_tf.shape}") # 例如 (100, 32, 11, 1) print(f"PyTorch 格式形状: {cnn_input_pt.shape}") # 例如 (100, 1, 32, 11)

在这种格式下，CNN的卷积核将在“通道-特征”平面上移动。例如，一个(3, 3)的卷积核可以同时看到相邻3个通道和相邻3个特征维度上的模式，这有助于模型学习“哪些通道组合在哪些MFDFA特征上表现出协同变化”。

方案二：多通道时间序列模式（如果有时序窗）如果我们使用了滑动时间窗，对每个窗都提取了MFDFA特征，那么对于单个试验、单个通道，我们得到一个(num_windows, M)的特征序列。将所有通道的这样的序列对齐，我们可以构建一个3D张量(C, num_windows, M)。我们可以将其视为num_windows个时间步，每个时间步是一个C × M的“图像”，或者进行转置，形成(num_windows, C, M)的格式，然后像处理视频帧（时间×高度×宽度）一样使用3D CNN或2D CNN+LSTM的混合模型。这种格式更复杂，但保留了时间演化信息。

关键技巧：归一化。在将数据送入CNN之前，必须进行归一化。由于MFDFA特征H(q)的值可能有不同的量纲和范围（例如，H(2)通常在0.5~1之间，而H(-5)可能更大），直接输入会导致优化困难。建议对每个特征维度（即每个q对应的特征）跨所有样本进行Z-score标准化（减去均值，除以标准差）。这能确保每个特征维度都以零为中心，具有单位方差，加速模型收敛。

4.2 构建适用于RNN的输入格式

RNN（特别是LSTM/GRU）的输入格式是3D张量：(batch_size, timesteps, features)。这里的timesteps是关键。

方案一：将每个试验视为一个时间步（最简单）如果我们没有滑动时间窗，每个试验只有一个MFDFA特征向量（已融合所有通道），那么我们可以简单地将每个试验作为一个独立序列，其时间步长为1。这其实退化为一个全连接网络，没有发挥RNN的优势。不推荐。

方案二：将特征维度展开为时间步（创造性用法）一种有趣的思路是，将M个MFDFA特征（对应不同的q值）视为一个序列。我们可以按照q值从小到大的顺序（q = -5, -4, ..., 5）排列，形成一个长度为M的序列，序列中每一步的特征是标量H(q)。这样，输入形状就是(N, M, 1)。RNN可以学习H(q)随q变化的模式。然而，这种序列的“时间”顺序是人为定义的（q的顺序），其物理意义是“波动矩的阶次”，不一定具有时间序列的因果性，但RNN仍可能捕捉到其中的模式。

方案三：基于滑动时间窗构建真实时间序列（最合理）这是最推荐的方法，也最能发挥RNN特长。步骤如下：

1. 对原始EEG时间序列使用滑动窗（如窗长1秒，重叠0.5秒）进行分割。
2. 对每个时间窗，计算其MFDFA特征向量（假设维度为M）。这样，对于一个试验，我们就得到了一个序列：[特征向量_窗1, 特征向量_窗2, ..., 特征向量_窗T]，序列长度T等于时间窗的数量。
3. 将所有试验的这样的序列堆叠，得到输入张量(N, T, M)。

# 假设我们已处理完所有试验和所有时间窗 # all_sequences 是一个列表，每个元素是一个形状为 (T, M) 的数组，代表一个试验 # T: 该试验的时间窗数量， M: 特征维度 # 首先需要统一序列长度T（RNN要求等长序列） # 方法1：截断到最小长度 (可能会丢失信息) min_timesteps = min(seq.shape[0] for seq in all_sequences) padded_sequences = np.array([seq[:min_timesteps, :] for seq in all_sequences]) # 方法2：填充到最大长度 (更常用) from tensorflow.keras.preprocessing.sequence import pad_sequences # 或 from torch.nn.utils.rnn import pad_sequence (PyTorch) max_timesteps = max(seq.shape[0] for seq in all_sequences) # 使用0填充在序列末尾 padded_sequences = pad_sequences(all_sequences, maxlen=max_timesteps, padding='post', dtype='float32') # 此时 padded_sequences 形状为 (N, max_timesteps, M) rnn_input = padded_sequences print(f"RNN输入形状: {rnn_input.shape}") # 例如 (100, 20, 11)

在这种格式下，RNN可以沿着时间步（timesteps）学习MFDFA特征在试验过程中的动态演变，这对于分析随时间变化的脑状态（如情绪诱发过程中的变化）极其有力。

格式选择决策流程图： 如果你的分析单元是整个试验片段（例如，观看一段视频期间的EEG），且没有明显的时间过程分析需求，推荐使用CNN + 特征图模式，简单有效。 如果你的分析关注脑电信号的动态变化过程（例如，运动想象、事件相关电位、持续的情绪波动），那么RNN + 滑动时间窗模式是更自然的选择。计算量会大很多，但信息保留也更完整。

5. 工程化管道与性能优化

当数据量从几百个试验上升到几千甚至上万个时，效率就成了大问题。MFDFA计算是瓶颈。下面分享构建高效特征提取与格式转换管道的几个关键点。

5.1 批处理与并行计算

MFDFA计算是独立的，非常适合并行化。

• 通道级并行：对于一个试验的多个通道，可以并行计算MFDFA。使用Python的concurrent.futures.ProcessPoolExecutor或joblib.Parallel可以轻松实现。

  from joblib import Parallel, delayed def extract_mfdfa_for_channel(channel_data, scales, q): # channel_data 是一维EEG信号 Hq, _ = mfdfa(channel_data, scales, q) return Hq # 假设 trial_eeg 形状为 (C, T) C = trial_eeg.shape[0] results = Parallel(n_jobs=4)(delayed(extract_mfdfa_for_channel)(trial_eeg[i], scales, q) for i in range(C)) trial_features = np.stack(results, axis=0) # (C, M)

• 试验级并行：在更高层级，对不同试验也可以并行处理。但要注意内存消耗，避免同时加载太多数据。

5.2 缓存与增量处理

务必实现缓存机制。计算MFDFA特征后，立即将结果（Hq向量或最终的特征矩阵）保存为.npy或.h5文件。下次运行时，先检查缓存文件是否存在，如果存在且参数未变，则直接加载，跳过耗时的特征提取步骤。

对于超大数据集，考虑增量处理：一次只加载和处理一部分试验，提取特征后立即保存，然后释放内存，处理下一批。

5.3 输入管道与数据加载器

在训练深度学习模型时，直接加载全部特征数据到内存可能不现实。应使用框架提供的数据加载工具：

• TensorFlow：使用tf.data.Dataset.from_tensor_slices或从生成器创建数据集。可以将特征文件路径列表作为输入，在map函数中实现按需加载和格式转换。
• PyTorch：自定义Dataset类。在__getitem__方法中根据索引加载对应的特征文件（.npy），并完成所需的格式转换（如转置、增加维度等）和归一化。

一个重要的避坑点：归一化参数（均值和标准差）必须在训练集上计算，然后用于验证集和测试集。绝对不能在混合了所有数据（训练+验证+测试）后再计算归一化参数，这会造成数据泄露，严重高估模型性能。最佳实践是在构建数据加载器时，传入预先从训练集计算好的归一化参数。

6. 常见问题、调试技巧与效果评估

即使流程正确，在实际操作中还是会遇到各种奇怪的问题。这里记录几个我踩过的坑和解决方法。

6.1 MFDFA特征提取中的典型问题

1. H(q)出现NaN或异常值：

   • 原因：尺度s选择不当（太大或太小），导致分段数n_segments太少（<2）或去趋势后方差为0/负数。
   • 排查：打印出每个尺度s对应的n_segments和variance的统计信息。确保scales中的值远小于信号长度N，且n_segments至少大于4。检查原始信号是否包含大量恒定值或NaN。
   • 解决：调整scales范围，剔除导致variance非正数的尺度点。在拟合H(q)时，跳过Fq为NaN的尺度点。

2. Fq(s)在对数坐标下线性关系差：

   • 原因：信号可能不符合分形假设，或者存在强烈的非平稳趋势未被去除。
   • 排查：绘制log(Fq(s))vslog(s)的散点图，观察是否近似为直线。对于EEG，通常在中段尺度范围内线性较好。
   • 解决：尝试提高去趋势阶数order（例如从1到2），或者在计算MFDFA前对信号进行更严格的高通滤波（如0.5 Hz），以去除超低频漂移。

3. 计算速度极慢：

   • 原因：纯Python循环，特别是对每个尺度、每个片段进行多项式拟合。
   • 优化：如前所述，使用并行计算。此外，对于线性去趋势（order=1），可以直接使用公式计算斜率和截距，避免调用np.polyfit，能显著提升速度。也可以考虑使用Numba对核心循环进行即时编译加速。

6.2 数据格式转换与模型训练中的问题

1. 模型不收敛或损失为NaN：

   • 原因：输入特征未归一化，或存在异常值（如MFDFA计算产生的NaN或inf）。
   • 解决：在特征提取后立即检查数据中是否存在NaN或inf。务必进行Z-score归一化。对于CNN输入，确保“图像”的数值范围合理（归一化后通常在[-3, 3]之间）。

2. CNN在“特征图”上学习不到有效特征：

   • 原因：C × M的“图像”可能太小，或者通道与特征维度的排列方式不符合数据的空间结构。
   • 调试：尝试转置特征图，即使用(M, C)的格式作为输入（height=M, width=C）。有时，不同的排列会带来意想不到的效果。也可以尝试使用更小的卷积核（如1x3, 3x1）或深度可分离卷积来适应这种狭长的特征图。

3. RNN处理变长序列的麻烦：

   • 问题：不同试验的时间窗数量T可能不同。
   • 最佳实践：使用框架支持的填充和掩码功能。在TensorFlow中，Masking层可以自动跳过填充部分。在PyTorch中，使用pack_padded_sequence和pad_packed_sequence。务必在批处理时按序列长度降序排序，以最大化计算效率。

6.3 特征有效性评估

如何知道提取的MFDFA特征确实有用？不能只看模型最终准确率。

• 可视化：对不同类别（如积极情绪 vs 消极情绪）的样本，绘制其H(q)曲线的均值与标准差区域。观察曲线是否有分离趋势。
• 统计分析：对每个MFDFA特征维度（如H(2),H(-5)等），使用T检验或非参数检验（如Mann-Whitney U检验）检查其在不同类别间是否有显著差异。只有显著的特征才值得送入模型。
• 特征重要性：训练一个简单的模型（如线性SVM或随机森林），查看其系数或特征重要性排名。MFDFA特征是否位居前列？
• 消融实验：在相同的模型架构下，对比仅使用传统特征、仅使用MFDFA特征、以及两者混合的特征集的效果。如果加入MFDFA后性能有稳定提升，说明其提供了增量信息。

最后，记住一点：MFDFA特征不是银弹。它的效果严重依赖于数据质量和任务本身。在有些EEG数据集上，它可能带来巨大提升；在另一些上，可能收效甚微。作为实践者，我们的工具箱里应该既有传统时频域特征，也有像MFDFA这样的非线性特征，根据具体问题和交叉验证的结果，灵活地选择和组合它们。整个从EEG到MFDFA，再到CNN/RNN格式的转换流程，是一套标准化的数据处理范式，掌握它，你就拥有了处理复杂生理信号并连接深度学习模型的一条强大管道。