MATLAB 脑电数据处理代码优化：从基础到并行计算的演变

前言

       在处理 EEG（脑电图）数据时，我们常常需要对大量信号进行滤波、降噪等操作。随着数据规模的不断增大，传统的串行处理方法往往变得效率低下。为了提高计算速度，我们可以通过引入并行计算来大幅度提升处理效率。本文将通过三个版本的 MATLAB 代码演示如何优化 EEG 数据处理流程，从基础的串行处理到并行计算，再到进一步优化的并行化版本，展示数据处理的演变过程和性能提升。希望能给大家带来些启发。

版本1：基础的串行处理

       在版本1中，我们采用了传统的循环结构对 EEG 数据进行处理。具体来说，我们加载了所需的数据，并提取了顶叶和枕叶区域的 SSVEP 信号。随后，对每个目标刺激、每个数据块和每个电极通道的数据进行了带通滤波操作。整个过程通过三重 for 循环逐一处理每一个信号。

% 原始数据，维度是 [64, 1500, 40, 6]
for block_idx = 1:N_blocks
    for target_idx = 1:N_targets
        for channel_idx = 1:N_channels
            % 提取每个通道、目标和数据块的信号
            signal = squeeze(stim_data(channel_idx, :, target_idx, block_idx));
            % 使用bandpass滤波器对信号进行5-90Hz滤波
            stim_data(channel_idx, :, target_idx, block_idx) = bandpass(signal, [low_freq, high_freq], fs);
        end
    end
end

优点：
       代码结构简单明了，易于理解，适合初学者。
       对每个数据点都逐步进行处理，方便进行调试和分析。
缺点：
       使用 for 循环逐个处理数据，效率较低。随着数据量增大（如 EEG 数据中包含大量电极、时间点、目标和试次），计算时间将显著增加。
       MATLAB 的 for 循环是串行执行的，无法充分利用多核 CPU 的计算能力。

版本2：引入并行计算提高效率

       版本2 在版本1的基础上进行了优化，核心改进在于引入了并行计算。通过使用 parfor（并行 for 循环），我们可以将数据处理任务分配到多个 CPU 核心上并行执行，从而显著提高计算速度。相比于传统的 for 循环，parfor 可以让每个循环迭代在独立的核心上运行，大幅度减少处理时间。

% 将数据重组为一个 2D 数组 [N_channels, N_timepoints * N_targets * N_blocks]
stim_data_reshaped = reshape(stim_data, N_channels, N_timepoints * N_targets * N_blocks);
% 使用 parfor 进行并行处理，对整个数据进行批量滤波
parfor channel_idx = 1:N_channels
    % 对每个通道的数据进行滤波（带通滤波器5-90 HZ）
    stim_data_reshaped(channel_idx, :) = bandpass(stim_data_reshaped(channel_idx, :), [low_freq, high_freq], fs);
end
% 将数据恢复到原来的四维形式
stim_data = reshape(stim_data_reshaped, N_channels, N_timepoints, N_targets, N_blocks);

优点：
       并行计算：通过 parfor，每个电极通道的数据处理可以在不同的 CPU 核心上同时进行，极大地提高了处理速度。
       批量处理：在重组数据之后，我们将所有通道的数据一次性处理，避免了逐个通道循环的开销，从而加快了处理速度。
缺点：
       对于数据量较小的情况，parfor 的引入可能并不会带来显著的性能提升，反而可能因并行计算的开销而降低效率。
       需要确保计算机支持并行计算（如有多个 CPU 核心或 MATLAB 的 Parallel Computing Toolbox）。

版本3：进一步优化的并行化处理

       在版本3中，代码经过进一步优化，去除了冗余的步骤，使得代码更加简洁和高效。这个版本保留了并行计算的优势，并去掉了不必要的变量和操作，使得程序在性能上更加精简。

% 将数据重组为一个 2D 数组
stim_data_reshaped = reshape(stim_data, N_channels, N_timepoints * N_targets * N_blocks);
% 使用 parfor 进行并行处理
parfor channel_idx = 1:N_channels
    stim_data_reshaped(channel_idx, :) = bandpass(stim_data_reshaped(channel_idx, :), [low_freq, high_freq], fs);
end
% 将数据恢复到原来的四维形式
stim_data = reshape(stim_data_reshaped, N_channels, N_timepoints, N_targets, N_blocks);

优点：
       进一步简化了代码，去除了不必要的步骤和变量，提升了代码的可读性和执行效率。
       保留并行处理的优势，能够在多核处理器上更高效地执行批量数据处理任务。
缺点：
       对于数据量较小的应用场景，parfor 的优势不明显，反而可能引入一定的开销。
       仍然依赖于支持并行计算的硬件环境，且并行计算的效率提升受限于硬件资源。

总结

       这三个版本的代码分别展示了从基础串行处理到并行计算的逐步演化。在版本1中，我们采用传统的 for 循环逐个处理每个信号，适合小规模数据；在版本2中，引入了 parfor 并行计算来提升性能，适用于较大数据集；而版本3则进一步优化了代码，去除了冗余步骤，使得程序更加高效。通过并行计算的引入，尤其是对于大规模数据，能够显著提升数据处理的效率。

       在实际应用中，根据数据量的大小，可以选择不同版本的代码。如果处理的数据规模较大，使用并行计算（版本2或版本3）将显著提高计算速度，节省时间，提升工作效率。