特征提取算法 | 共空间模式 Common Spatial Pattern(CSP)
更多技术,第一时间送达
共空间模式CSP
共空间模式(Common Spatial Pattern, CSP)是一种对两分类任务下的空域滤波特征提取算法,能够从多通道的脑机接口数据里面提取出每一类的空间分布成分。公共空间模式算法的基本原理是利用矩阵的对角化,找到一组最优空间滤波器进行投影,使得两类信号的方差值差异最大化,从而得到具有较高区分度的特征向量。
共空间模式理论
假设X1 和X2 分别为两分类想象运动任务下的多通道诱发响应时-空信号矩阵,他们的维数均为N∗T ,N为脑电通道数,T 为每个通道所采集的样本数。为了计算其协方差矩阵,现在假设N<T.在两种脑电想象任务情况下,一般采用复合源的数学模型描述EEG信号。为了简化计算,常忽略噪声所带来的影响。X1和X2分别为:
上式中,S_1和S_2 分别代表两种类型任务。假设两种信号源是相互线性独立的;S_M代表两种类型任务下所共同拥有的源信号,假设S_1是由m1个源所构成的,S_2是由m2个源所构成,则 C_1和C_2便是由S_1和S_2相关的m1 和m2个共同空间模式组成的。由于每个空间模式都是一个N∗1维的向量,现在用该向量来表示单个的源信号所引起的信号在N个导联上的分布权重。C_M表示的是与S_M相应的共有的空间模式。CSP算法的目标就是要设计空间滤波器F1和F2得到空间因子W。
1.求解协方差矩阵
时空信号矩阵X1和X2 归一化的协方差矩阵R1和R2:
上式中, X^T表示矩阵X的转置,trace(X)表示对矩阵对角线上元素求和。之后求解混合空间的协方差矩阵R:
上式中,
分别为任务1,2的平均协方差矩阵。
2.构造空间滤波器
2.1 正交白化变换求白化特征矩阵P
由于混合空间协方差矩阵R是正定矩阵,由奇异值分解定理进行特征分解:
上式中,U是特征向量矩阵,λ为对应的特征值的对角阵,按特征值按降序排列,白化转换U可得:
2.2 构建空间滤波器
将矩阵P作用于C_1和C_2可得:
S_1、S_2 具有公共特征向量,且存在两个对角矩阵λ1、λ2和相同的特征向量矩阵B, 对S_1、S_2进行主分量分解,可得:
且两个特征值的对角阵λ1 和λ2 之和为单位矩阵:
由上式可知,若λ1中的特征值按照降序排列,则λ2中对应的特征值按升序排列。由于λ1、λ2为S_1、S_2的对角矩阵,所以对于特征向量矩阵B,当S_1有最大的特征值时,S_2具有最小的特征值。因此可以利用矩阵B实现两类问题的分类,由此得到投影矩阵W,投影矩阵WWW就是对应的空间滤波器。
2.3 特征提取
将训练集的运动想象矩阵XL 和XR经过滤波器W滤波可得特征ZL和ZR :
对于测试数据Xi,其特征向量fi提取方式如下,
将fi与fL和fR进行比较以确定第i次想象为想象左还是想象右。根据CSP算法在多电极采集脑电信号特征提取的定义,其中fL和fR的定义如下:
Matlab代码:
clc;
clear;
EEGSignals = load('graz_data/CSP_train.mat'); % 加载带通滤波后的脑电数据
%check and initializations
EEG_Channels = size(EEGSignals.x_train,2);
EEG_Trials = size(EEGSignals.x_train,3);
classLabels = unique(EEGSignals.y_train);% Return non-repeating values
EEG_Classes = length(classLabels);
covMatrix = cell(EEG_Classes,1); % 协方差矩阵
% Computing the normalized covariance matrices for each trial
trialCov = zeros(EEG_Channels,EEG_Channels,EEG_Trials);
for i = 1:EEG_Trials
E = EEGSignals.x_train(:,:,i)';
EE = E*E';
trialCov(:,:,i) = EE./trace(EE); % 计算协方差矩阵
end
clear E;
clear EE;
% 计算每一类样本数据的空间协方差之和
for i = 1:EEG_Classes
covMatrix{i} = mean(trialCov(:,:,EEGSignals.y_train == classLabels(i)),3);
end
% 计算两类数据的空间协方差之和
covTotal = covMatrix{1} + covMatrix{2};
% 计算特征向量和特征矩阵
[Uc,Dt] = eig(covTotal);
% 特征值要降序排列
eigenvalues = diag(Dt);
[eigenvalues,egIndex] = sort(eigenvalues, 'descend');% 降序
Ut = Uc(:,egIndex);
% 矩阵白化
P = diag(sqrt(1./eigenvalues))*Ut';
% 矩阵P作用求公共特征向量transformedCov1
transformedCov1 = P*covMatrix{1}*P';
%计算公共特征向量transformedCov1的特征向量和特征矩阵
[U1,D1] = eig(transformedCov1);
eigenvalues = diag(D1);
[eigenvalues,egIndex] = sort(eigenvalues, 'descend');% 降序排列
U1 = U1(:, egIndex);
% 计算投影矩阵W
CSPMatrix = U1' * P;
% 计算特征矩阵
FilterPairs = 2; % CSP特征选择参数m CSP特征为2*m个
features_train = zeros(EEG_Trials, 2*FilterPairs+1);
features_test = zeros(EEG_Trials, 2*FilterPairs+1);
Filter = CSPMatrix([1:FilterPairs (end-FilterPairs+1):end],:);
%extracting the CSP features from each trial
for t=1:EEG_Trials
%projecting the data onto the CSP filters
projectedTrial_train = Filter * EEGSignals.x_train(:,:,t)';
projectedTrial_test = Filter * EEGSignals.x_test(:,:,t)';
%generating the features as the log variance of the projected signals
variances_train = var(projectedTrial_train,0,2);
variances_test = var(projectedTrial_test,0,2);
for f=1:length(variances_train)
features_train(t,f) = log(variances_train(f));
% features_train(t,f) = log(variances_train(f)/sum(variances_train)); %修改后对应公式
end
for f=1:length(variances_test)
features_test(t,f) = log(variances_test(f));
%features_test(t,f) = log(variances_test(f)/sum(variances_test)); % 修改后对应公式
end
end
CSP_Train_feature = features_train(:,1:4);
CSP_Test_feature = features_test(:,1:4);
save('CSP_feature.mat','CSP_Train_feature','CSP_Test_feature');
脑机接口BCI爱好者交流群:QQ群:903290195