共空间模式算法

共空间模式（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。

​ 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来描述EEG信号，为了方便计算，一般忽略噪声所产生的影响。X1和X2可以分别写成：

​  上式中：S1和S2分别代表两种类型任务。不妨假设这两个源信号是相互线性独立的；SM代表两种类型任务下所共同拥有的源信号，假设S1是由m1个源所构成的，S2是由m2个源所构成。则C1和C2便是由S1和S2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，现在用这个向量来表示单个的源信号所引起的信号在NN个导联上的分布权重。CM表示的是与SMSM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。
以上内容 原文链接：https://blog.csdn.net/MissXy_/article/details/81264953

以下内容翻译自参考文献

对于某种条件X采得信号数据矩阵X= NT，其中，N为通道数数，T为时间点数。
某个试次数据trial/epoch的空间协方差spatial covariance为

Trace表示矩阵的迹 = 主对角线元素之和。
因此，在标准化的协方差矩阵R中，主对角线元素diagonal elements表示了分数方差fractional covariance。 非对角线元素off-diagonal elements表示了分数协方差fractional covariance。
M个试次的平均协方差矩阵为

对该平均协方差矩阵R ̅（实对称矩阵）进行特征值分解得

且满足

其中，B与λ均为NN的方阵，B由R ̅的特征向量组成，λ为由R ̅特征值作为主对角线元素的对角矩阵。
特征向量矩阵B表示了一个标准正交基集，可理解为这N个正交基定义了信号的N维测度空间，也可看做基础空间模式。
对两种条件X和Y的混合协方差矩阵composite covariance matrix可表示为

同时，Wc为白化矩阵，该白化变换whitening transformation使得Bc中特征向量所定义的空间中各向方差相等。注：矩阵开根号就是其中的每个元素开根号。
再对两种条件的总体协方差矩阵进行白化变换得

因此，Sx和Sy有相同的特征向量，两矩阵对应的特征值之和总为1. 因为

也就是，对Sx和Sy进行特征分解eigendecomposition（主成分分解）如下

如果对Ux中的特征向量进行排序以使得φx中的特征值降序排列（U为标准正交矩阵），
又对Uy的特征向量进行同样的排序，则φy中的特征值会呈升序排列，且



将上式反转得

参考链接：https://blog.csdn.net/MissXy_/article/details/81264953 (附MATLAB代码)
参考文献：
1990.Brain.Topography_Koles_Zhou_Koles_Spatial Patterns underlying Population differences in the Background EEG
1999.Clinical.Electroencephalography _Flyvbjerg_Pfurtscheller_Designing optimal spatial filters for single-trial EEG classification in a movement task.