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.