共空间模式算法（CSP）

---

前言

       共空间模式算法（CSP）广泛应用于脑机接口（BCI）中脑电信号（EEG）的特征提取，因此，在介绍CSP算法前，有必要对脑电接口，脑电信号等相关概念做个简述。

一、BCI与EEG的基础概念

• BCI： 脑机接口（brain-computer interface， BCI），指在人或动物大脑与外部设备之间创建的直接连接，实现脑与设备的信息交换；
  
• EEG： 脑电信号（EEG）是一种 5-100μv和低频的生物电信号，需放大后才能显示和处理。在脑电信号处理与模式识别系统中，为了正确的识别 EEG 信号，信号的处理应该包括以下三个部分：预处理、特征选择与提取以及 特征分类。信号预处理主要为了去除低频噪声干扰，如利用空间滤波器（CAR）滤除眼电、肌电等低频噪声干扰。特征提取与选择主要是为了降低脑电数据的维数和提取出与分类相关的特征。
         目前，EEG数据的特征主要有三种：时域特征、频域特征与空域特征，不同的特征需要采取不同的特征提取方法，如空域特征一般采用空域滤波器(共同空间模式,CSP)进行提取，频域特征一般采用傅立叶变换、小波变换或自回归(Auto-Regressive, AR)模型获取。特征分类主要是利用分类算法对提取到的特征进行分类，主要分为两个步骤：首先，利用训练样本特征进行模型的训练，获取分类的参数，然后，用训练好的分类器来获取测试样本特征的类别。目前，较常用的分类器有 Fisher、支持向量机(SVM)、神经网络分类器(Neural network classifier)和贝叶斯分类器(Bayesian classifier)等。
  
• EEG-BCI： 系统组成示意图如下：
  

二、CSP算法简介

2.1 储备知识

1. 空间滤波器（spatial filters）

       滤波是指通过操作接受或拒绝一定的频率。具体到空间滤波器，指的是通过空间滤波器对矩阵的元素进行修改，达到预期的效果。
空间滤波器由一下两部分组成：
1）一个邻域（通常为规模较小矩阵）
2）对该邻域的覆盖的矩阵元素执行的预定义操作

下图为使用3 × 3的邻域的线性空间滤波举例，过程就是对原矩阵的元素逐个按照预选定义的滤波器的操作进行运算：

2. 协方差与协方差矩阵

3. 方阵特征值与特征向量

4. 矩阵对角化及同时对角化

5. 白化

2.2 基本概念

共空间模式（CSP）： 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。
共空间模式算法的基本原理： 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。
共空间模式算法旨在： 设计空间滤波器使得两组脑电时空信号矩阵滤波后，方差值差异最大化，从而得到具有较高区分度的特征向量。用于下一步将特征向量送入分类器进行分类。

       上图中，脑电时空信号矩阵的维数N × T ，N代表脑电通道数（导联数目），T代表时间层面的采样点个数。一个矩阵的单位为一个trail，表示一次测试。滤波器的维数是2 m × N ，N同样代表导联数目，2m为生成该滤波器时，人为设定的特征选取个数。

       上面说明了CSP算法的结果的用途，下面说一下其生成的过程。其利用的基本原理是协方差矩阵对角化。输入为训练集的全部trail矩阵，每个矩阵对应的任务标签（比如左手或右手运动想象）规定的特征数。下面详细介绍一下CSP算法的步骤

• CSP算法步骤：
  
  1） 混合空间协方差矩阵R：
  
  2）白化特征值矩阵P：
  
  3）空间滤波器W：
  
  4）特征提取f：
  

2.3 CSP算法python实例

源码参考来源：Python中MNE库利用CSP分析运动想象数据

import numpy as np
import matplotlib.pyplot as plt
from sklearn.pipeline import Pipeline
from sklearn.discriminant_analysis import LinearDiscriminantAnalysis
from sklearn.model_selection im