基于互信息的EEG脑网络情感识别（五）——矩阵二值化

上一篇文章介绍了互信息矩阵的建立

这篇文章主要讲一下矩阵的二值化

---

矩阵二值化

对于一个MI矩阵来说，二值化就是选择一个合适的阈值，如果MI值大于阈值，则记为1，如果MI值小于阈值，则记为0 。按照此方法，依次处理矩阵中的每个值，就能得到二值矩阵。

---

在解决该问题时遇到的难点和问题

观察得到的MI矩阵可以发现，不同被试者不同次实验中，有些实验数据差别较大，所以重点就在于阈值的选择。

• 刚开始是这样处理的（后来没用这个方法）：
  计算了所有MI矩阵中MI的平均值，暂且把这个值叫做“平均MI”，我用这个平均MI作为阈值，对所有矩阵进行了二值化。但是观察二值矩阵发现，很多矩阵出现了全0或者全1的情况。这样的话，对于后面提取网络属性就会有很大误差，所以这个方法被遗弃了。
• 后来采用的方法：
  观察MI矩阵的数据发现，MI的值分布在0.66~0.85之间，所以我在这之间，以0.01为步长，设置了20个阈值，以此对MI矩阵进行二值化。这样，每个MI矩阵就会得到20个二值矩阵，将他们都进行保存。
  后面计算每个MI矩阵的网络属性时，也是在这20个二值矩阵上分别计算，之后再取平均值，作为最终的网络属性值。

---

部分代码如下

pathname1='E:\MI矩阵\';
pathname3='E:\二值化矩阵修改\';
%32个被试者
for k=1:32
    if k<10
        filename1=sprintf('s0%d\\',k);
    end
    if k>=10
        filename1=sprintf('s%d\\',k);
    end
    pathname2=[pathname1,filename1];    
    pathname4=[pathname3,filename1];   
    mkdir(pathname3,filename1);    
    %每人40次试验
    for j=1:40
       if k<10
           filename2=sprintf('s0%d-%d',k,j);    
           filename3=sprintf('s0%d-%d\\',k,j); 
       end
       if k>=10
           filename2=sprintf('s%d-%d',k,j);
           filename3=sprintf('s%d-%d\\',k,j);
       end
       mkdir(pathname4,filename3);
       pathname5=[pathname4,filename3];   
       xx=load([pathname2,filename2]);  
       labels=xx.labels;
       
       value=0.66;     %初始的阈值，每次增加0.01，直到0.85，共20个
       for i=1:20
           filename4=sprintf('%d',i);
           Theta.MI1=traverse(xx.Theta.MI1,value);
           Theta.MI2=traverse(xx.Theta.MI2,value);
           Alpha.MI1=traverse(xx.Alpha.MI1,value);
           Alpha.MI2=traverse(xx.Alpha.MI2,value);
           Beta1.MI1=traverse(xx.Beta1.MI1,value);
           Beta1.MI2=traverse(xx.Beta1.MI2,value);
           Beta2.MI1=traverse(xx.Beta2.MI1,value);
           Beta2.MI2=traverse(xx.Beta2.MI2,value);
           save([pathname5,filename4],'Theta','Alpha','Beta1','Beta2','labels');
           value=value+0.01;
       end
    end
end

---

该文章是学习笔记，后续会继续更新
下一篇文章的链接：基于互信息的EEG脑网络情感识别（六）