参考的博客:点击此处链接跳转
在博主的基础之上,修改为函数,并且增加了 FBCSP 的函数
共有四个函数
cspfunc:针对两类脑电和标签提取csp特征并获取滤波器
cspfilt:使用获取的csp滤波器滤波
fbcspfunc:针对两类脑电和标签提取fbcsp特征并获取滤波器(fbcsp 就是分频段组合的 csp,可以是csps?)
fbcspfilt:使用获取的fbcsp滤波器滤波
需要注意的是,必须先进行 func 计算获取滤波器参数,才能进行 filt
cspfunc 函数(主要的函数,借鉴上边博主的demo,大家如果觉得这篇有用也请一定去支持一下他):
function [cspfeature cspw] = cspfunc(eeg,label,m)
% eeg:分段后的三维脑电(已滤波),采样点 * 通道 * 实验次数
% label:脑电的标签,列向量,值只有 1 和 2
% m:csp 参数
% cspfeature:提取到的fbcsp 特征,主要用于训练,如果是测试,需要用 fbcspfilt 函数滤波
% cspw:fbcsp 滤波器
%check and initializations
EEG_Channels = size(eeg,2); % 通道数目
EEG_Trials = size(eeg,3); % 实验次数
classLabels = unique(label);% Return non-repeating values
EEG_Classes = length(classLabels); % 标签类个数
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 = eeg(:,:,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(:,:,label == 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')