点击上面"脑机接口社区"关注我们
更多技术干货第一时间送达
大家好!
今天Rose小哥给大家分享一篇常见的脑电特征提取算法--共空间模式(Common Spatial Pattern, CSP)的研究进展、算法原理及其它的代码案例。
共空间模式CSP
共空间模式(Common Spatial Pattern, 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。
CSP的研究进展
共空间模式(CSP)的研究概况
由于不同特征的信息包含在信号的不同频段中,因此考虑EEG信号,可以将其分离到不同的特定频段进行分析。在当前研究的特征提取和特征分类算法中,CSP是性能最好和应用最广泛的特征提取方法。CSP将当前数据转换到另一个新的空间,使得类间数据的方差最大化,类内的方差最小化。
通常,在运动想象EEG信号分类中,CSP算法往往选择宽频段(4-40HZ)来进行信号处理。研究表明,这个宽频段包含了大多数的运动想象相关的信息,同时,也包含着其他冗余信息,所以不少研究工作重点考虑这个宽频段的选择最佳问题,以此来改善CSP的分类性能。在提出的共空间频谱模式(CSSP)中,有限脉冲响应(FIR)滤波器在CSP滤波器的基础上进行了优化,通过插入时间延迟τ来实现,该时间延迟τ允许单独调谐频率滤波器,评估若干样本点的时间延迟τ值,并且使用10倍交叉验证来选择最佳值。使用带通滤波器对信号进行滤波,然后进行空间滤波和特征提取。实验结果显示CSSP改进了性能。提出的共稀疏频谱空间模式(CSSSP)进一步改进了CSSP方法,其找到所有信道共用的频谱模式,而非CSSP为每个信道找到不同的频谱模式。
已经提出的子带公空间模式(SBCSP),其中在多个子带处对运动图像EEG信号进行滤波,并且从每个子带提取CSP特征。为了减小子带的维数,线性判别分析(LDA)分别应用于每个子带的特征,并融合在一起以进行分类。 SBCSP实现了比CSP,CSSP和CSSSP更高的分类精度。然而,SBCSP忽略了从不同子带获得的CSP特征的可能关联,因此提出了滤波器组CSP(FBCSP)来解决该问题。 FBCSP计算来自多个子带的CSP特征的互信息,以便选择最具辨识性的特征,所选特征使用支持向量机(SVM)分类器进行分类。 FBCSP的表现优于SBCSP,然而,它仍然使用了若干子带,这些子带依然会带来不少的计算成本的增加。所以提出DFBCSP来