特徵提取的算法
CSP共空間模式
共空間模式(CSP)是一種對二分類任務下的空間濾波特徵提取算法,能夠從多通道的腦機接口數據裏面提取出每一類的空間分佈成分。共空間模式算法的基本原理是利用矩陣的對角化,找到一組最優的空間濾波器進行投影,使得兩類信號的方差值差異最大化,從而得到具有較高區分度的特徵向量。
假設X1和X2分別爲二分類想象運動任務下的多通道誘發相應時空信號矩陣,他們的維數均爲N∗T,N表示腦電的通道數,T爲每個通道所採集的樣本數。爲了計算協方差矩陣,現在假設N<T。在兩種腦電想象任務情況下,一般採用複合源的數學模型來描述EEG信號,爲了方便計算。一般忽略噪聲所產生的影響。X1和X2可以分別寫成:
X1=[C1CM][S1SM], X2=[C2CM][S2SM] (1)
(1) 式中,分別代表兩種類型任務,不妨假設者兩個源信號是相互線性獨立的;SM代表兩種類型任務下所共同擁有的源信號,假設S1是由m1個源所構成的,S2是由m2個源所構成的,則C1和C2便是由S1和S2相關的m1和m2個共同空間模式組成的,由於每個空間模式都是一個N∗1維的向量,現在用這個向量來表示單個的源信號所引起的信號在N個導聯上的分佈權重。CM表示的是與SM相應的共有的空間模式。CSP算法的目標激就是要設計空間濾波器F1和F2得到空間因子W
1.1求兩類數據的混合空間協方差矩陣
X1和X2歸一化後的協方差矩陣R1和R2分別爲:
R1=trace(X1X1T)X1X1,R2=trace(X2X2T)X2X2 (2)
(2)式中:XT表示X矩陣的轉置,trace(X)表示對角線上元素的和,然後求混合空間協方差矩陣R:
R=Rˉ1+Rˉ2 (3)
(3) 式中: Rˉi(i=1,2) 分別表示任務12實驗的平均協方差矩陣
1.2應用主成分分析法,求出白化特徵值矩陣P
對混合空間協方差矩陣R式進行特徵值分解
R=UλUT (4)
(4)式中:U是矩陣λ的特徵向量矩陣,λ是對應的特徵值構成的對角陣。將特徵值及逆行降序排列,白化值矩陣爲:
P=λ−1UT (5)
1.3構造空間濾波器
對R1和R2進行如下變換:
S1=PR1PT,S2=PR2PT (6)
然後對S1和S2做主分量分解,得到:
S1=B1λ1B1T,S2=B2λ2B2T
通過上面的式子可以證明矩陣S1的特徵向量和矩陣S2的特徵向量矩陣是相等的,即:
B1=B2=V
與此同時,兩個特徵值的對角陣λ1和λ2之和爲單位矩陣,即:
λ1+λ2=I
由於兩類矩陣的特徵值相加總是1,則S1的最大特徵值所對應的特徵向量使S2有最小的特徵值,反之亦然。
把λ1中的特徵值按照降序排列,則λ2中對應的特徵值按升序排列,根據這點可以推斷出λ1和λ2具有下面的形式:
白化EEG到與λ1和λ2中的最大特徵值對應的特徵向量的變換對於分離兩個信號矩陣中的方差是最佳的。投影矩陣W是對應的空間濾波器爲:
W=BTP
1.4特徵提取
將訓練集的運動想象矩陣XL,XR經過構造的相應濾波器W濾波可得特徵ZL,ZR爲:
ZL=W×XL
ZR=W×XR
根據CSP算法在多電極採集腦電信號特徵提取的定義,本研究選取fL和fR爲想象左和想象右的特徵向量,
定義如下:
fL=∑var(ZL)var(ZL)
對於測試數據Xi來說,其特徵向量fi提取方式如下,並與fL和fR進行比較以確定第i次想象爲想象左或者想象右。
⎩⎪⎨⎪⎧Zifi==W×Xi∑var(Zi)var(Zi)