论文笔记:Composite Common Spatial Pattern for Subject-to-Subject Transfer

论文探讨了一种新的复合公共空间模式(CCSP),用于解决传统CSP算法忽视被试间信息的问题。通过线性组合不同被试的协方差矩阵,CCSP实现了被试间信息的迁移。文章提出了两种计算权重的方法,一种基于样本数量,另一种利用KL散度衡量被试间的差异。这种方法旨在提高跨被试的脑电图(EEG)信号处理性能。

论文笔记:Composite Common Spatial Pattern for Subject-to-Subject Transfer

概括

​ 目前大多数CSP算法都是基于单被试数据的协方差矩阵进行特征提取,这忽视了被试间的信息。本文提出了一种新的CSP计算算法,通过线性组合来考虑被试间的关系,实现被试间信息迁移。

方法

CSP方法与部分符号参考原文,此处给出线性组合协方差矩阵的方法,也是文章的核心部分。

首先定义被试k的不同类别c的协方差矩阵
Cck=1∣Ik∩Ic∣∑i∈(Ik∩Ic)X~iX~i⊤ C_{c}^{k}=\frac{1}{\left|\mathcal{I}^{k} \cap \mathcal{I}_{c}\right|} \sum_{i \in\left(\mathcal{I}^{\mathcal{k}} \cap \mathcal{I}_{c}\right)} \tilde{\boldsymbol{X}}_{i} \tilde{\boldsymbol{X}}_{i}^{\top} Cck=IkIc1i(IkIc)X~iX~i
其中Ik={ i∈(I+∪I−)∣X~i is a trial matrix for subject k}\mathcal{I}^{k}=\left\{i \in\left(\mathcal{I}_{+} \cup \mathcal{I}_{-}\right) \mid \widetilde{\boldsymbol{X}}_{i} \text { is a trial matrix for subject } k\right\}Ik={ i(I+I

评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
红包 添加红包
表情包 插入表情
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值