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=∣Ik∩Ic∣1i∈(Ik∩Ic)∑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

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。
最低0.47元/天 解锁文章
9828

被折叠的 条评论
为什么被折叠?



