40、基于CSP和特征相关性分析的运动想象分类

基于CSP和特征相关性分析的运动想象分类

在脑机接口（BCI）领域，运动想象（MI）分类是一个重要的研究方向。本文将介绍一种基于共同空间模式（CSP）和特征相关性分析的运动想象分类框架，并通过实验验证其有效性。

1. 特征表示

从预处理后的脑电图（EEG）信号矩阵开始，我们计算多种特征来表示EEG数据，具体如下：
- 功率谱密度（PSD） ：使用非参数Welch方法计算输入信号的PSD。具体步骤为：
1. 将时间序列划分为M个长度为L的重叠段。
2. 应用平滑时间加权窗口w。
3. 得到加窗段v(m)。
4. 通过离散傅里叶变换计算修改后的周期图向量u。
5. 计算PSD向量p的每个元素。对于运动想象判别分析，主要关注μ（8 - 13 Hz）和β（13 - 30 Hz）频段，计算它们的PSD频段Sμ和Sβ，并基于一阶和二阶统计矩对PSD幅值进行参数化。
- 连续和离散小波变换（CWT - DWT） ：
- CWT ：通过与缩放和平移的小波卷积计算EEG信号在时间t和频率f的小波变换。使用以10 Hz和22 Hz为中心的Morlet小波突出μ和β频段，然后估计系数幅值的一阶和二阶统计矩以及最大值作为基于CWT的特征。
- DWT ：使用七阶Symlet母小波，获取第三和第四级的细节系数（DWT4和DWT3）来计算所需的α和β频段。从这些细节系数集估计一阶和二阶统计矩以及最大值。
- Hjorth参数 ：从输入信号估计