特征提取 csp matlab代码

CSP 用于处理EEG信号数据 特征提取算法

function CSPMatrix = learnCSP（EEGSignals）
%
% 
%     Copyright （C） 2010  Fabien LOTTE
% 
%     This program is free software: you can redistribute it and/or modify
%     it under the terms of the GNU General Public License as published by
%     the Free Software Foundation either version 3 of the License or
%     （at your option） any later version.
% 
%     This program is distributed in the hope that it will be useful
%     but WITHOUT ANY WARRANTY; without even the implied warranty of
%     MERCHANTABILITY or FITNESS FOR A PARTICULAR PURPOSE.  See the
%     GNU General Public License for more details.
% 
%     You should have received a copy of the GNU General Public License
%     along with this program.  If not see .
%
%this function learns the CSP （Common Spatial Patterns） filters to
%discriminate two mental states in EEG signals
%
%Input:
%EEGSignals: the training EEG signals composed of 2 classes. These signals
%are a structure such that:
%   EEGSignals.x: the EEG signals as a [Ns * Nc * Nt] Matrix where
%       Ns: number of EEG samples per trial
%       Nc: number of channels （EEG electrodes）
%       nT: number of trials
%   EEGSignals.y: a [1 * Nt] vector containing the class labels for each trial
%   EEGSignals.s: the sampling frequency （in Hz）
%
%Output:
%CSPMatrix: the learnt CSP filters （a [Nc*Nc] matrix with the filters as rows）
%
%by Fabien LOTTE （fprlotte@i2r.a-star.edu.sg）
%created: 02/03/2010
%last revised: 02/03/2010
%
%See also: extractCSPFeatures

%check and initializations
nbChannels = size（EEGSignals.x2）;
nbTrials = size（EEGSignals.x3）;
classLabels = unique（EEGSignals.y）;
nbClasses = length（classLabels）;
if nbClasses ~= 2
    disp（‘ERROR! CSP can only be used for two classes‘）;
    return;
end
covMatrices = cell（nbClasses1）; %the covariance matrices for each class

%computing the normalized covariance matrices for each trial
trialCov = zeros（nbChannelsnbChannelsnbTrials）;
for t=1:nbTrials
    E = EEGSignals.x（::t）‘;
    EE = E * E‘;
    trialCov（::t） = EE ./ trace（EE）;
end
clear E;
clear EE;

%computing the covariance matrix for each class
for c=1:nbClasses      
    covMatrices{c} = mean（trialCov（::EEGSignals.y == classLabels（c））3）;  
end

%the total covariance matrix
covTotal = covMatrices{1} + covMatrices{2};

%whitening transform of total covariance matrix
[Ut Dt] = eig（covTotal）; %caution: the eigenvalues are initially in increasing order
eigenvalues = diag（Dt）;
[eigenvalues egIndex] = sort（eigenvalues ‘descend‘）;
Ut = Ut（:egIndex）;
P = diag（sqrt（1./eigenvalues）） * Ut‘;

%transforming covariance matrix of first class using P
transformedCov1 =  P * covMatrices{1} * P‘;

%EVD of the transformed covariance matrix
[U1 D1] = eig（transformedCov1）;
eigenvalues = diag（D1）;
[eigenvalues egIndex] = sort（eigenvalues ‘descend‘）;
U1 = U1（: egIn

 属性            大小     日期    时间   名称
----------- ---------  ---------- -----  ----

     文件       3027  2010-10-28 17:26  CSP\learnCSP.m

     文件       2845  2010-10-28 17:26  CSP\learnCSPLagrangian.m

     目录          0  2011-07-08 17:22  CSP

----------- ---------  ---------- -----  ----

                 5872                    3