基于运动想象脑电信号的多特征融合解码Matlab实现代码.rar

针对运动想象脑电信号，基于时频域和空间域分别采用小波变换法和共空间模式（CSP）提取特征向量，使用支持向量 机（SVM）对单一特征和融合特征进行识别并比较分类准确率

function [CSP_Train_featureCSP_Test_feature] = CSP（x）
EEGSignals = x;   % 加载带通滤波后的脑电数据
%check and initializations
% EEGSignals.x_train=x;
EEG_Channels = size（EEGSignals.x_train2）;
EEG_Trials = size（EEGSignals.x_train3）;
classLabels = unique（EEGSignals.y_train）;% Return non-repeating values
EEG_Classes = length（classLabels）;
covMatrix = cell（EEG_Classes1）; % 协方差矩阵
% Computing the normalized covariance matrices for each trial
trialCov = zeros（EEG_ChannelsEEG_ChannelsEEG_Trials）;
for i = 1:EEG_Trials
    E = EEGSignals.x_train（::i）‘;
    EE = E*E‘;
    trialCov（::i） = EE./trace（EE）;  % 计算协方差矩阵
end
clear E;
clear EE;
% 计算每一类样本数据的空间协方差之和
for i = 1:EEG_Classes
    covMatrix{i} = mean（trialCov（::EEGSignals.y_train == classLabels（i））3）;
end
% 计算两类数据的空间协方差之和
covTotal = covMatrix{1} + covMatrix{2};
% 计算特征向量和特征矩阵
[UcDt] = eig（covTotal）;
% 特征值要降序排列
eigenvalues = diag（Dt）;
[eigenvaluesegIndex] = sort（eigenvalues ‘descend‘）;% 降序
Ut = Uc（:egIndex）;
% 矩阵白化
P = diag（sqrt（1./eigenvalues））*Ut‘;
% 矩阵P作用求公共特征向量transformedCov1 
transformedCov1 = P*covMatrix{1}*P‘;
%计算公共特征向量transformedCov1的特征向量和特征矩阵
[U1D1] = eig（transformedCov1）;
eigenvalues = diag（D1）;
[eigenvaluesegIndex] = sort（eigenvalues ‘descend‘）;% 降序排列
U1 = U1（: egIndex）;
% 计算投影矩阵W
CSPMatrix = U1‘ * P;
% 计算特征矩阵
FilterPairs = 2;       % CSP特征选择参数m    CSP特征为2*m个
features_train = zeros（EEG_Trials 2*FilterPairs+1）;
features_test = zeros（EEG_Trials 2*FilterPairs+1）;
Filter = CSPMatrix（[1:FilterPairs （end-FilterPairs+1）:end]:）;
%extracting the CSP features from each trial
for t=1:EEG_Trials    
    %projecting the data onto the CSP filters    
    projectedTrial_train = Filter * EEGSignals.x_train（::t）‘;    
    projectedTrial_test = Filter * EEGSignals.x_test（::t）‘;
    %generating the features as the log variance of the projected signals
    variances_train = var（projectedTrial_train02）;  
    variances_test = var（projectedTrial_test02）;
    for f=1:length（variances_train）
        features_train（tf） = log（variances_train（f））;
        % features_train（tf） = log（variances_train（f）/sum（variances_train））;   %修改后对应公式
    end
    for f=1:length（variances_test）
        features_test（tf） = log（variances_test（f））;
        %features_test（tf） = log（variances_test（f）/sum（variances_test））;  % 修改后对应公式
    end
end
CSP_Train_feature = features_train（:1:4）;
CSP_Test_feature = features_test（:1:4）;
% save（‘CSP_feature.mat‘‘CSP_Train_feature‘‘CSP_Test_feature‘）;

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

     文件       2672  2020-06-07 20:39  基于运动想象脑电信号的多特征融合解码（Matlab实现代码）\CSP.m

     文件    7742184  2002-11-15 16:29  基于运动想象脑电信号的多特征融合解码（Matlab实现代码）\dataset_BCIcomp1.mat

     文件        336  2015-04-05 21:45  基于运动想象脑电信号的多特征融合解码（Matlab实现代码）\labels_data_set_iii.mat

     文件        801  2020-06-08 14:08  基于运动想象脑电信号的多特征融合解码（Matlab实现代码）\main.m

     文件       4740  2020-06-07 21:27  基于运动想象脑电信号的多特征融合解码（Matlab实现代码）\trainClassifier.m

     文件       4491  2020-06-07 21:24  基于运动想象脑电信号的多特征融合解码（Matlab实现代码）\trainClassifier1.m

     文件       4491  2020-06-07 21:37  基于运动想象脑电信号的多特征融合解码（Matlab实现代码）\trainClassifier2.m

     文件        765  2020-06-07 19:39  基于运动想象脑电信号的多特征融合解码（Matlab实现代码）\wavelet_energy_spectrum.m

     文件       1558  2020-06-07 19:36  基于运动想象脑电信号的多特征融合解码（Matlab实现代码）\wavelet_packetdecomposition_reconstruct.m

     文件       1326  2020-06-07 21:35  基于运动想象脑电信号的多特征融合解码（Matlab实现代码）\XB.m

     目录          0  2020-06-24 08:28  基于运动想象脑电信号的多特征融合解码（Matlab实现代码）

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

              7763364                    11