【導(dǎo)讀】它的實(shí)質(zhì)為通過腦電信號(hào)推斷人的想法或目的，從而實(shí)現(xiàn)人機(jī)交流。腦機(jī)接口既是人類了解和提高。等領(lǐng)域有廣泛的應(yīng)用前景。本文通過針對(duì)腦機(jī)接口中的特征提取問題，提出了基于多通道特性的共同空。首先將采集的腦電信號(hào)進(jìn)行數(shù)據(jù)矩陣；然后通。過CSP將EEG信號(hào)分解為空間模式，提取出數(shù)據(jù)的特征向量，進(jìn)行識(shí)別處理。結(jié)果表明，CSP能有效提

　　

【正文】 特征識(shí)別 [D]. 山西大學(xué) 2020 . [3]白冬梅 腦電信號(hào)的特征分析與特征提取 [D]. 大連理工大學(xué) 2020. [4]賈希 用于腦 機(jī)接口的腦電信號(hào)特征提取及分類的研究 [D]. 河北工業(yè)大學(xué) 2020. [5]楊幫華、陸文宇、何美燕、劉麗 腦機(jī)接口中基于 WPD 和 CSP的特征提取 [J]. 儀器儀表學(xué)報(bào) . [6]李曉鷗 基于獨(dú)立分量分析和共同空間模式的腦電特征提取方法 [J]. 生物醫(yī)學(xué)工程學(xué)雜志 . [7]黃淦、劉廣權(quán)、朱向陽 共同空間模式在少通道分類問題中的應(yīng)用 [J]. 中國生物醫(yī)學(xué)工程學(xué)報(bào) . [8]李明愛、劉凈瑜、郝冬梅 基于改進(jìn) CSP 算法的運(yùn)動(dòng)想象腦電信號(hào)識(shí)別方法 [J]. 中國生物醫(yī)學(xué)工程學(xué)報(bào) . [9]藍(lán)曉棟 基于共同空間模式和支持向量機(jī)的腦機(jī)接口信號(hào)分類 [A]. 中南民族大學(xué)生物醫(yī)學(xué)工程學(xué)院 . [10]陳魁 CSP 算法在多任務(wù)下的擴(kuò)展及在腦一機(jī)接口中的應(yīng)用 [D]. 南昌大學(xué) . [11]趙海濱 利用慢皮層電位進(jìn)行腦 機(jī)接口設(shè)計(jì) [D]. 東北大學(xué)機(jī)械工程與自動(dòng)化學(xué)院。 [12],Gii,et brain puter interface:Reliability and performance in healthy and paralysed Neurophysiology,2020,117,3. [13]Bayliss of the evoked potential P3 ponent for control in a virtual apartment. IEEE ,11 附錄 附 錄 附錄 A: fid=fopen(39。D:\Matlab\BCI Competition data\BCI Competition II\39。,39。r39。)。 Traindata0=[]。 while 1 tline=fgetl(fid)。 if ~ischar(tline),break。end tline=str2num(tline)。 Traindata0=[Traindata0。tline]。 end fclose(fid)。 clear ans fid tline Traindata0=Traindata0(:,2:5377)。 %把原始數(shù)據(jù)分通道 Traindata0_sect=zeros(135,896,6)。 for i=1:135 for j=1:6 Traindata0_sect(i,:,j)=Traindata0(i,(896*(j1)+1):896*j)。 end end Traindata0forCSP=[]。 for i=1:130 t=Traindata0_sect(i,:,:)。 t=shiftdim(t)。 Traindata0forCSP=[Traindata0forCSP t]。 end Traindata0forCSP=Traindata0forCSP39。 %%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%% fid=fopen(39。D:\Matlab\BCI Competition data\BCI Competition II\39。,39。r39。)。 Traindata1=[]。 while 1 附錄 tline=fgetl(fid)。 if ~ischar(tline),break。end tline=str2num(tline)。 Traindata1=[Traindata1。tline]。 end fclose(fid)。 clear ans fid tline Traindata1=Traindata1(:,2:5377)。 %把原始數(shù)據(jù)分通道 Traindata1_sect=zeros(133,896,6)。 for i=1:133 for j=1:6 Traindata1_sect(i,:,j)=Traindata1(i,(896*(j1)+1):896*j)。 end end Traindata1forCSP=[]。 for i=1:130 t=Traindata1_sect(i,:,:)。 t=shiftdim(t)。 Traindata1forCSP=[Traindata1forCSP t]。 end Traindata1forCSP= Traindata1forCSP39。 附錄 B: %csp classification %%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%% % load testdata fid=fopen(39。D:\Matlab\BCI Competition data\BCI Competition II\39。,39。r39。)。 Testdata=[]。 while 1 tline=fgetl(fid)。 if ~ischar(tline),break。end tline=str2num(tline)。 Testdata=[Testdata。tline]。 附錄 end fclose(fid)。 clear ans fid tline %Traindata0_sect=zeros(135,896,6)。 for i=1:293 for j=1:6 Testdata_sect(i,:,j)=Testdata(i,(896*(j1)+1):896*j)。 end end TestdataforCSP=[]。 for i=1:130 t=Testdata_sect(i,:,:)。 t=shiftdim(t)。 TestdataforCSP=[TestdataforCSP t]。 end TestdataforCSP=TestdataforCSP39。 %%%%%%%%%%%%%%%%%%%%%%%%%%% %先運(yùn)行 [unmixing] = csp(Traindata0forCSP, Traindata1forCSP)。 %%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%% Z0=unmixing*Traindata0forCSP。 Z1=unmixing*Traindata1forCSP。 ZP=unmixing*TestdataforCSP。 S=unmixing*(Z0+Z1+ZP)。 figure imshow(Z0,[]) title(39。Traindata0 的特征向量 39。) figure imshow(Z1,[]) title(39。Traindata1 的特征向量 39。) 附錄 figure imshow(ZP,[]) title(39。Testdata 的特征向量 39。) figure plot(S) title(39。原始數(shù)據(jù) S39。) 附錄 C: function [unmixing] = csp(dat1, dat2) %來源 %c=svn5091amp。r=5091 %fieldtrip the MATLAB toolbox for EEG/MEG analysis % CSP Common spatial pattern deposition % % Use as % [unmixing] = csp(dat1, dat2) % This implements Ramoser, H., Gerking, M., and Pfurtscheller, G. Optimal % spatial filtering of single trial EEG during imagined hand movement. % IEEE Trans. Rehab. Eng 8 (2020), 446, 441. % The initial version was coded by James Ethridge and William Weaver. % See % Some cleanups by Robert Oostenveld, 2020 R1 = dat1*dat139。 R1 = R1/trace(R1)。 R2 = dat2*dat239。 R2 = R2/trace(R2)。 % Ramoser equation (2) Rsum = R1+R2。 % Find Eigenvalues and Eigenvectors of RC % Sort eigenvalues in descending order [EVecsum,EValsum] = eig(Rsum)。 附錄 [EValsum,ind] = sort(diag(EValsum),39。descend39。)。 EVecsum = EVecsum(:,ind)。 % Find Whitening Transformation Matrix Ramoser Equation (3) W = sqrt(pinv(diag(EValsum))) * EVecsum39。 % Whiten Data Using Whiting Transform Ramoser Equation (4) S1 = W * R1 * W39。 S2 = W * R2 * W39。 % Ramoser equation (5) % [U1,Psi1] = eig(S1)。 % [U2,Psi2] = eig(S2)。 %generalized eigenvectors/values [B,D] = eig(S1,S2)。 % Simultanous diagonalization % Should be equivalent to [B,D]=eig(S1)。 % verify algorithim %disp(39。test1:Psi1+Psi2=I39。) %Psi1+Psi2 % sort ascending by default %[Psi1,ind] = sort(diag(Psi1))。 U1 = U1(:,ind)。 %[Psi2,ind] = sort(diag(Psi2))。 U2 = U2(:,ind)。 [D,ind]=sort(diag(D))。 B=B(:,ind)。 % Resulting Projection Matrixthese are the spatial filter coefficients unmixing = B39。*W。