FBCSP matlab
- Matlab FBCSP實作
- FBCSP原理
- 測驗資料
- 運行結果
- 代碼
- 參考文獻
Matlab FBCSP實作
最近在進行運動想象分類的時候想利用FBCSP(Filter Bank Common Sptial Pattern)進行特征提取，但在網上搜索一番都沒有找到實作FBCSP的matlab代碼，所以打算自己用matlab編碼，
FBCSP原理
FBCSP是基于CSP(Common Sptial Pattern)的空域提取方法通過對頻帶分片加之特征選擇演算法實作的，
下面為FBCSP的原理圖：
如上圖所示，其中Stage 1為對頻帶進行切片；
Stage 2對切邊后的各個子頻帶進行CSP濾波；
Stage 3對進行CSP濾波后的特征進行特征選擇；
Stage 4對特征選擇后的資料放到分類器里面分類，
測驗資料
用到的測驗資料為BCIcomp2002的二分類運動想象資料集，因為官方給出的資料沒有測驗集標簽，所以我把訓練集及其標簽拆分為100:40變為訓練集和測驗集，即前100個trials為訓練集，后40個trials的資料用于測驗，把分割后的資料保存到XY_data.mat中，其范式如下圖所示：
運行結果
因為代碼寫的比較創促，所以打算用參考文獻[1]的互資訊特征選擇演算法還沒有寫，打算以后補充上，分類演算法用matlab的svm工具箱，其中-c設定為2，-g設定為0.1250，也嘗試過用網格搜索法確定-c -g的引數但最后出來的效果似乎不是很好，運行結果如下所示：
代碼
檔案結構
主檔案test.m
// An highlighted block
load XY_data.mat
train_data=x_train_new(128*4:end,:,:); %訓練集(拋棄前4s)
train_label=y_train_new; %訓練集標簽
test_data=x_test_new(128*4:end,:,:); %測驗集(拋棄前4s）
test_label=y_test_new; %測驗集標簽
sampleRate=128; %定義采樣率
[result,proj,classNum]=FBCSP(train_data,train_label,sampleRate,2); %對訓練集資料進行FBCSP
% result=MIfeature_select(result,k); %對所得訓練集資料進行互資訊特征選擇
model=libsvmtrain(train_label,result,'-c 2 -g 0.1250'); %訓練模型
fea=FBCSPOnline(test_data,proj,classNum,sampleRate,2); %對測驗集資料進行FBCSP
%fea=MIfeature_select %對測驗集資料進行MIfeature_select
libsvmpredict(test_label,fea,model);
FBCSP.m函式
%author:mao date:2020-10-8
%programme:the Filter Bank Common Sptial Pattern algorithm
%input:train_data 3維 EEG資料，其中，第一維是采樣點，第二維是通道數量，第三維度是trials大小
% train_label train_data對應的標簽
% sampleRate 采樣率
% m CSP的m引數
%output:features_train 融合后各子頻帶后的特征陣列
% projMAll 由各子頻帶計算所得的投影矩陣
% classNum 待分類的類別數量
function [features_train,projM_All,classNum]=FBCSP(train_data,train_label,sampleRate,m)
[q,p,k]=size(train_data);%獲取總的trial次數
%% acquire and combine feature of different frequency bands
features_train=[]; %宣告訓練集csp特征融合陣列
filter_data=zeros(size(train_data));
freq=[8 12 16 20 24 28 32]; %設定子頻帶頻率
classNum=max(train_label); %獲取類別數量
projM_All=zeros(p,p,max(train_label)*(size(freq,2)-1)); %申請個頻帶的拼接投影矩陣空間
for i=1:size(freq,2)
lower=freq(i); %獲取低頻
if lower==freq(size(freq,2))
break;
end
higher=freq(i+1);%獲取高頻
%對各子頻帶進行濾波
filter_tmp=[];
for j=1:k %對每個trial進行回圈濾波,filter()函式可以濾波3維資料？
filter_tmp=filter_param(train_data(:,:,j),lower,higher,sampleRate,4);
filter_data(:,:,j)=filter_tmp;
end
% 計算csp濾波器，用csp濾波器進行特征提取
projM=cspProjMatrix(filter_data,train_label); %要回圈保存投影矩陣用于在線CSP濾波
projM_All(:,:,1+(i-1)*classNum:i*classNum)=projM; %存盤當前頻帶投影矩陣
feature=[]; %宣告本子頻帶特征矩陣
for b=1:k %回圈提取特征
feature(b,:)=cspFeature(projM,filter_data(:,:,b),m); %第三個引數m不要超過通道數的一半，不然會出現重復特征
end
tmp_data=feature;
features_train=[features_train,tmp_data]; %拼接個自頻帶特征矩陣
end
FBCSPOnline.m函式
%author:mao date:2020-10-8
%programme:the Filter Bank Common Sptial Pattern algorithm
%input:train_data 3維 EEG資料，其中，第一維是采樣點，第二維是通道數量，第三維度是trials大小
% 2維 EEG資料，其中，第一位是采樣點，第二維是通道數量
% projMAll 由訓練集計算所得個子頻帶CSP投影矩陣
% classNum 待分類的類別數
% sampleRate 采樣率
% m CSP的m引數
%output:features 融合后各子頻帶后的特征陣列
function features_train=FBCSPOnline(train_data,projMAll,classNum,sampleRate,m)
if ndims(train_data)==3 %輸入EEG資料為3維
%% acquire and combine feature of different frequency bands
[q,p,k]=size(train_data);%獲取總的trial次數
filter_data=zeros(size(train_data));
features_train=[]; %宣告訓練集csp特征融合陣列
freq=[8 12 16 20 24 28 32]; %設定子頻帶頻率
for i=1:size(freq,2)
lower=freq(i); %獲取低頻
if lower==freq(size(freq,2))
break;
end
higher=freq(i+1);%獲取高頻
%對各子頻帶進行濾波
filter_tmp=[];
for j=1:k %對每個trial進行回圈濾波,matlab中的filter()函式可以濾波3維資料？
filter_tmp=filter_param(train_data(:,:,j),lower,higher,sampleRate,4);
filter_data(:,:,j)=filter_tmp;
end
feature=[]; %宣告本子頻帶特征矩陣
for b=1:k %回圈提取特征
feature(b,:)=cspFeature(projMAll(:,:,1+(i-1)*classNum:i*classNum),filter_data(:,:,b),m); %第三個引數m不要超過通道數的一半，不然會出現重復特征
end
tmp_data=feature;
features_train=[features_train,tmp_data]; %拼接個自頻帶特征矩陣
end
else
%% 輸入EEG資料為2維
features_train=[]; %宣告訓練集csp特征融合陣列
freq=[8 12 16 20 24 28 32]; %設定子頻帶頻率
for i=1:size(freq,2)
lower=freq(i); %獲取低頻
if lower==freq(size(freq,2))
break;
end
higher=freq(i+1);%獲取高頻
%對各子頻帶進行濾波
filter_data=filter_param(train_data,lower,higher,sampleRate,4);
feature=[]; %宣告本子頻帶特征矩陣
feature=cspFeature(projMAll(:,:,1+(i-1)*classNum:i*classNum),filter_data,m); %第三個引數m不要超過通道數的一半，不然會出現重復特征
tmp_data=feature';
features_train=[features_train,tmp_data]; %拼接個自頻帶特征矩陣
end
end
filter_param.m濾波函式
%% 對資料進行濾波
%輸入：data 待濾波EEG資料
% low 高通濾波引數設定
% high 低通濾波引數設定
% sampleRate 采樣率
% filterorder butterworth濾波器階數
%回傳：filterdata 濾波后EEG資料
function filterdata=filter_param(data,low,high,sampleRate,filterorder)
%% 設定濾波引數
filtercutoff = [low*2/sampleRate high*2/sampleRate];
[filterParamB, filterParamA] = butter(filterorder,filtercutoff);
filterdata= filter( filterParamB, filterParamA, data);
cspProjMatrix.m (計算CSP濾波器）
function projM=cspProjMatrix(x,y)
%基于共空間模式演算法計算出一個投影矩陣
%輸入引數：
% x:3維 EEG資料，其中，第一維是采樣點，第二維是通道數量，第三維度是trials大小
% y: 一維列向量標簽 范圍是從1到分類數量，長度與x的第三維保持一致
%注意：這里y標簽只能從1開始，往后延，不能用-1 1這種標簽格式
trialNo=length(y); %獲取標簽長度
classNo=max(y); %獲取標簽類別數量
channelNo=length(x(1,:,1)); %獲取通道數量
for k=1:classNo %對每一類進行訓練
N_a=sum(y==k); %number of trials for class k，當前類的trials數量
N_b=trialNo-N_a;
R_a=zeros(channelNo,channelNo); %申請[通道數量*通道數量] 方陣大小的空間
R_b=zeros(channelNo,channelNo);
for i=1:trialNo
R=x(:,:,i)'*x(:,:,i);
%R=cov(x(:,:,i));
R=R/trace(R);
if y(i)==k %當前類
R_a=R_a+R;
else %其他類
R_b=R_b+R;
end
end
R_a=R_a/N_a;
R_b=R_b/N_b;
[V,D]=svd(R_a+R_b); %矩陣奇異值分解
W=D^(-0.5)*V'; %P白化矩陣，P矩陣回傳為W
S_a=W*R_a*W';
[V,D]=svd(S_a);
projM(:,:,k)=W'*V; %投影矩陣， 最后投影矩陣的大小為 [通道數量 通道數量 類別數量] 其中第三維度為每個類的濾波器
end
cspFeature.m (利用CSP濾波器進行過濾）
function feature=cspFeature(projM,x,m)
%%%%%%通過投影矩陣進行特征提取
% 輸入引數：
% projM: csp投影矩陣
% x: 一個時間視窗的2維EEG資料，其中，第一維是采樣點；第二維是通道
% m: 投影資料矩陣的第一列和最后一列的個數，
% 輸出引數：
% feature: 從列向量中提取到的特征
classNo=length(projM(1,1,:)); %獲取類別數量
channelNo=size(x,2); %獲取通道數量
feature=[]; %宣告特征矩陣
for k=1:classNo %classNo為類數量
Z=x*projM(:,:,k); %projected data matrix
for j=1:m
feature=[feature; var(Z(:,j)); var(Z(:,channelNo-j+1))]; %var(A) 算矩陣A沒列方差，此時默認是除N-1
%variances of the first and last m columns(第1和最后m列的方差)
end
end
feature=log(feature/sum(feature));
參考文獻
[1] Ang K K , Chin Z Y , Zhang H , et al. Filter Bank Common Spatial Pattern (FBCSP) in Brain-Computer Interface[C]// IEEE International Joint Conference on Neural Networks. IEEE, 2008.
轉載請註明出處，本文鏈接：https://www.uj5u.com/shujuku/166680.html
標籤：其他