高阶谱/CSP特征、LDA等分类器积累

一、特征

1. 高阶谱

实验中，在计算高阶谱 HOS 特征时, 使用 MATLAB 上的 HOSA 工具包 [1].

[1] Swami A, Mendel C, Nikias C. Higher-order spectral analysis (hosa) toolbox. Version, 2000, 2: 3.

2. 脑电EEG静息态频域指标的计算代码

https://blog.csdn.net/u011661076/article/details/113093165

3. 脑电EEG数据处理-小波变换

包含连续小波变换、小波包分解重构、基于小波包分解计算不同频段的能量和。

https://blog.csdn.net/qq_42801194/article/details/110494625?utm_medium=distribute.pc_relevant.none-task-blog-2%7Edefault%7EBlogCommendFromMachineLearnPai2%7Edefault-10.control&depth_1-utm_source=distribute.pc_relevant.none-task-blog-2%7Edefault%7EBlogCommendFromMachineLearnPai2%7Edefault-10.control

4.空域特征

一般包括空频域特征，或者电极组合特征。

        基于共空间模式CSP提取空域特征及其改进的比较多，多用于运动想象MI中。CSP算法的目标就是要设计空间滤波器F1和F2得到空间因子W。 公共空间模式算法的基本原理是利用矩阵的对角化，找到一组最优空间滤波器进行投影，使得两类信号的方差值差异最大化，从而得到具有较高区分度的特征向量。 CSP可参考博主 MissXy_的博文，很细致。

        滤波器组共空间模式(Filter Bank Common Spatial Pattern，FBCSP)，是对子频带共空间模式的改进（Sub-Band Common Spatial Pattern, SBCSP），

FBCSP的处理流程主要包括四步：

Stage 1 频域滤波——使用采用零相位切比雪夫II型IIR滤波器组对频带进行切片；

Stage 2 空域滤波——对切片后的各个子频带进行CSP滤波，作为特征提取；

Stage 3 特征选择——对进行CSP滤波后的特征进行特征选择；

Stage 4 任务分类——对特征选择后的数据放到分类器里面分类。

FBCSP相比于SBCSP的优势 ：

（1）Gabor傅里叶滤波器组换成了IIR，克服非线性相位偏移；

（2）采用特征选择+分类器的方式有更强的泛化性， 因为选取特征子集，计算高效；

详情戳 https://blog.csdn.net/qq_40166660/article/details/108969294 

FBCSP代码： https://github.com/fbcsptoolbox/fbcsp_code

SBCSP的的主要步骤：

滤波器组频域滤波——使用24个Gabor Filters，带宽分别为4Hz将频带进行划分；

CSP空域滤波，提取特征；

LDA特征选择，将其分类结果作为频带融合结果，使得类内方差最小化，类间方差最大化；

采用RBE递归频带消除（使用RBF特征选择方法来选择有效频带）

或者MC（meta classififiers）作为最终分分类器，对任务分类。

二、分类器

1. SpaSM: 稀疏LDA

当所选特征的数量大于观测数量时 , 特征的类内协方差矩阵会变得单一， 可应用稀疏的 LDA(sparse LDA, SLDA) [1], 添加 L 1 罚项对判别向量施加稀疏约束 , 以解决这个问题。

实验中 , 可以用 MATLAB 上的 SpaSM 工具包 实现 SLDA 算法。

SpaSM: A Matlab Toolbox for Sparse Statistical Modeling matlab 工具箱 LDA-L1 norm

http://www2.imm.dtu.dk/projects/spasm/

[1] Clemmensen L, Hastie T, Witten D, et al. Sparse discriminant analysis. Technometrics, 2011, 53: 406-413.