脑电想象运动多类CSP特征提取与投票分类系统

资 源 简 介

该项目基于MATLAB平台开发，旨在实现针对脑电想象运动（Motor Imagery）信号的高精度特征提取与智能分类系统。算法核心采用共同空间模式（Common Spatial Patterns, CSP）理论，通过对原始多导联脑电数据进行空域滤波，寻找一组最优的空间滤波器，使得两类信号在投影后的方差差异达到最大化，从而显著提升特征的可分性。为了突破传统CSP仅限于二分类的局限，本项目通过引入投票机制（如One-vs-Rest或One-vs-One策略），成功将算法扩展至多类别想象任务识别。系统实现了从原

详 情 说 明

脑电想象运动CSP特征提取与多类投票分类系统

项目介绍

本项目是一个基于MATLAB开发的脑机接口（BCI）信号处理演示系统。该系统专注于脑电图（EEG）想象运动信号的特征提取与分类，核心采用了共同空间模式（Common Spatial Patterns, CSP）算法。为了应对多类别采集需求，系统通过“一对多”（One-vs-Rest, OvR）策略扩展了传统的二分类CSP算法，并结合线性判别分析（LDA）分类器和概率投票机制，实现了对多类想象运动任务（如左手、右手、脚部运动想象）的高效识别。

功能特性

1. 合成脑电数据生成：系统能够自动生成具有特定时频特性的多通道（22通道）模拟脑电信号，模拟不同意图下的事件相关去同步/同步（ERD/ERS）现象，并加入粉红噪声以模拟真实生理环境。
2. 频率域预处理：内置四阶巴特沃斯带通滤波器，准确提取与想象运动紧密相关的Mu和Beta频段（8-30Hz）信号。
3. 多类空间滤波策略：实现了改进的OvR-CSP算法，为每一个类别独立构建空间投影矩阵，旨在最大化当前类与其余所有类之间的方差差异。
4. 特征提取与转换：通过空间滤波器对原始信号进行投影，计算投影信号的对数方差特征，有效降低特征维数并增强数据的正态分布特性。
5. 智能集成投票分类：利用多组LDA分类器的后验概率输出进行软投票决策，自动判定最具可能性的运动意图类别。
6. 稳健性验证机制：集成K折交叉验证（K-Fold Cross-Validation）流程，能够客观评估算法在未见数据上的泛化能力。
7. 可视化评估分析：系统自动生成混淆矩阵热力图及分折准确率柱状图，直观展示分类性能及各类别间的误判情况。

实现逻辑

系统运行遵循标准的信号处理流水线：

1. 初始化与参数定义：设定采样率（250Hz）、通道数（22）、类别数（3类）及CSP特征对数（每侧3对）。
2. 数据制备：通过正弦信号堆叠与噪声注入，生成包含正向特征增强区和抑制区的模拟试次数据。
3. 频域过滤：对全量试次进行带通滤波，消除无关的高频噪声和低频漂移。
4. 交叉验证循环：

* 训练阶段：针对每一个类别，将当前类视为正样本，其他类视为负样本。调用核心函数计算该拓扑下的最优空间滤波器组，接着提取特征并训练二分类LDA模型。 * 测试阶段：将测试集通过所有已训练的滤波器组，并送入对应的LDA模型获取分类分值（概率）。

1. 决策汇总：比较各模型输出的得分，选取最高得分对应的索引作为最终分类预测值。
2. 性能统计：通过比对真实标签计算平均准确率，并构建混淆矩阵。

关键算法与函数分析

1. 共同空间模式计算 (compute_csp)：

* 协方差标准化：计算各类别数据的正规化空间协方差矩阵。 * 广义特征值求解：通过求解 $R_1 W = lambda(R_1 + R_2) W$ 寻找投影矩阵。 * 滤波器选择：排序特征值，选取能反映方差最大化和最小化的两端特征向量，组成最优空间映射矩阵，提取出最具区分性的空间分量。

1. 特征提取 (extract_csp_features)：

* 空间投影：将多导联信号投影到CSP空间。 * 对数方差计算：计算投影后各分量的方差，并进行对数变换。这一步是CSP的核心，它将信号的能量差异转化为分类器易于处理的线性特征。

1. 分类与投票逻辑：

* LDA模型训练：利用 fitcdiscr 建立线性分类平面。 * 概率投票：不直接输出类别标签，而是使用 predict 函数获取后验概率，确保了多模型决策时的连续性和科学性。

使用方法

1. 确保计算机已安装 MATLAB 及其相关的信号处理工具箱、统计与机器学习工具箱。
2. 将算法代码存放在 MATLAB 工作目录下。
3. 在命令行窗口直接运行主程序脚本。
4. 程序将依次在命令行打印“正在生成模拟数据”、“正在进行带通滤波”等进度信息。
5. 运行结束后，系统会自动弹出可视化窗口，展示混淆矩阵及交叉验证准确率报告。

系统要求

• 软件版本：MATLAB R2016b 或更高版本。
• 必备工具箱：

* Signal Processing Toolbox（用于 butter 和 filter 函数）。 * Statistics and Machine Learning Toolbox（用于 crossvalind, fitcdiscr, predict, confusionmat 等函数）。

• 硬件建议：标准台式机或笔记本电脑即可稳定运行，无特殊算力要求。