信号处理--基于FBCSP滤波方法的运动想象分类
目录
理论
工具
方法
代码获取
理论
通用空间模式 (CSP) 算法可以用来有效构建最佳空间滤波器区分，然后实现运动想象的数据中的脑电信号的区分。然而，空间滤波器性能的好坏主要取决于其工作频带。如果脑电信号没有经过滤波或者滤波的频带范围不合适，都会导致经过CSP空间滤波器提取的特征，在后续分类任务中，有一个比较差的表现。因此，在使用CSP算法时候，我们常常需要选择一个比较大的信号频带或者是根据被试挑选一个比较好的频带的频带范围。这个导致了阻碍了CSP方法的广泛应用。为了解决这样的问题，滤波器组CSP分类算法被提出来。滤波器组 filter-bank CSP 分类算法 (FBCSP), 实现共分为4步：将脑电信号划分为若干个频带的子信号； 分别提取不同频带的信号的CSP特征； 使用特征筛选算法，得到相对优化的频带CSP特征组； 使用分类模型实现脑电信号的分类。
工具
python 3.8
BCI dataset IV-1 数据集
方法
定义滤波器组，实现信号的频带分解
#acquire and combine features of different fequency bands
features_train=[]
features_test=[]
freq=[8,12,16,20,24,28,32]
for freq_count in range(len(freq)):
#loop for freqencylower=freq[freq_count]if lower==freq[-1]:breakhigher=freq[freq_count+1]X_train_filt=butter_bandpass_filter(X_train,lowcut=lower,highcut=higher,fs=128,order=8)X_test_filt=butter_bandpass_filter(X_test,lowcut=lower,highcut=higher,fs=128,order=8)tmp_train=csp.fit_transform(X_train_filt,y_train)tmp_test=csp.transform(X_test_filt)if freq_count==0:features_train=tmp_trainfeatures_test=tmp_testelse:features_train=np.concatenate((features_train,tmp_train),axis=1)features_test=np.concatenate((features_test,tmp_test),axis=1)使用MIBIF算法实现提取的特征的选择
select_K=sklearn.feature_selection.SelectKBest(mutual_info_classif,k=10).fit(features_train,y_train)
New_train=select_K.transform(features_train)
#np.random.shuffle(New_train)
New_test=select_K.transform(features_test)
#np.random.shuffle(New_test)
print(New_train.shape)
print(New_test.shape)
ss = preprocessing.StandardScaler()
X_select_train = ss.fit_transform(New_train,y_train)
X_select_test = ss.fit_transform(New_test)使用支持向量机实现最后的分类和测试
#calssify
from sklearn.svm import SVC
clf=svm.SVC(C=0.8,kernel='rbf')
clf.fit(X_select_train,y_train)
y_pred=clf.predict(X_select_test)
print(y_test)
print(y_pred)
acc=accuracy_score(y_test,y_pred)
print(acc)使用不同的特征提取算法和分类器在同一个数据集上面的性能比较结果：
在5个不同被试上面采用不同的CSP及变体方法的结果比较：
代码获取
后台私信，注明文章名称；
相关项目和代码开发，欢迎沟通交流。