EEG 数据的特征主要有三种：时域特征、频域特征与空域特

征，不同的特征需要采取不同的特征提取方法，如空域特
征一般采用空域滤波器(共同空间模式,CSP)进行提取，频域
特 征 一 般 采 用 傅 立 叶 变 换 、 小 波 变 换 或 自 回 归 (Auto-
Regressive, AR)模型获取。
共空间模式（CSP）： 一种对两分类任务下的空域滤波特

征提取算法，能够从多通道的脑机接口数据里面提取出每
一类的空间分布成分。
共空间模式算法的基本原理： 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。
共空间模式算法旨在： 设计空间滤波器使得两组脑电时空
信号矩阵滤波后，方差值差异最大化，从而得到具有较高
区分度的特征向量。用于下一步将特征向量送入分类器进
行分类。

CSP 算法目标就是要设计空间滤波器 F1 和 F2 得到空间因子

function CSPMatrix = learnCSP(EEGSignals,classLabels)

%Input:

%EEGSignals: the training EEG signals, composed of 2 classes.

These signals

%are a structure such that:

% EEGSignals.x: the EEG signals as a [Ns * Nc * Nt] Matrix

where

% Ns: number of EEG samples per trial

% Nc: number of channels (EEG electrodes)

% nT: number of trials

% EEGSignals.y: a [1 * Nt] vector containing the class labels for

each trial
% EEGSignals.s: the sampling frequency (in Hz)

%Output:

%CSPMatrix: the learnt CSP filters (a [Nc*Nc] matrix with the

filters as rows)

%See also: extractCSPFeatures

%check and initializations

nbChannels = size(EEGSignals.x,2); % 通道

nbTrials = size(EEGSignals.x,3); % 实验次数

nbClasses = length(classLabels); % 类别
if nbClasses ~= 2

disp('ERROR! CSP can only be used for two classes');

return;

end

covMatrices = cell(nbClasses,1); %the covariance matrices for

each class

%% Computing the normalized covariance matrices for each

trial

%% 为每个试验计算标准化的协方差矩阵。

trialCov = zeros(nbChannels,nbChannels,nbTrials);

for t=1:nbTrials
 E = EEGSignals.x(:,:,t)'; %note the transpose

EE = E * E';

trialCov(:,:,t) = EE ./ trace(EE);

end

clear E;

clear EE;

%computing the covariance matrix for each class

for c=1:nbClasses

%EEGSignals.y==classLabels(c) returns the indeces

corresponding to the class labels

covMatrices{c} = mean(trialCov(:,:,EEGSignals.y ==

classLabels(c)),3);
end

%the total covariance matrix

covTotal = covMatrices{1} + covMatrices{2};

%whitening transform of total covariance matrix

%caution: the eigenvalues are initially in increasing order 注意:

特征值最初是递增的

[Ut Dt] = eig(covTotal);

eigenvalues = diag(Dt);

[eigenvalues egIndex] = sort(eigenvalues, 'descend');

Ut = Ut(:,egIndex);

P = diag(sqrt(1./eigenvalues)) * Ut';
%transforming covariance matrix of first class using P

%用 P 变换第一类协方差矩阵

transformedCov1 = P * covMatrices{1} * P';

%EVD of the transformed covariance matrix 变换协方差矩阵的

EVD

[U1 D1] = eig(transformedCov1);

eigenvalues = diag(D1);

[eigenvalues egIndex] = sort(eigenvalues, 'descend');

U1 = U1(:, egIndex);

CSPMatrix = U1' * P;

function features = extractCSP(EEGSignals, CSPMatrix,

nbFilterPairs)

%extract features from an EEG data set using the Common

Spatial Patterns (CSP) algorithm

%Input:

%EEGSignals: the EEGSignals from which extracting the CSP

features. These signals

%are a structure such that:

% EEGSignals.x: the EEG signals as a [Ns * Nc * Nt] Matrix

where

% Ns: number of EEG samples per trial

% Nc: number of channels (EEG electrodes)

% nT: number of trials

% EEGSignals.y: a [1 * Nt] vector containing the class labels for

each trial

% EEGSignals.s: the sampling frequency (in Hz)

%CSPMatrix: the CSP projection matrix, learnt previously (see

function learnCSP)

%nbFilterPairs: number of pairs of CSP filters to be used. The

number of

% features extracted will be twice the value of this parameter.

The

% filters selected are the one corresponding to the lowest and

highest
% eigenvalues

%Output:

%features: the features extracted from this EEG data set

% as a [Nt * (nbFilterPairs*2 + 1)] matrix, with the class labels

as the

% last column

%initializations

nbTrials = size(EEGSignals.x,3);

features = zeros(nbTrials, 2*nbFilterPairs+1);

Filter = CSPMatrix([1:nbFilterPairs (end-nbFilterPairs+1):end],:);

%extracting the CSP features from each trial

for t=1:nbTrials

%projecting the data onto the CSP filters

projectedTrial = Filter * EEGSignals.x(:,:,t)';

%generating the features as the log variance of the

projectedsignals

variances = var(projectedTrial,0,2);

for f=1:length(variances)

features(t,f) = log(1+variances(f));

end
end

% Extract Common Spatial Pattern (CSP) Feature

close all; clear; clc;

load dataset_BCIcomp1.mat

EEGSignals.x=x_train;
EEGSignals.y=y_train;
Y=y_train;

classLabels = unique(EEGSignals.y);
CSPMatrix = learnCSP(EEGSignals,classLabels);
nbFilterPairs = 1;

X = extractCSP(EEGSignals, CSPMatrix, nbFilterPairs);

EEGSignals.x=x_test;
T = extractCSP(EEGSignals, CSPMatrix, nbFilterPairs);

save dataCSP.mat X Y T
color_L = [0 102 255] ./ 255;
color_R = [255, 0, 102] ./ 255;

pos = find(Y==1);
plot(X(pos,1),X(pos,2),'x','Color',color_L,'LineWidth',2);

hold on
pos = find(Y==2);
plot(X(pos,1),X(pos,2),'o','Color',color_R,'LineWidth',2);

legend('Left Hand','Right Hand')

xlabel('C3','fontweight','bold')
ylabel('C4','fontweight','bold')

%%主函数(main):

clc;clear;

%% 读取数据并对数据预处理

Subjects = 9; %被试数
Fs = 250; %采样率
windowLength = 4; %单次采样时间
chanSelect = [8,10,12]; %通道选择 c3,c4,cz
totalFlt = [4 40]; %总的滤波频段选择

load rawdata1.mat
[Data_train,label_train] =
preProccess(Fs,windowLength,EEG,chanSelect,totalFlt);
%preProccess 执行数据提取、分段、滤波处理

load rawdata2.mat
[Data_test,label_test] =
preProccess(Fs,windowLength,EEG,chanSelect,totalFlt);

%% CSP 特征提取

EEGSignals.x = Data_train;
EEGSignals.y = label_train;
Y = label_train;

classLabels = unique(EEGSignals.y);
CSPMatrix = learnCSP(EEGSignals,classLabels);
nbFilterPairs = 1;
X = extractCSP(EEGSignals, CSPMatrix, nbFilterPairs);

EEGSignals_test.x=Data_test;
EEGSignals_test.y=label_test;
T = extractCSP(EEGSignals_test, CSPMatrix, nbFilterPairs);

save dataCSP.mat X Y T

color_L = [0 102 255] ./ 255;

color_R = [255, 0, 102] ./ 255;

pos = find(Y==1);
plot(X(pos,1),X(pos,2),'x','Color',color_L,'LineWidth',2);

hold on
pos = find(Y==2);
plot(X(pos,1),X(pos,2),'o','Color',color_R,'LineWidth',2);

legend('Left Hand','Right Hand')

xlabel('C3','fontweight','bold')
ylabel('C4','fontweight','bold')
%%CSP 算法：

function CSPMatrix = learnCSP(EEGSignals,classLabels)

%
%Input:
%EEGSignals: the training EEG signals, composed of 2 classes.
These signals
%are a structure such that:
% EEGSignals.x: the EEG signals as a [Ns * Nc * Nt] Matrix
where
% Ns: number of EEG samples per trial
% Nc: number of channels (EEG electrodes)
% nT: number of trials
% EEGSignals.y: a [1 * Nt] vector containing the class labels for
each trial
% EEGSignals.s: the sampling frequency (in Hz)
%
%Output:
%CSPMatrix: the learnt CSP filters (a [Nc*Nc] matrix with the
filters as rows)
%
%See also: extractCSPFeatures

%check and initializations

nbChannels = size(EEGSignals.x,2);
nbTrials = size(EEGSignals.x,3);
nbClasses = length(classLabels);

if nbClasses ~= 2
disp('ERROR! CSP can only be used for two classes');
return;
end

covMatrices = cell(nbClasses,1); %the covariance matrices for

each class

%% Computing the normalized covariance matrices for each

trial
trialCov = zeros(nbChannels,nbChannels,nbTrials);
for t=1:nbTrials
E = EEGSignals.x(:,:,t)'; %note the transpose
EE = E * E';
trialCov(:,:,t) = EE ./ trace(EE);
end
clear E;
clear EE;

%computing the covariance matrix for each class

for c=1:nbClasses
covMatrices{c} = mean(trialCov(:,:,EEGSignals.y ==
classLabels(c)),3); %EEGSignals.y==classLabels(c) returns the
indeces corresponding to the class labels
end

%the total covariance matrix

covTotal = covMatrices{1} + covMatrices{2};

%whitening transform of total covariance matrix

[Ut Dt] = eig(covTotal); %caution: the eigenvalues are initially in
increasing order
eigenvalues = diag(Dt);
[eigenvalues egIndex] = sort(eigenvalues, 'descend');
Ut = Ut(:,egIndex);
P = diag(sqrt(1./eigenvalues)) * Ut';
%transforming covariance matrix of first class using P
transformedCov1 = P * covMatrices{1} * P';

%EVD of the transformed covariance matrix

[U1 D1] = eig(transformedCov1);
eigenvalues = diag(D1);
[eigenvalues egIndex] = sort(eigenvalues, 'descend');
U1 = U1(:, egIndex);
CSPMatrix = U1' * P;
脑电数据 1 预处理
加载数据

绘制 2D 图

此时图像
重参考（平均参考）

滤波（0.5-45）
此时图像

跑 ica
去眼电
此时图像

分段 2 8 分段
叠加平均看 PZ，在 300 处

时频分析 看通道 17 的
横轴时间 纵轴频率

绘制 ERP 图像
脑电数据 2 预处理分析
加载数据

该数据集包含 154 个事件，共有两种类

型该实验中，有两种类型的事件"square" 和"rt"。“square“事件对应的是显显示器中绿色正
方形的外观，"rt"对应于受试者的反映时间的事件
1 数据预览
电压刻度调整至 50 微伏滚动时间窗口为 10s

调整通道数为 16 -----------------------------------------

\\
绘制脑电头皮图可视化通道位置（显示通道名 显示通道号）
绘制通道光谱图（采样 15%和 100%的效果图）

绘制所选通道的头皮位置（通道 1）
\\
滤波（下边缘频率 10hz，上边缘频率 50hz）

重新参考数据操作（平均参考）

选用平均参考
重参考及滤波后的图

提取数据 epoch
提取数据 epoch 移除基线值

在头皮图单轴绘制 ERP 数据

默认绘制 ERP 方差最大时刻的地形图，

本图在 289ms
在地形矩阵中绘制 ERP 轨迹
绘制一些列的 2D ERP scalp maps（输入需要的 epoch 延迟）

输入所需的延迟 0：100：500

绘制一些列的 3D ERP scalp maps

\\
选择 epoch 并绘制数据平均值
创建两种两种时间段，一半的目标刺激呈现在位置 1，另一半的目标刺激呈现在位置 2
4 5 指的是输入数据集的索引
绘制 ERP 图像（输入通道 27，输入 smoothing（平滑） 1 表示在临近的 epochs 进行平滑绘
图的时候，所取的值）

图中最上面的为电极的头皮位置，中间部分为 ERP 图，下面部分为电极的 ERP.

绘制平滑的 ERP（平滑宽度设置为 10）
对 ERP image 的 trial 进行排序
eeglab 默认按照 trial 在实验过程中出现的顺序排列。在 pop_erpimage.m 界面上点击 Epoch-
sorting field 按钮并选择 Latency，点击 Event type 选择 rt。并在 Event time range 输入-200
800 ms
在 pop_erpimage.m 界面上点击 Epoch-sorting field 按钮并选择 Latency，点击 Event type 选择
rt。并在 Event time range 输入-200 800 ms。Align 设置为 inf

\\
在 ERP 中按 Phase Value 对 Trials 进行排序
eeglab 默认按照 trial 在实验过程中出现的顺序排列。在 pop_erpimage.m 界面上，清除
Epoch-sorting field、Event type、Align 和 Event time range。在 Sort trials by phase section 中
Frequency 中输入 10(Hz),在 Window Center 输入 0
在 ERP 中按 Phase Value 对 Trials 进行排序
输入如下参数
上图的最上方子图的 ERP image。倒数第二个子图是 ERSP（Event Related Spectral Power），
表示的是功率的平均变化（单位为 dB）。在这个子图中，曲线没有超出蓝色区域，表示在
选择的频率 10.13Hz（见右下角）相对基线水平（25.93dB），功率没有显著变化。最下方
的子图的 ITC。它表示的相对刺激呈现而言，相位同步化的程度。10.13Hz 表示选择分析的
频段。可以看出在 300Hz 附近相位同步化显著增强

Eeglab 默认按照 trial 在实验过程中出现的顺序排列

\\
ICA 分解数据
Run ica
绘制 2-D Component Scalp Maps（绘制 1：12 个独立成分）

绘制 Component headplots（1：12）
学习和删除 ICA 组件

绘制 component spectra and maps

估计独立成分的贡献，假设考察 27 号
绘制独立成分 ERPs

\\
绘制独立成分 ERP 贡献

上图中黑色包络线是各个时间点的所有 channel 的最大值和最小值，彩线是各个独立成分

的的 ERP。如果只想要了解对 200-500ms 数据 ERP 贡献最大的独立成分，可进行下列操作
绘制 Component ERP-image
\\
Decomposing channel data
为了检测 ERSP(event-related spectral perturbation)和 ITC(inter-trial coherence
得到的结果分为两个子图，上方是 ERSP 子图，下方是 ITC 子图。
ERSP 子图：该子图左方的 panel 是基线的平均功率谱，而各个时间点的 ERSP 包络线。而
top image 是相对基线，每个时间点、每个频率的频谱功率改变(event-related changes in
spectral power (from pre-stimulus baseline) at each time during the epoch and at each frequency
(< 50 Hz))。
ITC 子图：A significant ITC indicates that the EEG activity at a given time and frequency in single
trials becomes phase-locked (not phase-random with respect to the time-locking experimental
event).

Computing component time/frequency transforms

由于各个独立成分更可能直接反应大脑的 EEG source,因此这里将对独立成分进行时频分解。
这步操作选择 FFT，是因为相对 wavelets 而言，选择 FFT 可以计算更低的频率。

数据 3 预处理
加载数据
电极定位

重参考（双侧乳突）FCZ 作为参考

滤波（0.1-30）
插值坏导（FP1)
没降采样率

跑 ICA 后（去毛刺）

去伪迹（手动）
数据 3 数据分析
创建事件清单

Assign.bin
ERP 分段（-200 800）与基线校正
ERPLAB 去伪迹
计算平均波幅

计算峰值