论文笔记:Composite Common Spatial Pattern for Subject-to-Subject Transfer
概括
目前大多数CSP算法都是基于单被试数据的协方差矩阵进行特征提取,这忽视了被试间的信息。本文提出了一种新的CSP计算算法,通过线性组合来考虑被试间的关系,实现被试间信息迁移。
方法
CSP方法与部分符号参考原文,此处给出线性组合协方差矩阵的方法,也是文章的核心部分。
首先定义被试k的不同类别c的协方差矩阵
C
c
k
=
1
∣
I
k
∩
I
c
∣
∑
i
∈
(
I
k
∩
I
c
)
X
~
i
X
~
i
⊤
C_{c}^{k}=\frac{1}{\left|\mathcal{I}^{k} \cap \mathcal{I}_{c}\right|} \sum_{i \in\left(\mathcal{I}^{\mathcal{k}} \cap \mathcal{I}_{c}\right)} \tilde{\boldsymbol{X}}_{i} \tilde{\boldsymbol{X}}_{i}^{\top}
Cck=∣Ik∩Ic∣1i∈(Ik∩Ic)∑X~iX~i⊤
其中
I
k
=
{
i
∈
(
I
+
∪
I
−
)
∣
X
~
i
is a trial matrix for subject
k
}
\mathcal{I}^{k}=\left\{i \in\left(\mathcal{I}_{+} \cup \mathcal{I}_{-}\right) \mid \widetilde{\boldsymbol{X}}_{i} \text { is a trial matrix for subject } k\right\}
Ik={i∈(I+∪I−)∣X
i is a trial matrix for subject k},
I
c
I_c
Ic是类别c的索引集,|·|是集合元素数量。
线性组合,
C
~
c
k
=
∑
j
=
1
K
w
j
k
C
c
j
\widetilde{\boldsymbol{C}}_{c}^{k}=\sum_{j=1}^{K} w_{j k} \boldsymbol{C}_{c}^{j}
C
ck=j=1∑KwjkCcj
可见,此时的被试k的协方差是由来自多个被试的协方差矩阵线性组合而成。
文章给出了两种 ω j k \omega_{jk} ωjk的计算方式。
一种不强调用较少试验矩阵计算的协方差矩阵,
C
~
c
k
=
(
1
−
λ
)
∣
I
k
∩
I
c
∣
∣
I
c
∣
C
c
k
+
λ
∑
j
≠
k
∣
I
j
∩
I
c
∣
∣
I
c
∣
C
c
j
\widetilde{\boldsymbol{C}}_{c}^{k}=(1-\lambda) \frac{\left|\mathcal{I}^{k} \cap \mathcal{I}_{c}\right|}{\left|\mathcal{I}_{c}\right|} \boldsymbol{C}_{c}^{k}+\lambda \sum_{j \neq k} \frac{\left|\mathcal{I}^{j} \cap \mathcal{I}_{c}\right|}{\left|\mathcal{I}_{c}\right|} \boldsymbol{C}_{c}^{j}
C
ck=(1−λ)∣Ic∣∣∣Ik∩Ic∣∣Cck+λj=k∑∣Ic∣∣∣Ij∩Ic∣∣Ccj
另一种则强调与所考虑的被试具有相似特征的被试的协方差矩阵,引入KL散度来计算被试间的差异。
K
L
[
p
j
∥
p
k
]
=
1
2
{
log
(
det
C
k
det
C
j
)
+
tr
[
(
C
k
)
−
1
C
j
]
−
D
}
K L\left[p^{j} \| p^{k}\right]=\frac{1}{2}\left\{\log \left(\frac{\operatorname{det} \boldsymbol{C}^{k}}{\operatorname{det} \boldsymbol{C}^{j}}\right)+\operatorname{tr}\left[\left(\boldsymbol{C}^{k}\right)^{-1} \boldsymbol{C}^{j}\right]-D\right\}
KL[pj∥pk]=21{log(detCjdetCk)+tr[(Ck)−1Cj]−D}
C ~ c k = ( 1 − λ ) C c k + λ ∑ j ≠ k a j k C c j \widetilde{C}_{c}^{k}=(1-\lambda) C_{c}^{k}+\lambda \sum_{j \neq k} a_{j k} C_{c}^{j} C ck=(1−λ)Cck+λj=k∑ajkCcj
a j k = 1 Z k ⋅ 1 K L [ p j ∥ p k ] a_{j k}=\frac{1}{Z^{k}} \cdot \frac{1}{K L\left[p^{j} \| p^{k}\right]} ajk=Zk1⋅KL[pj∥pk]1
其中 p j p^j pj是被试j的分布。文中假设其服从均值为0的D维高斯分布。