function?[CSP_Train_featureCSP_Test_feature]?=?CSP（x）
EEGSignals?=?x;???%?加載帶通濾波后的腦電數據
%check?and?initializations
%?EEGSignals.x_train=x;
EEG_Channels?=?size（EEGSignals.x_train2）;
EEG_Trials?=?size（EEGSignals.x_train3）;
classLabels?=?unique（EEGSignals.y_train）;%?Return?non-repeating?values
EEG_Classes?=?length（classLabels）;
covMatrix?=?cell（EEG_Classes1）;?%?協方差矩陣
%?Computing?the?normalized?covariance?matrices?for?each?trial
trialCov?=?zeros（EEG_ChannelsEEG_ChannelsEEG_Trials）;
for?i?=?1:EEG_Trials
????E?=?EEGSignals.x_train（::i）‘;
????EE?=?E*E‘;
????trialCov（::i）?=?EE./trace（EE）;??%?計算協方差矩陣
end
clear?E;
clear?EE;
%?計算每一類樣本數據的空間協方差之和
for?i?=?1:EEG_Classes
????covMatrix{i}?=?mean（trialCov（::EEGSignals.y_train?==?classLabels（i））3）;
end
%?計算兩類數據的空間協方差之和
covTotal?=?covMatrix{1}?+?covMatrix{2};
%?計算特征向量和特征矩陣
[UcDt]?=?eig（covTotal）;
%?特征值要降序排列
eigenvalues?=?diag（Dt）;
[eigenvaluesegIndex]?=?sort（eigenvalues?‘descend‘）;%?降序
Ut?=?Uc（:egIndex）;
%?矩陣白化
P?=?diag（sqrt（1./eigenvalues））*Ut‘;
%?矩陣P作用求公共特征向量transformedCov1?
transformedCov1?=?P*covMatrix{1}*P‘;
%計算公共特征向量transformedCov1的特征向量和特征矩陣
[U1D1]?=?eig（transformedCov1）;
eigenvalues?=?diag（D1）;
[eigenvaluesegIndex]?=?sort（eigenvalues?‘descend‘）;%?降序排列
U1?=?U1（:?egIndex）;
%?計算投影矩陣W
CSPMatrix?=?U1‘?*?P;
%?計算特征矩陣
FilterPairs?=?2;???????%?CSP特征選擇參數m????CSP特征為2*m個
features_train?=?zeros（EEG_Trials?2*FilterPairs+1）;
features_test?=?zeros（EEG_Trials?2*FilterPairs+1）;
Filter?=?CSPMatrix（[1:FilterPairs?（end-FilterPairs+1）:end]:）;
%extracting?the?CSP?features?from?each?trial
for?t=1:EEG_Trials????
????%projecting?the?data?onto?the?CSP?filters????
????projectedTrial_train?=?Filter?*?EEGSignals.x_train（::t）‘;????
????projectedTrial_test?=?Filter?*?EEGSignals.x_test（::t）‘;
????%generating?the?features?as?the?log?variance?of?the?projected?signals
????variances_train?=?var（projectedTrial_train02）;??
????variances_test?=?var（projectedTrial_test02）;
????for?f=1:length（variances_train）
????????features_train（tf）?=?log（variances_train（f））;
????????%?features_train（tf）?=?log（variances_train（f）/sum（variances_train））;???%修改后對應公式
????end
????for?f=1:length（variances_test）
????????features_test（tf）?=?log（variances_test（f））;
????????%features_test（tf）?=?log（variances_test（f）/sum（variances_test））;??%?修改后對應公式
????end
end
CSP_Train_feature?=?features_train（:1:4）;
CSP_Test_feature?=?features_test（:1:4）;
%?save（‘CSP_feature.mat‘‘CSP_Train_feature‘‘CSP_Test_feature‘）;

?屬性????????????大小?????日期????時間???名稱
-----------?---------??----------?-----??----

?????文件???????2672??2020-06-07?20:39??基于運動想象腦電信號的多特征融合解碼（Matlab實現代碼）\CSP.m

?????文件????7742184??2002-11-15?16:29??基于運動想象腦電信號的多特征融合解碼（Matlab實現代碼）\dataset_BCIcomp1.mat

?????文件????????336??2015-04-05?21:45??基于運動想象腦電信號的多特征融合解碼（Matlab實現代碼）\labels_data_set_iii.mat

?????文件????????801??2020-06-08?14:08??基于運動想象腦電信號的多特征融合解碼（Matlab實現代碼）\main.m

?????文件???????4740??2020-06-07?21:27??基于運動想象腦電信號的多特征融合解碼（Matlab實現代碼）\trainClassifier.m

?????文件???????4491??2020-06-07?21:24??基于運動想象腦電信號的多特征融合解碼（Matlab實現代碼）\trainClassifier1.m

?????文件???????4491??2020-06-07?21:37??基于運動想象腦電信號的多特征融合解碼（Matlab實現代碼）\trainClassifier2.m

?????文件????????765??2020-06-07?19:39??基于運動想象腦電信號的多特征融合解碼（Matlab實現代碼）\wavelet_energy_spectrum.m

?????文件???????1558??2020-06-07?19:36??基于運動想象腦電信號的多特征融合解碼（Matlab實現代碼）\wavelet_packetdecomposition_reconstruct.m

?????文件???????1326??2020-06-07?21:35??基于運動想象腦電信號的多特征融合解碼（Matlab實現代碼）\XB.m

?????目錄??????????0??2020-06-24?08:28??基于運動想象腦電信號的多特征融合解碼（Matlab實現代碼）

-----------?---------??----------?-----??----

??????????????7763364????????????????????11