方法
每個頻帶先 band-pass 後計算 trial covariance，並以 trace normalization 平均成 left/right class covariance；covariance 使用 0.10 shrinkage regularization 以降低 32 通道 CSP 的極端過擬合。CSP 特徵值 λ 介於 0~1，λ 越接近 1 表示該 component 較偏 left trial 變異，越接近 0 表示較偏 right trial 變異；本頁挑選 |λ-0.5| 最大的 component。中風患者排除 pat5。
差異最大 CSP 空間組合
圖上顯示的是被選中 CSP filter 對應的 spatial pattern，較適合用腦拓圖解讀；實際 filter weights 另存於 CSV。
選中 component 摘要
| 組別 | 頻帶 | component | λ | |λ-0.5| | 偏向 | Left trials | Right trials |
|---|---|---|---|---|---|---|---|
| 正常人 | mu/alpha 8-13 Hz | CSP#1 | 0.5354 | 0.0354 | Left | 1001 | 1003 |
| 正常人 | low beta 13-20 Hz | CSP#32 | 0.4576 | 0.0424 | Right | 1001 | 1003 |
| 正常人 | high beta 20-30 Hz | CSP#32 | 0.4672 | 0.0328 | Right | 1001 | 1003 |
| 中風患者 | mu/alpha 8-13 Hz | CSP#32 | 0.4072 | 0.0928 | Right | 375 | 394 |
| 中風患者 | low beta 13-20 Hz | CSP#1 | 0.5469 | 0.0469 | Left | 375 | 394 |
| 中風患者 | high beta 20-30 Hz | CSP#1 | 0.5608 | 0.0608 | Left | 375 | 394 |
輸出檔
| CSP components CSV | csp_left_right_components.csv |
|---|---|
| 分析設定 | csp_left_right_summary.json |