EEG movimiento brazo

Queremos predecir los puntos objetivo en el movimiento del brazo a partir de la señal EEG de un sujeto. Para ello llevaremos a cabo el siguiente proceso:
Tomemos como ejemplo el Sujeto 1. Éste se compone de 196 trials con 28 canales y cada trial con un número de muestras diferente. En primer lugar lo que haremos será tomar los 300ms anteriores al comienzo del movimiento de tal manera que ahoratendremos un Sujeto 1 con 196 trials con 28 canales y con 77 muestras por canal (fs=256 Hz.). A continuación reducimos el problema a 4 targets por lo que sólo nos quedaremos con los trials que se dirigen a los targets que nos interesen. El Sujeto 1 pasa a estar formado por 102 trials (si elegimos los puntos 1,2,5,8) con 28 canales y 77 muestras por canal.
En vez de trabajar con 4 targets haremoslo siguiente. Los separaremos en izquierda-derecha y después en arriba-abajo. De modo que pasaremos todo el código 2 veces con dos problemas de clasificación biclase. ( Tenemos en cuenta que el particionado k-fold sólo se hace la primera vez de modo que los datos de test son siempre los mismos en cada partición y nunca son utilizados para calcular nada. Hay que hacerlo 2 veces porque como veremosa continuación cuando hacemos CSP (Common Spatial Patterns) tenemos que pasarle la matriz de covarianzas de los datos de entrenamiento que van a un label y a otro, y estos label cambian si son izquierda-derecha y arriba-abajo)
Pasamos los datos por un filtro bipolar C3 de manera que restamos el canal C3 a todos los demás canales de cada trial. Con este filtro se mejoran los resultados de algunossujetos y no empeoran los de los demás. Por lo tanto tenemos ahora un sujeto con 102 trials, 27 canales (quitamos el que nos queda a 0 al restar) y 77 muestras. Rectificamos la señal calculando su valor absoluto.
A continuación y para compensar la poca cantidad de datos de los que disponemos, hacemos una partición k-fold de 10 de tal manera que tenemos 10 particiones con datos de entrenamientoy de test que trataremos como si fueran datos conocidos (entrenamiento) y datos nuevos (test). Luego calcularemos la media de los diez conjuntos de datos y de esta manera tendremos un valor más generalizado en el resultado.
Los siguientes pasos se repetirán con cada una de las 10 particiones:
1) Tomamos los datos de entrenamiento y los separamos en trials que van al label 1 y trials que van allabel 2. Con esto calculamos las matrices de covarianzas necesarias para introducir al algoritmo CSP. Este algoritmo nos va a dar como resultado una serie de vectores (spatial patterns) de modo que maximizan la varianza de los datos que van a un label al mismo tiempo que minimizan la de los que van al otro. El número de spatial patterns lo podemos definir (cosa que utilizaremos como comentaré másadelante). Pongamos por ejemplo que hemos decidido que lo mejor es tener 10 vectores. Obtendremos del algoritmo una matriz de 10x27 que multiplicaremos por todos los trials (tanto test como training). El sujeto pasa a estar formado por 102 trials con 10 vectores de 77 muestras cada uno. Estos serán los datos sin ICA con los que obtendremos varias características.

2) Antes de eso haremos losiguiente. Otra vez tomando únicamente los trials de entrenamiento haremos una descomposición ICA. La matriz resultante del algoritmo será aplicada a todos los trials de nuevo. Estos serán nuestros datos con ICA y tendrán el mismo tamaño que los anteriores.

3) Obtendremos información de la señal con 6 técnicas tanto para los datos sin ICA como para los datos con ICA, de modo que tendremo 12conjuntos de features.
3.1) Modelo AR de orden 3
Calculamos los 3 coeficientes del modelo AR de cada uno de los vectores de todos los trials. De modo que tenemos dos conjuntos de features (con ICA y sin ICA) que organizaremos de la siguiente manera. Cada uno de los 3 coeficientes de cada vector del trial 1 los concatenaremos de forma que obtenemos un vector de 27x3 columnas. Eso lo haremos con cada...