优化数据预处理方法,用于对脑电图数据进行时间序列分类

科学领域:

• 神经科学是一个神经科学.
• 生物医学工程 生物医学工程
• 信号处理 信号处理

背景情况:

• 脑电图 (EEG) 数据性能的时间序列分类因实验范式和个体差异而有很大差异.
• 任务依赖的神经处理和主体间的变化是影响EEG分类准确性的关键因素.
• 数据预处理技术对缓解EEG分析中这些挑战的影响未得到充分研究.

研究的目的:

• 分析空间波器优化和非线性数据转换对EEG时间序列分类性能的影响.
• 为了研究这些效应,使用高频体感觉唤起的反应作为模型范式.
• 评估预处理在克服EEG数据中信号噪声比较低的挑战方面的有效性.

主要方法:

• 空间过器优化和非线性数据转换技术的分析.
• 利用高频体感官唤起的反应,这是一个信号与噪声比率非常低的范式.
• 采用机器学习模型,包括极端学习机器,随机森林和物流回归来对预处理管道进行基准测试.

主要成果:

• 在EEG分类中,个体信号与噪声比为受试者之间的性能差异贡献了高达74%.
• 数据预处理技术显示,平均时间序列分类性能有所提高.
• 预处理无法完全弥补受试者之间固有的信号噪声比差异.

结论:

• 数据预处理提高了平均EEG分类性能,但并没有消除由信号与噪声比率驱动的学科间变异性.
• 一个拟议的算法为特定数据集和范式的EEG预处理管道的原型设计和基准测试提供了便利.
• 与更简单的模型相比,机器学习模型在随后的EEG分类任务中提供了更高的准确性.