研究MIEEG信号分类算法使用多模型融合策略合的研究.
Wu Quanyu1, Ding Sheng1, Tao Weige1
1From School of Electrical & Information Engineering, Jiangsu University of Technology, Changzhou, Jiangsu, China.
Computer methods in biomechanics and biomedical engineering
|November 20, 2023
概括
这项研究通过融合特征和校准分类器来改进了运动图像 (MI) 和脑电图 (EEG) 识别. 模型融合实现了91.46%的准确性,提高了大脑与计算机接口的性能.
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:
- 精确识别运动图像 (MI) 电脑脑图像 (EEG) 信号对于大脑与计算机接口 (BCI) 的发展至关重要.
- 现有的特征提取和分类方法可能无法完全捕捉MI EEG信号的复杂性.
研究的目的:
- 为了提高MIEEG信号识别的准确性.
- 探索先进的特征提取,选择和分类技术,以提高BCI性能.
主要方法:
- 采用功率光谱密度和波纹包分解,结合共同的空间模式进行深入的特征提取.
- 使用F-测试进行特征选择和Platt Scaling进行六个基本分类器 (RF,SVM,LR,GNB,XGBoost,LightGBM) 的概率校准.
- 在表现最好的分类器上执行模型融合.
主要成果:
- 拟议的方法在第4届国际BCI竞赛的数据集2a上实现了91.46%的平均准确性.
- 特征融合和分类器校准显著提高了MIEEG信号的分类准确性.
结论:
- 模型融合是提高MIEEG信号分类准确性的有效策略.
- 该研究提供了有价值的见解,并为基于MI的BCI系统的未来研究提供了参考.
关键词:
MI EEG EEG EEG EEG EEG EEG EEG EEG EEG EEG EEG EEG EEG EEG EEG EEG EEG EEG EEG EEG EEG EEG EEG EEG EEG EEG EEG EEG EEG EEG EEG EEG EEG EEG EEG EEG EEG EEG MI EEG EEG EEG EEG EEG EEG EEG EEG EEG EEG EEG EEG EEG EEG EEG EEG EEG EEG EEG EEG EEG EEG EEG EEG EEG EEG EEG EEG共同的空间模式 (CSP)模型融合模型融合模型融合模型可能性校准的概率.波形包分解 (WPD) 是指波形包的分解.更多相关视频
11:28Concurrent EEG and Functional MRI Recording and Integration Analysis for Dynamic Cortical Activity Imaging
Published on: June 30, 2018
11.7K
09:57Author Spotlight: Advancing Pediatric Epilepsy Surgery in Children Through Novel Biomarkers and Enhanced Localization
Published on: September 20, 2024
2.7K