评估基于SVM的EEG数据解码空间PCA的有效性
Guanghui Zhang1, Carlos D Carrasco2, Kurt Winsler2
1Research Center of Brain and Cognitive Neuroscience, Liaoning Normal University, Dalian, Liaoning, 116029, China; Key Laboratory of Brain and Cognitive Neuroscience, Liaoning Province, Dalian, 116029, China; Center for Mind and Brain, University of California-Davis, Davis, CA, 95618, USA.
NeuroImage
|May 4, 2024
概括
主要组件分析 (PCA) 不能始终提高电脑电图 (EEG) 解码精度,而且往往会降低它. 研究人员在解码EEG数据之前应用PCA时应谨慎.
科学领域:
- 神经科学是一个神经科学.
- 计算神经科学是一种神经科学.
- 在神经科学中的机器学习
背景情况:
- 主要组件分析 (PCA) 经常用于电脑学 (EEG) 研究中的缩小维度.
- 它的应用旨在提高多变量模式分类 (解码) 的准确性.
研究的目的:
- 评估各种PCA方法对EEG解码精度的有效性.
- 评估PCA在各种实验范式和数据集中的影响.
主要方法:
- 评估基于组和基于主体的PCA,有或没有Varimax轮换.
- 为分析保留的主要组件 (PC) 的数量有所变化.
- 在各种EEG数据集上使用支持向量机 (SVM) 测试解码精度.
主要成果:
- 与没有PCA相比,没有PCA方法始终提高了解码精度.
- 应用PCA经常导致解码性能下降.
- 根据不同的事件相关潜力和复杂的解码任务,有效性各不相同.
结论:
- 在EEG解码之前使用PCA来减小维度时,建议谨慎使用.
- 在类似的实验设置中,PCA可能没有好处,并且可能会阻碍解码精度.
- 这些发现建议重新评估PCA在EEG解码管道中的常规应用.
