使用各种策略和机器学习组合融合模型用于EEG分类
Sunil Kumar Prabhakar1, Jae Jun Lee2, Dong-Ok Won1
1Department of Artificial Intelligence Convergence, Hallym University, Chuncheon 24252, Republic of Korea.
Bioengineering (Basel, Switzerland)
|October 25, 2024
概括
本研究介绍了五种集体模型,用于分类脑电图 (EEG) 信号,主要用于的检测. 最好的模型使用ESCD特征选择和SVM分类器实现了89.98%的准确性.
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
- 计算机科学 计算机科学
背景情况:
- 电脑电图 (EEG) 是一种低成本的评估大脑电活动的方法.
- 对EEG信号的准确分类对于诊断等神经系统疾病至关重要.
- 机器学习和深度学习提供自动化的EEG信号分类.
研究的目的:
- 为自动化EEG信号分类提出和评估五种新型组合模型.
- 确定最有效的诊断神经系统疾病的模型,重点是.
主要方法:
- 开发了五种不同的组合模型,包括ESCD特征选择,无限独立组件分析 (I-ICA),遗传算法 (GA),希尔伯特黄转换 (HHT) 和因子分析等技术.
- 在集成框架内使用支向量机 (SVM) 和K-最近邻近 (KNN) 分类器.
- 对EEG信号分类的模型性能进行比较分析.
主要成果:
- 拟议的组合混合模型结合了等距离评估,排名确定,ESCD特征选择和SVM分类,实现了最高的准确性.
- 这种领先的模型显示了EEG信号的分类准确率为89.98%.
结论:
- 整体建模方法显著提高了EEG信号分类的准确性.
- 开发的基于ESCD的特征选择技术与SVM相结合,为通过EEG自动检测提供了一个有前途的方法.
