对基于EEG的情绪状态分类的维度减少技术的比较分析
Seyed-Ali Sadegh-Zadeh1, Nasrin Sadeghzadeh2, Ommolbanin Soleimani3
1Department of Computing, University of Staffordshire Stoke-on-Trent, United Kingdom.
American journal of neurodegenerative disease
|November 25, 2024
概括
像主要组件分析 (PCA) 这样的尺寸缩小技术可以提高脑电图 (EEG) 数据分类的准确性和效率. 这些方法可以在不影响性能的情况下降低计算负载.
科学领域:
- 神经科学是一个神经科学.
- 机器学习 机器学习
- 数据科学数据科学数据科学
背景情况:
- 脑电图 (EEG) 数据分析由于高维度而带来挑战.
- 在实时应用中,对EEG信号的有效分类至关重要.
- 特性选择和维度减少是优化EEG数据处理的关键.
研究的目的:
- 评估尺寸缩小方法对EEG分类的影响.
- 为了比较主要成分分析 (PCA),拉普拉斯分数和千平方特征选择.
- 评估准确性和计算效率之间的权衡.
主要方法:
- 在EEG数据集中应用PCA,拉普拉斯分数和Chi-square特征选择.
- 使用线性回归,K-最接近邻居 (KNN) 和天真贝叶斯分类器.
- 基于分类准确性和计算性能进行评估的模型.
主要成果:
- 所有经过测试的缩小尺寸的技术都改善或保持了分类准确性.
- PCA和Autofeat显著提高了模型的准确性.
- 计算负载在各种方法中显著减少.
结论:
- 减小尺寸可以通过提高效率而提高EEG分类,而不会影响准确度.
- 这些技术适用于要求速度和精度的应用.
- 该研究为优化EEG数据分析管道提供了一个框架.
