基于多域特征融合和优化多核极端学习机器的EEG信号识别方法

科学领域:

• 神经科学是一个神经科学.
• 机器学习 机器学习
• 信号处理 信号处理

背景情况:

• 现有的多类运动图像识别方法受限于特征提取和低分类准确度.
• 有效的特征提取和强大的分类对于推进脑计算机接口 (BCI) 系统至关重要.

研究的目的:

• 开发一种改进的脑电图 (EEG) 信号识别方法,用于多类运动图像.
• 通过先进的功能工程和机器学习,提高BCI应用中的分类准确性和效率.

主要方法:

• 使用改进的综合组合实证模式分解 (ICEEMD) 和皮尔森相关系数进行EEG信号预处理.
• 多域特征提取 (时间,频率,空间) 使用多变量自回归 (MVAR) 模型,波束包分解和里曼的几何.
• 通过内核主要组件分析 (KPCA) 进行特征融合和维度缩小.
• 使用Radius内置的多核极端学习机器 (RIO-MKELM) 进行分类.

主要成果:

• 提出的方法有效地融合了多域特征,改善了特征选择和保留关键信息.
• 获得了95.49%的高分类准确度,灵敏度为97.88%,特异性为98.12%,召回率为97.88%,F1评分为96.67%.
• 与运动图像识别中的现有方法相比,证明了更高的性能.

结论:

• 多域特征融合与优化的RIO-MKELM相结合,显著提高了EEG信号识别.
• 开发的方法为实用和有效的脑电脑接口 (BCI) 系统开发提供了一个有希望的方法.
• 这项研究有助于克服当前BCI技术的局限性,为更复杂的应用铺平道路.