一种协同方法,用于增强眼检测,使用波形分析,自动编码和Crow-Search优化的k-NN算法
M Chandralekha1, N Priyadharshini Jayadurga2, Thomas M Chen3
1Department of Computer Science and Engineering, Amrita School of Computing, Amrita Vishwa Vidyapeetham, Chennai, India.
Scientific reports
|April 8, 2025
概括
本研究提出了一种优化的方法,用于检测电脑图 (EEG) 信号中的眼,使用波纹分析,自动编码和 Crow Search 算法调整的 k-Nearest Neighbors 模型. 这种方法显著优于基于EEG的眼探测深度学习方法.
科学领域:
- 神经科学和生物医学工程
- 信号处理和机器学习
背景情况:
- 从脑电图 (EEG) 信号中检测眼是各种应用的关键,包括脑电脑接口和神经障碍分析.
- 现有的方法经常与信号噪声作斗争,需要复杂的特征提取和模型优化.
研究的目的:
- 从EEG信号开发出一套强大而高性能的眼检测系统.
- 通过整合先进的信号处理和优化技术来增强传统的机器学习方法.
- 将拟议方法的有效性与基于EEG的眼探测深度学习模型进行比较.
主要方法:
- 使用动来增强数据稳定性的EEG信号预处理.
- 通过波形变换提取特征,以捕获时间频率组件.
- 使用自动编码器进行尺寸缩小和特征蒸.
- 通过Crow Search Algorithm (CSA) 对k-Nearest Neighbors (k-NN) 分类器进行超参数优化.
主要成果:
- 与深度学习模型相比,开发的系统在眼检测方面取得了卓越的性能.
- 群众搜索算法有效地优化了k-NN模型的超参数,平衡了探索和利用.
- 优化的传统机器学习方法在数据集的深度学习方法上显示了大约96%的优势.
结论:
- 拟议的同化方法提供了从EEG信号中检测眼的最佳方法.
- 优化的传统机器学习模型,当与适当的功能工程相结合时,可以在基于EEG的应用中超越深度学习模型.
- 这项研究促进了EEG信号处理和优化在各种神经应用中的进步.
