在EEG信号的张量分解中进行监督因素选择.
Stanisław Zakrzewski1, Bartłomiej Stasiak1, Adam Wojciechowski1
1Institute of Information Technology, Lodz University of Technology, al. Politechniki 8, Lodz, 93-590, Poland.
Computer methods and programs in biomedicine
|June 8, 2025
概括
这项研究引入了一种用于脑电图 (EEG) 数据分类的新型张量分解方法. 该方法提高了运动图像分类的准确性,并通过统计分析EEG信号组件提供可解释的结果.
科学领域:
- 多维数据分析数据分析.
- 生物医学信号处理
- 神经科学是一个神经科学.
背景情况:
- 张量分解对于分析复杂数据,包括脑电图 (EEG) 信号是有价值的.
- 对EEG分类的监督培训受到标准张量因子算法的无监督性质的阻碍.
研究的目的:
- 开发一种基于EEG的运动图像分类的监督学习方法,使用张量分解.
- 为了解决大脑-计算机接口应用中无监督张量分解的局限性.
主要方法:
- 应用并行因素分析 (PARAFAC) 对EEG数据进行运动图像分类.
- 利用PARAFAC因子的统计分析来识别相关的信号组件.
- 开发了一种基于等号相似性的新型得分函数,用于在张量分解中进行最佳排名选择.
主要成果:
- 显著提高了对具有适当EEG信号长度的高性能受试者进行分类的准确性.
- 展示了对重要组件的热图可视化,用于解释与事件相关的同步/脱同步.
- 降低了输入空间维度,同时保持了高精度.
结论:
- 拟议的方法有效地将张量分解与统计分析相结合,用于准确和可解释的EEG分类.
- 这种方法为需要高维EEG数据分析的脑电脑接口提供了有前途的解决方案.
- 该方法提高了可解释性,并减少了计算复杂性.
