EEGOpt:一个性能高效的贝叶斯优化框架,用于自动化EEG信号分类

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:

• 精确的脑电图 (EEG) 信号分类需要信号处理,特征提取和分类方法的最佳组合.
• 鉴定各种EEG应用的最佳方法是一个重大挑战,因为缺乏通用方法.

研究的目的:

• 提出EEGOpt,这是一个贝叶斯优化框架,用于自动化和优化EEG信号处理和分类中的方法选择.
• 提高EEG数据分析的准确性和效率,用于各种应用.

主要方法:

• 利用树结构的帕森估计器 (TPE) 来优化排斥 (实证模式分解,波形包分解),特征提取 (时空,非线性,光谱) 和分类器选择.
• 实现了模块化缓存机制,以减少优化过程中的冗余计算.
• 在三个数据集上评估了EEGOpt,与深度学习模型 (EEGNet,ShallowConvNet,DeepConvNet) 进行比较,并将TPE与其他采样方法进行比较.

主要成果:

• 实现了99.63%的最大分类准确度,显著优于深度学习模型 (EEGNet: 96.20%,ShallowConvNet: 90.83%,DeepConvNet: 90.29%).
• 缓存机制将计算时间减少了74.69% (与没有缓存相比) 和95% (与深度学习模型相比).
• 确定了基于音乐的EEG分类的最佳参数:共变性和波段特征,k-最近邻近分类器和波段包分解 (WPD) 无声化.

结论:

• EEGOpt为自动化EEG分析提供了一个可扩展,可解释的框架.
• 该框架将信号处理和分类策略适应特定的EEG数据集.
• EEGOpt是促进神经科学研究,诊断和脑机接口开发的宝贵工具.