基于连续向量函数 $\epsilon$-复杂度的多通道脑电图记录二分类
应用统计
2016-10-07 v1 机器学习
摘要
我们提出了一种对不同心理状态所对应的脑电图（EEG）记录进行二分类的方法。这种无模型方法基于我们关于连续函数 -复杂度的理论，该理论在此被扩展（见附录）至向量函数的情形。这一扩展使我们能够处理多通道脑电图记录。该方法的本质是利用 -复杂度系数作为特征，对代表不同心理状态类型脑电图记录的不同类型向量函数进行分类（使用众所周知的分类器）。我们将该方法应用于与一组健康青少年和一组患有精神分裂症的青少年相关的多通道脑电图记录分类问题。我们发现，该方法能够在 -复杂度系数的四维特征空间中实现对数据的准确分类。
引用
@article{arxiv.1610.01633,
title = {Binary classification of multi-channel EEG records based on the $\epsilon$-complexity of continuous vector functions},
author = {Boris Darkhovsky and Alexandra Piryatinska and Alexander Kaplan},
journal= {arXiv preprint arXiv:1610.01633},
year = {2016}
}
备注
14 pages, 2 figures