基于动态组件分析和主成分分析的脑电信号间期放电的降维方法、持久同调和机器学习
信号处理
2025-02-19 v1
摘要
识别医疗数据中的特定事件需要受训的人员。为了辅助分类，可以应用机器学习算法。在此背景下，医学记录通常是高维的，尽管也可以使用更低的维度来反映信号的动态。本研究调查了具有间期放电（IEDs）的脑电图数据。首先，使用动态组件分析（DyCA）和主成分分析（PCA）分别进行维度降低。对降低后的数据进行拓扑数据分析（TDA），具体使用持久同调算法。持久同调结果用于生成针对性特征。所生成的特征用于训练和评估支持向量机（SVM）以区分IEDs与背景活动。
引用
@article{arxiv.2502.12814,
title = {Dimension reduction methods, persistent homology and machine learning for EEG signal analysis of Interictal Epileptic Discharges},
author = {Annika Stiehl and Stefan Geißelsöder and Nicole Ille and Fabienne Anselstetter and Harald Bornfleth and Christian Uhl},
journal= {arXiv preprint arXiv:2502.12814},
year = {2025}
}