基于遗传算法频域特征搜索的癫痫脑电多分类有效可扩展特征提取方法
机器学习
2017-01-24 v1 信息论
math.IT
机器学习
摘要
本文提出一种基于遗传算法的频域特征搜索(GAFDS)方法用于癫痫脑电(EEG)分析。该方法首先搜索频域特征，然后与非线性特征结合。随后，对这些特征进行选择和优化以分类EEG信号。提取的特征通过实验进行分析。GAFDS提取的特征表现出显著的独立性，并且在类间距离与类内距离之比方面优于非线性特征。此外，所提出的特征搜索方法还可以在希尔伯特变换后额外搜索信号中瞬时频率的特征。使用这些特征获得的分类结果合理，因此GAFDS表现出良好的可扩展性。多个经典分类器(即 -nearest neighbor、linear discriminant analysis、decision tree、AdaBoost、multilayer perceptron 以及 Na"ive Bayes)通过使用GAFDS方法生成并经优化选择的特征取得了良好结果。具体而言，二分类和三分类问题的准确率分别可达99%和97%。若干交叉验证实验的结果表明，GAFDS在EEG分类的特征提取中是有效的。因此，所提出的特征选择与优化模型能够提高分类准确率。
引用
@article{arxiv.1701.06120,
title = {Effective and Extensible Feature Extraction Method Using Genetic Algorithm-Based Frequency-Domain Feature Search for Epileptic EEG Multi-classification},
author = {Tingxi Wen and Zhongnan Zhang},
journal= {arXiv preprint arXiv:1701.06120},
year = {2017}
}
备注
17 pages, 9 figures