EEG 分类任务中几何特征在下采样下的性能
机器学习
2021-02-16 v1 代数拓扑
摘要
我们通过实验研究一组特征工程流水线，将其与 CNN 结合用于从 Bonn 数据集的脑电（EEG）时间序列分类眼开或眼闭。利用 Takens 嵌入——一种时间序列的几何表示——我们从 EEG 数据构造单纯复形。然后我们将 Betti 数的 -序列与图谱的 -序列（一种新构造）——这些复形潜在几何的两个拓扑不变量——与 EEG 原始时间序列比较，以填补文献中基准测试的空白。这些受拓扑数据分析启发的方法用于特征工程以捕获时间序列的局部几何。此外，我们测试这些特征流水线对下采样与数据缩减的鲁棒性。本文旨在为通过几何特征进行时间序列分类，以及用于时间序列的 CNN 如何响应分辨率退化数据建立更清晰的预期。
引用
@article{arxiv.2102.07669,
title = {Geometric feature performance under downsampling for EEG classification tasks},
author = {Bryan Bischof and Eric Bunch},
journal= {arXiv preprint arXiv:2102.07669},
year = {2021}
}
备注
10 pages