基于Kullback-Leibler惩罚的稀疏判别分析用于事件相关电位分类
计算机视觉与模式识别
2016-08-25 v1 机器学习
机器学习
摘要
脑机接口（BCI）是一种仅利用大脑活动（EEG）在人的思维与外部世界之间建立直接通信的系统。基于事件相关电位（ERP）的BCI问题包含一个二分类模式识别任务。线性判别分析（LDA）被广泛用于解决此类分类问题，但当特征数量相对于观测数量较大时，该方法会失效。在本工作中，我们提出了一种惩罚版本的稀疏判别分析（SDA），称为Kullback-Leibler惩罚稀疏判别分析（KLSDA）。该方法继承了SDA的判别性特征选择和分类特性，并通过加入Kullback-Leibler类间差异信息提升了SDA的性能。KLSDA方法被设计为自动选择最优的正则化参数。在两个真实ERP-EEG数据集上的数值实验表明，这一新方法优于标准SDA。
引用
@article{arxiv.1608.06863,
title = {Kullback-Leibler Penalized Sparse Discriminant Analysis for Event-Related Potential Classification},
author = {Victoria Peterson and Hugo Leonardo Rufiner and Ruben Daniel Spies},
journal= {arXiv preprint arXiv:1608.06863},
year = {2016}
}
备注
27 pages, 4 figures