改进特征选择用于慢性膝痛静息态原始 EEG 信号分类的提升
机器学习
2024-12-13 v2
摘要
\textit{目的：} 研究与临床实践中的疼痛诊断仍依赖自我报告。本研究旨在开发一种基于静息态原始 EEG 数据自动预测慢性膝痛的方法。\textit{方法：} 提出一种称为“改进顺序浮动前向选择”（mSFFS）的新特征选择算法。该改进特征选择方案能更好避免局部极小并探索替代搜索路径。\textit{结果：} mSFFS 所得特征选择由 Bhattacharyya 距离度量显示出更好的类可分性以及更好的可视化结果。其亦优于其他基准方法生成的选征，将测试准确率提升至 97.5\%。\textit{结论：} 改进特征选择搜寻出紧凑而有效的连接特征子集，在慢性膝痛预测上产生具竞争力的性能。\textit{意义：} 我们已表明可采用自动方法找到紧凑连接特征集，从 EEG 有效预测慢性膝痛。这或可为慢性痛研究提供启发，并导向未来诊断与治疗的临床方案。
引用
@article{arxiv.2306.15194,
title = {Modified Feature Selection for Improved Classification of Resting-State Raw EEG Signals in Chronic Knee Pain},
author = {Jean Li and Dirk De Ridder and Divya Adhia and Matthew Hall and Jeremiah D. Deng},
journal= {arXiv preprint arXiv:2306.15194},
year = {2024}
}
备注
9 pages, 4 figures; accepted by IEEE Transactions on Biomedical Engineering