功率谱技术结合特征选择技术在无创脑机接口有效心理任务分类中的效用研究
人机交互
2021-11-17 v1 机器学习
信号处理
神经元与认知
摘要
本文研究基于心理任务的脑机接口（BCI）分类，因其在 BCI 研究中占据主导且极具价值——此类系统可改善重度残疾人士的生活。BCI 模型的性能主要取决于通过多通道获取的特征向量规模。在心理任务分类中，训练样本相对特征而言极少。常借助特征选择剔除无关与冗余特征以提升该比值。本文提出一种为心理任务分类选取相关且非冗余谱特征的方法，采用四种知名多元特征选择方法，即巴塔查里亚距离、散度矩阵比、线性回归与最小冗余最大相关。本文还对比分析了多元与单变量特征选择用于心理任务分类的差异。应用上述方法后，结果表明学习模型在心理任务分类上的性能显著提升。此外，通过鲁棒排序算法与 Friedman 统计检验以确定最佳组合并比较功率谱密度与特征选择方法的不同组合，证实了所提方法的有效性。
引用
@article{arxiv.2111.08154,
title = {On the utility of power spectral techniques with feature selection techniques for effective mental task classification in noninvasive BCI},
author = {Akshansh Gupta and Ramesh Kumar Agrawal and Jyoti Singh Kirar and Javier Andreu-Perez and Wei-Ping Ding and Chin-Teng Lin and Mukesh Prasad},
journal= {arXiv preprint arXiv:2111.08154},
year = {2021}
}