基于 PCA 与 LDA、QDA 及神经网络的单位点 P300 分类

Nand Sharma

基于 PCA 与 LDA、QDA 及神经网络的单位点 P300 分类

神经与进化计算 2017-12-07 v1 机器学习机器学习

作者: Nand Sharma

摘要

由外部刺激在头皮记录脑电图（EEG）中诱发的 P300 事件相关电位（ERP）已被证明是控制 BCI 的可靠响应。因此，事件相关电位的 P300 成分被广泛用于脑机接口，以将受试者仅通过意念的意图转化为控制人工设备的命令。对 EEG 数据中 P300 试次进行分类的主要挑战在于 P300 响应的低信噪比（SNR）。为克服单个试次的低 SNR，通常的做法是将多个连续试次平均，从而有效削弱随机噪声。遗憾的是，当 P300 拼写器等应用需要更多重复试次时，通信速率会大幅降低。这导致亟需更好的方法来提升 P300 响应的单位点分类准确率。本工作中，我们使用主成分分析（PCA）作为预处理方法，并使用线性判别分析（LDA）和神经网络进行分类。结果表明，PCA 与这些方法相结合在单位点分类中仅使用 3 至 4 个主成分便带来了高达 13% 的准确率提升。

关键词

P300 分类单位点主成分分析线性判别分析神经网络脑机接口

引用

@article{arxiv.1712.01977,
  title  = {Single-trial P300 Classification using PCA with LDA, QDA and Neural Networks},
  author = {Nand Sharma},
  journal= {arXiv preprint arXiv:1712.01977},
  year   = {2017}
}

基于 PCA 与 LDA、QDA 及神经网络的单位点 P300 分类

摘要

关键词

引用

相关论文