基于LASSO和PCA降维的脑电特征选择方法
最小绝对值收缩和选择算子(LASSO)在运动想象脑电(EEG)特征选择中已得到了广泛应用.然而,LASSO的使用形式存在不少差异,其各种使用形式的性能如何目前还没有系统的研究.为此,探讨了现有的LASSO特征选择方法,进而提出了基于LASSO和主成分分析(PCA)降维的混合特征选择方法.该方法先训练LASSO模型,然后选择模型权重大于0的特征进行PCA降维,最后使用降维后的特征训练分类器.最优LASSO模型参数、特征个数、主成分个数使用10折交叉验证进行选择,分别使用Fisher线性判别分析(FLDA)、贝叶斯线性判别分析(BLDA)、支持向量机(SVM)3种分类器的分类结果作为交叉验证的评价准则.最优特征子集进行PCA降维之后,训练以上3种分类器作为最终的分类模型.选用两个公开的脑机接口竞赛数据验证算法的有效性,所提出的方法取得了 80.06%的最高平均分类准确率.实验结果表明,所提出的方法优于现有的LASSO特征选择方法.
运动想象、脑电、特征选择、LASSO、PCA
41
TH77;R318(仪器、仪表)
广西高校中青年教师科研基础能力提升项目;桂林航天工业学院校级科研基金项目
2022-09-30(万方平台首次上网日期,不代表论文的发表时间)
共6页
9-14