Ternary ECOC classifiers coupled with optimized spatio-spectral patterns for multiclass motor imagery classification
Notice bibliographique
Résumé
Modeling and representation of multiple tasks from brain signals is a crucial task in Electroencephalogram (EEG) based Brain-Computer Interfaces (BCIs). The motivation of this work comes from the need for a BCI system, intended to operate in real world scenarios, to discriminate multiple tasks and activities simultaneously. In this regard, the paper proposes a novel multi-class EEG-based BCI system via utilization of error correcting output coding (ECOC) classifiers. To best of our knowledge, the ECOC classifiers have not ever been applied to the EEG classification problems. In the ECOC method, the classification problem is modeled as communication over a noisy channel where the miss-classification error is corrected by error correcting techniques borrowed from information theory. In this work, we propose to utilize a modified version of the ECOC classifiers adopted to EEG classification problems which deploys ternary class codewords. Therefore, we analyze more combinations of the classes and greater number of classifiers vote for the final result. The proposed classifier is coupled with a Bayesian framework to compute the optimized spatio-spectral filters to extract the most discriminative feature sets of different classes. The proposed framework is applied to a motor imagery classification problem and evaluated over BCI Competition IV-2a dataset where the results indicate a noticeable enhancement over other methods developed for multi-class EEG classification.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,006 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,001 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».