Bayesian Optimized Spectral Filters Coupled With Ternary ECOC for Single-Trial EEG Classification
Notice bibliographique
Résumé
Motivated by the promising emergence of brain-computer interfaces (BCIs) within assistive/rehabilitative systems for therapeutic applications, this paper proposes a novel Bayesian framework that simultaneously optimizes a number of subject-specific filter banks and spatial filters. Optimized double-band spectro-spatial filters are derived based on common spatial patterns coupled with the error-correcting output coding (ECOC) classifiers. The proposed framework constructs optimized subject-specific spectral filters in an intuitive fashion resulting in creation of significantly discriminant features, which is a crucial requirement for any EEG-based BCI system. Through incorporation of the ECOC approach, the classification problem is then modeled as communication over a noisy channel where the misclassification error is corrected by error correction techniques borrowed from an information theory. This paper also proposes a modified version of the ECOC adopted to EEG classification problems by deploying ternary class codewords to increase the Hamming distance between the codewords and introduce more robustness to misclassification error. The proposed framework is evaluated over two different datasets from the BCI Competition (i.e., BCIC- and BCIC- ). The results indicate that the proposed approach outperforms its counterparts and validate the essential role of optimized spectral filters on the overall classification accuracy.
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
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 tête enseignante, 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 ».