Feature Space Reduction for Single Trial EEG Classification based on Wavelet Decomposition
Notice bibliographique
Résumé
In contrary to recent signal/information processing advancements, human brain remains the most intriguing signal processing unit in existence with inconceivable capabilities to fuse various multi-modal signals, adaptively and in real-time fashion. To connect brain with the outer world, brain computer interfacing (BCI) via Electroencephalography (EEG) signals has received extensive attention. Extracting informative and discriminating features from EEG signals and decomposing the recorded signals into their underlying components is believed to yield compromising results. Different algorithms, therefore, are recently proposed combining signal decomposition techniques (e.g., spectral filterbanks, and Wavelet decomposition) with feature extracting methodologies (e.g., common spatial patterns (CSP), and Riemannian manifold learning). Although coupling filterbanks and Wavelet with the CSP has been investigated, to best of our knowledge, the potentials of coupling Wavelet with Riemannian manifold learning are not yet studied. The paper addresses this gap. In particular, we propose a level-based classification approach that couples the Wavelet decomposition with Riemannian manifold spatial learning (WvRiem). In the proposed WvRiem framework, the EEG signals are decomposed into several components (levels) and then spatial filtering via Riemannian manifold learning is performed on the best level which yields the most discriminating features. The proposed WvRiem is evaluated on the BCI Competition IV2adataset and noticeably outperforms its counterparts.
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 | 0,001 | 0,002 |
| 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 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».