COR-MFS: A Correlation-Based Multi-Objective Feature Selection on EEG Signals
Notice bibliographique
Résumé
Feature selection is a crucial step in the model-building pipeline in machine learning (ML) applications such as Electroencephalogram (EEG) signal processing, providing benefits on model performance and computational efficiency. EEG signals play a pivotal role in elucidating human nature through promising ML mechanisms. However, extracting a large number of features from the EEG signals can be a challenge of efficient EEG processing. A multi-objective feature selection strategy applied to the extracted features from EEG signals can simultaneously improve the accuracy of the process and reduce the number of features. However, the high dimensionality of the EEG feature vectors actually diminishes the exploration capabilities of multi-objective algorithms, impeding their real-world applicability. Hence, we propose a novel correlation-based multi-objective feature selection (COR-MFS) method, that aims to reduce dimensionality before applying the multi-objective algorithm. In the initial phase, a correlation-based dimension re-duction method is applied to filter the most relevant features with highest correlation with the class label. Subsequently, a multi-objective feature selection algorithm is applied to the shrunk search space enhancing optimization efficiency and facilitating the search process. We evaluated the proposed COR-MFS method using six large-scale EEG datasets and observed significant improvements compared to the stand-alone multi-objective feature selection. This underscores the effectiveness of our innovative framework in providing more accurate solutions with fewer number of features for extensive EEG-based classification tasks.
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 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,002 | 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 | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 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 ».