WPD Combined with One-on-one CSP for Motor Imagery EEG Signal Classification
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Regarding the EEG (electroencephalogram) signals of motor imagery, existing signal decomposition methods similar to EMD (Empirical Mode Decomposition) are often affected by mode aliasing and mode oscillation, and classifiers are prone to overfitting in high-dimensional data. This article combined WPD (Wavelet Packet Decomposition) and one-to-one CSP (Common Spatial Pattern) to study the classification of motor imagery EEG signals, aiming to provide better time-frequency resolution and improve classification performance. Using the publicly available dataset BCI (Brain-computer Interface) Competition IV 2a as the object: firstly, WPD was used to perform multi-level decomposition on four types of motor imagery EEG signals from nine subjects; next, the covariance matrix of each category of EEG signals in CSP was calculated to extract feature vectors, and the features that best distinguish different categories were selected to reduce dimensionality and avoid overfitting; finally, in the 10-fold cross-validation process, the number of features was optimized to improve the performance of the Random Forest (RF) classifier. The results showed that the method proposed in this article had a mean Maximum Mutual Information (MMI) of 0.67 bits and a maximum classification accuracy of 87.5% for the BCI Competition IV 2a dataset, which was approximately 2.1% higher than the Attention-based Temporal Convolutional Network (ATCNet) model.
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.
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 | 0,001 |
| 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 découle