WPD Combined with One-on-one CSP for Motor Imagery EEG Signal Classification
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.
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 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 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 ».