Optimizing Bioimaging: Quantum Computing-Inspired Bald Eagle Search Optimization for Motor Imaging EEG Feature Selection
Notice bibliographique
Résumé
One of the most important objectives in brain-computer interfaces (BCI) is to identify a subset of characteristics that represents the electroencephalographic (EEG) signal while eliminating elements that are duplicate or irrelevant. Neuroscientific research is advanced by bioimaging, especially in the field of BCI. In this work, a novel quantum computing-inspired bald eagle search optimization (QC-IBESO) method is used to improve the effectiveness of motor imagery EEG feature selection. This method can prevent the dimensionality curse and improve the classification accuracy of the system by lowering the dimensionality of the dataset. The dataset that was used in the assessment is from BCI Competition-III IV-A. To normalize the EEG data, Z-score normalization is used in the preprocessing stage. Principal component analysis reduces dimensionality and preserves important information during feature extraction. In the context of motor imagery, the QC-IBESO approach is utilized to select certain EEG characteristics for bioimaging. This facilitates the exploration of intricate search spaces and improves the detection of critical EEG signals related to motor imagery. The study contrasts the suggested approach with conventional methods like neural networks, support vector machines and logistic regression. To evaluate the efficacy of the suggested strategy in contrast to current techniques, performance measures such as F1-score, precision, accuracy and recall are computed. This work advances the field of feature selection techniques in bioimaging and opens up a novel and intriguing direction for the investigation of quantum-inspired optimization in neuroimaging.
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 | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».