机构名称：
¥ 6.0
对于与运动想象 (MI) 相关的脑机接口 (BCI) 系统，由于特征数量巨大而样本数量很少，特征选择是脑电图 (EEG) 分类的重要步骤。这使得分类过程在计算上非常昂贵，并且限制了 BCI 系统的实时适用性。解决此问题的一个方法是引入特征选择步骤，以在分类之前减少特征数量。需要解决的问题是，通过减少特征数量，分类准确性会受到影响。许多研究提出使用遗传算法 (GA) 作为特征选择问题的解决方案，其中非支配排序遗传算法 II (NSGA-II) 是这方面使用最广泛的 GA 之一。有许多不同的配置适用于 GA，特别是个体表示、育种算子和目标函数的不同组合。本研究评估了表示、选择和交叉算子的不同组合，以了解不同组合在与 MI 相关的 EEG 分类的准确性和特征减少方面的表现。总共对 24 种 NSGA-II 组合进行了评估，结合了三种不同的目标函数，针对六个受试者。结果表明，育种算子对平均准确率和特征减少的影响很小。但是，具有分层和基于整数的表示的个体表示和目标函数在表示方面取得了最有希望的结果，而皮尔逊相关特征选择与 k-最近邻或特征减少相结合，在目标函数方面获得了最显著的结果。这些组合用五个分类器进行了评估，其中线性判别分析、支持向量机（线性核）和人工神经网络产生了最高且最一致的准确率。这些结果可以帮助未来的研究开发他们的 GA，并选择分类器，用于基于 EEG 的 MI 分类中的 BCI 系统的特征选择。
NSGA-II 设计用于 EEG 中的特征选择...
主要关键词
相关文件推荐
