XiaoMi-AI文件搜索系统
World File Search System信号分类
基于EEG信号分类方法
脑电图（EEG）信号已被广泛用于诊断脑疾病，例如癫痫，帕金森氏病（PD），多重SKLEROZ（MS），并且已经提出了许多机器学习方法来开发使用EEG信号的自动疾病诊断方法。在这种方法中，提出了一种多级机器学习方法来诊断癫痫病。提出的多级EEG分类方法包括预处理，特征提取，特征串联，特征选择和分类阶段。为了创建水平，选择可调Q小波变换（TQWT），并通过在预处理中使用TQWT来计算25个频率系数子频段。在特征提取阶段，四核对称模式（QSP）作为特征提取器选择，并从RAW EEG信号和提取的25个子带中提取256个特征。在特征选择阶段，使用邻居组成分析（NCA）。在此阶段选择了128、256、512和1024最重要的特征。在分类阶段，K最近的邻居（KNN）分类被用作分类。使用BONN EEG数据集对七种情况进行了建议的方法。提出的方法在5个类案例中达到了98.4％的成功率。因此，我们提出的方法可以在较大的数据集中使用，以进行更多验证。
基于时间窗口的特征提取技术用于电动机eeg eeg信号分类
基于脑电图（EEG）的电动机象征分类是最受欢迎的大脑计算机Interface（BCI）研究领域之一，由于其可移植性和低成本。在本文中，我们比较了基于小波的能量熵的不同预测模型，并经验证明，基于时间窗口的运动图像分类中基于时间窗口的方法可提供比流行的滤纸方法更一致，更好的结果。为了检查所提出方法的鲁棒性和稳定性，我们最终还采用了多种类型的分类器，发现混合击打（带有多种学习者的包装集合学习）技术超出了其他经常使用的分类者。在我们的研究中，BCI竞争II数据集III已与四个实验设置一起使用：（a）整个信号（对于每个试验）为一个部分，（b）（b）整个信号（b）整个信号（对于每个试验）被分为非重叠片段，（c）每个试验的整个信号（c）每个试验（对于每个试验）分为重叠的段（以及（d）段（dis），以及（d），以及（d），以及（d），以及（d），以及（d），以及（d），以及（d），以及（d）。乐队。从实验获得的结果（c），即91。43％的分类准确性不仅超过了本文其他方法的表现，而且据我们所知，这是迄今为止该数据集的最高性能。