XiaoMi-AI文件搜索系统
World File Search System特征选择
NSGA-II 目标对运动想象相关脑电图特征选择的影响
选择与运动想象 (MI) 具有功能相关性的脑电图 (EEG) 特征是基于脑机接口 (BCI) 的运动康复成功的关键任务。MI 期间的个体 EEG 模式需要基于受试者的特征选择，由于特征的复杂性和数量庞大，这是一项艰巨的任务。一种解决方案是使用元启发式算法，例如遗传算法 (GA)，以避免不切实际的穷举搜索。在本研究中，使用最广泛使用的 GA 之一 NSGA-II 和分层个体表示来排除与 MI 无关的 EEG 通道。本质上，在先前记录的 MI EEG 数据集上评估了 NSGA-II 中不同目标的性能。实证结果表明，k-最近邻（k-NN）与皮尔逊相关系数（PCFS）相结合作为目标函数，与其他目标组合相比，分类准确率更高（73% vs. 69%）。线性判别分析（LDA）与特征减少（FR）相结合作为目标函数，最大程度地减少了特征（99.6%），但降低了分类性能（65.6%）。所有与 PCFS 相结合的分类器目标都根据 MI 期间的预期活动模式选择了类似的特征。总之，PCFS 和分类器作为目标函数构成了 MI 数据的良好权衡解决方案。
使用卷积神经网络和特征选择方法的超列技术对脑部 MRI 进行分类
正确且确定的脑肿瘤 MRI 分类在当前临床诊断、决策以及管理治疗方案中具有重要作用。在临床实践中，检查由专家通过视觉进行，这是一个劳动密集型且容易出错的过程。因此，需要基于计算机的系统来客观地执行此过程。在传统的机器学习方法中，提取并分类用于描述脑肿瘤 MRI 的低级和高级手工特征以克服上述缺点。考虑到深度学习的最新进展，我们在本研究中提出了一种新颖的卷积神经网络 (CNN) 模型，该模型结合了超列技术、预训练的 AlexNet 和 VGG-16 网络、递归特征消除 (RFE) 和支持向量机 (SVM)。所提模型的一大优势是，借助超列技术，它可以保留从深度架构不同层级的层中提取的局部判别特征。此外，所提模型通过融合从网络的最后全连接层获得的深度特征，充分利用了 AlexNet 和 VGG-16 网络的泛化能力。此外，使用 RFE 增强了所提模型的判别能力，从而揭示了最有效的深度特征。结果，所提模型在未使用任何手工制作的特征引擎的情况下获得了 96.77% 的准确率。确保了脑肿瘤 MRI 分类的全自动一致且有效的诊断模型。因此，所提模型有助于实现更客观的临床评估，支持专家的决策过程，并降低误诊率。
NSGA-II 设计用于 EEG 中的特征选择...
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。