典型文献
基于LASSO和PCA降维的脑电特征选择方法
文献摘要：
最小绝对值收缩和选择算子(LASSO)在运动想象脑电(EEG)特征选择中已得到了广泛应用.然而,LASSO的使用形式存在不少差异,其各种使用形式的性能如何目前还没有系统的研究.为此,探讨了现有的LASSO特征选择方法,进而提出了基于LASSO和主成分分析(PCA)降维的混合特征选择方法.该方法先训练LASSO模型,然后选择模型权重大于0的特征进行PCA降维,最后使用降维后的特征训练分类器.最优LASSO模型参数、特征个数、主成分个数使用10折交叉验证进行选择,分别使用Fisher线性判别分析(FLDA)、贝叶斯线性判别分析(BLDA)、支持向量机(SVM)3种分类器的分类结果作为交叉验证的评价准则.最优特征子集进行PCA降维之后,训练以上3种分类器作为最终的分类模型.选用两个公开的脑机接口竞赛数据验证算法的有效性,所提出的方法取得了 80.06％的最高平均分类准确率.实验结果表明,所提出的方法优于现有的LASSO特征选择方法.
文献关键词：
运动想象;脑电;特征选择;LASSO;PCA
中图分类号：
作者姓名：
莫云;梁国富;路仲伟;李智;许川佩;张绍荣
作者机构：
桂林航天工业学院电子信息与自动化学院 桂林541004;桂林电子科技大学电子工程与自动化学院 桂林541004
文献出处：
引用格式：
[1]莫云;梁国富;路仲伟;李智;许川佩;张绍荣-.基于LASSO和PCA降维的脑电特征选择方法)[J].国外电子测量技术,2022(05):9-14
A类：
BLDA
B类：
LASSO,特征选择,选择方法,选择算子,运动想象脑电,EEG,已得,混合特征,后选择,模型权重,分类器,分个,交叉验证,Fisher,线性判别分析,FLDA,评价准则,优特,特征子集,分类模型,脑机接口,数据验证,高平,平均分,分类准确率
AB值：
0.314007
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
