32、多目标特征选择与欧拉时间图可视化技术探索

多目标特征选择与欧拉时间图可视化技术探索

多目标特征选择在运动想象脑电信号分类中的应用

特征选择的重要性与现有方法

在运动想象脑电信号分类中，特征选择不仅有助于应对各种挑战，还能减少冗余和无关特征，降低分类技术的计算成本。以往的特征选择工作主要分为过滤式和包裹式两种方法。过滤式方法通过信息论度量最大化特征集的信息含量；包裹式方法则根据分类性能判断特征集的适用性。大多数先前的方法将最大化分类准确率作为特征选择的唯一目标，少数考虑多目标特征选择的工作主要是双目标公式，如同时最大化精度和召回率，或同时最小化分类错误率和特征集的基数。

实验设计

BCI系统概述

一个典型的脑机接口（BCI）系统包括连接受试者大脑和计算机的前向非神经肌肉路径（可能是有线或无线连接），以及基于计算机生成的控制信号操作外部（康复）设备的反馈路径。前向路径包括脑信号采集、信号预处理、特征提取、特征选择（训练阶段）和分类等主要构建块。具体的数据集和各阶段信息如下表所示：
| 阶段 | 详情 |
| — | — |
| 数据采集 | BCI Competition 2008—Graz Dataset B（来自九名受试者的250Hz左右运动想象脑电信号，每个受试者有两个会话） |
| 预处理 | 带通滤波，通带为0.5 - 100Hz，使用眼电图（EOG）与脑电信号的回归去除EOG伪迹 |
| 特征提取 | 使用Welch方法进行单边功率谱密度估计（来自C3、C4和Cz电极的脑电信号，特征维度 = 378） |
| 分类 | 线性支持向量机（LSVM） |

多目标特征选择