EEG channel selection

Introduction

关于人脑功能状态的大多数有用信息都存在于五个主要脑电波中，这些脑电波由不同的频段区分。这些频段是delta波段（0-4 Hz）、θ波段（3.5-7.5 Hz）、α波段（7.5-13 Hz）、β波段（13-26 Hz）和伽马波段（26-70 Hz）。

δ波段是关于深度睡眠状态的，θ波段与最深层的中介状态有关（身体睡着/头脑清醒），α波段是关于睡眠和放松的原因，β波段与清醒状态下注意力集中有关，γ波段与大脑决策模式有关。在处理精神疾病状态时，会发生意想不到的脑电波紊乱，导致需要相当大的信号处理负担来诊断异常状态。

一般的选择技巧

流程图：

子集生成步骤是启发式搜索过程，通过如完全搜索、顺序搜索或随机搜索获得用于评估的子集。在某些应用程序中，经过训练的模型会根据自己的经验选择一个子集的通道。

有五种主要的评估方法： filtering, wrapping, embedded, hybrid, and human-based techniques。当满足停止标准时，通道子集的生成和评估过程终止。在最后一步中，通过关于数据的先验知识来验证所选择的信道子集。

Filtering techniques

过滤技术使用独立的评估标准，如距离测量、信息测量、依赖性测量和一致性测量来评估使用搜索算法生成的候选通道子集。

流程图如下：

S_0表示初始子集，S_best表示所选择的通道的最佳子集。此外，D（C0，…..，Cn-1）表示用于选择的n个通道的池，M表示独立的评估标准。γ表示每个通道子集的评估标准值。

Wrapper technique

流程图如下：

通过搜索算法得到子集。其中a表示分类器，γbest表示评估标准的最佳值。每个子集的评估是通过训练和测试特定的分类算法来获得的。因此，它们在计算上比filter技术更高，并且容易过拟合。

Embedded techniques

在嵌入式技术中，通道是基于特定分类器的学习过程中生成的标准来选择的，因为选择被包括在分类器结构中[9]。嵌入式技术实现了信道选择和分类之间的交互。它们在计算上成本较低，也不太容易过拟合。

Hybrid Technique

它是flitering和wrapper的组合，通常，混合技术利用独立度量和挖掘算法来评估可用通道子集。有两个阈值：γ_best对应于有分类器的情况，θ_best对应于没有分类器的情况。独立度量用于为给定大小Cr（基数）选择最佳子集，然后使用挖掘算法跨基数选择最终最佳子集。

Human-based techniques

在一些应用中，训练有素的观察者根据自己的经验，使用任何上述子集生成技术，在选定的通道上评估特定应用的结果，如癫痫检测。因此，可以以反馈方式使用基于人的技术的发现来细化信道选择过程。