46、脑电信号分类与合唱歌手声音质量评估研究

脑电信号分类与合唱歌手声音质量评估研究

脑电信号分类研究

在脑机接口（BCI）领域，对于运动想象（MI）的脑电（EEG）信号分类是一个重要的研究方向。研究中使用了独立成分分析（ICA）结合通道 - 成分配对方法来提高分类精度。

研究方法

• LASSO回归 ：使用LASSO回归进行特征选择，目标函数为：
  [
  \frac{1}{2N}\sum_{n = 1}^{N}(y_i - \beta_0 - x_i^T\beta)^2 + \lambda\sum_{j = 1}^{P}|\beta_j|
  ]
  其中，$N$ 是观测值的数量，$y_i$ 是第 $i$ 个观测值的响应，$x_i$ 是第 $i$ 个观测值的 $p$ 维输入向量，$\lambda$ 是正则化参数，$\beta_0$ 和 $\beta$ 是回归参数（$\beta_0$ 是标量，$\beta$ 是 $p$ 维向量）。在研究中，使用Matlab实现LASSO，参数设置为：$\lambda = 1$，10折交叉验证，模型中非零系数的最大数量为8。
• 分类过程 ：在双重10折交叉验证循环中进行特征选择和分类。使用线性支持向量机（SVM）分类器，比较不同独立成分集（IC - sets）和参考集的分类器，根据验证误差（外交叉验证循环中10个验证误差的平均值）进行评估。为了获得更无偏的结果，对15个IC - sets中的每个集合，从独立成分计算到评估分类器准确性的整个过程重复5次，核心集（由C3和C4通道组成）也进行5次特征选择、特征提取和分类过程。