8、脑电图特征提取与典型测试器搜索算法研究

脑电图特征提取与典型测试器搜索算法研究

脑电图信号特征提取

在脑电图（EEG）信号处理中，为了对不同的压力场景进行分类，采用了模糊粒化的方法来提取特征。
- 数据预处理 ：首先应用独立成分分析去除伪迹，并计算通道插值以弥补信息缺失，这一过程借助EEGLAB MATLAB工具包完成。虽然基线去除和滤波器应用是自动进行的，但为防止切除相关信息，信号中无用段的切除需手动操作。
- 特征提取方法 ：常见的EEG数据分析方法是将信号分解为不同功能的频带，这里提出使用模糊信息粒化进行特征提取。具体步骤为：
1. 将信号划分为粒化窗口。
2. 从每个窗口中提取低、中、高三种粒度的颗粒。
3. 提取的颗粒作为特征来表示EEG信号样本，用于对三种压力场景进行分类。
- 分类模型 ：由于每个人对压力的感知不同，且EEG信号存在个体间差异，因此为每个参与者生成一个分类模型。为了对包含3个颗粒的样本进行分类，进行了探索性实验，测试了支持向量机、朴素贝叶斯、神经网络、具有20、50和100棵树的随机森林分类器，最终选择了具有50棵树的随机森林，因为它取得了最佳结果。准确率百分比通过10折交叉验证获得，即将数据随机划分为10个大小相等的集合，使用90%的样本进行训练（9个分区），10%的样本进行测试（1个分区），然后重复此过程10次。

模糊聚类粒化

• 样本构建 ：从预处理后的无序信号中分割出10秒的窗口，构建3组样本：低颗粒、中颗粒和高颗粒。每个样本有14个特征，对应EEG信号的14