论文提出了一种迭代加权稀疏群套索(iWSGL)模型，结合CSP优化高维EEG特征，提升运动想象分类的准确性。通过AP聚类和条件熵计算权重，改善特征与类标签的相关性。实验结果显示，iWSGL-CSP在三个数据集上优于传统CSP方法，为BCI应用提供了优化策略。
论文地址：https://www.sciencedirect.com/science/article/abs/pii/S0957417423027884
论文题目：Improvement of motor imagery electroencephalogram decoding by iterative weighted Sparse-Group Lasso
论文代码：暂无
0. 引言
判别特征选择对于提高脑电图（EEG）信号中的运动图像解码性能至关重要。然而，现有的特征优化方法尚未充分探索特征的内在属性分布及其与目标类的关联，这可能导致优化特征与类标签之间的虚假相关性，从而产生次优性能。因此，该文提出了一种迭代加权稀疏群套索（iWSGL） 模型，用于优化基于CSP（CSP）的高维特征，从而进一步提高运动意象的解码精度。具体而言，利用亲和传播
订阅专栏 解锁全文
扫一扫
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
