.png){kind=icon}
返回
Effective Connectivity-based Unsupervised Channel Selection Method for Electroencephalography
.png){kind=icon}
PRE
AI
DOI：10.4103/jmss.jmss_55_25.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
背景：分析神经数据，如脑电图（EEG）数据，通常涉及处理高维数据集，其中并非所有通道都提供同等有意义的信息。选择最相关的通道对于提高计算效率以及确保对神经动力学的稳健见解至关重要。方法：本研究引入基于有效连接（EC）的通道重要性（ICEC）准则，用于量化每个通道的有效连接。EC指一个神经区域对另一个区域施加的因果影响，提供对信息方向流动的见解。利用此准则，我们提出了一种无监督的通道选择方法，该方法考虑了通道间交互的强度。结果：为评估所提出的通道选择方法，我们将其应用于三个知名EEG数据集的四个类别。评估涉及使用五种EC指标计算ICEC准则：部分定向相干（PDC）、广义PDC、归一化PDC、定向传递函数（DTF）和直接DTF。为聚焦通道选择的影响，我们采用共同空间模式算法进行特征提取，并使用支持向量机进行跨所有参与者的分类。我们将结果与其他基于CSP的方法进行比较。评估包括比较使用和不使用所提出方法的参与者特定准确率，跨越五种EC指标。结论：结果表明，对于所有参与者，均实现了持续改进以及所选电极数量的显著减少。与最先进方法相比，我们的方法在所有三个数据集上达到了最高准确率：82%（22个通道中的13个）、86.01%（59个通道中的29个）和87.56%（118个通道中的48个）。
Keyword:
Brain connectivity
channel selection
effective connectivity
neuroimaging
期刊
J
IF:
0
论文数:
15
被引数:
0
机构
查看更多机构
引用论文
暂无论文信息