.png){kind=icon}
返回
Unsupervised EEG Decoding with Frequency-Trend-Based Information Granule Learning
.png){kind=icon}
PRE
AI
DOI：10.1145/3777386.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
脑电图（EEG）驱动的创新已在多个领域崭露头角，成为神经障碍诊断、传感运动康复、脑机接口（BCIs）等关键研究方向。传统EEG解码方法在有效提取EEG信号的全局特征方面存在困难，且对高维EEG模式的适应性受限。此外，标记EEG数据的稀缺显著限制了监督学习范式的适用性。为应对这些挑战，我们提出了IGEEGc，一种专为无标记EEG信号分析设计的新型无监督解码方法。首先，我们通过整合频域特征扩展了基于趋势的信息粒（TIG）模型，从而开发了能同时捕捉EEG信号时频特征的频域-趋势信息粒（FTIG）模型。随后，我们开发了一种自适应粒特征加权机制，以动态优化异构粒特征对聚类精度的贡献。最后，将约束集成到统一的单步谱聚类框架中，以优化目标函数并提升聚类性能。在多个场景下跨越30个真实数据集的比较实验表明，IGEEGc在性能上持续优于当前先进方法，其鲁棒性和有效性通过全面的敏感性分析和消融研究得到验证。所提出的方法不仅解决了EEG信号固有的高维复杂性，还建立了一种处理无标记EEG数据的有效范式。源代码可在https://github.com/Ljyyds/IGEEGc获取。
Keyword:
Additional Key Words and Phrases
Unsupervised EEG decoding
Information granule
Time-frequency analysis
Spectral clustering
期刊
IF:
4.8
论文数:
1.3K
被引数:
4.4K
机构
引用论文
分享收藏
Efficient one-step multi-trial electroencephalograph spectral clustering via unsupervised covariance-based representations高效的一步多试次脑电图频谱聚类方法，基于无监督协方差表示.png)
IF0
PREAI
分享收藏Long-Term Multivariate Time-Series Forecasting Model Based on Gaussian Fuzzy Information Granules基于高斯模糊信息粒的长期多元时间序列预测模型
PREAI
分享收藏
查看更多内容