1对于基于振荡的SMR(感觉运动节律)分类,传统方法是作者自己实现的一对一(OVR)滤波器组公共空间模式(FBCSP)算法,如“http://journal.frontiersin.org/article/10.3389/fnins.2012.00039”所述。
在这里,简要总结了该方法:
1.以4Hz的步长将EEG信号带通滤波为9个非重叠滤波器组,从4Hz开始:4-8Hz,8-12Hz......36-40Hz。
2.由于分类问题是多类别的,使用OVR分类,这要求我们为所有OVR组合对训练分类器,这里有4个(类别1与所有其他,类别2与所有其他等)。我们使用自协方差收缩方法在训练数据上为每个滤波器组训练2个CSP滤波器对(总共4个滤波器)。这将为每个试验和每个OVR组合提供总共36个功能(9个滤波器组×4个CSP滤波器)。
3.为每个OVR组合训练一个弹性净逻辑回归分类器。我们设置弹性净惩罚α=0.95。
4.通过在保持的验证集上评估训练的分类器,找到弹性网逻辑回归的最佳λ值,该值最大化了验证集的准确性。每个试验的多类别标签是在4个OVR分类器中产生最高概率的分类器。
5.使用步骤4中获得的λ值,将经过训练的分类器应用于测试集。