运动想象 (MI) 分类学习系列 (10) :iWSGL-CSP

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（AP）聚类算法，根据高维特征之间的底层关系，自适应地将高维特征划分为多个组。为了评估各组内单个特征的显著性和群本身的整体显著性，提出了一种基于条件熵的权重计算方法。利用权重和