（论文笔记）EEG fading data classification based on improved manifold learning with adaptive neighborhood

EEG fading data classification based on improved manifold learning with adaptive neighborhood selection

论文地址：Redirecting

ps:标红即不懂

文章主要目的是对脑电信号中出现损失的问题进行处理。大致方法是根据局部线性选择邻域后，通过局部切线空间对齐（LTSA）将数据映射到流形空间以进行降维。

局部选择领域是基于KNN算法提出的，但是KNN的领域个数是固定的，而他的算法中领域个数是自适应的，目的应该就是为了处理fading data。

先解释一下fading data：

主要分为两种：1.数据扭曲(data distortion)，2.数据缺失(data missing)

 文中将正常的数据定义为

这jb水印怎么去啊？？？？

i表示第i个样本，fi表示特征信心，vi表示正常的噪声信息

将fade data定义为

 也就是乘了一个系数ci,[0,1] 0就表述数据丢失，1就表示数据正常。

作者进行了实验，对正常数据添加ci 他会导致的问题论文中以可视化的形式给出了，第一种就是导致聚类方法的聚类边界不明显

正常的脑电信号

有损失的脑电信号

 他还对其中5%的数据添加了随机的ci 剩余95%的数据不做修改，之后将两段脑电信号的脑电图画了出来，如下

正常的脑电图

添加了5%损失的脑电图

具体操作：

数据预处理

首先将原始数据定义为x(t) ，先将原始数据通过有限脉冲响应滤波器(具体是个什么东西我还不懂，但不是这篇重点，等我看完再去了解)

再将得到的y(t)去除其中的EMG,elector-oculogram(EOG),electorcardiogram(ECG)采用的是ICA方法

 A是一个分离矩阵(demixing matrix),最后将得到的yie(t)中非脑电信号部分去除，就可以得到Z={zi}作为特征提取器的输入

待更新