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
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
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
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