eeg数据集_基于EEG的简单目标识别

实验目的：

本实验拟通过时频域分析的方法，来实现依据脑电波，采用线性分类器，支持向量机以及神经网络分类器来判断当前被试所观察的物体类别。

数据集：

被试 8人 EEG采样频率 1kHz, 60 channel

类别：汽车 vs 人脸

训练集： 74个单个trial数据（37 汽车训练集+37 人脸训练集）每个被试

测试集： 18个单个trial数据 每个被试

训练集中包括X_EEG_TRAIN和Y_EEG_TRAIN 分别是训练数据和对应的标签

测试集只有测试数据，无标签

被试1 的数据集总览：

注：前200ms是人体感知图像，信号传导至大脑的时间，需要去除，后1000ms的信号是大脑对于刺激的反应记录。所以有效数据为1s。

数据集预处理：

随机打乱次序（至关重要，在深度学习中，有无shuffle，效果相差很多）

数据归一化（0，1）

数据分割为训练集/验证集/测试集=3/1/1

实验过程：

1 频域特征提取：

采用滑动时间窗，有重叠，分割1000ms 的脑电信号，然后在每个时间窗里面，对信号采用快速傅里叶变换，分别计算不同脑电波频段的能量均值，取gamma段的能量均值 作为该信号的特征值。最后将所有分短信号的特征值联接，形成特征向量。

2 时域特征提取：

对60通道的脑电信号做0.5-40Hz的带通滤波，然后采用滑动时间窗，有重叠，分割1000ms的脑电信号，然后将分割好的时间窗，做SVD分解降噪和PCA降维，最后获得时域分析的特征向量。

3 特征合并

将时域和频域特征合并，形成最终的单个数据集的特征向量，输入分类器模型，进行分类。

4 使用线性判别器，支持向量机，浅层神经网络进行分类

线性分类器：采用Fisher准则，寻找一个线性边界，实现二分类。

支持向量机：在高维空间，寻找一个超平面实现分类，并将分类边界向低维空间投影。此处核的选择至关重要。

浅层神经网络：一层线性层，二层sigmoid非线性层，最后的softmax输出层

5 实验结果

分别比较了 单独分类器以及三个分类器ensemble的结果，发现支持向量机和ensemble方法的分类准确率比较高。神经网络的稳定性和准确性都比较差，不是特别适合这个scenario。还是那句话，模型没有好坏，只是哪一个更适合应用场景，复杂的模型和简单的模型，各自有各自的应用场景，不可一刀切，说哪个模型一定好，哪个模型一定差。

demo详见后续Github整理：

https://github.com/zhangjh705​github.com

参考文献：

Machine Learning for Detection and Diagnosis of Disease

ADAPTIVE SEGMENTATION WITH OPTIMAL WINDOW LENGTH SCHEME USING FRACTAL DIMENSION AND WAVELET TRANSFORM

Classification of EEG signals in an Object Recognition task

Cognitive tasks augment gamma EEG power

Decoding Objects of Basic Categories from Electroencephalo graphic Signals Using Wavelet Transform and Support Vector Machines