皮尔森相关系数
存在问题:疑似只是适用于同一试次内部不同通道的比较,不同试次之间的脑电信号皮尔僧相关系数极低
同一试次:
不同试次
- 测试如果经过脑电信号预处理结果是否能有提升。
- 通过对比“不同运动想象任务”,看是否能够具备区分度。
不同分类任务:
0.022627094877226542 -0.00810663547894184
同一分类任务:
0.004798327014120868 -0.016110205643742995
0.011330286707801389 0.004742919085017588
AR系数+DTW(分别比较)
不同分类任务 767318.5645232134 723983.6765352222
同一分类任务 708525.5551613156 534186.3329762865
- 读取数据 (SSA滤波)
- CCS
- 比较(a)不同trials,不同segments的测试集 和(b)每一个trials训练集,DTW 。最小
- 得到每个trials的segment
- CSP–》SVM
#2024年3月1日15点04分,先SSA滤波再CCS,0.9400000000000001(0.5start,0.9511111111111111,全0.9711111111111113)
AR系数+DTW (均值比较,不如分别比较)
- 读取数据 (SSA滤波)
- CCS
- 比较(a)不同trials,不同segments的测试集 和(b)每一个trials训练集的均信号,DTW 。最小
- 得到每个trials的segment
- CSP–》SVM
#2024年3月1日15点39分,先SSA滤波再CCS,均值DTW,0.928888888888889
采用“segments”中出现频率最高的起点
-
训练集也重新训练(用和测试集相同的时间段)
-
训练集不重新训练(用SSA时间段)
初步测试:segment起点为0,宽度设置为了到终点。
结果:训练集重新时间分割0.96 < csp训练集不重新时间分割0.9711111111111113
关于效率不佳和可行性的思考
效率不佳原因1:SSA筛选的时频段并非最优。
证据:在单纯SSA参数测试中,当将SSA时频段的time改为[0, 4],发现效率更加好。
改进方式:跑更多的SSA实验(pop40iter20在跑)
效率不佳原因2:长时段保存了更多的信息量。
证据:将筛选的segment终点设置为最长(n~4s)效果最佳。
改进方式:更换数据集合进行实验
效率不佳原因3:AR的order数太低。
模型阶数的选择具有挑战性;如果太低,它将不能很好地表示数据,如果太高,将会包含噪声
效率不佳原因4:已排除,DTW适用非锁相信号。
证据:时域信号多trial平均本身是一个低通滤波器。这是因为非锁相活动在时域平均中减弱,而高于15Hz的频率往往是非锁相的。
因此,DTW是否适用于非锁相的信号相似度分析?
[0.5, 1.3, 0.4, 0.8