EEG-基于信号相关性的测试集时间窗口选择

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

1. 测试如果经过脑电信号预处理结果是否能有提升。
2. 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

1. 读取数据 (SSA滤波)
2. CCS
3. 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
4. 得到每个trials的segment
5. 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）

1. 读取数据 (SSA滤波)
2. CCS
3. 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
4. 得到每个trials的segment
5. 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

1. 训练集也重新训练（用和测试集相同的时间段）

2. 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