多被试脑电信号归一化与特征选择优化研究

"本文针对多被试脑电数据的特征差异问题，探讨了归一化方法对分类准确率的影响，并提出了特征选择的新策略。通过实验，确定了单个被试的单个属性特征作为最佳的归一化数据范围，同时结合方差贡献率和F-score进行特征选择，有效减少了特征数量而不影响分类效果。实验结果表明，小波包树结点能量是最优特征，而小波包熵在分类准确率上优于脑电节律小波熵。" 在脑电图（EEG）信号处理领域，数据的差异性往往会影响后续的分析和分类效果。这篇研究着重关注了多被试脑电数据的归一化问题。归一化是预处理步骤中的关键环节，用于消除不同被试间特征值的显著差异，从而提高分类模型的稳定性和准确性。文章中，作者对比了6种常见的归一化方法，包括最小-最大归一化、z-score归一化等，这些方法在不同数据范围（所有被试的特征、单个被试的所有特征、单个被试的单个属性特征）下进行了实验。 实验结果揭示，对于多被试脑电数据，采用单个被试的单个属性特征进行归一化可以取得最高的分类准确率。这种针对性的归一化策略能够更好地保留每个被试的独特信息，减少因被试间差异引入的噪声，从而提升分类性能。 在特征选择方面，研究提出了将方差贡献率与F-score相结合的方法。方差贡献率衡量了特征对总体方差的贡献，而F-score则考虑了特征的分类能力和稳定性。这种结合策略能够在保持或提高分类准确率的同时，有效地减少特征的数量，降低模型的复杂度，提高计算效率。 在实验中，作者利用小波包分析来提取脑电信号的特征。小波包树结点能量作为最少变换的特征，表现出了最优的分类结果，这是因为小波包分解能有效地捕捉信号在不同频率和时间尺度上的变化信息。此外，研究发现小波包熵在分类准确率上优于传统的脑电节律小波熵，这表明小波包熵更能反映信号的复杂性和非线性特性。 这项研究为多被试脑电数据分析提供了有价值的指导，包括选择合适的归一化策略和特征选择方法，以及有效特征的识别。这些发现对于情感识别、脑机接口等应用具有重要的理论和实践意义。