CN103876734B - 一种基于决策树的脑电信号特征选择方法 - Google Patents
一种基于决策树的脑电信号特征选择方法 Download PDFInfo
- Publication number
- CN103876734B CN103876734B CN201410112806.XA CN201410112806A CN103876734B CN 103876734 B CN103876734 B CN 103876734B CN 201410112806 A CN201410112806 A CN 201410112806A CN 103876734 B CN103876734 B CN 103876734B
- Authority
- CN
- China
- Prior art keywords
- sample
- data
- decision tree
- training
- test
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000003066 decision tree Methods 0.000 title claims abstract description 39
- 238000013459 approach Methods 0.000 title claims abstract description 8
- 238000000034 method Methods 0.000 claims abstract description 42
- 238000002474 experimental method Methods 0.000 claims abstract description 11
- 238000000605 extraction Methods 0.000 claims abstract description 11
- 230000006798 recombination Effects 0.000 claims abstract description 7
- 238000005215 recombination Methods 0.000 claims abstract description 7
- 238000012706 support-vector machine Methods 0.000 claims abstract description 6
- 238000012360 testing method Methods 0.000 claims description 49
- 238000012549 training Methods 0.000 claims description 43
- 239000011159 matrix material Substances 0.000 claims description 19
- 230000008569 process Effects 0.000 claims description 7
- 238000012545 processing Methods 0.000 claims description 4
- 238000002372 labelling Methods 0.000 claims description 2
- 238000005070 sampling Methods 0.000 claims description 2
- 210000004556 brain Anatomy 0.000 abstract description 9
- 230000008901 benefit Effects 0.000 abstract description 8
- 238000011160 research Methods 0.000 description 8
- 230000002490 cerebral effect Effects 0.000 description 3
- 230000009467 reduction Effects 0.000 description 3
- 210000004761 scalp Anatomy 0.000 description 3
- 244000141353 Prunus domestica Species 0.000 description 2
- 230000001054 cortical effect Effects 0.000 description 2
- 230000007812 deficiency Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 210000002569 neuron Anatomy 0.000 description 2
- 230000000638 stimulation Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000003925 brain function Effects 0.000 description 1
- 230000001149 cognitive effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000003340 mental effect Effects 0.000 description 1
- 230000007310 pathophysiology Effects 0.000 description 1
- 230000035479 physiological effects, processes and functions Effects 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
- A61B5/316—Modalities, i.e. specific diagnostic methods
- A61B5/369—Electroencephalography [EEG]
- A61B5/377—Electroencephalography [EEG] using evoked responses
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
- A61B5/25—Bioelectric electrodes therefor
- A61B5/279—Bioelectric electrodes therefor specially adapted for particular uses
- A61B5/291—Bioelectric electrodes therefor specially adapted for particular uses for electroencephalography [EEG]
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
- A61B5/316—Modalities, i.e. specific diagnostic methods
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
- A61B5/316—Modalities, i.e. specific diagnostic methods
- A61B5/369—Electroencephalography [EEG]
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7235—Details of waveform analysis
- A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
- A61B5/7267—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems involving training the classification device
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
- A61B5/316—Modalities, i.e. specific diagnostic methods
- A61B5/369—Electroencephalography [EEG]
- A61B5/377—Electroencephalography [EEG] using evoked responses
- A61B5/378—Visual stimuli
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/70—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for mining of medical data, e.g. analysing previous cases of other patients
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Medical Informatics (AREA)
- Artificial Intelligence (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Heart & Thoracic Surgery (AREA)
- Biomedical Technology (AREA)
- Pathology (AREA)
- Biophysics (AREA)
- Public Health (AREA)
- Veterinary Medicine (AREA)
- Psychiatry (AREA)
- Theoretical Computer Science (AREA)
- Evolutionary Computation (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Psychology (AREA)
- Data Mining & Analysis (AREA)
- Computing Systems (AREA)
- Signal Processing (AREA)
- Physiology (AREA)
- Fuzzy Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Computational Linguistics (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明涉及一种基于决策树的脑电信号特征选择方法。首先将采集的多通道脑电信号进行预处理；然后利用主成分分析法对预处理后的脑电信号进行特征提取，得到特征向量；将特征提取后的特征向量输入到决策树中，进行优势特征选择；对决策树选出的优势特征进行重组；最后将重组后的优势特征向量输入到支持向量机中，进行脑电信号分类，得到分类正确率。本发明应用决策树进行优势特征选择，操作简单，无需人工参与，节省时间和人力。应用决策树进行优势特征选择，选择过程中避免了人的主观因素的影响，使选择更客观，分类正确率更高。实验表明，运用本发明方法进行脑电信号分类的平均正确率为89.1%，比运用传统的优势电极重组法提高了0.9%。
Description
技术领域
本发明涉及脑电研究中的脑电信号分析方法，特别是涉及脑电信号特征选择方法。
背景技术
人的大脑是一个非常复杂的系统，脑电信号(Electroencephalograph，EEG)是通过头皮覆盖电极和导电介质采集到的大脑神经元细胞的放电活动，包含了大量的表征人体生理心理状态的信息。脑电信号的研究是当今科学研究中非常前沿的领域之一，涉及脑电信号的采集、预处理、处理以及脑电信号的应用等多个方面，对认知科学、神经科学、心理学、病理生理学、信息与信号处理、计算机科学、生物技术、生物医学工程乃至应用数学等多个领域的研究都有极其重要的作用。随着脑科学的日益热门，越来越多的研究人员都投入到了脑电信号的研究热潮中。
由于大脑结构的复杂性，大脑活动会引发大脑某个区域或多个区域的放电。为了更加精细而全面地采集到大脑活动区域的EEG信号，研究人员在需要在被试大脑的不同位置采集EEG信号。目前的采集装置基本采用多通道方式，如较常见的有40导、64导、128导和256导电极帽等等。由于脑电信号的采集精度为毫秒级，导致单电极脑电数据具有很高的属性维度，并行处理多导联数据时，脑电数据的维度会更高。另外，根据心理学研究发现，不同的刺激或实验任务会激活不同的大脑功能区，更深入地从大脑生理结构来讲，不同的刺激或实验任务会导致大脑的不同结构的神经元细胞产生放电行为。又根据脑电信号的特征可知，我们采集到的EEG信号有很多冗余信息。因此，在脑电信号的研究过程中，无论是出于减少数据维度的考虑，还是去除无效冗余电极或冗余信息的考虑，对电极的筛选是不可缺少的环节。
传统的电极选择(空间特征选择)方法一般是优势电极重组法，即依据人工统计单个电极的分类效果来选择优势电极(对整体的分类正确率有提升或者没有下降的电极)。该方法有两点不足：(1)依靠主观经验选择电极，容易造成信息偏失；(2)人工操作复杂，费时耗力。
发明内容
针对上述传统的电极选择方法的不足，本发明提出一种基于决策树的脑电信号特征选择方法。该方法充分利用决策树自动选择优势属性(优势特征)的这一特点，使特征选择更客观，从而使脑电信号的分类正确率更高。
实现本发明方法的主要思路是：将采集的多通道脑电信号进行预处理；利用主成分分析法(PCA)对预处理后的脑电信号进行特征提取，得到特征向量；将特征提取后的特征向量输入到决策树中，进行优势特征选择；对决策树选择出的优势特征进行重组；将重组后的优势特征向量输入到支持向量机(SVM)中，进行EEG信号分类，得到分类正确率。
一种基于决策树的脑电信号特征选择方法，包括如下步骤：
(1)采集数据
受试者佩戴电极帽，想象上下移动屏幕上的光标。采集受试者脑电信号，得到训练样本集和测试样本集。
(2)数据预处理
将采集到的所有电极的训练样本集，按样本量不变、维度增加的方法重组成一个训练数据集，即重组成一个矩阵；用同样的方式处理所有电极的测试样本集，得到测试数据集。
将预处理后的测试数据集和训练数据集以维度不变、增加样本量的方法组合成一个数据集，然后再将此数据集平均地分成10份，将其中1份作为测试数据，其它9份作为训练数据。
(3)特征提取
利用PCA对训练数据集和测试数据集进行降维，得到降维后的特征向量。
(4)特征选择
利用决策树对降维后的特征向量进行优势特征选择，得到优势特征在数据集中的位置；再将优势特征对应位置的数据，按样本量不变、维度增加的方法进行重组，得到优势特征向量。
(5)分类
将重组后的优势特征向量输入到SVM分类器中，进行EEG信号分类，求分类正确率。
(6)求分类正确率
轮流选择步骤(2)所述的10份数据中的1份作为测试数据，其它9份作为训练数据，重复步骤(3)、(4)、(5)，共进行10次实验，求10次实验所得到分类正确率的平均值，得到最终的分类正确率。
与现有技术相比，本发明具有以下明显的优势和有益效果：
(1)本发明应用决策树进行优势特征选择，操作简单，无需人工参与，节省时间和人力。
(2)本发明应用决策树进行优势特征选择，选择过程中避免了人的主观因素的影响，使选择更客观，分类正确率更高。实验表明，运用本发明方法进行EEG信号分类的平均正确率为89.1％，比运用传统的优势电极重组法提高了0.9％。
附图说明
图1为本发明所涉及方法的流程图；
图2为记录电极在头皮表面的位置分布；
图3为决策树的子树的结构示意图。
具体实施方式
下面结合附图和具体实施方式对本发明做进一步的描述。
本发明所涉及方法的流程图如图1所示，包括以下步骤：
步骤1，采集数据。
将本发明所述方法应用到BCI 2003竞赛标准数据集Data Set Ia上。数据采自于1个健康的受试者。被试者的实验任务是通过想象使屏幕上的光标上下移动，而想象所诱发的成分是低频的皮层慢电位(Slow Cortical Potential，SCP)，他的皮层电位被Cz电极记录。每次实验持续时间为6秒。在0.5s～6s内，计算机屏幕上方或下方有一个高亮度的指示条，暗示被试者需要将屏幕中间的光标向上或向下移动，移动规则是：当SCP为正时光标下移，SCP为负时光标上移。其中在2s～5.5内，被试者接受来自Cz电极的SCP幅度反馈信息，该信息在屏幕下方以一个长度正比于SCP幅度的亮条显示，此时被试者的EEG信号被以256Hz的采样率记录下来，记录电极分别位于A1、A2、P3、P4、F3、F4这六个位置，而最终用于信号处理的数据就是这3.5s内所记录到的信息反馈阶段的两种类型的脑电信号。各个电极在头皮表面的位置如图2所示。
实验共采集到两组实验数据集：训练数据集和测试数据集，其中训练数据集用于训练分类器，而测试数据集用于判断分类器的性能。由于本实验只采集了两种类型的脑电信号，所以数据的类别预测问题是一个两个类的分类问题，类别标签分别是0和1，其中0表示向下移动光标对应的信号类别，1表示向上移动光标对应的信号类别。
步骤2，进行数据预处理。
步骤2.1，数据重组。
将采集到的一个电极的训练样本集表示为一个m*p的矩阵，其中m表示训练样本集的样本量，p＝r*t为样本集的维度，其中r表示采样率，t表示采样时间；将采集到的所有电极的训练样本集，按样本量不变、维度增加的方法重组成一个训练数据集，即重组成一个m*k的矩阵，k＝a*p，其中a为记录电极的个数。
将采集到的一个电极的测试样本集表示为一个n*p的矩阵，其中n表示测试样本集的样本量。按照与训练样本集相同的处理方式，将所有电极的测试样本集重组成一个n*k的矩阵。
步骤2.2，数据分组。
将步骤2.1得到的测试数据集和训练数据集以维度不变、增加样本量的方法组合成一个数据集，即一个h*k的矩阵，h＝m+n。然后再将此数据集按样本量平均地分成10份，其中训练数据是一个w*k的矩阵，w＝0.9h，测试数据是一个g*k的矩阵，g＝0.1h。
步骤3，特征提取。
利用PCA分别对训练数据和测试数据进行特征提取，得到特征向量，即将两个数据集均从k维数据降为d维数据，也就是将每个电极的数据从p维降到q维，其中d＝a*q。
步骤4，特征选择。
将特征提取后的特征向量输入到决策树中，进行优势特征选择。这一过程具体包括以下两个步骤：
步骤4.1，构造决策树。
以代表训练样本的单个结点开始建树。结点存放的是一个属性。如果样本都在同一个类，则该结点成为树叶，并用该类标记；否则，使用成为信息增益的基于熵的度量为启发信息，选择能够最好地将样本分类的属性，即具有最高信息增益的属性。该属性成为该结点的“测试”或“判定”属性。对测试属性的每个已知的值，创建一个分支，并据此划分样本。
重复上述过程，递归地形成每个划分上的样本决策树，当下列条件之一成立时停止：
条件一：给定结点的所有样本属于同一类；
条件二：没有剩余属性可以用来进一步划分样本。在此情况下，采用多数表决，即将给定的结点转换成树叶，用样本中多数所在的类别标记它；
条件三：对于根据测试属性的其中一个已知的值创建的分支中没有样本。在这种情况下，以样本中多数类创建一个树叶。
按照上述方法构造一棵具有非叶结点、分支和树叶(叶结点)的完全决策树。对于d维的训练数据来说，对应有d个属性。树的结点存放着属性Ai，其中i＝1,2,…,d。根据分支Ai-＝aj划分样本，其中aj是属性Ai的一个已知的值，j＝1,2,…,w。树叶存放着结点样本的类别标签。决策树的一棵子树的结构如图3所示。
步骤4.2，修剪决策树。
对于完全决策树中的每一个非叶结点的子树，尝试将其替换成一个叶结点，该叶结点的类别用子树所覆盖训练样本中存在最多的那个类来代替，这样就产生了一个简化决策树。然后，比较完全决策树和简化决策树在测试数据集中的表现，如果简化决策树在测试数据集中的错误比较少，并且该子树里面没有包含另外一个具有类似特性的子树，所谓类似的特性是指把子树替换成叶结点后其测试数据集误判率降低的特性，那么该子树就可以替换成叶结点。以这种自下而上的方式遍历所有的子树，直至没有任何子树可以替换使得测试数据集的表现得以改进时，修剪便终止，得到最终的简化树。
此时简化树有c个非叶结点，对应数据集中的c个属性(即特征)，称这c个特征为优势特征(对分类效果相对帮助较大的特征)，而数据集中剩余的特征为非优势特征。
步骤5，进行EEG信号分类。
取出训练数据中c个特征对应的数据，形成新的训练样本，即一个w*c的矩阵。对测试样本做同样的工作，形成新的测试样本，即一个g*c的矩阵。将重组后的优势特征向量，包括训练样本、训练样本标签、测试样本、测试样本标签，输入到SVM分类器中，进行EEG信号分类，得到分类正确率。
步骤6，求分类正确率。
轮流选择步骤2.2所述的10份数据中的1份作为测试数据，其它9份作为训练数据，重复步骤3～5，共进行10次实验，求10次实验所得到分类正确率的平均值，得到最终的分类正确率。
为了验证本发明的有效性，以及与传统的运用优势电极重组分类法相比性能的优劣，进行了一组对比实验，两种分类方法的正确率如表1所示。
表1 本发明与传统方法分类正确率的比较
| 实验序号 | 本发明所述方法的分类正确率(％) | 传统分类方法的分类正确率(％) |
| 1 | 91.0714 | 87.5 |
| 2 | 89.2857 | 85.7143 |
| 3 | 89.2857 | 85.7143 |
| 4 | 92.8571 | 89.2857 |
| 5 | 91.0714 | 85.7143 |
| 6 | 76.7857 | 80.3571 |
| 7 | 89.4737 | 91.2281 |
| 8 | 91.0714 | 96.4286 |
| 9 | 89.2857 | 91.4286 |
| 10 | 91.0714 | 89.2857 |
| 平均值 | 89.1259 | 88.2300 |
由表1可以得出，运用本发明方法进行EEG信号分类的正确率，除了第6次实验外，均在90％左右，平均正确率为89.1％；运用传统的优势电极重组法进行EEG信号分类的平均正确率为88.2％，本发明所述方法与传统方法相比，分类正确率提高了0.9％。
Claims (2)
1.一种基于决策树的脑电信号特征选择方法，其特征在于，包括以下步骤：
步骤1，采集数据；
受试者佩戴电极帽，想象上下移动屏幕上的光标；采集受试者脑电信号，得到训练样本集和测试样本集；
步骤2，进行数据预处理；
步骤2.1，数据重组；
将采集到的一个电极的训练样本集表示为一个m*p的矩阵，其中m表示训练样本集的样本量，p＝r*t为样本集的维度，其中r表示采样率，t表示采样时间；将采集到的所有电极的训练样本集，按样本量不变、维度增加的方法重组成一个训练数据集，即重组成一个m*k的矩阵，k＝a*p，其中a为记录电极的个数；
将采集到的一个电极的测试样本集表示为一个n*p的矩阵，其中n表示测试样本集的样本量；按照与训练样本集相同的处理方式，将所有电极的测试样本集重组成一个n*k的矩阵；
步骤2.2，数据分组；
将步骤2.1得到的测试数据集和训练数据集按照维度不变、增加样本量的方法组合成一个数据集，即一个h*k的矩阵，h＝m+n；然后再将此数据集按样本量平均地分成10份，其中训练数据是一个w*k的矩阵，w＝0.9h，测试数据是一个g*k的矩阵，g＝0.1h；
步骤3，特征提取；
利用主成分分析法分别对训练数据和测试数据进行特征提取，得到特征向量，即将两个数据集均从k维数据降为d维数据，也就是将每个电极的数据从p维降到q维，其中d＝a*q；
步骤4，特征选择；
将特征提取后的特征向量输入到决策树中，进行优势特征选择；
步骤5，进行脑电信号分类；
取出训练数据中c个特征对应的数据，形成新的训练样本，即一个w*c的矩阵；对测试样本做同样的工作，形成新的测试样本，即一个g*c的矩阵；将重组后的优势特征向量，包括训练样本、训练样本标签、测试样本、测试样本标签，输入到支持向量机分类器中，进行脑电信号分类，得到分类正确率；
步骤6，求分类正确率；
轮流选择步骤2.2所述的10份数据中的1份作为测试数据，其它9份作为训练数据，重复步骤3～5，共进行10次实验，求10次实验所得到分类正确率的平均值，得到最终的分类正确率。
2.根据权利要求1所述的一种基于决策树的脑电信号特征选择方法，其特征在于，步骤4所述优势特征选择的方法包括以下步骤：
(1)构造决策树；
以代表训练样本的单个结点开始建树；结点存放的是一个属性；如果样本都在同一个类，则该结点成为树叶，并用该类标记；否则，使用成为信息增益的基于熵的度量为启发信息，选择能够最好地将样本分类的属性，即具有最高信息增益的属性；该属性成为该结点的“测试”或“判定”属性；对测试属性的每个已知的值，创建一个分支，并据此划分样本；
重复上述过程，递归地形成每个划分上的样本决策树，当下列条件之一成立时停止：
条件一：给定结点的所有样本属于同一类；
条件二：没有剩余属性可以用来进一步划分样本；在此情况下，采用多数表决，即将给定的结点转换成树叶，用样本中多数所在的类别标记它；
条件三：对于根据测试属性的其中一个已知的值创建的分支中没有样本；在这种情况下，以样本中多数类创建一个树叶；
按照上述方法构造一棵具有非叶结点、分支和树叶的完全决策树；对于d维的训练数据来说，对应有d个属性；树的结点存放着属性Ai，其中i＝1,2,…,d；根据分支Ai＝aj划分样本，其中aj是属性Ai的一个已知的值，j＝1,2,…,w；树叶存放着结点样本的类别标签；
(2)修剪决策树；
对于完全决策树中的每一个非叶结点的子树，尝试将其替换成一个叶结点，该叶结点的类别用子树所覆盖训练样本中存在最多的那个类来代替，这样就产生了一个简化决策树；然后，比较完全决策树和简化决策树在测试数据集中的表现，如果简化决策树在测试数据集中的错误比较少，并且该子树里面没有包含另外一个具有把该子树替换成叶结点后其测试数据集误判率降低特性的子树，那么该子树就可以替换成叶结点；以这种自下而上的方式遍历所有的子树，直至没有任何子树可以替换使得测试数据集的表现得以改进时，修剪便终止，得到最终的简化树；
此时简化树有c个非叶结点，对应数据集中的c个属性，即c个特征，称这c个特征为优势特征，而数据集中剩余的特征为非优势特征。
Priority Applications (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201410112806.XA CN103876734B (zh) | 2014-03-24 | 2014-03-24 | 一种基于决策树的脑电信号特征选择方法 |
| US14/583,127 US20150269336A1 (en) | 2014-03-24 | 2014-12-25 | method for selecting features of EEG signals based on decision tree |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201410112806.XA CN103876734B (zh) | 2014-03-24 | 2014-03-24 | 一种基于决策树的脑电信号特征选择方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN103876734A CN103876734A (zh) | 2014-06-25 |
| CN103876734B true CN103876734B (zh) | 2015-09-02 |
Family
ID=50946099
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201410112806.XA Active CN103876734B (zh) | 2014-03-24 | 2014-03-24 | 一种基于决策树的脑电信号特征选择方法 |
Country Status (2)
| Country | Link |
|---|---|
| US (1) | US20150269336A1 (zh) |
| CN (1) | CN103876734B (zh) |
Families Citing this family (27)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US10223634B2 (en) | 2014-08-14 | 2019-03-05 | The Board Of Trustees Of The Leland Stanford Junior University | Multiplicative recurrent neural network for fast and robust intracortical brain machine interface decoders |
| CN104571505B (zh) * | 2014-12-24 | 2017-08-25 | 天津大学 | 一种基于序列性复合肢体想象动作的脑‑机接口方法 |
| CN104644166B (zh) * | 2015-02-16 | 2017-03-08 | 浙江大学 | 一种基于格子复杂性算法的无线动态麻醉深度检测方法 |
| CN104850833B (zh) * | 2015-05-07 | 2018-05-01 | 北京工业大学 | 一种脑电混沌特性分析的方法及系统 |
| US10779746B2 (en) * | 2015-08-13 | 2020-09-22 | The Board Of Trustees Of The Leland Stanford Junior University | Task-outcome error signals and their use in brain-machine interfaces |
| CN105335752A (zh) * | 2015-09-18 | 2016-02-17 | 国网山东省电力公司菏泽供电公司 | 一种基于主成分分析多变量决策树的接线方式识别方法 |
| CN105260616A (zh) * | 2015-10-30 | 2016-01-20 | 刘炜 | 一种医院数据的自动分析方法及自动分析系统 |
| CN106777891B (zh) * | 2016-11-21 | 2019-06-07 | 中国科学院自动化研究所 | 一种数据特征选择和预测方法及装置 |
| CN108520781A (zh) * | 2018-03-28 | 2018-09-11 | 北京大学人民医院 | 一种计算试管婴儿成功结局几率的方法 |
| US12008987B2 (en) | 2018-04-30 | 2024-06-11 | The Board Of Trustees Of The Leland Stanford Junior University | Systems and methods for decoding intended speech from neuronal activity |
| US10949086B2 (en) | 2018-10-29 | 2021-03-16 | The Board Of Trustees Of The Leland Stanford Junior University | Systems and methods for virtual keyboards for high dimensional controllers |
| CN109303559B (zh) * | 2018-11-01 | 2021-05-14 | 杭州质子科技有限公司 | 一种基于梯度提升决策树的动态心电图心拍分类方法 |
| CN109512442A (zh) * | 2018-12-21 | 2019-03-26 | 杭州电子科技大学 | 一种基于LightGBM的EEG疲劳状态分类方法 |
| CN110133599B (zh) * | 2019-01-08 | 2022-12-06 | 西安电子科技大学 | 基于长短时记忆模型的智能雷达辐射源信号分类方法 |
| CN110164524A (zh) * | 2019-04-29 | 2019-08-23 | 北京国润健康医学投资有限公司 | 一种偏瘫患者康复训练任务自适应匹配方法及其系统 |
| CN110141236B (zh) * | 2019-05-22 | 2022-11-25 | 重庆邮电大学 | 用于阻抗成像的频变自适应阻抗采集控制装置及方法 |
| CN110189803A (zh) * | 2019-06-05 | 2019-08-30 | 南京理工大学 | 基于聚类与分类相结合的疾病危险因素提取方法 |
| CN110390272B (zh) * | 2019-06-30 | 2023-07-18 | 天津大学 | 一种基于加权主成分分析的eeg信号特征降维方法 |
| US11640204B2 (en) | 2019-08-28 | 2023-05-02 | The Board Of Trustees Of The Leland Stanford Junior University | Systems and methods decoding intended symbols from neural activity |
| CN111134667B (zh) * | 2020-01-19 | 2024-01-26 | 中国人民解放军战略支援部队信息工程大学 | 基于脑电信号的时间迁移情绪识别方法及系统 |
| CN111368884B (zh) * | 2020-02-22 | 2023-04-07 | 杭州电子科技大学 | 一种基于矩阵变量高斯模型的运动想象脑电特征提取方法 |
| CN112001305B (zh) * | 2020-08-21 | 2022-08-05 | 西安交通大学 | 基于梯度提升决策树的特征优化ssvep异步识别方法 |
| CN112215771A (zh) * | 2020-10-10 | 2021-01-12 | 徐州医科大学 | 一种骨科植入物类特征智能构建方法及系统 |
| CN113269048B (zh) * | 2021-04-29 | 2024-05-28 | 北京工业大学 | 基于深度学习和混合噪声数据增强的运动想象脑电信号分类方法 |
| CN113919387A (zh) * | 2021-08-18 | 2022-01-11 | 东北林业大学 | 基于gbdt-lr模型的脑电信号情感识别 |
| CN113806371B (zh) * | 2021-09-27 | 2024-01-19 | 重庆紫光华山智安科技有限公司 | 数据类型确定方法、装置、计算机设备及存储介质 |
| CN113902951B (zh) * | 2021-10-13 | 2024-05-24 | 中国检验检疫科学研究院 | 基于主成分分析和梯度提升决策树的油菜蜜真伪鉴别方法 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101219048A (zh) * | 2008-01-25 | 2008-07-16 | 北京工业大学 | 想象单侧肢体运动的脑电特征的提取方法 |
| CN101596101A (zh) * | 2009-07-13 | 2009-12-09 | 北京工业大学 | 依据脑电信号判定疲劳状态的方法 |
| CN101641660A (zh) * | 2007-03-23 | 2010-02-03 | 诺基亚公司 | 为使用脑机接口的命令控制任务提供分层方法的装置、方法和计算机程序产品 |
| CN102499676A (zh) * | 2011-11-03 | 2012-06-20 | 北京工业大学 | 基于有效时间序列和电极重组的脑电信号分类系统和方法 |
| CN102835955A (zh) * | 2012-09-08 | 2012-12-26 | 北京工业大学 | 一种无需设定阈值的脑电信号中眼电伪迹自动去除的方法 |
-
2014
- 2014-03-24 CN CN201410112806.XA patent/CN103876734B/zh active Active
- 2014-12-25 US US14/583,127 patent/US20150269336A1/en not_active Abandoned
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101641660A (zh) * | 2007-03-23 | 2010-02-03 | 诺基亚公司 | 为使用脑机接口的命令控制任务提供分层方法的装置、方法和计算机程序产品 |
| CN101219048A (zh) * | 2008-01-25 | 2008-07-16 | 北京工业大学 | 想象单侧肢体运动的脑电特征的提取方法 |
| CN101596101A (zh) * | 2009-07-13 | 2009-12-09 | 北京工业大学 | 依据脑电信号判定疲劳状态的方法 |
| CN102499676A (zh) * | 2011-11-03 | 2012-06-20 | 北京工业大学 | 基于有效时间序列和电极重组的脑电信号分类系统和方法 |
| CN102835955A (zh) * | 2012-09-08 | 2012-12-26 | 北京工业大学 | 一种无需设定阈值的脑电信号中眼电伪迹自动去除的方法 |
Non-Patent Citations (3)
| Title |
|---|
| 一种新的基于平衡决策树的SVM多类分类算法;刁智华 等;《控制与决策》;20110131;第26卷(第1期);149-152,156 * |
| 改进的决策树SVM在脑电识别中的应用;黄玲 等;《计算机工程与设计》;20100208;第31卷(第2期);382-384 * |
| 黄玲.基于支持向量机的多类意识任务分类方法研究.《中国优秀硕士学位论文全文数据库(电子期刊)》.2007,(第02期),I140-86. * |
Also Published As
| Publication number | Publication date |
|---|---|
| US20150269336A1 (en) | 2015-09-24 |
| CN103876734A (zh) | 2014-06-25 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN103876734B (zh) | 一种基于决策树的脑电信号特征选择方法 | |
| CN110070105B (zh) | 基于元学习实例快速筛选的脑电情绪识别方法、系统 | |
| CN102835955B (zh) | 一种无需设定阈值的脑电信号中眼电伪迹自动去除的方法 | |
| CN104809434A (zh) | 一种基于单通道脑电信号眼电伪迹去除的睡眠分期方法 | |
| CN104545900B (zh) | 一种基于配对样本t检验的事件相关电位分析方法 | |
| CN104127179B (zh) | 一种优势电极组合与经验模式分解的脑电特征提取方法 | |
| CN114224342B (zh) | 一种基于时空融合特征网络的多通道脑电信号情绪识别方法 | |
| CN104091172A (zh) | 一种运动想象脑电信号的特征提取方法 | |
| CN103996054B (zh) | 一种基于组合差异进化的脑电信号特征选择及分类方法 | |
| CN104035563B (zh) | 基于w‑pca和无监督ghsom的脑电信号识别方法 | |
| CN113191225B (zh) | 一种基于图注意力网络的情绪脑电识别方法及系统 | |
| US20220265218A1 (en) | Real-time evaluation method and evaluation system for group emotion homogeneity | |
| CN110262658B (zh) | 一种基于强化注意的脑机接口字符输入系统及实现方法 | |
| Ma et al. | Capsule network for ERP detection in brain-computer interface | |
| CN108256579A (zh) | 一种基于先验知识的多模态民族认同感量化测量方法 | |
| Salvaris et al. | Wavelets and ensemble of FLDs for P300 classification | |
| CN106510702B (zh) | 基于中潜伏期听觉诱发电位的听觉注意特征提取、识别系统及方法 | |
| CN109009098B (zh) | 一种运动想象状态下的脑电信号特征识别方法 | |
| Borra et al. | A lightweight multi-scale convolutional neural network for P300 decoding: analysis of training strategies and uncovering of network decision | |
| Krusienski et al. | Common spatio-temporal patterns for the P300 speller | |
| CN106073767B (zh) | Eeg信号的相位同步度量、耦合特征提取及信号识别方法 | |
| CN114145745B (zh) | 基于图的多任务自监督情绪识别方法 | |
| CN115659207A (zh) | 一种脑电情绪识别方法及系统 | |
| CN103300850A (zh) | 一种中风病人脑电信号采集与处理的方法 | |
| Zhao et al. | Incremental common spatial pattern algorithm for BCI |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| C10 | Entry into substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| C14 | Grant of patent or utility model | ||
| GR01 | Patent grant | ||
| EE01 | Entry into force of recordation of patent licensing contract |
Application publication date: 20140625 Assignee: LUOYANG YAHUI EXOSKELETON POWER-ASSISTED TECHNOLOGY CO.,LTD. Assignor: Beijing University of Technology Contract record no.: X2024980000190 Denomination of invention: A decision tree based feature selection method for EEG signals Granted publication date: 20150902 License type: Common License Record date: 20240105 Application publication date: 20140625 Assignee: Luoyang Lexiang Network Technology Co.,Ltd. Assignor: Beijing University of Technology Contract record no.: X2024980000083 Denomination of invention: A decision tree based feature selection method for EEG signals Granted publication date: 20150902 License type: Common License Record date: 20240104 |
|
| EE01 | Entry into force of recordation of patent licensing contract |