基于随机森林算法的高维脑电特征优选

被引：4

作者：

李飞

高小榕

高上凯

机构：

[1] 清华大学生物医学工程系

来源：

北京生物医学工程 | 2007年 / 04期

基金：

北京市自然科学基金;

关键词：

随机森林; 特征优选; 导联选择; 脑电信号分类;

D O I：

暂无

中图分类号：

R318 [生物医学工程];

学科分类号：

0831 ;

摘要：

在基于脑电的脑-机接口研究中,脑电信号的分类是较为重要的部分。从多导脑电中得到大量可用于分类的特征,并对这些特征进行优选是研究热点。本文应用多分类器组合的分类树方法和自助法重采样技术,结合随机特征选择,使用随机森林组合分类器方法对想象运动实验中的高维脑电特征进行分析。根据不同特征在生成森林过程中被选用于分枝次数的不同,提出了一种有效的特征优选方法,并在特征优选的基础上可以进行导联的筛选。

引用

页码：360 / 364+368 +368

页数：6

共 6 条

[1] 机器学习 [J].

刘琴 .

武汉工程职业技术学院学报, 2001, (02) :41-44

[2]

Brain–computer interfaces for communication and control[J] . Jonathan R Wolpaw,Niels Birbaumer,Dennis J McFarland,Gert Pfurtscheller,Theresa M Vaughan.Clinical Neurophysiology . 2002 (6)

[3] A tutorial on Support Vector Machines for pattern recognition [J].

Burges, CJC .

DATA MINING AND KNOWLEDGE DISCOVERY, 1998, 2 (02) :121-167

[4] Bagging predictors [J].

Breiman, L .

MACHINE LEARNING, 1996, 24 (02) :123-140

[5]

Interdependence of EEG signals: Linear vs. nonlinear Associations and the significance of time delays and phase shifts[J] . Fernando Lopes da Silva,Jan Pieter Pijn,Peter Boeijinga.Brain Topography . 1989 (1)

[6]

Bootstrap Methods for Standard Errors, Confidence Intervals, and Other Measures of Statistical Accuracy[J] . B. Efron,R. Tibshirani.Statistical Science . 1986 (1)

← 1 →