研究文章
BCILAB EEGLAB、筛选、非功能性测试,埃里卡:新的先进的脑电图处理工具
表2
信号处理、特征提取和机器学习算法中包含BCILAB / EEGLAB框架。
|
| 信号处理 |
特征提取 |
机器学习算法 |
|
| (我)通道选择 |
(我)平均多窗口26,27] |
(我)线性判别分析(LDA) (28] |
| (2)重采样 |
(2)常见的空间模式(CSP) [29日] |
(2)二次判别分析(QDA) [30.] |
| (3)工件拒绝(峰值检测、坏窗口检测,坏通道检测,本地峰值检测) |
(3)Spectrally-weighted常见的空间模式(31日] |
(3)正规化和分析正规化LDA和QDA30.,32] |
| (iv)包络提取 |
从BioSig (iv)自适应自回归建模,33] |
(iv)线性支持向量机(34)(LIBLINEAR /废) |
| (v)时代提取 |
(1)Dual-agumented拉格朗日(DAL) [25] |
(v)内核支持向量机(34] |
| (1)时频窗口的选择 |
(2)频域木豆(FDAL) |
(vi)高斯混合模型(GMM), 9(方法35- - - - - -37]) |
| (2)光谱转换 |
(3)独立调节器(38] |
(七)正规化和变分贝叶斯逻辑回归和稀疏贝叶斯逻辑回归39,40] |
| (vi)基线过滤 |
(4)Multiband-CSP [41] |
(1)分层内核学习(42] |
| (七)重采样 |
(5)多模型独立分量的特性 |
(八)关联向量机(RVM) [43] |
| (八)点将零度 |
|
(1)group-sparse / rank-sparse线性和逻辑回归25] |
| (九)表面拉普拉斯算子的滤波44] |
|
(2)密度高维高斯贝叶斯估计量/分类器 |
| (x) ICA方法(Infomax、FastICA AMICA) (6,45] |
|
(3)metalearner投票 |
| (十一)光谱过滤器(杉木、信息检索 |
|
|
| (十二)球形样条插值46] |
|
|
| (1)信号归一化 |
|
|
| (2)稀疏信号重建(内斯塔,SBL [47),焦点,l1;目前离线) |
|
|
| (3)线性投影 |
|
|
|
|
