文摘

最近,脑电图(EEG)信号提供了一个优秀的潜力新人识别技术。几项研究定义了脑电图具有独特的特性,普遍性、鲁棒性和自然作为一个新的跟踪,防止欺骗攻击。EEG信号的视觉记录大脑的电活动,通过将测量电极(渠道)在各种头皮的位置。然而,因为它使得基于脑电图传统系统导致高复杂性与许多渠道,和一些渠道关键信息识别系统而其他人没有。几项研究已经提出一个目的地址识别脑电图渠道的人。不幸的是,这些研究只侧重于提高准确率不平衡精度和选定的总数脑电图频道。本文提出一种新颖的多目标二进制版本的布谷鸟搜索算法(MOBCS-KNN)找到最优识别脑电图频道选择的人。该方法(MOBCS-KNN)使用一个加权和技术来实现多目标的方法。此外,因为它使得基于脑电图的资讯分类器识别生物人使用。值得一提的是,这是使用多目标技术的初步调查与脑电图通道选择问题。 A standard EEG motor imagery dataset is used to evaluate the performance of the MOBCS-KNN. The experiments show that the MOBCS-KNN obtained accuracy of 只使用24个传感器 自回归系数。另一个关键点是,MOBCS-KNN发现渠道不太接近对方捕捉相关信息的头。总之,MOBCS-KNN算法相比metaheuristic算法达到最好的结果。最后,推荐方法吸引未来的发展方向可以应用到不同的研究领域。

1。介绍

多年来,我们的宇宙已经转移到一个数字社区的每个人都是生活在一个特定的数字标识符。事实上,有几种类型的标识符,如身份证和密码。与此同时,他们很容易规避,被盗,被遗忘1]。因此,个人的行为或特征可以用来加强识别系统。这样的技术,所谓的生物识别技术,利用几个面对面的信息片段,允许更健壮的识别系统,如的脸和声音识别,指纹信息和虹膜数据(2]。使用脑电图的动机和身体传感器在医疗保健系统中一直是一个有趣的领域,许多研究人员(3- - - - - -5]。

另一方面,生物识别系统的广泛和有影响力的部署会导致一个新的挑战,叫做“欺骗”1,6- - - - - -8]。这种类型的攻击被列为最危险的安全系统,因为它旨在打破生物识别系统的安全,从而允许未经授权的人员进入系统(2]。

在现实生活中,已经有一些欺骗攻击的生物识别系统,如面对欺骗(打印照片和3 d面具攻击(9- - - - - -12]),假指纹(黏手),手指静脉系统愚弄通过一张纸13],虹膜识别系统被眼球虹膜扫描仪,相反,通过录音回放语音识别愚弄与识别系统扬声器(14]。因此,人们在寻找生物认证系统授权访问一个人基于无形的特点,因此越来越难被外部攻击的威胁。在这种背景下,一个是指用户身份验证基于大脑信号,可以捕捉到著名的脑电图(EEG)考试(15]。

EEG信号显示为一个伟大的选择设计新的生物识别系统自几项研究表明,这类信息呈现独特性特征,普遍性、鲁棒性和自然欺骗攻击(1,16]。这些信号表示的图形记录大脑电活动,可通过将测量电极(传感器)在不同位置的头皮1,17- - - - - -20.]。脑电图通道选择是完全依赖EEG信号的特点,最丰富的特性,提供最高的准确率从通道选择确定。

多目标优化算法已应用于不同的方法论的阶段和标准(21,22]。在特征选择的多目标规划问题,可能的特性定义决策变量的向量。许多分类问题的空间特性通常是非常大的(23]。在[24,25),作者提出了新的特征选择方法,基于多目标进化算法,成功地选择的一小部分功能,试图避免过度拟合问题,减少在高维特征空间分类问题。在同一个方向,嵌入式特征选择问题也已解决多目标遗传优化过程,同时最小化的误分类率和数量的选择属性(26,27]。多目标优化算法已用于消电离EEG信号阶段。在[28),一种方法采用信号消电离阶段模型中分解和现在两个指标量化脑电图在清洗过程中信息丢失的数量。此外,在[7),作者提出了一个新颖的方法,从最初的EEG信号中提取独特功能使用多目标花授粉算法和小波变换。

因为它使得基于脑电图的一个重大挑战关于用户识别技术是信号采集,通过将执行几个电极(传感器)在一个人的头上。缺点,这样一个过程通常是不舒服的,因为它需要熟悉传感器放置在正确的位置。此外,必须考虑一些问题,如:“真的有必要把所有这些电极在一个人的头?如果没有,我们可以确定最相关的用户标识,然后使用较少的传感器?”上述问题激发我们试图模型脑电图通道选择作为一个优化问题。在这项工作,我们的目标是学习最重要的脑电图渠道提出了一个混合的方式组成的布谷鸟搜索算法(CSA) [29日),以下简称“MOCS-EEG。“分类步骤是由资讯分类器。本文的主要贡献有三点:(1)评估二进制布谷鸟搜索算法识别因为它使得基于脑电图(BCSA)人(2)模型的问题脑电图通道选择作为一个基于进化论的优化任务(3)提出一种多目标技术因为它使得基于脑电图结合的资讯分类器识别生物的人

我们使用进化优化算法对脑电图渠道选择时由于其效率解决具有挑战性的现实问题及其简单。该方法的性能(MOCS-KNN)是相对于其他七个多目标metaheuristic算法(二进制PSO (MOPSO-KNN),二进制拥有(MOGWO-KNN),二进制FFA (MOFFA-KNN),二进制蝙蝠(MOBAT-KNN),二进制微血管(MOMVO-KNN),二进制WOA (MOWOA-KNN)和二进制MFO (MOMFO-KNN))。精度的比较包括5个措施,比率 ,渠道选择 ,特异性 ,f值 ,和回忆 。结果表明,该技术(MOCS-KNN)能够超越其他metaheuristic算法在几乎所有的结果。

本文的其余部分组织如下:相关工作大约因为它使得基于脑电图的识别技术进行了综述2。讨论布谷鸟搜索算法部分3。该方法中提供了部分4。结果讨论部分5,部分6提供的结论和未来的工作。

本节概述相关的先前的研究使用优化算法在BCI的应用程序。几个工作提出了基于优化算法解决问题相关的人鉴定的案例研究。根据(1,30.),选择频道的数量可以积极影响分类任务的准确性。作者特别解决的问题减少所需的传感器的数量,同时保持类似的性能。他们取得了重大的成果,获得很好的人识别利率使用更少的通道。在[1),作者提出了一种二进制版本的花授粉算法在不同渠道的转移函数来选择最佳的子集,最大化的准确性。在[31日),作者提出了一种遗传算法减少必要的电极脑电图测量的设备。结果令人鼓舞,可以准确地确定一个主题用大约10 64个电极。作者在16)提出了基于二进制的混合优化技术(FPA)和花授粉算法 - - - - - -希尔攀登(称为平安险 - - - - - -hc)选择最相对脑电图的渠道(即。,features) that come up with efficient accuracy rate of personal identification. The proposed method is able to identify persons with high Acc, Sen, ,和 和更少的选择的通道数。然而,这些研究只集中在渠道的数量作为优化过程的基线。

在[7],作者提出了新方法基于多目标花授粉的EEG信号去噪算法。他们设计了一个多目标函数,考虑减少脑电图噪声之间的平衡和保持其信号能量。在[32),作者提出了最优脑电图仪的多目标优化方法(EEG)通道选择系统中提供受试者同意通过探测入侵者并确定主题。优化过程是由nondominated排序遗传算法(NSGA)。寻找最佳的优化过程由ν和伽马RBF核函数的支持向量机对提高焦油,TRR,和主题识别的准确性或维持他们以前的配置,尽可能高,尽可能使用最小数量的脑电图频道。然而,在SVM hyperparameters优化过程是受限制的,很难推广,另一项研究中,特别是当使用不同的分类器,每个分类器都有自己的特点和hyperparameters。

总结,在优化人识别算法,两种方案曾被观察到:首先,优化方案基于单一的客观标准,主要渠道选择;其次,基于多目标优化方案标准等频道选择,hyperparameters脑电图噪音,与分类。生物信息学应用程序通常涉及分类问题,需要提高学习精度(33]。根据(32),某些方面达成前需要进行分析和改善工业水平新的生物识别系统的应用。一个是人识别,这在任何安全系统是一个重要的安全层。这也是重要的便携式低密度发展的脑电图设备保持相似的精度高密度脑电图。因此,人识别的准确性是非常重要的方面。我们最好的知识,一方面,这是第一个研究目前多目标优化基于渠道的数量和分类精度重量为优化过程基线。另一方面,本研究首次实现和测试八优化算法,以推广最好的算法,可以采用识别任务的人。

3所示。布谷鸟搜索算法

布谷鸟搜索算法(CS)是一个natural-based群体智慧metaheuristic杨和Deb[提出的34)模仿杜鹃鸟在繁殖过程的行为。它模拟了杜鹃鸟当铺设方式受精卵在别的鸟巢,代理的孩子照顾父母。杜鹃鸟也可以删除原来的巢卵提高孵化卵的机会。当父母发现他们的国外代理鸡蛋不属于他们,他们扔出巢或放弃巢。布谷鸟蛋复制品的过程建模为一个优化算法制定CS。三个假设采用制定CS算法在优化环境。(我)每个布谷鸟只选择一个巢窝躺一个鸡蛋。(2)高品质蛋最好的巢被标记中使用第二代。(3)自托管巢穴的数量是提前预定的,主机杜鹃可以发现巢中的蛋不自己的鸡蛋的概率 在哪里 。在这种情况下,主机把外国鸡蛋或放弃飞鸟和重建另一个在不同的地方。

在CS算法中,每个巢中的蛋代表的解决方案而杜鹃鸡蛋代表新解决方案(见图1)。鸡蛋的质量在鸟巢的适应度函数的解决方案。最终目标是取代在一窝鸡蛋可能更好的布谷鸟鸡蛋。布谷鸟频繁使用征收航班离开巢后改变其立场。主机鸟可以把杜鹃鸡蛋或离开鸟巢当布谷鸟鸡蛋被发现。CS算法的流程图如图1。CS算法在算法的伪代码1。表1显示了CS算法的局部和全局搜索参数。下面的讨论提供了CS算法的程序步骤。


图1
杜鹃鸟的巢卵。
表1
CS算法的局部和全局搜索参数。
(1) CS算法的初始化参数。
(2) 构造初始主机巢人口卫生系统。
(3) 计算每个主机巢的健身人群中( ),在哪里 。
(4) = 1
(5) 而不满足终止准则做
(6) 全球随机漫步使用(3)
(7) 更新主机巢人口
(8) 当地的随机漫步使用(5)
(9) 结束时
(10) 返回的最佳解决方案。
算法1
CS算法伪代码。

步骤1:初始化CS算法参数。最初,优化问题是传统建模的目标函数如下: 在哪里 是目标函数评估解决方案的质量 的 决策变量。每个决策变量 在这 下界和吗 是变量的上限 ,分别。的参数优化问题通常从数据中提取。目标函数是用来评估问题的解决方案。CS参数可以分为两种类型:(i)算法参数如最大迭代次数和数量的巢穴或人口规模;(2)控制参数 这是外星鸡蛋的发现率/解决方案。步骤2:初始化主机巢人口(事项)。主机巢人口制定作为一个矩阵 的大小 ,在哪里 是蛋巢和的总数吗 解决方案是维度。中的每一行 代表一个解决方案,见以下方程: 目标函数值 每个解决方案的 也计算。步骤3:这一步也被称为全球随机漫步。对于每一个解决方案, 在 更新(例如, )使用步骤的制定征收航班如下方程: 在哪里 在哪里 步长比例因子而吗 步长。注意,步长计算根据规模大小的优化问题(35- - - - - -37]。数学符号 指成对产品操作。 是 制定航班和计算基于重尾分布概率分布(3)。中随机游走是随机方程(4)。 是伽玛函数。步骤4:更新主机巢人口。为了更新版,每个解决方案 更新 航班的步骤是与另一个随机选择的解决方案 。此后,该解决方案 取而代之的是解决方案 ,如果是后者更好。第五步:本地随机的概率 ,每个解决方案 在 是否检查天气废弃的如下: 在哪里 和 是两个不同的随机选择的解决方案和 是亥维赛函数。 是一个函数,生成一个随机数从均匀分布,然后呢 步长。澄清对CS算法收敛行为,有趣的论文可以被称为34,35,38]。第六步:停止准则。步骤3、4和5是重复,直到终止判据;例如,迭代的最大数量。

CS算法成功地应用于解决一些优化问题,如旅行商问题(39),经济负载等40],人脸识别[41),加载模式优化(42)、数据聚类(43),特征选择(44,短期负荷预测45),模拟质子交换膜燃料电池(46),电力配电网络重构47),最优无功调度(48),灰度图像的对比度增强49),估计在矿山爆破峰值质点速度(50),非线性方程组51在无线传感器网络[],最大化的覆盖范围52),作业调度(53在[]和其他报告35,54,55]。

然而,CS算法修改的框架和集成与其他组件,以改善其性能。这些修改包括CS算法自适应参数(56,57),多目标CSA (45,58),混乱的CSA (43,59),二进制CS算法(60,61年与其他metaheuristic算法[],CS算法52,62年,63年与其他组件),CS算法(52,64年),和其他改进的CS算法(44,51,59,65年]。

4所示。方法

本节提供了一个完整的解释方法的提出与资讯分类器(MOCS-KNN)举解决脑电图渠道选择问题。总的来说,方法有五个阶段。图2显示了这些阶段的流程图。第一阶段涉及脑电图信号采集任务已使用64个电极。部分5.2将提供更多细节关于这个阶段。在第二阶段,两个传统过滤器(带通和陷波滤波器)被用来去除不必要的工件中使用的原始脑电图信号如(16),然后应用小波降噪EEG信号的建议(17]。在第三阶段,三个自回归系数提取去噪脑电图信号特征提取数据,也就是说, , ,和 ,由罗德里格斯等建议。1]。


图2
该方法的流程图(MOCS-KNN)。

第四阶段是这项工作的主要贡献在多目标布谷鸟搜索算法提出了脑电图通道选择。接下来的部分详细解释该方法。

4.1。多目标方法的制定

在这项工作中,我们使用加权求和的方法实现多目标优化所显示(66年]。的加权和的方法,加权系数考虑多个目标的偏好。基本上,脑电图通道选择的多目标优化可以定义如下: 与 在哪里 目标函数的数量和吗 是指非负权重。 在哪里 和 指测量精度(12分别电极)和数量的选择。 和 参考的权重 和 。

4.2。传递函数

因为该方法最初是设计来处理连续值优化问题,我们需要地图每一个可能的解决方案到binary-valued位置(即。脑电图渠道选择问题需要每个可能的解决方案是一个二进制向量编码,其中“0”表示通道将不会使用和“1”相反的情况)1,67年]。为了限制二进制的解决方案,我们需要使用所谓的“传递函数” ,这是定义如下: 在哪里 和 。图3演示了如何构建一个二进制向量和选择最优渠道使用MOCS-KNN脑电图子集。


图3
使用该方法MOCS-KNN脑电图通道选择。

有三个步骤,必须考虑选择最优通道的子集。首先,随机初始化的二进制向量(代表脑电图渠道),在“1”意味着一个给定的通道将选择和“0”表示不会选择频道。后,MOCS-KNN将开始寻找空间来找到最优的子集渠道,即。,一个可以提供最高的准确率。最后,我们摒弃所有渠道与“0”值,让其余的人。

4.3。脑电图通道选择的布谷鸟搜索算法

MOCS-KKN是一个强大的metaheuristic群优化算法。MOCS-KKN高能力探索和利用一个特殊的问题搜索空间使用两个控制参数,a和c。此外,它可以探索搜索空间最优使用最好的三种解决方案。因此,MOCS-KKN适应脑电图渠道选择问题(MOCS-KKN),试图找到最优/算法脑电图通道设置,实现最高的准确率。每个解决方案提供的MOCS-KKN评估基于目标函数(12)。主要MOCS-KKN适应步骤下面讨论的脑电图渠道选择问题彻底。步骤1:初始化举参数。适应举的第一步是初始化通道脑电图和举参数选择问题。脑电图通道参数选择问题 。举参数最小值 和最大 搜索代理范围内,初始化是1和64年,分别由于脑电图的总数频道,搜索代理包的数量 ,和迭代的最大数量 。步骤2:初始化举人口。在这一步中,初始化所有举的解决方案和生成的随机配置人口。每个解决方案是在举一只布谷鸟,包含基于“增大化现实”技术特征的系数。图4提出了一个解决方案在MOCS-CS人口(P), P包含30个解决方案见以下方程: 第三步:目标函数评价。如前所述,每个解决方案评估是基于目标函数(8)。这个评估之后,最好的三个解决方案将被分配到最好的杜鹃。步骤4:更新MOCS-KNN人口。BMOCS-KNN方法的人口将被更新在这一步中,试图找到更好的解决方案,实现最优脑电图通道集。这种更新可以通过使用(4)。更新机制开始通过生成新的解决方案。第五步:检查停止准则。


图4
解决方案在MOCS-KNN人口。

重复步骤3和步骤4的MOCS-KNN直到停止准则。

5。结果和讨论

在本节中,我们讨论实验的细节用来评估建议的方法的鲁棒性以及数据集用于这项工作。参数的设置及实验装置以后章节中讨论5.3,而部分5.4建议的方法,提出了一种比较MOCS-KNN和其他metaheuristic算法。

5.1。传统的脑电图分类方法的性能

本节的主要目的是提供一个简短的了解传统机器学习分类方法的性能,因为它使得基于脑电图用于个人身份问题。测量用来评估分类精度和性能曲线下的面积(AUC)。总结了结果表2使用三个数据集。尝试了几种传统脑电图分类方法:人工神经网络(ANN),线性支持向量机,支持向量机与径向基函数(RBF-SVM), - - - - - -最近的邻居( - - - - - -神经网络),决策树(J48),优化路径森林(OPF),朴素贝叶斯、线性判别分析(LDA)。根据报告结果,然而,因为它使得基于脑电图能够获得较好的分类精度个人识别问题。因此,对MOCS-EEG采用资讯。

表2
然而,结果。

曲线下的面积(AUC)措施和混淆矩阵在图也是资讯的可视化结果5。


图5
结果整个脑电图的资讯频道。
5.2。数据集

在这个工作中,一个标准的脑电图数据集(68年)已被用于评估该方法(平安险 - - - - - -hc)。这个数据集的大脑信号收集的109例使用脑机接口软件被称为BCI2000系统[69年]。EEG信号然后从64个电极(即获得。,channels), and each subject performs 12 motor/imagery tasks (i.e., 12 records of EEG signals for each subject). Further, AR features are extracted from these 12 recordings with three different number of coefficients: AR5, AR10, and AR20. To reduce the dispersion of the EEG patterns and to quickly process the extracted features, we compute the mean value of each electrode. Figure6显示使用的电极EEG数据集的分布。


图6
分布的脑电图传感器用于这项工作。
5.3。实验装置

在本节中,提出了信道的性能选择方法和其他方法评估使用三个脑电图信号收集的数据集应用自回归(AR)模型根据三种不同的系数。解决方案在所有通道的选择方法是由一个向量,由一系列的1和0,其中“1”意味着通道选择和“0”意味着通道将被忽略。在分类过程中,脑电图信号数据维数将减少,形成完全根据渠道支持的频道选择方法。另一方面,渠道不支持将被删除从原始数据集。之后,使用10-fold-cross-validation这里的应用分类过程,减少数据迭代被分成十个部分,一部分是测试数据作为训练数据和剩余的部分。这个过程被重复10次,每次测试新样品分配一部分直到所有样本被覆盖。10-fold-cross-validation过程呈现在图7。在这部作品中,得到的分类精度 - - - - - -最近的邻居(资讯)和通道的数量被用来设计多目标适应度函数。


图7
10-fold-cross-validation的框图。

表3展示了所选择的参数用于metaheuristic算法在这工作。对CS,我们需要定义 ,这是用于计算征收的分布和 。 代表更换坏的概率由新建造的巢穴。

表3
Metaheuristic参数。
5.4。对比MOCS-KNN和其他Metaheuristic算法

由于该方法是不确定的,我们计算的平均准确率超过25分,避免偏见的结果。实验使用联想电脑执行,英特尔®2.59 GHz酷睿i7处理器,12 GB的RAM,官方Windows 10。MOCS-KNN的性能评估使用五个措施:(i)的准确性 ,(2)特异性 ,(3)f值 ,(iv)敏感性或召回 ,和(v)的数量选择频道 ,可以计算如下: 在哪里 , ,和 表示错误的拒绝,虚假验收,验收,分别和真正的拒绝。

数据8- - - - - -10显示箱线图和收敛速度超过25运行选择使用AR5 metaheuristic算法在实验评价,AR10和AR20分别。箱线图组件定义如下:框长度说明了四分位范围,胡须表示的范围值,盒子里的水平线显示值,中值和异常值所代表的圆圈。的箱线图显示,MOCS-KNN设法产生高度精确的结果。如图8AR5和AR20数据集,它可以观察到,MOCS-KNN显示了卓越的功效比其他metaheuristic算法收敛趋势。AR10数据集,MOCS-KNN MOMVO-KNN显示竞争收敛功效在早期阶段,但是在后期,MOCS-KNN超过MOMVO-KNN。总的来说,MOCS-KNN显示改善收敛学习由于其能力为群达到最好的轨迹导致全局最优的解决方案,避免停滞的缺点。

(一)
(一)
(b)
(b)
(c)
(c)
(d)
(d)
(e)
(e)
图8
与其他metaheuristic举算法的箱线图。(一)AR5的箱线图。(b) AR10的箱线图。(c) AR20的箱线图。(d) TDF的箱线图。(e) T-FDF的箱线图。
(一)
(一)
(b)
(b)
(c)
(c)
(d)
(d)
(e)
(e)
图9
与其他metaheuristic举算法的收敛速度。(一)AR5的收敛速度。(b) AR10的收敛速度。(c) AR20的收敛速度。(d) TDF的收敛速度。(e) T-FDF的收敛速度。

图10
评价指标与其他metaheuristic举算法。

由MOCS-KNN进一步验证结果和其他方法,Wilcoxon符号秩统计检验(70年采用本研究显示如果这些方法之间存在统计上的显著差异。在表4,Z值代表的是标准化考试统计, - - - - - -价值代表了统计学意义 。一个 价值 0.5意味着配对方法之间存在统计学显著性差异;否则,没有统计学显著性差异。从表4,它可以观察到,MOCS-KNN达到统计显著的结果与其他方法相比,在所有的数据集。

表4
MOCS-KNN Wilcoxon符号秩检验和其他metaheuristic算法。

在本节中,该方法的性能(MOCS-KNN)是相对于其他七metaheuristic算法(PSO算法(MOPSO-KNN),拥有算法(MOGWO-KNN),二进制FFA算法(MOFFA-KNN),二进制蝙蝠(MOBAT-KNN)、微血管(MOMVO-KNN), WOA (MOWOA-KNN)和MFO (MOMFO-KNN))。精度的比较包括5个措施,比率 ,渠道选择 ,特异性 ,F分数 ,和回忆 。表5显示的结果提出技术(MOCS-KNN)与其他metaheuristic算法使用自回归三个不同的系数。总的来说,值得一提的是,MOCS-KNN获得最好的结果在所有测量数据集。更准确地说,在通道的数量,结果MOCS-KNN MOWOA-KNN相等,MOCS-KNN获得最小数量的渠道在AR20(24),虽然AR10 MOWOA-KNN获得最小数量的渠道(25)和两种方法减少渠道的数量在AR5最小长度(24)。获得一个清晰的概述MOCS-KNN和其他方法的性能测量,应用于AR5行列的总和,AR10, AR20所有测量数据如表所示6。阐述行列的求和过程,达到最佳结果的方法将“1”的排名第二最好的方法将得到一个“2”等。在最后一行的求和表6代表了每个方法的秩和相应的数据集。粗体突出了最好的结果。结果表明,MOCS-KNN达到最佳的性能在所有评价测量,其次是MOMVO, MOPSO, MOWOA, MOFFA MOMFO, MOGWO。

表5
比较与其他metaheuristic算法多目标布谷鸟搜索算法。
表6
秩和自回归功能使用几个评价措施。

6。结论和未来的工作

在这项工作中,我们提出了一种多目标方法的二进制版本使用几个metaheuristic算法,目的是解决的挑战,因为它使得基于脑电图通道选择生物特征识别的人。这项工作的主要目的是证明不需要使用所有可用的脑电图渠道实现高准确率。因此,我们介绍的建模问题的通道选择作为一个优化问题,在英吉利海峡子集优化识别比率超过一套验证利用适应度函数。

实验的结果表明,引入了提出的方法优于几个metaheuristic算法和一个罗德里格斯et al。1]。值得注意的是,同时保留高准确率、传感器的数量已经减少了一半。此外,结果显示之间的正相关特性从脑电图信号获得的数量和精度比;即。,further features lead to higher accuracy rates. Such finding suggests that the proposed algorithm has the potential to remove duplicate and undesirable features whereas retaining specific features.

对于未来的工作,我们打算评估选择metaheuristic算法在不同的特性,如时间和频域的信息,提高整体识别性能而选择更少的通道。

数据可用性

数据集来自https://www.physionet.org/。

的利益冲突

作者宣称没有利益冲突。

确认

这部分工作是支持韩国发展研究所的技术(吉)授予由韩国政府资助(MOTIE)、行业专家的能力发展项目,在格兰特P0008703,和部分的科学和ICT (MSIT),韩国,根据信息技术研究中心(期)支持程序IITP - 2021 - 2018 - 0 - 01799监督的信息和通信技术规划和评估研究所(IITP)。