[论文解读] A GA-based feature selection of the EEG signals by classification evaluation: Application in BCI systems

Samira Vafay Eslahi, Nader Jafarnia Dabanloo+1 more|arXiv (Cornell University)|Jan 16, 2019

EEG and Brain-Computer Interfaces参考文献 18被引用 15

一句话总结

本研究提出一种基于遗传算法（GA）的特征选择框架，通过评估分形特征提取方法（Katz、Higuchi、Petrosian、Sevcik、BCD）与分类器（LDA、SVM、FKNN、ANFIS）在小波子带和原始信号上的组合，优化脑-计算机接口（BCI）系统中的EEG信号分类。关键结果表明，Katz分形特征结合LDA分类可实现最高性能，最小化一个平衡准确率与计算时间的适应度函数。

ABSTRACT

In electroencephalogram (EEG) signal processing, finding the appropriate information from a dataset has been a big challenge for successful signal classification. The feature selection methods make it possible to solve this problem; however, the method selection is still under investigation to find out which feature can perform the best to extract the most proper features of the signal to improve the classification performance. In this study, we use the genetic algorithm (GA), a heuristic searching algorithm, to find the optimum combination of the feature extraction methods and the classifiers, in the brain-computer interface (BCI) applications. A BCI system can be practical if and only if it performs with high accuracy and high speed alongside each other. In the proposed method, GA performs as a searching engine to find the best combination of the features and classifications. The features used here are Katz, Higuchi, Petrosian, Sevcik, and box-counting dimension (BCD) feature extraction methods. These features are applied to the wavelet subbands and are classified with four classifiers such as adaptive neuro-fuzzy inference system (ANFIS), fuzzy k-nearest neighbors (FKNN), support vector machine (SVM) and linear discriminant analysis (LDA). Due to the huge number of features, the GA optimization is used to find the features with the optimum fitness value (FV). Results reveal that Katz fractal feature estimation method with LDA classification has the best FV. Consequently, due to the low computation time of the first Daubechies wavelet transformation in comparison to the original signal, the final selected methods contain the fractal features of the first coefficient of the detail subbands.

研究动机与目标

• 解决为高准确率、低延迟BCI系统选择最优EEG特征的挑战。
• 降低由多种分形维数方法和小波子带生成的大特征空间的维度。
• 识别出能最小化分类准确率与计算时间适应度函数的最佳特征提取方法与分类器组合。
• 使用BCI竞赛真实数据的10折交叉验证，评估该GA优化方法的性能。

提出的方法

• 对BCI Competition 2003, Dataset III中的EEG信号进行预处理，采用带通滤波（0.5–30 Hz），并利用一级Daubechies小波变换分解为近似子带和细节子带。
• 在原始信号和小波子带上应用五种分形维数估计方法——Katz、Higuchi、Petrosian、Sevcik和盒计数维数（BCD），以提取几何特征。
• 使用四种分类器——线性判别分析（LDA）、支持向量机（SVM）、模糊k-最近邻（FKNN）和自适应神经-模糊推理系统（ANFIS）——对右利手与左利手运动想象任务进行分类。
• 采用遗传算法（GA）作为全局搜索优化器，寻找最优的特征提取方法与分类器组合，适应度定义为计算时间与分类准确率的比值。
• GA通过多代演化，基于适应度选择父代，并通过交叉与变异生成子代，最终收敛至性能最佳的配置。
• 最终评估采用10折交叉验证，其中9折用于训练，1折用于测试，以确保性能估计的稳健性。

实验结果

研究问题

• RQ1 在BCI系统中，哪种分形特征提取方法与分类器的组合能为运动想象任务提供最高的分类准确率？
• RQ2 小波子带分解如何影响分形特征在EEG信号分类中的性能？
• RQ3 遗传算法能否有效优化EEG基BCI系统中分类准确率与计算时间之间的权衡？
• RQ4 与原始EEG信号相比，从小波子带中提取的分形特征在分类性能上是否更优？
• RQ5 在准确率与速度的复合适应度函数下，特征提取与分类的最佳配置是什么？

主要发现

• Katz分形特征估计方法与线性判别分析（LDA）分类的组合实现了最低的适应度值，表明其在准确率与计算时间之间达到了最佳平衡。
• 最优特征集被确定为从Daubechies小波变换的一级细节子带（D1）中提取的分形特征，其计算量低于处理原始信号。
• 在多次运行中，遗传算法始终选择相同的最优配置——Katz + LDA，表明该解决方案具有稳健性和可靠性。
• 一级Daubechies小波变换的计算时间显著低于更高级别的分解，支持其在实时BCI应用中的使用。
• 适应度函数（定义为计算时间除以分类准确率）由Katz + LDA组合最小化，证实其在速度与准确率权衡中的优越性。
• 10折交叉验证结果证实了高泛化性能，所选方法在保持低延迟的同时实现了高准确率，适用于实时BCI系统。