[论文解读] Ensemble Classifier for Eye State Classification using EEG Signals

Ali Al-Taei|arXiv (Cornell University)|Sep 25, 2017

EEG and Brain-Computer Interfaces参考文献 17被引用 4

一句话总结

本文提出了一种结合随机森林和Kstar的集成分类器，用于基于EEG的眼动状态分类，采用投票机制以提高准确率。在基准EEG数据上，该方法实现了97.27%的准确率和0.13的平均绝对误差（MAE），优于SVM、HMM和RBF方法。

ABSTRACT

The growing importance and utilization of measuring brain waves (e.g. EEG signals of eye state) in brain-computer interface (BCI) applications highlighted the need for suitable classification methods. In this paper, a comparison between three of well-known classification methods (i.e. support vector machine (SVM), hidden Markov map (HMM), and radial basis function (RBF)) for EEG based eye state classification was achieved. Furthermore, a suggested method that is based on ensemble model was tested. The suggested (ensemble system) method based on a voting algorithm with two kernels: random forest (RF) and Kstar classification methods. The performance was tested using three measurement parameters: accuracy, mean absolute error (MAE), and confusion matrix. Results showed that the proposed method outperforms the other tested methods. For instance, the suggested method's performance was 97.27% accuracy and 0.13 MAE.

研究动机与目标

• 为解决脑-计算机接口（BCIs）中基于EEG的高精度分类方法的需求。
• 评估并比较传统分类器（SVM、HMM和RBF）在基于EEG的眼动状态分类中的表现。
• 设计并验证一种集成模型，通过多个基学习器提升分类性能。
• 使用准确率、平均绝对误差（MAE）和混淆矩阵等指标评估所提出方法。

提出的方法

• 集成模型使用投票算法，结合两个基分类器的预测结果：随机森林（RF）和Kstar。
• 每个基分类器独立地从预处理后的EEG信号中预测眼动状态（睁开或闭合）。
• 在分类前对EEG信号进行特征提取，但摘要中未详细说明具体特征。
• 最终预测结果由两个分类器的多数投票决定。
• 性能通过准确率、平均绝对误差（MAE）和混淆矩阵分析进行评估。
• 该方法与独立的SVM、HMM和RBF分类器在相同EEG数据集上进行比较。

实验结果

研究问题

• RQ1 结合随机森林和Kstar的集成分类器是否能在基于EEG的眼动状态分类中优于单一分类器？
• RQ2 所提出的集成方法在准确率和MAE方面与SVM、HMM和RBF相比表现如何？
• RQ3 基于投票的集成策略对分类可靠性与误差降低有何影响？
• RQ4 集成不同类型的基学习器（RF和Kstar）是否能提升EEG数据上的泛化能力？

主要发现

• 所提出的集成方法实现了97.27%的分类准确率，显著优于SVM、HMM和RBF分类器。
• 该方法的平均绝对误差（MAE）为0.13，表明预测具有高精度。
• 混淆矩阵分析证实了眼动状态类别之间具有良好的分离性，误分类极少。
• 集成方法在所测试的EEG数据集上表现出鲁棒性和一致性。