论文地址：https://www.sciencedirect.com/science/article/abs/pii/S0957417423027884
论文题目：Improvement of motor imagery electroencephalogram decoding by iterative weighted Sparse-Group Lasso
论文代码：暂无

0. 引言

判别特征选择对于提高脑电图（EEG）信号中的运动图像解码性能至关重要。然而，现有的特征优化方法尚未充分探索特征的内在属性分布及其与目标类的关联，这可能导致优化特征与类标签之间的虚假相关性，从而产生次优性能。因此，该文提出了一种迭代加权稀疏群套索（iWSGL） 模型，用于优化基于CSP（CSP）的高维特征，从而进一步提高运动意象的解码精度。具体而言，利用亲和传播（AP）聚类算法，根据高维特征之间的底层关系，自适应地将高维特征划分为多个组。为了评估各组内单个特征的显著性和群本身的整体显著性，提出了一种基于条件熵的权重计算方法。利用权重和特征结构信息，在迭代稀疏群套索（iSGL）框架内设计了加权稀疏回归模型，共同优化了基于CSP的高维特征。使用支持向量机（SVM）在三个数据集上验证了所提方法的性能。实验结果表明，所提方法优于现有的CSP及其变体，证明了其显著的性能。这些发现表明，所提出的模型可以为增强脑机接口（BCI）应用中大脑意图的模式识别提供一种新的优化策略。

总的来说：模型利用加权的方法得到一个比较好的权重，然后得到一个更好的模型分类效果。。。但是，实际效果还要考虑优化效果，仍需要考虑实际效果。。。。。

1. 主要贡献

1. 提出了一种基于CSP的基于联合时频信息的高维特征的迭代加权稀疏群套索模型，称为iWSGL-CSP
2. 该模型有效地利用了特征的内在分布结构，建立了个体特征与目标类之间的直接相关性

2. 提出的方法

本研究将与任务相关（即基于标签） 的组内和组间权重纳入 iSGL 模型，从而显着提高了特征优化过程的性能。

算法流程如下：

1. 首先，将 0.5-4 秒时间范围内的脑电图信号分割成多个不同的时间间隔。
2. 随后，使用带通滤波将每个间隔进一步细分为五个频率子频段（8-16 Hz、12-20 Hz、…、24-32 Hz）。
3. 在此预处理之后，应用CSP从每个子波段中提取运动图像特征。
4. 将来自所有子带的这些特征连接成一个统一的向量。
5. 在特征提取之后，使用AP聚类算法对特征向量进行了分组。
6. 同时，通过基于信息论的方法计算组内和组间权重。
7. 在此基础上，应用所提出的iWSGL模型来增强特征优化过程，该过程涉及组内和组间权重的整合。
8. 最后，采用支持向量机（SVM）对优化特征进行分类。

为什么要进行时间段和频带的选择？
CSP在运动图像中的解码效果很大程度上取决于从EEG信号中选择时间窗口和频带。这些参数的不准确选择会显着降低运动图像的解码性能。因此，本研究应用了联合时频优化CSP来提取运动意象特征，如上图所示。

权重的计算
为了减少模型中的评估偏差，本研究将权重信息整合到iSGL框架中。权重越大，对相应特征的重要性越低。因此，可以根据单个特征与目标类之间的非相关性来估计权重。现有的算法主要侧重于量化变量之间的相关性，如相关系数和互信息，对非相关算法的关注有限。这项研究的灵感来自相互信息。

文章的主要创新
该文提出了一种新颖的iWSGL模型，该模型在iSGL框架中引入了权重项w，利用回归系数对基于CSP的高维特征进行优化β。

3. 结果

3.1 在3个数据集上的效果

为了全面评估本研究提出的方法，采用了分类准确率、灵敏度、F1评分、Kappa、受试者工作特征（ROC）曲线和曲线下面积（AUC）等各种评估指标。这些指标用于评估所提出的方法在三个不同数据集中的性能。实验结果见表1和图2。

3.2 基线比较

将所提方法与现有4种方法和iSGL-CSP方法进行了比较。比较涉及根据两个关键指标评估这些不同方法的性能，即分类准确性 （Acc） 和 Kappa 值 （K）。对比结果见表2、表3、表4。

4. 总结

到此，使用 运动想象 (MI) 分类学习系列 (10) :iWSGL-CSP 已经介绍完毕了！！！ 如果有什么疑问欢迎在评论区提出，对于共性问题可能会后续添加到文章介绍中。

如果觉得这篇文章对你有用，记得点赞、收藏并分享给你的小伙伴们哦😄。

欢迎来稿

欢迎投稿合作，投稿请遵循科学严谨、内容清晰明了的原则！！！！ 有意者可以后台私信！！