基于电皮层图谱的神经活动分类的特征提取与选择框架

《Journal of Medical Systems》：A Feature Extraction and Selection Framework for Electrocorticography-Based Neural Activity Classification

本研究提出一种特征选择性框架，通过整合多种特征提取技术（功率谱密度、小波变换、香农熵、Hjorth参数）和方差分析（ANOVA）进行特征筛选，结合决策树、支持向量机、神经网络及LSTM等机器学习方法对电核磁图（ECoG）信号进行分类。实验表明该框架在单个患者及合并数据集上均表现出高分类精度，t-SNE可视化验证了类别间良好分离性，且特征分析揭示靠近视觉皮层的电极对神经活动空间分布起关键作用。

　　

摘要

电皮层图（ECoG）信号为我们了解神经活动提供了宝贵的窗口，但其复杂的结构使得可靠的分类变得具有挑战性。本研究通过提出一个特征选择性框架来解决这一问题，该框架结合了多种特征提取技术和统计特征选择方法来提升分类性能。从执行视觉任务时获得的ECoG信号中提取了功率谱密度、基于小波的特征、香农熵和Hjorth参数等特征。随后利用方差分析（ANOVA）选择了最具信息量的特征，并通过决策树、支持向量机、神经网络和长短期记忆（LSTM）等多种机器学习方法进行了分类。实验结果表明，所提出的框架在单个患者以及合并数据集上均取得了较高的准确率，t-SNE可视化进一步证实了各类别之间的清晰区分性。此外，对选定特征的分析突显了位于视觉皮层附近的电极的重要作用，为理解神经活动的空间分布提供了新的见解。