¿Mejora el método de selección de características híbrido mRMR-PSO-SVM el reconocimiento del estado de estrés mental y reduce el espacio del vector de características en conjuntos de datos de EEG en comparación con los métodos de última generación?
El algoritmo mRMR-PSO-SVM propuesto reduce efectivamente el número de características de EEG requeridas en un 70% mientras mejora el rendimiento de detección de estrés mental.
En aplicaciones de la vida real, las señales de electroencefalograma (EEG) para el reconocimiento del estrés mental requieren un dispositivo wearable convencional. Esto, a su vez, requiere un número eficiente de canales de EEG y un conjunto óptimo de características. Este estudio tiene como objetivo identificar un subconjunto óptimo de características que pueda discriminar los estados de estrés mental mientras mejora el rendimiento general de clasificación. Extraímos características multidominio dentro del dominio temporal, dominio de frecuencia, dominio tiempo-frecuencia y características de conectividad de red para formar un prominente espacio vectorial de características para el estrés. Luego propusimos un método híbrido de selección de características (FS) utilizando mínima redundancia máxima relevancia con optimización por enjambre de partículas y máquinas de vectores de soporte (mRMR-PSO-SVM) para seleccionar el subconjunto óptimo de características. El rendimiento del método propuesto se evalúa y verifica utilizando cuatro conjuntos de datos, a saber, EDMSS, DEAP, SEED y EDPMSC. Para consolidar aún más, se compara la efectividad del método propuesto con la de los métodos metaheurísticos de última generación. El modelo propuesto redujo significativamente el espacio vectorial de características en un promedio del 70% en comparación con los métodos de última generación, mientras que aumentó significativamente el rendimiento general de detección.
Hag et al. (Mié,) estudiaron esta cuestión.