基于異常值處理的隨機(jī)森林和kNN模型在EEG數(shù)據(jù)中的應(yīng)用.pdf

1、最近以來，隨著深度學(xué)習(xí)和人工智能技術(shù)的快速進(jìn)步，研究人員開始借助于這些新技術(shù)來研究關(guān)于腦電圖的問題。使用腦電圖，醫(yī)生能夠更好地診斷腦部疾??；研究人員也能夠更好地了解腦電波與行為活動(dòng)之間的關(guān)系，從而研發(fā)更加智能的設(shè)備。本文通過將腦電圖測量儀器采集的腦電圖數(shù)據(jù)作為輸入，將對應(yīng)的人的眼睛的狀態(tài)作為輸出來進(jìn)行腦電圖的研究。為有效提高腦電圖數(shù)據(jù)眼睛狀態(tài)分類的可靠性及精確度，本文根據(jù)腦電圖數(shù)據(jù)的規(guī)律及腦電圖在人睜眼閉眼時(shí)數(shù)據(jù)變化的特征，提出了基于數(shù)

2、據(jù)異常值處理的隨機(jī)森林和kNN模型。本文首先對原始數(shù)據(jù)進(jìn)行數(shù)據(jù)預(yù)處理：這部分主要包含對數(shù)據(jù)的缺失值處理、異常值處理和一致性分析；對于本文使用的數(shù)據(jù)，使用統(tǒng)計(jì)量分析和分維可視化圖來處理數(shù)據(jù)集中的異常值。然后，在數(shù)據(jù)進(jìn)行異常值處理后，使用隨機(jī)森林和kNN建立具體的模型。對于隨機(jī)森林，主要對模型的OOB誤差率和變量的重要性進(jìn)行討論；對于kNN模型，由于k值對模型比較關(guān)鍵，本文通過在訓(xùn)練集上采用交叉驗(yàn)證的方法來確定k值，進(jìn)而使用確定后的k值來進(jìn)

3、行測試集的評價(jià)。最后為了顯示隨機(jī)森林和kNN算法這兩個(gè)模型在該數(shù)據(jù)集上的有效性，本文使用決策樹、Bagging和SVM模型作為對比方法，進(jìn)行模型的比較，同時(shí)也討論了數(shù)據(jù)集中樣本的不均衡性對模型的影響。結(jié)果表明：本文提出的基于異常值處理的隨機(jī)森林和kNN模型具有更好的預(yù)測準(zhǔn)確度，隨機(jī)森林的預(yù)測精確度達(dá)到92.9392％，kNN算法的預(yù)測精確度達(dá)到97.0946%。由此，隨機(jī)森林和kNN算法都是有效的該腦電圖數(shù)據(jù)的預(yù)測模型，尤其是kNN算法