脑电信号降维的主成分分析(PCA)理解

Question

我读过几十篇科学论文，在大量的通道上读取脑电信号时，采用主成分分析的方法来降低脑电信号的维数。

我已经读过很多次主成分分析的理论，并认为了解它是如何工作的，每个分量都是一个新的数据坐标系。我在Python中为我的数据实现了这个方法，但最终得到了相对于新组件(坐标)建模的新EEG数据，但是由于我很少使用组件，数据变得更大了。

因此，为什么要考虑这种方法来降低维数，因为如果我们使用多个组件，最终会得到更多的数据？

我附上了我的9个通道的图像和PCA 我在PCA前后的数据后的结果。

我不明白，PCA最终没有降低EEG数据的维数，我错了吗？

Answer 1

请注意，我不是专家，因为这涉及到使用PCA进行脑电信号分析。

如果你选择的话，PCA确实会减少尺寸。通常只有前几个组件是重要的，您可以丢弃所有其他组件。多少-取决于你的需求。

PCA创建新的、独立的维度，首先是最重要的，“描述”尽可能多的数据变化，这是一个单一的变量可以描述的。第二，PCA维数是第二重要的，等等。

在您的情况下，它可能是可以只保留前3-4 PCA组件。但我猜。最好是在进一步的步骤中检查这一点，例如检查“在分类任务精度下降之前我可以删除多少组件”或类似的东西。你也可以看一看用逆PCA变换重建的信号(可在sklearn中找到)。