PCA 计算解释数据中大部分变化的特征值，在这种情况下，它将按特征向量进行操作，并且不考虑类标签。LDA 最大化Fishers 判别比（或Mahalaobis 距离），即最大化类之间的距离。

如果将每个观察（案例）的特征向量定义为瞬时时间点的数据，则数据的时间分量不相关。在这种情况下，您可以将 PCA 作为预处理阶段应用于每个特征向量，以在分类之前降低维度。

但是，如果您将每个试验定义为围绕兴趣点的 10 秒时期或分段，则您可以计算该时期中所有时间样本的每个传感器的汇总统计量。然后，特征向量中的每个特征都将是每个传感器在 10 秒内的行为的总结（例如，每个 10 秒时期的平均幅度）。然后，您可以应用 PCA 作为预处理步骤，将特征向量的维数从 306 减少到更易于管理的数字。

第二种方法假设在每 10 秒的时期计算的汇总统计信息包含与您的问题相关的更多信息，而不是上面详述的瞬时特征。

您的问题很可能是过度拟合 - 当您使用具有大量维度的小型数据集时，这很典型。在 LDA 的情况下，通常会发生协方差矩阵由于样本小而有偏差的情况。为了避免它，您可以尝试使用正则化。一种有用的技术是通过将小项添加到对角线（也称为收缩）来球化协方差矩阵。在这种情况下，无需使用 PCA。您可以阅读本文关于单次试验脑电图分析的技术。

我正在用神经元尖峰做类似的事情。我关注的一些论文做了 PCA 并选择了解释 90% 方差的组件，然后做了 LDA，主要目的是“避免奇异矩阵”，这在某种程度上是有道理的，但可以通过“特征求解器”和“收缩”来避免.

我选择不这样做的原因有3个：

1. 实际上，您的数据集是暂时的，如果您在每个时期执行 PCA，您将失去比较随时间变化的潜力（或者至少更难）。追踪单个神经元也更难，但我认为在你的情况下这并不重要。
2. 正如另一个答案所建议的那样，PCA 可能会损害您的解码性能 - 它是无监督的。
3. 更重要的是，我认为从科学角度来看，不同区域如何共同产生一种功能是很有趣的。我不认为分类器之前的 PCA 会有所帮助。

当我输入这个答案时，我只是想到人们还将试验和时期的维度汇集在一起​​作为 PCA 的样本维度。如果您以这种方式执行 PCA，那么在每个时间点您的组件都不是正交的，并且您仍然可以以某种方式比较不同的时期。

BGreene 的回答很好，但我只想补充一点，从 PCA 转到更密切相关的 LDA 分类器（即潜在狄利克雷分配）可能更有意义。顾名思义，它是一种潜在变量技术，如 PCA。它在分类文献（我自己现在正在使用它）中非常流行，特别是在文本挖掘和非结构化数据中。

使用 PCA 然后 Fischer 的 LDA 在其他条件不变的情况下在统计上是有效的，但这不一定是一个好主意。尽管我和许多其他人在某些情况下确实使用线性判别，因为它非常快速和简单，但在大多数应用程序中，它并不是一个非常统计有效或实际有效的选择。作为分类器，它的性能通常特别差；我通常为我正在构建的任何算法运行和排名许多分类器，而线性判别通常位于列表的底部。性能不佳可能是需要 PCA 降维的原因，但我只会选择一个更合适的分类器。