Класифікація патологічних ЕЕГ-сигналів за допомогою методів машинного навчання

Автор(и)

  • Оксана Костянтинівна Білошицька Національний технічний університет України «Київський політехнічний інститут імені Ігоря Сікорського», пр. Перемоги, 37, м. Київ, Україна, 03056

Ключові слова:

ЕЕГ, машинне навчання, метод опорних векторів, лінійний дискримінантний аналіз, випадковий ліс, Extra trees.

Анотація

Робота присвячена застосуванню методів машинного навчання при створенні моделі класифікації патологічних сигналів ЕЕГ. Сформовано ефективний набір ознак, які є пріоритетними під час класифікації сигналів з епілептиформною та нормальною активністю головного мозку. Встановлено, що застосування методу опорних векторів дає точність класифікації 80 %, методу лінійного дискримінантного аналізу – 91 %, методу випадкового лісу – 96 % та методу Extra trees – 91 %. Побудована комплексна модель на основі даних методів дала результуючу точність 89 %. 

Біографія автора

Оксана Костянтинівна Білошицька, Національний технічний університет України «Київський політехнічний інститут імені Ігоря Сікорського», пр. Перемоги, 37, м. Київ, Україна, 03056

Факультет біомедичної інженерії, старший викладач кафедри біомедичної інженерії;

Посилання

Biloshytska, O. K. (2016). Neliniyna dynamika yak instrument prohnozuvannia patolohichnykh zmin na elektroentsefalohrami. Visnyk NTU «KhPI». Seriya: Mekhaniko-tekhnolohichni systemy ta kompleksy, 50 (1222), 79–83.

Dolia, V. K., Enhlezi, I. P., Afanasieva, I. A. (2009). Influence of information load on the basic parameters of drivers activity (exciting process). Eastern-European Journal of Enterprise Technologies, 1 (2 (49)), 65–68. Available at: http://journals.uran.ua/eejet/article/view/1887/1782

San, P. P., Ling, S. H., Chai, R., Tran, Y., Craig, A., Nguyen, H. (2016). EEG-based driver fatigue detection using hybrid deep generic model. 2016 38th Annual International Conference of the IEEE Engineering in Medicine and Biology Society (EMBC). doi: 10.1109/embc.2016.7590822

Tan, P., Sa, W., Yu, L. (2016). Applying Extreme Learning Machine to classification of EEG BCI. 2016 IEEE International Conference on Cyber Technology in Automation, Control, and Intelligent Systems (CYBER). doi: 10.1109/cyber.2016.7574827

Han, M., Sun, Z., Wang, J. (2015). EEG Signals Classification Based on Wavelet Packet and Ensemble Extreme Learning Machine. 2015 Second International Conference on Mathematics and Computers in Sciences and in Industry (MCSI). doi: 10.1109/mcsi.2015.30

Liu, Q., Zhao, X., Hou, Z., Liu, H. (2015). Multi-scale wavelet kernel extreme learning machine for EEG feature classification. 2015 IEEE International Conference on Cyber Technology in Automation, Control, and Intelligent Systems (CYBER). doi: 10.1109/cyber.2015.7288175

Zhu, J.-Y., Zheng, W.-L., Peng, Y., Duan, R.-N., Lu, B.-L. (2014). EEG-based emotion recognition using discriminative graph regularized extreme learning machine. 2014 International Joint Conference on Neural Networks (IJCNN). doi: 10.1109/ijcnn.2014.6889618

Dilber, D., Kaur, J. (2016). EEG based detection of epilepsy by a mixed design approach. 2016 IEEE International Conference on Recent Trends in Electronics, Information & Communication Technology (RTEICT). doi: 10.1109/rteict.2016.7808067

Bashar, M. K., Reza, F., Idris, Z., Yoshida, H. (2016). Epileptic seizure classification from intracranial EEG signals: A comparative study EEG-based seizure classification. 2016 IEEE EMBS Conference on Biomedical Engineering and Sciences (IECBES). doi: 10.1109/iecbes.2016.7843422

Biloshytska, O. K., Klymenko, T. A. (2017). Doslidzhennia pokaznykiv epileptychnykh EEH-syhnaliv za dopomohoiu metodiv neliniinoi dynamiky. Visnyk NTU «KhPI». Seriya: Mekhaniko-tekhnolohichni systemy ta kompleksy, 19 (1241), 30–34.

##submission.downloads##

Опубліковано

2018-02-27

Номер

Розділ

Автоматизація та управління механіко-технологічними системами та комплексами