Autor/autores:
Jirka J, Prauzek M, Krejcar O...(et.al)
La parte más importante del procesamiento de señales para la clasificación es la extracción de características como un mapeo del espacio de datos de electroencefalografía (EEG) de entrada original al espacio de nuevas características con el mayor valor de separabilidad de clase. Las características no solo son las más importantes, sino...
Estás viendo una versión reducida de este contenido.
Para consultar la información completa debes registrarte gratuitamente.
Tan sólo te llevará unos segundos.
Y si ya estás registrado inicia sesión pulsando aquí.
La parte más importante del procesamiento de señales para la clasificación es la extracción de características como un mapeo del espacio de datos de electroencefalografía (EEG) de entrada original al espacio de nuevas características con el mayor valor de separabilidad de clase. Las características no solo son las más importantes, sino también la tarea más difícil del proceso de clasificación, ya que definen los datos de entrada y la calidad de la clasificación. Un conjunto ideal de características haría que el problema de clasificación fuera trivial. Este artículo presenta nuevos métodos de procesamiento de extracción de características y clasificación automática de ataques de epilepsia que combinan métodos de aprendizaje automático con algoritmos de evolución genética.
La clasificación se realiza en datos de EEG que representan la actividad cerebral eléctrica. Al principio, la señal se procesa previamente con filtración digital y segmentación adaptativa utilizando dimensiones fractales como la única medida de segmentación. En el siguiente paso, se utiliza un método novedoso que utiliza la matriz de confusión de programación genética (GP) combinada con la máquina de vectores de soporte (SVM, por sus siglas en inglés) como el peso de la función de aptitud para extraer vectores de características comprimidos en el espacio de dimensión inferior y clasificar el resultado final en épocas ictal o interictal.
La aplicación final del método GP-SVM mejora el rendimiento discriminatorio de un clasificador al reducir la dimensionalidad de las características al mismo tiempo. Los miembros de la estructura de árbol GP representan las características en sí mismas y su número se decide automáticamente mediante la función de compresión introducida en este documento. Este nuevo método mejora el rendimiento general de la clasificación SVM al reducir drásticamente el tamaño del vector de características de entrada.
Según los resultados, la precisión de este algoritmo es muy alta y comparable, o incluso superior a otros algoritmos de detección automática. En combinación con la gran eficiencia, este algoritmo se puede utilizar en aplicaciones de detección de epilepsia en tiempo real. A partir de los resultados de la clasificación del algoritmo, podemos observar resultados de alta sensibilidad y especificidad, a excepción de la Convulsión Clónica Tónica Generalizada (GTCS). Como paso siguiente, la optimización de la etapa de compresión y la etapa final de evaluación de SVM están en su lugar. Se necesita obtener más información sobre GTCS para mejorar la puntuación de clasificación general para GTCS.
Para acceder al texto completo consulte las características de suscripción de la fuente original:https://www.dovepress.com
