|
Evolutionary Design of EEG Data Classifier
Kuželová, Simona ; Jawed, Soyiba (referee) ; Mrázek, Vojtěch (advisor)
Tato diplomová práce se zaměřuje na vývoj efektivního klasifikátoru pro klasifikaci kandidátů na základě extrahovaných vlastností z elektroencefalografického (EEG) signálu. K dosažení tohoto cíle byl použit genetický algoritmus pro výběr příznaků a optimalizaci klasifikátorů na základě pěti kritérií: minimalizace počtu příznaků, minimalizace doby inference a maximalizace klasifikační senzitivity, specificity a přesnosti. Pro extrakci příznaků s cílem klasifikovat kandidáty jako trpící MDD, nebo jako zdravé, byla použita EEG data s otevřenýma očima 31 kandidátů trpících depresivní poruchou (MDD) a 28 zdravých kandidátů. Byly otestovány dva algoritmy, NSGA-II a NSGA-III. Navržený algoritmus pracoval se třemi kritérii, ale byly přidány dvě další kritéria - senzitivita a specificita. NSGA-III byl v tomto případě účinnější a byl použit v následujících experimentech. Byla zavedena omezení pro zlepšení parametrů a byly vyzkoušeny různé hodnoty pro pravděpodobnost mutace a křížení. Vygenerované klasifikátory dosáhly průměrné přesnosti 91.36 \%, senzitivity 91.82 \% a specificity 90.84 \%. V závěrečných experimentech byly nejčastěji používány kanály F3 a C3 a nejčastěji využívaným vlnovým pásmem byla gama frekvence. Výsledkem této práce jsou efektivní klasifikátory, které byly získány pomocí navrženého algoritmu, jenž využívá genetický algoritmus pro optimalizaci parametrů.
|