文献

J-GLOBAL ID：201702230592026893   整理番号：17A0999020

多チャネル脳波における後流とステージ1睡眠パターン認識のためのPCA(主成分分析)とSEPCOR特徴選択を用いたt検定ランキングの比較【Powered by NICT】

Comparison of t-test ranking with PCA and SEPCOR feature selection for wake and stage 1 sleep pattern recognition in multichannel electroencephalograms

著者 (3件)： Padma Shri T.K. (Department of Electronics & Communication, Manipal Institute of Technology, Manipal University, Manipal, Karnataka 576104, India) ,  Padma Shri T.K. (Department of Electronics & Communication, SCSVMV University, Kanchi, Tamil nadu, India) ,  Sriraam N. (M.S. Ramaiah Institute of Technology, An Autonomous Institute, Affiliated to Visvesvaraya Technological University, Bangalore 560054, Karnataka, India)
資料名： Biomedical Signal Processing and Control  (Biomedical Signal Processing and Control)
巻： 31  ページ： 499-512  発行年： 2017年 
JST資料番号： W3347A  ISSN： 1746-8094  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： オランダ (NLD)  言語： 英語 (EN)

抄録/ポイント： 特徴選択はデータと資源節約の有効な解析のために重要である。多次元データセットでは,特徴選択手法は主に,この空間内で最適な特徴部分集合を探索するために最適な特徴部分空間とラッパー法を得るためにフィルタに基づくアプローチを使用した。提案した研究では,二種類のフィルタに基づく統計的特徴選択法,すなわち主成分分析(PCA)と分離可能性と相関(SEPCOR)解析と統計的検定ランキングは,8チャンネル(6活性参照電極)脳波(EEG)睡眠データセットの伴流と段階1睡眠の間の高い識別をもつパターンを同定するために適用した。特徴集合はEEGエポック二分の1期間の上で計算された6次元スペクトルエントロピーベクトルから構成されている。最初の方法では,wakefulness/stage1睡眠間のクラス分離を最大化するt検定統計量に基づいているスペクトルエントロピー特徴ランク付け。分類に先立って,PCAは分類器の性能上の順位付けされたチャンネルの寄与を研究するためのランク付けと非ランク付けされた特徴サブセットを行った。第二の方法は選択特徴間の低い相関とそのクラス平均の間の最大分離を用いた最適特徴部分集合を自動的に選択するSEPCOR解析を用いた。特徴の異なるサブセットを選択するために相関しきい値は0.05のステップ0.6から0.75までにおいて発見的方法で選択した。最適特徴部分集合は,多層パーセプトロン(MLP)ネットワークを用いて評価したと50%のk-最近傍(k NN)分類器を交差検証を保持した。ランク付けされた特徴部分集合N=3 4 5では,k-NN分類器は主成分(pcs)の数の増加に伴いMLPネットワークより優れている。結果は,ランク付けされたチャンネルのpcsはk-NN分類器の性能を向上させるMLPネットワークは,チャネルの数,N≦4のためのランキングのみでわずかな改善を示すことを示した。pcsの数は1ステップで2年から4年までの変化しているので,これらの非ランク付けされた対応物と比較して,ランキングとk-NN分類器の分類精度の約2%の改善である。MLPは,隠れニューロンの数,N=50の同一症例のためのランキングだけで1%の改善を示した。それぞれ94.71%,93.13%および92%(pc=4 3 2非ランクN=4)と比較して,k-NN分類器は最大精度96.43%,95.7%及び94.10%(pc=4 3,ランク付けされたチャンネルのno.2,N=4)で応答した。SEPCOR結果は0.05~年の段階で相関しきい値0.6から0.75に増加すると,k-NN分類器で72.4%,80%,91.6%及び92%の検出精度とそれぞれ73%,85%,95.6%および95.8%MLPネットワーク(隠れニューロン数,N=50)の精度改善に寄与する2 3 4と5の特徴部分集合を自動選択することを示した。SE特徴ランク付けは,非ランク付けされた場合よりもk-NN分類器を用いて優れた分類結果を与えるSEPCOR解析を用いて得られた特徴はwake/stage1睡眠データの分類のためのMLPネットワークを用いた良好な弁別器であることが証明された。計算速度であるk-NN分類器の高速とkの値の増加の独立したMLPは,隠れニューロンの数に基づく訓練のためのより多くの計算時間を要する。Copyright 2017 Elsevier B.V., Amsterdam. All rights reserved. Translated from English into Japanese by JST.【Powered by NICT】

シソーラス用語： 部分集合 ,  CPU時間 ,  *パターン認識 ,  *脳波 ,  *チャネル ,  神経回路網 ,  *主成分分析 ,  統計量 ,  発見的方法 ,  *特徴選択 ,  ニューロン ,  高速度 ,  フィルタ ,  *等級づけ
準シソーラス用語： 分類精度 , 【Automatic Indexing@JST】

著者キーワード (7件)： 脳波(EEG) ,  スペクトルエントロピー ,  t検定 ,  主成分分析(PCA) ,  分離可能性と相関(SEPCOR) ,  多層パーセプトロン(MLP)神経回路網 ,  k最隣接(k NN)分類器

分類 (2件)： パターン認識  (JE07000S) ,  人工知能  (JE08000Z)

タイトルに関連する用語 (11件)： 多チャネル ,  脳波 ,  後流 ,  ステージ ,  睡眠 ,  パターン認識 ,  PCA ,  主成分分析 ,  特徴選択 ,  t検定 ,  ランキング