文献

J-GLOBAL ID：202002247520341163   整理番号：20A0063397

医療物環境のインターネットにおける運動画像EEG信号分類のための新しい機械学習に基づく特徴選択【JST・京大機械翻訳】

A novel machine learning based feature selection for motor imagery EEG signal classification in Internet of medical things environment

著者 (6件)： Chatterjee Rajdeep (School of Computer Engineering, Kalinga Institute of Industrial Technology Deemed to be University, Bhubaneswar, Odisha 751024, India) ,  Maitra Tanmoy (School of Computer Engineering, Kalinga Institute of Industrial Technology Deemed to be University, Bhubaneswar, Odisha 751024, India) ,  Hafizul Islam SK (Department of Computer Science and Engineering, Indian Institute of Information Technology Kalyani, West Bengal 741235, India) ,  Hassan Mohammad Mehedi (Chair of Pervasive and Mobile Computing, Information Systems Department, College of Computer and Information Sciences, King Saud University, Riyadh 11543, Saudi Arabia) ,  Alamri Atif (Chair of Pervasive and Mobile Computing, Information Systems Department, College of Computer and Information Sciences, King Saud University, Riyadh 11543, Saudi Arabia) ,  Fortino Giancarlo (Department of Informatics, Modeling, Electronics, and Systems, University of Calabria, 87036 Rende, Italy)
資料名： Future Generation Computer Systems  (Future Generation Computer Systems)
巻： 98  ページ： 419-434  発行年： 2019年 
JST資料番号： A0620C  ISSN： 0167-739X  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： インターネット(IoMT)環境のインターネットにおいて,特徴選択は,元の特徴集合から最も判別的な健康関連特徴を同定する効率的な方法である。特徴選択は,最良の有益な特徴を見出すだけでなく,与えられたデータセットの全体的次元を低減するのにも役立つ。本論文では,実際の特徴集合を,適応自己回帰(AAR)特徴抽出技術を用いて,Brain Computer Interface(BCI)競合-IIデータ-IIIモータ-画像脳波(EEG)信号から得た。AARアルゴリズムの次数(AR係数の数)に基づいて,データセットの2つの変種が生成された:12(電極当たり6オーダー)と24(電極当たり12オーダー)のAAR特徴データセット。ここでは,識別可能性マトリックスの新しいファジィ化バージョンを提案し,特徴の部分集合を決定し,最良の分類精度を提供した。最良の特徴部分集合を見つけるために,種々のタイプの非類似性測度を用いて,著者らの提案したファジィ識別可能性マトリックス(FDM)ベースの特徴選択技術における他のものと比較した。提案したアルゴリズムを,著者らの研究における10倍の交差検証と同様に,holアウト技術を用いて与えられたデータセット上に実装した。選択された特徴部分集合の性能を,分類器のサポートベクトルマシン(SVM)とアンサンブル変異体を用いた精度に基づいて評価した。本論文における著者らの実験から得られた経験的結果は,精度に関して競争力があり,他の一般的t検定,Kullback-Leibler Divergery(KLD),Bhattacharyya距離およびGiniインデックスに基づく特徴選択技術よりも優れている。著者らの提案したFDMベースの特徴選択アルゴリズムを用いて,12と24の特徴AARデータセットに対して,それぞれ80%と78.57%の精度を提供した。最も良い判別特徴の50%のみを有するholアウト技術で得られた結果は,元の特徴集合(いかなる特徴選択技術も使用しない)を用いて得られた性能よりも優れている。さらに,それは,実際の12と24の特徴集合からの6と12の最も判別的なAAR特徴を用いて,5×10倍交差検証から,それぞれ78.57%と75.57%の平均精度を与える。Copyright 2020 Elsevier B.V., Amsterdam. All rights reserved. Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： サポートベクトルマシン ,  *インターネット ,  部分集合 ,  ファジィ集合 ,  測度 ,  *特徴選択 ,  アルゴリズム ,  脳波 ,  電動機 ,  特徴抽出 ,  *機械学習
準シソーラス用語： t検定 ,  非類似性 ,  自己回帰 ,  *脳波信号 , 【Automatic Indexing@JST】

著者キーワード (8件)： BCI ,  分類 ,  識別可能性 ,  脳波 ,  特徴選択 ,  ファジィ集合 ,  IOMT ,  機械学習

分類 (3件)： 計算機網  (JC03000K) ,  人工知能  (JE08000Z) ,  計算機システム開発  (JD02010R)

タイトルに関連する用語 (8件)： 医療 ,  環境 ,  インターネット ,  動画像 ,  EEG信号 ,  分類 ,  機械学習 ,  特徴選択