| Abstract: |  Tato práce se zabývá klasifikací spánku donošených novorozenců do dvou tříd – aktivního a klidného spánku. Vytvořený systém - soubor algoritmů a spustitelného kmenového souboru v MatLabu – pracuje s příznaky extrahovanými ze signálu EEG. Cílem práce bylo nalézt nejvhodnější algoritmus selekce příznaků, který by byl rychlý a přesný, a pokusit se sestavit sadu příznaků, která by byla obecně vhodná pro naši úlohu.
Použito bylo 6 algoritmů selekce příznaků (mRMR, SFS, SBS, SFFS, ReliefF a SBBS) a 4 různé klasifikátory (k-NN, SVM, Naive Bayes a C4.5), jejichž vzájemné kombinace jsme porovnávali. Klasifikační chyba byla určena porovnáním s hodnocením odborníka. Z těchto selekcí byl také určen optimální počet příznaků - 20. Jako nejlepší kombinace algoritmus selekce – klasifikátor nám vyšla kombinace algoritmu SFFS a klasifikátoru Naive Bayes.
Celkem jsme provedli 160 různých selekcí dvaceti příznaků, abychom určili četnost výběru jednotlivých příznaků. Dvacet nejčetnějších příznaků, které tvořily především příznaky získané vlnkovou (Wavelet) transformací, jsme následně ověřili na nezávislém datasetu, který nebyl použit pro jejich výběr, jako sadu příznaků vhodnou pro klasifikaci novorozeneckého spánku.
Abstract
This thesis deals with neonatal sleep classification to 2 classes – active and quiet sleep. The developed system – a set of algorithms and the executable root file in MatLab – works with features extracted from the EEG signal. The goal was to find the best algorithm that would be quick and precise and to create a set of features sufficient for our task.
Combinations of 6 different feature selection algorithms (mRMR, SFS, SBS, SFFS, ReliefF and SBBS) and 4 classifiers (k-NN, SVM, Naive Bayes and C4.5) were compared. The optimal number of features based on these selections was determined. The best combination was found out as the combination of SFFS algorithm and Naive Bayes classifier. All classification results were compared with an expert’s evaluation.
Altogether 160 different selections of 20 features were realized to determine their frequency of selection. The 20 most frequent features as a set of features proper to neonatal sleep classification, mostly the features computed with Wavelet transformation, were verified on an independent dataset that wasn’t used for their selection.
|
|---|