...
  • 主题
高级搜索  >
历史搜索 清空历史
首页> 外文期刊>Expert Systems with Application >EEG signal classification using universum support vector machine
【24h】

EEG signal classification using universum support vector machine

机译：使用通用支持向量机进行脑电信号分类

获取原文
获取原文并翻译 | 示例
           
页面导航
  • 摘要
  • 著录项
  • 相似文献
  • 相关主题

摘要

Support vector machine (SVM) has been used widely for classification of electroencephalogram (EEG) signals for the diagnosis of neurological disorders such as epilepsy and sleep disorders. SVM shows good generalization performance for high dimensional data due to its convex optimization problem. The incorporation of prior knowledge about the data leads to a better optimized classifier. Different types of EEG signals provide information about the distribution of EEG data. To include prior information in the classification of EEG signals, we propose a novel machine learning approach based on universum support vector machine (USVM) for classification. In our approach, the universum data points are generated by selecting universum from the EEG dataset itself which are the interictal EEG signals. This removes the effect of outliers on the generation of universum data. Further, to reduce the computation time, we use our approach of universum selection with universum twin support vector machine (UTSVM) which has less computational cost in comparison to traditional SVM. For checking the validity of our proposed methods, we use various feature extraction techniques for different datasets consisting of healthy and seizure signals. Several numerical experiments are performed on the generated datasets and the results of our proposed approach are compared with other baseline methods. Our proposed USVM and proposed UTSVM show better generalization performance compared to SVM, USVM, Twin SVM (TWSVM) and UTSVM. The proposed UTSVM has achieved highest classification accuracy of 99% for the healthy and seizure EEG signals. (C) 2018 Elsevier Ltd. All rights reserved.
机译：支持向量机（SVM）已被广泛用于脑电图（EEG）信号的分类，以诊断神经系统疾病，例如癫痫和睡眠障碍。 SVM由于其凸优化问题，对高维数据表现出良好的泛化性能。结合有关数据的先验知识可导致更好的优化分类器。不同类型的EEG信号提供有关EEG数据分布的信息。为了在脑电信号的分类中包括先验信息，我们提出了一种基于通用支持向量机（USVM）进行分类的新颖机器学习方法。在我们的方法中，通用数据点是通过从EEG数据集本身（即间歇性EEG信号）中选择通用来生成的。这消除了离群值对通用数据生成的影响。此外，为了减少计算时间，我们使用了具有通用孪生支持向量机（UTSVM）的通用选择方法，该方法与传统的SVM相比具有较低的计算成本。为了检查我们提出的方法的有效性，我们对由健康和癫痫发作信号组成的不同数据集使用了各种特征提取技术。在生成的数据集上进行了一些数值实验，并将我们提出的方法的结果与其他基线方法进行了比较。与SVM，USVM，双SVM（TWSVM）和UTSVM相比，我们提出的USVM和提出的UTSVM显示出更好的泛化性能。对于健康和癫痫性脑电信号，建议的UTSVM已达到99％的最高分类精度。 （C）2018 Elsevier Ltd.保留所有权利。

著录项

相似文献

  • 外文文献
  • 中文文献
  • 专利
获取原文

客服邮箱：kefu@zhangqiaokeyan.com

京公网安备：11010802029741号 ICP备案号：京ICP备15016152号-6 六维联合信息科技 (北京) 有限公司©版权所有

  • 客服微信

  • 服务号