Clasificación de señales electroencefalográficas utilizando entrenamiento cruzado de máquinas de vectores de soporte
Fuente:
Redalyc
Guardado en:
| Autor principal: | |
|---|---|
| Formato: | Artículo científico |
| Lenguaje: | es |
| Publicado: |
Universidad de Carabobo
2015
|
| Materias: | |
| Acceso en línea: | |
| Etiquetas: |
Agregar Etiqueta
Sin Etiquetas, Sea el primero en etiquetar este registro!
|
| _version_ | 1876430852725932032 |
|---|---|
| author | Sergio Villazana |
| author_facet | Sergio Villazana |
| contents | Clasificación de señales electroencefalográficas utilizando entrenamiento cruzado de máquinas de vectores de soporte Sergio Villazana Guillermo Montilla César Seijas Antonino Caralli Antonio Eblen Ingeniería EEG Epilepsia entrenamiento cruzado Máquinas de Vectores Soporte Este artículo presenta una aplicación de entrenamiento cruzado de Máquinas de Vectores Soporte (de sus siglas en inglés Support Vector Machines, SVM) para clasificar registros electroencefalográficos (EEG) en normales y patológicos. Los registros de EEG patológicos corresponden a personas con diagnóstico comprobado de epilepsia. El entrenamiento cruzado ha demostrado ser una técnica para eliminar selectivamente los vectores de soporte de error reduciendo la complejidad de la función subyacente, lo que implica una mayor posibilidad de clasificar las muestras con menor error. En esta técnica, el proceso de optimización se realiza en dos etapas, 1) Se divide el conjunto de datos en un número inicial (predefinido) de subconjuntos, y se entrena una SVM por cada subconjunto, 2) Se halla el margen (distancia) de cada uno de los datos del conjunto de datos total a cada función de decisión, y se obtiene el margen promedio de cada muestra. Las muestras cuyo margen promedio esté fuera de cierto rango se eliminan del conjunto de datos. Luego se entrena la SVM final con el conjunto de datos reducido. Los resultados demuestran un alto desempeño en la clasificación de los patrones electroencefalográficos, obteniéndose una alta tasa de precisión mayor al 95 %. 2015 artículo científico 1316-6832 https://www.redalyc.org/articulo.oa?id=70742617003 es http://www.redalyc.org/revista.oa?id=707 Revista INGENIERÍA UC application/pdf Universidad de Carabobo Revista INGENIERÍA UC (República Bolivariana de Venezuela) Num.2 Vol.22 |
| format | Artículo científico |
| id | redalyc_70742617003 |
| institution | Redalyc |
| language | es |
| publishDate | 2015 |
| publisher | Universidad de Carabobo |
| spellingShingle | Clasificación de señales electroencefalográficas utilizando entrenamiento cruzado de máquinas de vectores de soporte Sergio Villazana Ingeniería EEG Epilepsia entrenamiento cruzado Máquinas de Vectores Soporte Clasificación de señales electroencefalográficas utilizando entrenamiento cruzado de máquinas de vectores de soporte Sergio Villazana Guillermo Montilla César Seijas Antonino Caralli Antonio Eblen Ingeniería EEG Epilepsia entrenamiento cruzado Máquinas de Vectores Soporte Este artículo presenta una aplicación de entrenamiento cruzado de Máquinas de Vectores Soporte (de sus siglas en inglés Support Vector Machines, SVM) para clasificar registros electroencefalográficos (EEG) en normales y patológicos. Los registros de EEG patológicos corresponden a personas con diagnóstico comprobado de epilepsia. El entrenamiento cruzado ha demostrado ser una técnica para eliminar selectivamente los vectores de soporte de error reduciendo la complejidad de la función subyacente, lo que implica una mayor posibilidad de clasificar las muestras con menor error. En esta técnica, el proceso de optimización se realiza en dos etapas, 1) Se divide el conjunto de datos en un número inicial (predefinido) de subconjuntos, y se entrena una SVM por cada subconjunto, 2) Se halla el margen (distancia) de cada uno de los datos del conjunto de datos total a cada función de decisión, y se obtiene el margen promedio de cada muestra. Las muestras cuyo margen promedio esté fuera de cierto rango se eliminan del conjunto de datos. Luego se entrena la SVM final con el conjunto de datos reducido. Los resultados demuestran un alto desempeño en la clasificación de los patrones electroencefalográficos, obteniéndose una alta tasa de precisión mayor al 95 %. 2015 artículo científico 1316-6832 https://www.redalyc.org/articulo.oa?id=70742617003 es http://www.redalyc.org/revista.oa?id=707 Revista INGENIERÍA UC application/pdf Universidad de Carabobo Revista INGENIERÍA UC (República Bolivariana de Venezuela) Num.2 Vol.22 |
| title | Clasificación de señales electroencefalográficas utilizando entrenamiento cruzado de máquinas de vectores de soporte |
| topic | Ingeniería EEG Epilepsia entrenamiento cruzado Máquinas de Vectores Soporte |
| url | https://www.redalyc.org/articulo.oa?id=70742617003 |