Evoluční návrh klasifikátoru EEG dat

Abstract

Tato diplomová práce se zaměřuje na vývoj efektivního klasifikátoru pro klasifikaci kandidátů na základě extrahovaných vlastností z elektroencefalografického (EEG) signálu. K dosažení tohoto cíle byl použit genetický algoritmus pro výběr příznaků a optimalizaci klasifikátorů na základě pěti kritérií: minimalizace počtu příznaků, minimalizace doby inference a maximalizace klasifikační senzitivity, specificity a přesnosti. Pro extrakci příznaků s cílem klasifikovat kandidáty jako trpící MDD, nebo jako zdravé, byla použita EEG data s otevřenýma očima 31 kandidátů trpících depresivní poruchou (MDD) a 28 zdravých kandidátů. Byly otestovány dva algoritmy, NSGA-II a NSGA-III. Navržený algoritmus pracoval se třemi kritérii, ale byly přidány dvě další kritéria - senzitivita a specificita. NSGA-III byl v tomto případě účinnější a byl použit v následujících experimentech. Byla zavedena omezení pro zlepšení parametrů a byly vyzkoušeny různé hodnoty pro pravděpodobnost mutace a křížení. Vygenerované klasifikátory dosáhly průměrné přesnosti 91.36 \%, senzitivity 91.82 \% a specificity 90.84 \%. V závěrečných experimentech byly nejčastěji používány kanály F3 a C3 a nejčastěji využívaným vlnovým pásmem byla gama frekvence. Výsledkem této práce jsou efektivní klasifikátory, které byly získány pomocí navrženého algoritmu, jenž využívá genetický algoritmus pro optimalizaci parametrů.This thesis focuses on developing an effective classifier for candidate classification based on a set of extracted Electroencephalography (EEG) signal features. To achieve this, a genetic algorithm was utilized for feature selection and optimalization of the classifier’s parameters based on five criteria: minimizing the number of features, minimizing inference time, and maximizing classification sensitivity, specificity, and accuracy. The eyes opened EEG data of 31 candidates suffering from Major Depressive Disorder (MDD) and 28 healthy candidates were used for feature extraction, with the goal of classifying candidates as either having MDD or being healthy. Two algorithms, NSGA-II and NSGA-III, were tested. The proposed algorithm operated with three criteria, but two additional criteria, sensitivity and specificity, were added. NSGA-III was more effective in this case and was used in the remaining experiments. Constraints were introduced to improve performance, and different values for the mutation and crossover probability were tried. The classifiers from the final result have an average accuracy of $91.36\%$, sensitivity of $91.82\%$, and specificity of $90.84\%$. In the final experiments most frequently used channels were F3 and C3 channels and most commonly utilized waveband was gamma waveband. Overall, this work presents effective classifiers that were obtained using the proposed algorithm, which utilizes a genetic algorithm for parameter optimization.