Evoluční optimalizace extraktoru příznaků klasifikátoru EEG

Abstract

Tato práce se zaměřuje na optimalizaci klasifikace EEG signálu alkoholiků a kontrolních subjektů pomocí evolučních algoritmů s vícekriteriálním přístupem. Hlavním cílem je maximalizovat přesnost, senzitivitu a specificitu klasifikačního algoritmu a minimalizovat počet použitých příznaků. Práce využívá čtyři různé klasifikátory, konkrétně Support Vector Machine, k-nearest neighbors, Naive Bayes a AdaBoost. Výběr nejlepších příznaků je optimalizován pomocí tří různých evolučních přístupů, z nichž dva převádějí vícekriteriální optimalizaci na jednokriteriální pomocí váženého součtu a omezení maximálního počtu příznaků. Pareto optimální řešení nalézá algoritmus NSGA-II. Výsledky dokazují, že evoluční algoritmy v kombinaci s vhodnými klasifikátory spolehlivě rozeznají člověka se sklonem k alkoholismu od toho se zdravým vztahem k alkoholu.This work focuses on the optimisation of EEG signal classification of alcoholics and control subjects using evolutionary algorithms with a multi-objective approach. The main goal is to maximise the accuracy, sensitivity and specificity of the classification algorithm and minimise the number of features used. Four different classifiers are used, namely Support Vector Machine, k-nearest neighbors, Naive Bayes and AdaBoost. The selection of the best features is optimised using three different evolutionary approaches, two of which convert multi-objective optimisation to single-objective using weighted summation or restricting the maximum number of features. The Pareto optimal solutions are found by the NSGA-II algorithm. Results show that the evolutionary algorithms, combined with appropriate classifiers, reliably distinguish a person with a tendency to alcoholism from one with a healthy relationship towards alcohol.