Модифицированным метод классификации многомерных временных рядов с использованием шейплетов

10 / 20

Модифицированный метод классификации многомерных временных рядов…
ISSN 0236-3933. Вестник МГТУ им. Н.Э. Баумана. Сер. Приборостроение. 2017. № 2 55
– функции библиотеки XMLParser для чтения входных данных;
– инструмент IMAQTrainNearestNeighborVI из библиотеки ClassifierEngines
для построения классификатора на основе k ближайших соседей;
– инструмент IMAQCrossValidationVI из библиотеки Classification для орга-
низации процедуры кросс-проверки;
– инструмент IMAQTrainSVMVI из библиотеки ClassifierEngines для постро-
ения классификатора на основе метода опорных векторов;
– функции библиотек QueueOperations , NotifierOperations для организации
взаимодействия между потоками.
Разработанная утилита реализует поиск
шейплетов с помощью алгоритма полного перебора и алгоритма поиска с от-
брасыванием кандидатов. Утилита реализует поиск
шейплетов с помощью генетического алгоритма. Приложения доступны на веб-
сайте в разделе «Загрузки».
Тестовые данные. В качестве тестовых данных использованы записи ЭЭГ, по-
лученные исследовательской группой Кристофа Гугера (ChristophGuger) компании
g.tecMedicalEngineeringGmbH. Запись ЭЭГ проводилась для 100 испытуемых при
работе с интерфейсом мозг–компьютер на основе волны P300. На экране отобра-
жалась матрица из 36 символов (A, B, …, Z; 0, 1, …, 9). В первом варианте экспери-
мента на короткий интервал времени (100 мс) поочередно подсвечивались строки и
столбцы этой матрицы. Во втором варианте подсвечивался отдельно каждый сим-
вол. В обоих вариантах с помощью анализа ЭЭГ и выделения реакции в виде волны
Р300 определялся тот символ, к которому привлечено внимание испытуемого.
Каждый испытуемый принял участие в двух сессиях. Во время обучающей сессии
испытуемым было предложено набрать слово WATER, фокусируя внимание по-
очередно на каждой букве, а во время тестовой сессии — слово LUCAS. Запись ЭЭГ
велась с помощью восьми электродов. Частота дискретизации составляла 256 Гц,
разрешающая способность — 24 бита.
В работе использованы данные ЭЭГ, зарегистрированные для восьми испыту-
емых (s3–s10), участвовавших в первом эксперименте
раздел Database, набор данных VisualP300speller (003-2015)). Для всех испытуемых
s3–s10 полученные во время обучающей и тестовой сессий записи ЭЭГ содержат
по 900 эпох, из которых 750 эпох соответствуют незначимым стимулам (подсветка
строк и столбцов матрицы, которые не содержат набираемого символа), а
150 эпох — значимым стимулам.
Рассмотрим задачу бинарной классификации указанных записей ЭЭГ, цель
которой — определить, содержит ли данная запись реакцию в виде волны Р300
на предъявляемый стимул или нет.
Предобработка данных и параметры используемых алгоритмов классифи-
кации. На первом шаге предвыборки сигнал ЭЭГ разбиваем на эпохи (отрезки)
продолжительностью 800 мс, начиная с момента предъявления стимула (под-
светки столбца или матрицы виртуальной клавиатуры). На втором шаге выпол-