13 / 20
А.П. Карпенко, П.И. Сотников
58
ISSN 0236-3933. Вестник МГТУ им. Н.Э. Баумана. Сер. Приборостроение. 2017. № 2
гипотезы выполнена оценка статистической значимости полученных результа-
тов с помощью однофакторного дисперсионного анализа. Уровень значимости,
при котором отвергается нулевая гипотеза о равенстве средних, принят равным
0, 05
α =
. Рассчитанное значение критерия Фишера составляет
эмп
4, 704
F
=
и
превышает критическое значение
=
крит
4, 6,
F
определенное для уровня значи-
мости
0, 05.
α =
Следовательно, предположение о том, что генетический алго-
ритм имеет большую эффективность, является верным.
Оценка обобщающих свойств найденных шейплетов.
Обобщающие свой-
ства шейплетов, найденных с помощью алгоритмов
1 2 3
,
,
A A A
, оценены на запи-
сях ЭЭГ, полученных во время тестовой сессии. Для каждого из алгоритмов в
итоговый набор шейплетов было включено 32 лучших кандидата, найденных за
один проход алгоритма. Для генетического алгоритма выборка кандидатов осу-
ществлена из последнего поколения.
Для записей ЭЭГ, входящих в обучающую и тестовую выборки, выполнено
шейплет-преобразование данных. Для векторов характерных признаков, сфор-
мированных для обучающей и тестовой выборок, построен классификатор и
выполнено его тестирование. Использован комитет
ν-SVM
классификаторов,
каждый из которых реализует модификацию метода опорных векторов (
англ.
SupportVectorMachine
), в которой допускаются ошибки на обучающей выбор-
ке [10]. Варьируемый параметр
[ ]
0;1
ν∈
задает верхнюю границу доли ошибок
обучения и нижнюю границу числа опорных векторов. В составе комитета ис-
пользованы классификаторы, обученные со значениями
ν =
…
0,1; 0,15;
; 0, 95.
Решение о принадлежности объекта к классу принималось после рейтингового
голосования членов комитета. Матрица рейтингов оценивалась на основе точ-
ности прогнозирования классов членами комитета [11].
Использованные тестовые данные являются сильно несбалансированными
(содержат большое число эпох ЭЭГ, соответствующих незначимым стимулам).
В связи с этим оценка общей точности классификации может давать некор-
Рис. 2.
Отклонения
opt
( )
Δϕ
S
оценок качества разделения классов от их оптимальных
значений ( —
алгоритм
А
1
,
—
алгоритм
А
3
)