Модифицированным метод классификации многомерных временных рядов с использованием шейплетов

15 / 20

А.П. Карпенко, П.И. Сотников
60 ISSN 0236-3933. Вестник МГТУ им. Н.Э. Баумана. Сер. Приборостроение. 2017. № 2
Рис. 3. Значения меры mean G для алгоритмов 1 2 3, , A A A ( — децимация сигнала, —
алгоритм А1, — алгоритм А2, — алгоритм А3)
Приведенные результаты исследования показывают, что наборы шейпле-
тов, которые были найдены алгоритмами 1 2 3, , A A A и использованы для форми-
рования характерных признаков сигнала ЭЭГ, обладают одинаковыми обобща-
ющими свойствами. Наблюдаемые различия между алгоритмами не являются
статистически значимыми.
Отметим следующее обстоятельство. Поскольку реакция на значимый сти-
мул возникает в ЭЭГ спустя определенное время (равное примерно 300 мс), в
ИМК на основе волны Р300 важна не только информация о форме сигнала, ко-
торая «подмечается» шейплетами, но также информация о фазе, которую метод
шейплетов не учитывает. Тем не менее, представленные результаты показывают,
что метод шейплетов обладает эффективностью, сопоставимой с эффективно-
стью классического метода выделения характерных признаков (основанного на
понижении частоты выборок).
Для испытуемого s10 в качестве примера на рис. 4, а показана форма сигна-
ла ЭЭГ после усреднения по эпохам, содержащим реакцию на незначимые сти-
мулы; на рис. 4, б — после усреднения по эпохам, содержащим реакцию на зна-
чимые стимулы. На рис. 4, в приведена форма шейплета, найденного с помощью
алгоритма полного перебора 1 . A Видно, что шейплет в данном случае в большей
степени отражает свойства класса, соответствующего реакции на незначимые
стимулы.
Оценка влияния числа шейплетов в наборе на итоговую точность классифи-
кации. Рассмотрим, как исключение из набора похожих шейплетов влияет на точ-
ность классификации. Для каждого алгоритма классификации 1 2 3, , A A A было
сформировано пять новых наборов, состоящих из 2, 4, 8, 16, 24 шейплетов. Наборы
сформированы с помощью алгоритма иерархической кластеризации [6]. Для каж-
дого набора шейплетов вычислена оценка достижимой точности классификации
путем расчета значений меры mean G на тестовых данных. На рис. 5 приведены за-
висимости значений mean , G усредненных по всем испытуемым, от числа шейпле-
тов в наборе.