ЗАСТОСУВАННЯ РЕКУРЕНТНОГО АНАЛІЗУ ДЛЯ КЛАСИФІКАЦІЇ РЕАЛІЗАЦІЙ ЕНЦЕФАЛОГРАМ
DOI:
https://doi.org/10.34185/1562-9945-6-143-2022-08Ключові слова:
класифікація з використанням машинного навчання, класифікація часових рядів, рекурентні діаграми, реалізація ЕЕГ, глибокі залишкові мережі.Анотація
У статті розглянуто використання машинного навчання для класифікації часових реалізацій які подано у вигляді рекурентних діаграм. Кожна часова реалізація перетворюється в матрицю рекурентних станів і представляється як чорно-біле зо-браження. Отримані зображення реалізацій класифікуються за допомогою глибоких нейронних мереж. В якості класифікатора для зображень використовується глибока нейронна мережа залишкового типу. Проводиться бінарна класифікація реалізацій ЕЕГ. Результатом бінарної класифікації є виявлення епілептичного нападу. Результа-ти дослідження показують, що розглянутий метод має високу точність класифікації. Запропонований підхід до класифікації може бути легко використаний на практиці.
Посилання
Kirichenko, L., Radivilova, T., Bulakh, V.: Binary classification of fractal time series by machine learning methods. In: Advances in Intelligent Systems and Computing, vol. 1020, pp. 701–711 (2019). https://doi.org/10.1007/978-3-030-26474- 1 49
Andrzejak, R.G., Lehnertz, K., Mormann, F., Rieke, C., David, P., Elger, C.E.: Indications of nonlinear deterministic and finite-dimensional structures in time series of brain electrical activity: dependence on recording region and brain state. Phys. Rev. E 64(6), 061907 (2001)
Bagnall, A., Lines, J., Bostrom, A., Large, J., Keogh, E.: The great time series classification bake off: a review and experimental evaluation of recent algorithmic advances. Data Min. Knowl. Disc. 31(3), 606–660 (2017)
Buza, K.: Time series classification and its applications. In: Proceedings of the 8th Interna-tional Conference on Web Intelligence, Mining and Semantics, pp. 1–4 (2018)
Esling, P., Agon, C.: Time-series data mining. ACM Comput. Surv. (CSUR) 45(1), 1–34 (2012)
Bulakh, V., Kirichenko, L., Radivilova, T.: Time series classification based on frac- tal properties. In: 2018 IEEE Second International Conference on Data Stream Mining & Proc-essing (DSMP), pp. 198–201 (2018). https://doi.org/10.1109/ DSMP.2018.8478532
Faraggi, M., Sayadi, K.: Time series features extraction using Fourier and Wavelet trans-forms on ECG data (2019). https://blog.octo.com/en/time-series-features- extraction-using-fourier-and-wavelet-transforms-on-ecg-data/
Lotte, F., Bougrain, L., Cichocki, A., et al.: A review of classification algorithms for EEG-based brain-computer interfaces: a 10 year update. J. Neural Eng. 15(3), 031005 (2018)
Craik, A., He, Y., Contreras-Vidal, J.L.: Deep learning for electroencephalogram (EEG) classification tasks: a review. J. Neural Eng. 16(3), 031001 (2019). https:// doi.org/10.1088/1741-2552/ab0ab5
Eckmann, J.P., Kamphorst, S.O., Ruelle, D.: Recurrence plots of dynamical systems. World Sci. Ser. Nonlinear Sci. Ser. A 16, 441–446 (1995)
Marwan, N., Romano, M.C., Thiel, M., Kurths, J.: Recurrence plots for the analysis of complex systems. Phys. Rep. 438(5–6), 237–329 (2007)
Marwan, N., Wessel, N., Meyerfeldt, U., Schirdewan, A., Kurths, J.: Recurrence plot-based measures of complexity and their application to heart-rate-variability data. Phys. Rev. E 66(2), 026702 (2002)
Kirichenko, L., Kobitskaya, Y., Habacheva, A.: Comparative analysis of the complexity of chaotic and stochastic time series. Radioelectronics Inform. Manag. 2(31), 126–134 (2014)
Hatami, N., Gavet, Y., Debayle, J.: Classification of time-series images using deep convo-lutional neural networks. In: Tenth International Conference on Machine Vision (ICMV 2017). International Society for Optics and Photonics (2018)
Hatami, N., Gavet, Y., Debayle, J.: Bag of recurrence patterns representation for time-series classification. Pattern Anal. Appl. 22(3), 877–887 (2019)
Michael, T., Spiegel, S., Albayrak, S.: Time series classification using compressed recur-rence plots. In: Proceedings of ECML-PKDD (2015)
Kirichenko, L., Kobitskaya, Y., Habacheva, A.: Comparative analysis of the com- plexity of chaotic and stochastic time series. Radioelectronics Inform. Manag. 2(31), 126–134 (2014)
Takens, F.: Detecting strange attractors in turbulence. In: Rand, D., Young, L.S. (eds.) Dynamical Systems and Turbulence, Warwick 1980. Lecture Notes in Mathematics, vol. 898 (1980)
Wu, Q., Fokoue, E.: Epileptic Seizure Recognition Data Set. https://archive.ics.uci.edu/ml/datasets/Epileptic+Seizure+Recognition
Karlık, B., Hayta, B.: Comparison machine learning algorithms for recognition of epilep-tic seizures in EEG. In: Proceedings IWBBIO 2014 (2014)
Ciresan, D.C., Meier, U., Masci, J., Gambardella, L.M., Schmidhuber, J.: Flexible, high performance convolutional neural networks for image classification. In: Twenty-Second In-ternational Joint Conference on Artificial Intelligence, pp. 1237– 1242 (2011)
LeCun, Y., Bengio, Y.: Convolutional networks for images, speech, and time series. In: The Handbook of Brain Theory and Neural Networks, vol. 3361, no. 10 (1995)
Fung, V.: An overview of ResNet and its variants. Towards Data Science (2017)
Опубліковано
Номер
Розділ
Ліцензія
Ця робота ліцензується відповідно до ліцензії Creative Commons Attribution 4.0 International License.
