Classification of EEG Data using Fuzzy k-NN Ensembles

0087505 - ÚI 2008 RIV SK eng C - Conference Paper (international conference)
Štefka, David - Holeňa, Martin
Classification of EEG Data using Fuzzy k-NN Ensembles.
[Klasifikace EEG dat s použitím kombinování Fuzzy k-NN klasifikátorů.]
Informačné technológie - Aplikácie a Teória. Seňa: PONT, 2007 - (Vojtáš, P.), s. 91-94. ISBN 978-80-969184-6-1.
[ITAT 2007. Conference on Theory and Practice of Information Theory. Poľana (SK), 21.09.2007-27.09.2007]
R&D Projects: GA AV ČR 1ET100300517; GA ČR GA201/05/0325
Institutional research plan: CEZ:AV0Z10300504
Keywords : ensemble methods * classifier combining * classifier fusion * classifier aggregation * Sugeno fuzzy integral
Subject RIV: IN - Informatics, Computer Science

Ensemble methods try to improve quality of classification by creating multiple classifiers and aggregating their outputs. In this paper, we present the use of ensemble methods for classification of EEG data from the project "Building Neuroinformation Bases, and Extracting Knowledge from them", within which a possibility of preventing drivers' microsleeps is studied. A multiple feature subset ensemble method is used to improve the quality of classification of a fuzzy k-nearest neighbor classifier. Two different aggregation schemes are used - the mean value aggregation algorithm outperforming the Sugeno fuzzy integral aggregation algorithm

Metody spojování klasifikátorů se snaží zlepšit kvalitu klasifikace tím, že používají několik různých klasifikátorů a kombinují jejich výstupy. V tomto článku popíšeme použití tzv. ensembleových metod pro klasifikaci dat z projektu „Budování neuroinformačních bází a získávání znalostí z nich“, v kterém se studuje možnost prevence mikrospánků u řidičů. Metoda „multiple feature subset“ je použita k zvýšení kvality klasifikace pomocí fuzzy k-NN klasifikátoru. Pro agregaci jsou použity dva přístupy – střední hodnota a Sugenův fuzzy integrál, z nichž lepších výsledků dosahuje střední hodnota.
Permanent Link: http://hdl.handle.net/11104/0149338