Judul Paper: Adaptive neuro-fuzzy inference system for classification of EEG signals using wavelet coefficients
Inan Guler (Department of Electronics and Computer Education, Faculty of Technical Education, Gazi University, 06500 Teknikokullar, Ankara, Turkey), Elif Derya Ubeyli (Department of Electrical and Electronics Engineering, Faculty of Engineering, TOBB Ekonomi ve Teknoloji Universitesi) - Sogutozu, Ankara, Turkey
Journal of Neuroscience Methods(2005),0165-0270, doi:10.1016/j.jneumeth.2005.04.013
Abstract: This paper describes the application of adaptive neuro-fuzzy inference system (ANFIS) model for classification of electroencephalogram (EEG) signals. Decision making was performed in two stages: feature extraction using the wavelet transform (WT) and the ANFIS trained with the backpropagation gradient descent method in combination with the least squaresmethod. Five types of EEG signals were used as input patterns of the five ANFIS classifiers. To improve diagnostic accuracy, the sixth ANFIS classifier (combining ANFIS) was trained using the outputs of the five ANFIS classifiers as input data. The proposed ANFIS model combined the neural network adaptive capabilities and the fuzzy logic qualitative approach. Some conclusions concerning the saliency of features on classification of the EEG signals were obtained through analysis of the ANFIS. The performance of the ANFIS model was evaluated in terms of training performance and classification accuracies and the results confirmed that the proposed ANFIS model has potential in classifying the EEG signals.
Makalah ini menggambarkan bagaimana aplikasi model sistem inferensi adaptif neuro-fuzzy (ANFIS) untuk klasifikasi elektroensefalogram (EEG) sinyal. Pengambilan keputusan dilakukan dalam dua tahap: ekstraksi ciri menggunakan wavelet transform (WT) dan ANFIS dilatih dengan metode backpropagation keturunan gradien dalam kombinasi dengan metode kuadrat terkecil. Lima jenis sinyal EEG digunakan sebagai pola masukan dari lima pengklasifikasi ANFIS. Untuk meningkatkan akurasi diagnostik, classifier ANFIS keenam (ANFIS menggabungkan) telah dilatih menggunakan output dari lima pengklasifikasi ANFIS sebagai data masukan. Model ANFIS diusulkan menggabungkan kemampuan jaringan saraf adaptif dan logika fuzzy pendekatan kualitatif. Beberapa kesimpulan tentang kemenonjolan fitur pada klasifikasi sinyal EEG diperoleh melalui analisa dari ANFIS. Kinerja model ANFIS dievaluasi dalam hal kinerja pelatihan dan keakuratan klasifikasi dan hasilnya menyatakan bahwa model ANFIS yang diusulkan memiliki potensi dalam mengklasifikasikan sinyal EEG.
Gambar 1. Arsitektur ANFIS
Pengambilan keputusan dalam pengklasifikasin dilakukan dalam dua tahap: ekstraksi ciri menggunakan WT (20 fitur diekstraksi sebagai masukan ANFIS) dan klasifikasi menggunakan pengklasifikasi ANFIS dilatih dengan metode backpropagation gradien menurun dalam kombinasi dengan metode kuadrat terkecil. Pada bagian ini, penelitian dibatasi hanya gambaran singkat dari dataset yang digunakan dan mengacu pada referensi (Andrzejak et al., 2001) untuk rincian lebih lanjut. Dataset lengkap terdiri dari lima set (dilambangkan A-E), masing-masing berisi 100 sinyal EEG satu saluran 23,6 s. Setiap sinyal telah dipilih setelah inspeksi visual untuk artifak dan telah melewati kriteria kestasioneran lemah. Set A dan B telah diambil dari rekaman EEG permukaan lima sukarelawan sehat dengan mata terbuka dan tertutup, masing-masing. Sinyal dalam dua set telah diukur dalam interval kejang-bebas dari lima pasien di zona epileptogenic (D) dan dari pembentukan hippocampus pada belahan otak yang berlawanan (C). Set E berisi aktivitas kejang, dipilih dari semua situs rekaman menunjukkan aktivitas ictal. Set A dan B telah dicatat extracranially, sedangkan set C, D, dan E telah direkam intracranially. Selain dari rekaman elektroda yang berbeda, parameter perekaman yang tetap.
Teori himpunan fuzzy memainkan peran penting dalam berhubungan dengan ketidakpastian ketika membuat keputusan dalam logika fuzzy untuk aplikasi medis. Menggunakan logika fuzzy memungkinkan kita untuk menggunakan ketidakpastian dalam perancangan sistem klasifikasi dan akibatnya untuk meningkatkan kredibilitas sistem output. Makalah ini disajikan sebuah aplikasi baru dari ANFIS untuk klasifikasi dari sinyal EEG. Lima ANFIS pengklasifikasi digunakan untuk mengklasifikasikan lima kelas sinyal EEG ketika koefisien wavelet dari sinyal EEG digunakan sebagai masukan. Prediksi dari lima pengklasifikasi ANFIS digabungkan oleh classifier ANFIS keenam. Model ANFIS disajikan menggabungkan kemampuan jaringan saraf adaptif dan logika fuzzy pendekatan kualitatif. Beberapa kesimpulan tentang kemenonjolan fitur pada klasifikasi sinyal EEG diperoleh melalui analisa dari ANFIS. Klasifikasi hasil dan ukuran statistik yang digunakan untuk mengevaluasi ANFIS. Ketepatan klasifikasi total model ANFIS adalah 98,68%. Karena itu, dapat disimpulkan bahwa model ANFIS dapat digunakan dalam mengklasifikasikan sinyal EEG dengan mempertimbangkan tingkat kesalahan atau akurasi klasifikasi.
0 comments:
Post a Comment