Nesta sec¸c˜ao ´e feita uma ilustra¸c˜ao temporal dos resultados das experiˆencias A e B, utilizando os diferentes conjuntos de treino. Para cada caso ilustrado, seleccionou-se um segmento de cada tipo de sinal (A, B, C, D e E), dividindo-o em subsegmentos de 256 amostras, classificando-o posteriormente.
Para caracterizar o resultado da classifica¸c˜ao utilizaram-se dois simbolos:
• ¤, quando o sinal classificado pertence `a classe 1
• ∗, quando o sinal classificado pertence `a classe 2
Desta forma ´e poss´ıvel uma observa¸c˜ao das rela¸c˜oes entre conjuntos de treino e caracter´ısticas utilizadas, de uma forma temporal.
0 256 512 768 1024 1280 1536 1792 2048 2304 2560 2816 3072 3328 3584 3840 4096 Caso 2 Caso 1 Caso 2 Caso 1 Experiencia B Experiencia A
Figura 5.11: An´alise a um segmento do tipo A
Pela observa¸c˜ao da figura 5.11, tanto para os casos experiˆencia A como para os casos da ex- periˆencia B, a classifica¸c˜ao foi a correcta em todos os subsegmentos analisados. A utiliza¸c˜ao de diferentes tipos de conjuntos de treino, evidenciou-se como irrelevante.
1 256 512 768 1024 1280 1536 1792 2048 2304 2560 2816 3072 3328 3584 3840 4096 Experiencia B Experiencia A Caso 2 Caso 1 Caso 2 Caso 1
Figura 5.12: An´alise a um segmento do tipo E
Quando o caso em an´alise ´e um segmento do tipo E, observa-se (figura 5.12), que na ex- periˆencia A, o caso 1 apresenta uma melhoria na classifica¸c˜ao relativamente ao caso 2. No
entanto em ambos os casos, `a medida que se aumenta o conjunto de treino h´a uma melhoria na classifica¸c˜ao, tal como o descrito nas an´alises `as experiˆencias. A experiˆencia B n˜ao se revela t˜ao eficaz na classifica¸c˜ao evidenciando um elevado erro.
Assim, a experiˆencia A tornou-se a mais adequada na classifica¸c˜ao deste segmento revelando uma classifica¸c˜ao mais eficaz do que a experiˆencia B.
Com a utiliza¸c˜ao de um segmento do tipo B (figura 5.13), `a imagem do que aconteceu nas
1 256 512 768 1024 1280 1536 1792 2048 2304 2560 2816 3072 3328 3584 3840 4096 Experiencia B Experiencia A Caso 2 Caso 1 Caso 2 Caso 1
Figura 5.13: An´alise a um segmento do tipo B
an´alises das boxplots, em todos os casos, houve um aumento do erro quando de aumentou a dimens˜ao do conjunto de treino. No caso 2 da experiˆencia B chega-se mesmo a ter, a to- talidade do segmento bem classificado, estando por isso de acordo com os resultados obtidos anteriormente (figura 5.10c).
A utiliza¸c˜ao de um segmento do tipo C (figura 5.14), evidenciou os resultados obtidos nas an´alises `as experiˆencias, estando completamente de acordo com o obtido anteriormente. Real¸ca-se o caso 2 da experiˆencia B, onde se obt´em uma classifica¸c˜ao correcta da totalidade do segmento em an´alise.
A utiliza¸c˜ao de um segmento do tipo D (figura 5.15), evidenciou que na experiˆencia B a classifica¸c˜ao foi mais eficaz do que na experiˆencia A. No entanto h´a um aumento do erro de classifica¸c˜ao quando se aumenta a dimens˜ao do conjunto de treino na experiˆencia B, caso 1. Analisando a figura 5.9c verifica-se que deveria haver uma diminui¸c˜ao do erro, quando se aumenta a dimens˜ao do conjunto de treino. No entanto como o desvio associado ao treino B1 abrange o valor m´edio do erro no treino B2, admite-se um aumento do erro neste caso.
1 2576 512 768 1024 1280 1536 1792 2048 2304 2560 2816 3072 3328 3584 3840 4096 Experiencia B Experiencia A Caso 2 Caso 1 Caso 2 Caso 1
Figura 5.14: An´alise a um segmento do tipo C
1 256 512 768 1024 1280 1536 1792 2048 2304 2560 2816 3072 3328 3584 3840 4096 Experiencia B Experiencia A Caso 2 Caso 1 Caso 2 Caso 1
Cap´ıtulo 6
Conclus˜oes
Nesta tese, apresentou-se um sistema de classifica¸c˜ao de sinais EEG. O sistema descrito pode ser dividido em dois blocos, o primeiro que trata da extrac¸c˜ao de caracter´ısticas do sinal EEG, com apoio `a Transformada Discreta de Wavelet, e o segundo ´e baseado num algoritmo de classifica¸c˜ao linear do tipo SVM. Este m´etodo passa por dividir um sinal em subsegmentos, onde s˜ao extra´ıdas caracter´ısticas. O processo de extrac¸c˜ao de caracter´ısticas, ´e fundamental, pois uma selec¸c˜ao das melhores caracter´ısticas permite uma classifica¸c˜ao mais eficiente. As caracter´ısticas seleccionadas foram o m´aximo, m´ınimo, desvio e energia m´edia.
• Energia vs 4 Caracter´ısticas ´
E importante referir que a utiliza¸c˜ao de 4 caracter´ısticas (m´aximo, m´ınimo, desvio e energia m´edia) ou de apenas uma (energia m´edia), n˜ao apresentaram resultados muito d´ıspares na classifica¸c˜ao. No entanto, quando se utilizaram as 4 caracter´ısticas, houve um melhoramento na classifica¸c˜ao de sinal epil´eptico. Quando se utilizou a energia m´edia como ´unica caracter´ıstica no processo de classifica¸c˜ao houve um melhoramento na detec¸c˜ao de sinal n˜ao epil´eptico.
Poderiam ser escolhidas outros tipos de caracter´ısticas para a classifica¸c˜ao de sinal EEG. No entanto os resultados obtidos nas experiˆencias apresentaram uma baixa percentagem de erro de classifica¸c˜ao, sendo por isso, demonstrada uma viabilidade na escolha de car- acter´ısticas relacionadas com a amplitude do sinal.
• Influˆencia do tipo de dados na classifica¸c˜ao
Outro dos aspectos em estudo foi o tipo de conjunto de treino. Uma varia¸c˜ao do tipo de conjunto de treino poder´a provocar efeitos na classifica¸c˜ao, da´ı a elabora¸c˜ao conjuntos constitu´ıdos por diferentes tipos de sinais, para uma observa¸c˜ao do seu efeito na classi- fica¸c˜ao.
Um conjunto de treino constitu´ıdo pela totalidade dos tipos de sinais (A, B, C, D e E) evidenciou um melhoramento na detec¸c˜ao de sinal n˜ao epil´eptico. No entanto, quando o conjunto de dados foi exclusivamente constitu´ıdo por dados do tipo A e E houve um melhoramento na detec¸c˜ao de sinal epil´eptico.
• Dimens˜ao do conjunto de treino
de treino e a sua influˆencia na classifica¸c˜ao. De uma forma geral, quando o conjunto de teste ´e constitu´ıdo por elementos do mesmo tipo do conjunto de treino evidencia-se um melhoramento quando se aumenta a dimens˜ao do conjunto de treino. Quando o conjunto de teste ´e constitu´ıdo por elementos de tipo diferente do conjunto de treino, de uma forma geral pioram os resultados da classifica¸c˜ao `a medida que se aumenta a dimens˜ao do conjunto de treino.
• Compara¸c˜ao com estudos recentes
Fazendo uma compara¸c˜ao entre este estudo e os mais recentes [22], observa-se que com a utiliza¸c˜ao de um classificador linear, ´e poss´ıvel uma aproxima¸c˜ao aos melhores resul- tados descritos at´e ao momento na literatura [22].
Neste trabalho obteve-se um valor para P de 99,87% quando treinado com dados do tipo A e E e testado com dados do mesmo tipo, muito pr´oximo do valor descrito na literatura (100%). Contudo o trabalho exposto na literatura [22], recorre ao uso de classifica¸c˜ao baseada em redes neuronais.
Quando o classificador foi treinado com dados do tipo A, B, C, D e E e testado com um conjunto de dados do mesmo tipo obteve-se um valor de P de 96.82%, pr´oximo dos 97.73% obtidos na literatura [22].
Na globalidade, os valores de P, apresentam uma percentagem elevada, nunca sendo inferior a 89%. Assim, o algoritmo elaborado apresenta uma elevada percentagem de resultados correctamente classificados, mesmo quando treinado com conjuntos de treino compostos por pequenas dimens˜oes.
´
E importante referir que quando o conjunto de teste ´e constitu´ıdo por elementos do mesmo tipo do conjunto de treino h´a um melhoramento de P, quando se aumenta a dimens˜ao do conjunto de treino. Quando no conjunto de teste est˜ao presentes tipos de dados que n˜ao est˜ao contidos no conjunto de treino, h´a uma diminui¸c˜ao de P `a medida que se aumenta a dimens˜ao do conjunto de treino.
Com um conjunto treino constitu´ıdo por dados do tipo A e E e testado com um conjunto com dados constituido por elementos de todos os tipos (A, B, C, D e E), obteve-se como pior resultado de P, 89,4% (utilizando 4 caracter´ısticas) e 93,50% (utilizando a energia como ´unica caracter´ıstica). Estes resultados demonstram, que mesmo com um conjunto de treino constitu´ıdo com apenas dados exclusivamente do tipo A e E, ´e poss´ıvel obter uma elevada percentagem de acertos na classifica¸c˜ao.
• An´alise temporal
Neste estudo, foi tamb´em elaborada uma an´alise temporal de um segmento de cada tipo, dividindo-o em subsegmentos e classificando-os. Assim, ´e poss´ıvel observar uma evolu¸c˜ao dos resultados da classifica¸c˜ao de um determinado segmento, quer no tempo, quer quando s˜ao utilizados conjuntos de treino constitu´ıdos por diferentes tipos de da- dos e com dimens˜oes diferentes.
N˜ao sendo um m´etodo sistem´atico, permite uma ilustra¸c˜ao das experiˆencias efectuadas (A e B).
A n´ıvel geral, os resultados obtidos apresentam-se como satisfat´orios, sendo de enaltecer o facto de toda a classifica¸c˜ao ser efectuada com a utiliza¸c˜ao de um classificador linear.
No entanto fica a ideia que os dados utilizados s˜ao demasiado simples.
6.1
Propostas futuras
Nesta sec¸c˜ao apresenta-se duas possibilidades para um trabalho futuro:
• Utiliza¸c˜ao de dados reais
Um trabalho interessante seria, a utiliza¸c˜ao de sinais EEG reais, com recurso ao uso do algoritmo elaborado. O sistema em mente trabalharia em multi-canal, procedendo-se desta forma a uma classifica¸c˜ao canal a canal.
A localiza¸c˜ao seria um factor de interesse, pois desta forma podiam-se delimitar regi˜oes cerebrais com problemas epil´epticos.
• In´ıcio de crise
Outro trabalho de interesse seria a utiliza¸c˜ao do algoritmo em tempo real.
Esta estrat´egia poderia ser elaborada, n˜ao para uma detec¸c˜ao de crises, mas sim para uma detec¸c˜ao de in´ıcio de crise. Teria de haver um aprimoramento do algoritmo de modo a detectar apenas o in´ıcio de crise, ou ate mesmo encontrar padr˜oes que poderiam relacionar-se com esse in´ıcio. Assim, o algoritmo ajudaria a prever uma futura crise. Uma possibilidade seria, criar um sistema de comunica¸c˜ao entre o paciente e o m´edico, permitindo uma interven¸c˜ao imediata.
Bibliografia
[1] R. G. A. Lehnertz and Klaus, “Indications of nonlinear deterministic and finite- dimensional structures in time series of brain electrical activity: Dependence on recording region and brain state,” 2001.
[2] S. Shigemura, T. Nishimura, M. Tsubai, and H. Yokoi, “An investigation of EEG artifacts elimination using a neural network with non-recursive 2nd order volterra filters,” in En-
gineering in Medicine and Biology Society, 2004. IEMBS ’04. 26th Annual International Conference of the IEEE, vol. 1, pp. 612–615, 2004.
[3] A. Shoeb, H. Edwards, J. Connolly, B. Bourgeois, S. Ted Treves, and J. Guttag, “Patient- specific seizure onset detection,” Epilepsy and Behavior, vol. 5, no. 4, pp. 483–498, 2004.
[4] http://www.abcdasaude.com.br/artigo.php?95 ( ´Ultimo acesso a 4/11/2008).
[5] http://www.robots.ox.ac.uk/ parg/projects/bci/rev1.html ( ´Ultimo acesso a 4/11/2008).
[6] http://www.geocities.com/Itallis/Omanual/Placement.htm ( ´Ultimo acesso a 4/11/2008).
[7] P. Jahankhani, K. Revett, and V. Kodogiannis, “Data mining an eeg dataset with an emphasis on dimensionality reduction,” in Computational Intelligence and Data Mining,
2007. CIDM 2007. IEEE Symposium on, pp. 405–412, 2007.
[8] J. B. Ochoa, “EEG signal classification for brain computer interface applications,” Ecole
Polytechnique Federale De Lausanne.
[9] M. Selim R Benbadis, “http://www.emedicine.com/neuro/topic678.htm,”
[10] P.Gloor and J.Gotman, “Automatic recognition and quantification of interictal epileptic activity in the human scalp EEG.,” Electroencephalography and Clinical Neurophysiology, vol. 41, p. 513:529, 1976.
[11] J. Gotman, “Automatic recognition of epileptic seizures in the EEG,” Electroencephalogr
Clin Neurophysiol, vol. 54, no. 5, pp. 530–40, 1982.
[12] Q. Hao and J. Gotman, “A patient-specific algorithm for the detection of seizure onset in long-term eeg monitoring: possible use as a warning device,” Biomedical Engineering,
IEEE Transactions on, vol. 44, no. 2, pp. 115–122, 1997.
[13] L. Tarassenko, Y. U. Khan, and M. R. G. Holt, “Identification of inter-ictal spikes in the EEG using neural network analysis,” Science, Measurement and Technology, IEE
[14] A. Subasi, “EEG signal classification using wavelet feature extraction and a mixture of expert model,” Expert Systems with Applications, vol. 32, no. 4, pp. 1084–1093, 2007.
[15] P. Jahankhani, V. Kodogiannis, and K. Revett, “EEG signal classification using wavelet feature extraction and neural networks,” in Modern Computing, 2006. JVA ’06.
IEEE John Vincent Atanasoff 2006 International Symposium on (V. Kodogiannis, ed.),
pp. 120–124, 2006.
[16] I. Guler and E. D. Ubeyli, “Adaptive neuro-fuzzy inference system for classification of EEG signals using wavelet coefficients,” Journal of Neuroscience Methods, vol. 148, no. 2, pp. 113–121, 2005.
[17] citeseer.ist.psu.edu/672431.html ( ´Ultimo acesso a 4/11/2008).
[18] K. Theodoridis, Sergios; Koutroumbas, Pattern recognition. academic press ed., 2006.
[19] M. Tan, Pang-Ning ; Steinbach and V. Kumar, Introduction to data mining. addition- wesley ed., 2006.
[20] http://cmp.felk.cvut.cz/cmp/software/stprtool/ ( ´Ultimo acesso a 4/11/2008).
[21] http://www.mathworks.com/products/matlab/ ( ´Ultimo acesso a 4/11/2008).
[22] A. T. Tzallas, M. G. Tsipouras, and D. I. Fotiadis, “Automatic seizure detection based on time-frequency analysis and artificial neural networks,” Intell. Neuroscience, vol. 7, no. 3, pp. 1–13, 2007.
Apˆendice A
A1 f u n c t i o n [A]= e e g e x t r a c a o f u n c a o C l a s s e . . . ( f i c h e i r o , L , n i v e i s , n i v e i s d , o r d e m f i l t r o , t i p o , e n e r g i a ) %f u n c t i o n [A]= e e g e x t r a c a o f u n c a o C l a s s e . . . % ( f i c h e i r o , L , n i v e i s , n i v e i s d , o r d e m f i l t r o , t i p o , e n e r g i a ) % %Entrada : % f i c h e i r o : S i n a l de e n t r a d a % exemplo : % f i c h e i r o =[ S i n a l 1 , S i n a l 2 , . . . ]% Nota : Cada S i n a l deve s e r o r g a n i z a d o por c o l u n a %
% L : N´umero de d i v i s ˜o e s d e s e j a d a s para cada segmento de s i n a l %
% n i v e i s : N´umero de n´ıv e i s d e s e j a d o s para decomposi¸c˜ao % % n i v e i s d : Quantidade de u l t i m o s n´ıv e i s d e s e j a v e i s % % o r d e m f i l t r o : Ordem do f i l t r o daub % % t i p o : Tipo de c l a s s e a que p e r t e n c e 1 ou 2 % % e n e r g i a :
% 0 : Para a e x t r a c ¸c ˜a o das 4 C a r a c t e r i s t i c a s % 1 : Para a e x t r a ¸c ˜a o e x c l u s i v a da e n e r g i a m´edia % %Sa´ıda : % % A: m a t r i z contendo os v e c t o r e s de c a r a c t e r´ıs t i c a s do segmento em % a n ´a l i s e % x=f i c h e i r o ;
%%%%%%%%%%%%Normaliza¸c˜ao%%%%%%%% x=x . / 2 0 4 8 %%%%%R e s t r i ¸c a o de 2ˆN e l e m e n t o s% f o r i =1:14 i f ( l e n g t h ( x ) > 2ˆ i | | l e n g t h ( x)==2ˆ i ) && ( l e n g t h ( x ) < 2ˆ( i +1)) n a m o s t r a s =2ˆ i ; i=i +1; end end n a m o s t r a s ; x=x ( 1 : n amostras , : ) %%%%%%%%%%%%%%%%%%f i t r o%%%%%%%%%%%%%%%%%%%%% [ h1 , g1 , rh1 , rg1 ]=daub ( o r d e m f i l t r o ) M feat = [ ] K=n i v e i s %%%%%%%%Transformada D i s c r e t a Wavelet%%%%%%% f o r i =1: l e n g t h ( x ( 1 , : ) ) wx=wt ( x ( : , i ) , h1 , g1 ,K) ; %b a i x a s f r e q u e n c i a s% f o r k=K: −1:1
[ dummy, i n d i n f e r i o r B A I X A S ( k ) ,dummy, ind superior BAIXAS ( k ) ] . . . =b a n d s i t e (wx ,K, k , 0 )
end
%as a l t a s f r e q u e n c i a s f o r k=K: −1:1
[ dummy, i n d i n f e r i o r A L T A S ( k ) ,dummy, ind superior ALTAS ( k ) ] . . . =b a n d s i t e (wx ,K, k , 3 )
end
%a r r a y com comprimento dos segmentos em cada e s c a l a f o r k=1: l e n g t h ( ind superior ALTAS )
N=ind superior ALTAS ( k)− i n d i n f e r i o r A L T A S ( k)+1 s L ( k)=N/L ;
%c a l c u l a a f e a t u r e r e l a c i o n a d a com a decomposi¸cao para os 16 s u b s e g me n t o s end f o r k=1: l e n g t h ( s L ) lim=i n d i n f e r i o r A L T A S ( k ) f o r kk =1:L s i n a l=wx( lim : lim+s L ( k ) −1); lim=lim+s L ( k ) ; %as f e a t u r e s z ( 1 , kk)=max( s i n a l ) ; %%%%c a l c u l o do m´aximo%%% z ( 2 , kk)=min ( s i n a l ) ; %%%%c a l c u l o do minimo%%% z ( 3 , kk)= s t d ( s i n a l ) ; %%%%c a l c u l o do d e s v i o%%%
z ( 4 , kk)=sum ( s i n a l . ˆ 2 ) / l e n g t h ( s i n a l ) ; %%%%c a l c u l o do m´aximo%%% end %c o p i a r as f e a t u r e s para a m a t r i z M feat =[ M feat ; z ] end end %%%%%%%Organiza¸c˜ao v e c t o r i a l%%%%%%%%%%%%%%%%%%%%%% A= [ ] ; f o r i =1:4∗ n i v e i s : l e n g t h ( M feat ) A=[A, M feat ( i : ( i +(4∗ n i v e i s − 1 ) ) , : ) ] end
%%%%%%%%%%%%%%A t r i b u i ¸c a o de cada c l a s s e%%%%%%%%%%%% t a r g e t s A 1 = [ ] ; f o r i =1:( l e n g t h (A( 1 , : ) ) ) t a r g e t s A 1 =[ t a r g e t s A 1 ; t i p o ] end %%%s e l e c ¸c ˜a o dos n´ıv e i s i m p o r t a n t e s%%%%%%%%%%%%%%%%%%% f = [ ] ; p = [ ] ; f o r i =0:( n i v e i s ∗ 4 ) : l e n g t h (A( : , 1 ) ) − ( n i v e i s ∗4) f=A( ( ( ( n i v e i s ∗4) −( n i v e i s d ∗4)+1)+ i ) : ( ( n i v e i s ∗4)+ i ) , : ) p=[p ; f ] end p=p AA=double ( p )
%%%%%%%%%Caso so com a e n e r g i a como c a r a c t e r i s t i c a %% A.X=AA i f e n e r g i a==1 A.X=A.X( 4 : 4 : end , : ) e l s e end A. y=targetsA1 ’ A2
f u n c t i o n [ t r e i n o d e f t e s t e d e f q t t i p o s 3 q t t i p o s 4 ] = . . . e e g g e r a r t r e i n o t e s t e s d e f ( c o m p r i m e n t o t i p o t r e i n o , t r e i n o , t e s t e ,C) % %f u n c t i o n [ t r e i n o d e f t e s t e d e f q t t i p o s 3 q t t i p o s 4 ] = . . . % e e g g e r a r t r e i n o t e s t e s d e f ( c o m p r i m e n t o t i p o t r e i n o , t r e i n o , t e s t e ,C) % % %Entrada :
% c o m p r i m e n t o t i p o t r e i n o : Quantidade de dados de cada c l a s s e para a % e l a b o r a ¸c ˜a o do c o n j u n t o de t r e i n o
% t r e i n o : T o t a l i d a d e dos dados do c o n j u n t o de t r e i n o % t e s t e : T o t a l i d a d e dos dados do c o n j u n t o de t e s t e % C:
% 0 : Se no c o n j u n t o de t r e i n o n˜ao e s t i v e r e m c o n t i d o s dados do mesmo t i p o % do c o n j u n t o de t e s t e
% 1 : Se no c o n j u n t o de t e s t e e s t i v e r e m c o n t i d o s dados do mesmo t i p o % do c o n j u n t o de t r e i n o
%
%Sa´ıda :
%t r e i n o d e f : Conjunto de t r e i n o o r g a n i z a d o segundo o comprimento d e s e j a d o %t e s t e d e f : Conjunto de t e s t e o r g a n i z a d o com os r e s t a n t e s dados n˜ao
% s e l e c c i o n a d o s %q t t i p o s 3 : Quantidade de t i p o s de dados da c l a s s e 1 no c o n j u n t o de t e s t e %q t t i p o s 4 : Quantidade de t i p o s de dados da c l a s s e 2 no c o n j u n t o de t e s t e % %EXEMPLO: % c o m p r i m e n t o t i p o t r e i n o =500; % t r e i n o =[A BO CN DF B ] % t e s t e =[A BO CN DF B ] % C=1; % %Nota :
% Caso existam mais que um t i p o de s i n a l no t r e i n o ou t e s t e , a dimens˜ao % dos s i n a i s deve s e r a mesma .
t e s t e 2 = [ ] ; t r e i n o 2 = [ ] ; t r e i n o 4 = [ ] ; t e s t e 4 = [ ] ; t a r g e t t 2 = [ ] ; t a r g e t t 4 = [ ] ; q t t i p o s 1 =0; q t t i p o s 2 =0; q t t i p o s 3 =0; q t t i p o s 4 =0;
%Gera¸c˜ao de um v e c t o r de forma a l e a t ´o r i a W( 1 ) .X=randperm ( l e n g t h ( t r e i n o ( 1 ) .X( 1 , : ) ) ) %C a l c u l o do node t i p o s de s i n a i s p e r t e n c e n t e s a cada c l a s s e no c o n j . t r e i n o f o r i =1:( l e n g t h ( t r e i n o ) ) i f t r e i n o ( i ) . y==1 q t t i p o s 1=q t t i p o s 1 +1; e l s e q t t i p o s 2=q t t i p o s 2 +1; end end %C a l c u l o do node t i p o s de s i n a i s p e r t e n c e n t e s a cada c l a s s e no c o n j . t e s t e f o r j =1:( l e n g t h ( t e s t e ) ) i f t e s t e ( j ) . y==1 q t t i p o s 3=q t t i p o s 3 +1; e l s e q t t i p o s 4=q t t i p o s 4 +1; end end
%Gera¸cao do c o n j u n t o de t r e i n o de forma a l e a t ´o r i a para cada t i p o de c l a s s e f o r i =1: q t t i p o s 1 t r e i n o 1 .X=t r e i n o ( i ) .X( : ,W( 1 ) .X( 1 : c o m p r i m e n t o t i p o t r e i n o / q t t i p o s 1 ) ) t r e i n o 2 =[ t r e i n o 2 t r e i n o 1 .X] end f o r i =(1+ q t t i p o s 1 ) : ( q t t i p o s 2+q t t i p o s 1 ) t r e i n o 3 .X=t r e i n o ( i ) .X( : ,W( 1 ) .X( 1 : c o m p r i m e n t o t i p o t r e i n o / q t t i p o s 2 ) ) t r e i n o 4 =[ t r e i n o 4 t r e i n o 3 .X] end %V e r i f i c a ¸c ˜a o de i g u a l d a d e de t i p o s de s i n a i s simultaneamente no t r e i n o e no %t e s t e i f C==0 W= [ ] ; c o m p r i m e n t o t i p o t r e i n o=0 W( 1 ) .X=randperm ( l e n g t h ( t e s t e ( 1 ) .X) ) e l s e end
%Gera¸c˜ao do c o n j u n t o de t r e i n o de forma a l e a t ´o r i a para cada t i p o de c l a s s e f o r i =1: q t t i p o s 3
t e s t e 1 .X=t e s t e ( i ) .X( : ,W( 1 ) .X( ( c o m p r i m e n t o t i p o t r e i n o / q t t i p o s 1 ) . . . +1: l e n g t h ( t e s t e ( i ) .X ( 1 , : ) ) ) )
t e s t e 2 =[ t e s t e 2 t e s t e 1 .X] end
f o r i =(1+ q t t i p o s 3 ) : ( q t t i p o s 4+q t t i p o s 3 ) D=randperm ( l e n g t h ( t e s t e ( i ) .X) ) t e s t e 3 .X=t e s t e ( i ) .X( : ,W( 1 ) .X( ( c o m p r i m e n t o t i p o t r e i n o / q t t i p o s 2 ) . . . +1: l e n g t h ( t e s t e ( i ) .X ( 1 , : ) ) ) ) t e s t e 4 =[ t e s t e 4 t e s t e 3 .X] end
%Organiza¸c˜ao do t r e i n o e t e s t e contendo o mesmo n´umero de e l e m e n t o s de cada %c l a s s e t r e i n o d e f .X=[ t r e i n o 2 t r e i n o 4 ] t a r g e t 2 ( 1 : l e n g t h ( t r e i n o 2 ) ) = 1 ; t a r g e t 4 ( 1 : l e n g t h ( t r e i n o 4 ) ) = 2 ; t r e i n o d e f . y=[ t a r g e t 2 t a r g e t 4 ] t e s t e d e f .X=[ t e s t e 2 t e s t e 4 ] t a r g e t t 2 ( 1 : l e n g t h ( t e s t e 2 ) ) = 1 ; t a r g e t t 4 ( 1 : l e n g t h ( t e s t e 4 ) ) = 2 ; t e s t e d e f . y=[ t a r g e t t 2 t a r g e t t 4 ] A3 f u n c t i o n [ model1 , ypred1 , d f c e 1 ] = . . . c l a s s i f i c a c a o e e g ( t i p o c l a s s , t r e i n o d e f , t e s t e d e f ) % % %Entrada : %t i p o c l a s s :
% 1 : E s c o l h a do smo como a l g o r t i m o de aprendizagem
% Outro v a l o r : E s c o l h a do s v m l i g h t como a l g o r t i m o de aprendizagem %t r e i n o d e f : Conjunto de t r e i n o j ´a o r g a n i z a d o
%t e s t e d e f : Conjunto de t e s t e j ´a o r g a n i z a d o %
%Sa´ıda :
%model1 : c o n j u n t o de parametros que permitem a e l a b o r a ¸c ˜a o de um h i p e r p l a n o %de s e p a r a ¸c ˜a o e n t r e os dados de uma c l a s s e e o u t r a .
%ypred1 : E t i q u e t a s a t r i b u i d a s no p r o c e s s o de c l a s s i f i c a ¸c ˜a o %d f c e 1 : Valor da f u n ¸c˜a o d i s c r i m i n a n t e
%
%Valor de C e s c o l h i d o para maximizar ou minimizar a margem C=100;
arg =0;
i f t i p o c l a s s == 1
model1 = smo ( t r e i n o d e f , s t r u c t ( ’C’ , C, ’ arg ’ , arg ) ) [ ypred1 , d f c e 1 ] = s v m c l a s s ( t e s t e d e f . X, model1 ) e l s e
model1=s v m l i g h t ( t r e i n o d e f , s t r u c t ( ’C’ , C, ’ arg ’ , arg ) ) [ ypred1 , d f c e 1 ] = s v m c l a s s ( t e s t e d e f . X, model1 ) end A4 f u n c t i o n [ c1 , c2 ]= e r r o s e e g ( ypred1 , t e s t e d e f , q t t i p o s 3 , q t t i p o s 4 ) % % f u n c t i o n [ c1 , c2 ]= e r r o s e e g ( ypred1 , t e s t e d e f , q t t i p o s 3 , q t t i p o s 4 ) %Entrada : % % ypred1 : E t i q u e t a s a t r i b u i d a s no p r o c e s s o de c l a s s i f i c a ¸c ˜a o % t r e i n o d e f : Conjunto de t r e i n o j ´a o r g a n i z a d o % q t t i p o s 3 : Quantidade de t i p o s de dados da c l a s s e 1 % q t t i p o s 4 : Quantidade de t i p o s de dados da c l a s s e 2 % %Sa´ıda : %
% c1 : Erro de c l a s s i f i c a ¸c ˜a o a s s o c i a d o a cada t i p o da c l a s s e 1 % c2 : Erro de c l a s s i f i c a ¸c ˜a o a s s o c i a d o a cada t i p o da c l a s s e 2 %
%
c1 = [ ] ; c2 = [ ] ;
i f q t t i p o s 3 > 0
tamanho segmento1=sum ( t e s t e d e f . y==1)/ q t t i p o s 3 ; f o r i =1: tamanho segmento1 : tamanho segmento1 ∗ q t t i p o s 3
c1 =[ c1 ; c e r r o r ( ypred1 ( i : ( ( i −1)+tamanho segmento1 ) ) , t e s t e d e f . y . . . ( i : ( ( i −1)+tamanho segmento1 ) ) , 1 ) ]
e l s e end
i f q t t i p o s 4 > 0
tamanho segmento2=sum ( t e s t e d e f . y==2)/ q t t i p o s 4 ;
f o r j=tamanho segmento1 ∗ q t t i p o s 3 : tamanho segmento2 : l e n g t h ( ypred1 )−1 c2 =[ c2 ; c e r r o r ( ypred1 ( j + 1 : ( ( j )+tamanho segmento2 ) ) , t e s t e d e f . y . . .
( j + 1 : ( ( j )+tamanho segmento2 ) ) , 2 ) ] end
e l s e end