EEG Sinyallerinden Meta-Sezgisel Optimizasyon Algoritmalarına Dayalı Özellik Seçimi-Reference-Cited by-同舟云学术

EEG Sinyallerinden Meta-Sezgisel Optimizasyon Algoritmalarına Dayalı Özellik Seçimi

Published:2024-07-15 Issue:4 Volume:7 Page:717-723
ISSN:2619-8991
Container-title:Black Sea Journal of Engineering and Science
language:
Short-container-title:

Author:

Gedikli Eyup¹^ORCID,Yurdusever Taner²^ORCID

Affiliation:

1. Karadeniz Technical University

2. GÜMÜŞHANE ÜNİVERSİTESİ

Abstract

Özellik seçimi makine öğrenmesi alanında, sınıflandırma işlemlerinin öncesinde bulunan önemli bir aşamadır. Ayırt edici özelliklerin iyi belirlendiği durumlarda, sınıflandırma başarı performası artar ve daha az özellik değerlendirildiği için hesaplama maliyeti azalır. Elektroensefalografi (EEG) yöntemi ile beynin spontan elektrik aktiviteleri ölçülmektedir. EEG sinyallerinin analiz edilmesiyle, duygu durumu, hastalık teşhisi, anomali tespiti yapılabilmektedir. Bu çalışmada, EEG sinyallerinden epilepsi teşhisi amacıyla, sınıflandırmada kullanılan özelliklerin seçilmesine çalışılmıştır. Kullanılan verisetinde, epileptik ve sağlıklı bireylerden oluşan 2 sınıf mevcuttur. Verisetinde, EEG sinyallerinin alt bileşenlerinden 667 özellik vardır. Sınıflandırma için bu 667 özelikten meta-segisel optimizasyon algoritmaları ile ayırt edici özellikler seçilmiştir. Sınıflandırma için k en yakın komşuluk algoritması kullanılmıştır. EEG sinyallerinin alt bileşenlerinin tamamı ile yapılan sınıflandırmada, %60,05 doğruluk başarısı elde edilmiştir. Gri Kurt Optimizasyonu, Balina Optimizasyonu ve Harris Şahinler Optimizasyonu metasezgisel algoritmaları ile özellik seçimi sonucunda, sınıflandırma başarısı %80,16 olarak elde edilmiştir. Bu sınıflandırma başarısı 5-10 özellik kullanılarak elde edilebilmektedir. Sonuç olarak meta-sezgisel optimizasyon algoritmaları ile daha az özellik seçilerek doğruluk oranı artmış ve hesaplama maliyeti azalmıştır.

Publisher

Black Sea Journal of Engineering and Science

Reference23 articles.

1. Abdel-Basset M, Sallam KM, Mohamed R, Elgendi I, Munasinghe K, Elkomy OM. 2021. An improved binary grey-wolf optimizer with simulated annealing for feature selection. IEEE Access, 9: 139792-139822. https://doi.org/10.1109/ACCESS.2021.3117853.

2. Acharya UR, Sree SV, Swapna G, Martis RJ, Suri JS. 2013. Automated EEG analysis of epilepsy: A Review. Knowledge Based Syst, 45: 147-165. https://doi.org/10.1016/j.knosys.2013.02.014.

3. Aljarah I, Faris H, Mirjalili S. 2018. Optimizing connection weights in neural networks using the whale optimization algorithm. Soft Comput, 22(1): 1-15. https://doi.org/10.1007/s00500-016-2442-1.

4. Al-Tashi Q, Abdulkadir SJ, Rais HM, Mirjalili S, Alhussian H, Ragab MG, Alqushaibi A. 2020. Binary multi-objective grey wolf optimizer for feature selection in classification. IEEE Access, 8: 106247-106263. https://doi.org/10.1109/ACCESS.2020.3000040.

5. Al-Tashi Q, Kadir SJA, Rais HM, Mirjalili S, Alhussian H. 2019. Binary optimization using hybrid grey wolf optimization for feature selection. IEEE Access, 7: 39496-39508. https://doi.org/10.1109/ACCESS.2019.2906757.