Vliv normalizace příznaků na klasifikaci EEG segmentů

Abstract

Pro zjednodušení vyhodnocování dlouhodobých elektroencefalografických záznamů se stále častěji využívá automatických či semi-automatických klasifikátorů, založených na výpočtu příznaků. Příznaky se do klasifikátoru vkládají normalizované z důvodu jejich různých dynamických rozsahů a jednotek. Cílem této práce je vyhodnocení vlivu normalizačních metod na výsledné klasifikaci. V programovém prostředí Wave-Finder bylo předzpracováno šest záznamů s epileptickou aktivitou. Po využití adaptivní segmentace bylo na datech vypočteno 23 příznaků. Na tyto příznaky byly v programovém prostředí MATLAB(R) implementovány dvě normalizační metody. Jedná se o normalizaci Z-skóre a metodu minima a maxima. Pomocí Kolmogorov-Smirovova testu normality bylo zjištěno, že na hladině významnosti 5 % data po normalizaci nepochází z normálního rozložení. Statisticky bylo pomocí Wilcoxonova testu zjištěno, že na datech normalizovaných pomocí dvou normalizačních metod existuje rozdíl na hladině významnosti 5 %. Normalizovaná data byla v programovém prostředí MATLAB(R) klasifikována pomocí k-means klasifikace do šesti tříd. Procentuálně byly vyjádřeny vztahy mezi třídami vzniklými po klasifikaci dat normalizovaných pomocí obou metod. Bylo provedeno vyhodnocení expertem a identifikace jednotlivých tříd. Pomocí normalizované hodnoty vnitrotřídního rozptylu bylo zjištěno, že třídy normalizované pomocí Z-skóre mají vyšší homogenitu. Na vybraném souboru dat se tedy Z-skóre normalizace jeví vhodnější.

To simplify the evaluation of long-term electroencephalographic records, automatic or semi-automatic classifiers based on feature extraction are increasingly used. Features entered to the classifier were normalised due to their different dynamic ranges and units. The aim of this work is to evaluate the influence of normalisation methods on the final classification. Six records with epileptic activity have been preprocessed in Wave-Finder. After using adaptive segmentation, 23 symptoms were calculated on the data. Two normalisation methods have been implemented on the data in the MATLAB(R) program. In this thesis, Z-score normalisation and a minimum and maximum method were used. Using the Kolmogorov-Smirnov test of normality, it was found that the data does not come from a normal distribution on a significance level of 5 %. By a statistical Wilcoxon test, it was found that there is a difference in the significance level of 5 % on data normalised by two normalisation methods. Normalised data were classified by k-means classification into six classes in the MATLAB(R) program. The relations between resulting classes from the classification of data normalised by both methods were expressed as percentages. An expert evaluation was carried out and individual classes were identified. Using normalised intraspecific variance, classes normalised by Z-score were found to have higher homogeneity. On the selected data set, Z-score normalisation appears to be more appropriate.