بهبود روش تعمیم پشته بر اساس انتخاب طبقه بندها جهت طبقه بندی سیگنالهای مغزی

مسئله طبقه بندی در یادگیری ماشین یکی از محبوب ترین و پرکاربردترین موضوعات است. از جمله مواردی که باعث پیچیدگی مسائل طبقه بندی میشوند عبارت اند از همپوشانی کلاسها، نمونه های نویزی، تعداد کم نمونه ها و .... یکی از راهکارهایی که در یک دهه اخیر در این راستا مورد استفاده قرار گرفته است، ترکیب طبقه بندها به دو صورت ایستا و پویا است. از جمله روشهای مرکب ایستای پرکاربرد میتوان به روش تعمیم پشته اشاره کرد؛ که به طور مرسوم در این روش، همه طبقه بندها همگن هستند؛ در روش پیشنهادی از طبقه بندهای ناهمگن در روش تعمیم پشته استفاده شده است. هدف از این کار شکستن فضای مسائل پیچیده به چندین زیر فضا و به کارگیری طبقه بند متناسب با هر زیر فضا است. به همین دلیل در هر زیر فضای مسئله، یک سیستم انتخاب بهترین طبقه بند وجود خواهد داشت که با استفاده از این سیستم، طبقه بند مناسب و کارا در هر زیر فضا انتخاب میشود. از آنجایی که یکی از مسائل پیچیده و محبوب در تحقیقات امروزی، تحلیل سیگنالهای مغزی بوده است، از این رو آزمایشهای انجامشده روی مجموعه داده های مغزی صورت گرفته و روش تعمیم پشته بهبودیافته ی پیشنهادی، در مجموعه داده چهارمین دوره مسابقات BCI ، حدود 39,3 درصد و در مجموعه داده سومین دوره مسابقات BCI، حدود 5,4 درصد بهبود کارایی نسبت به نسخه مرسوم آن داشته است.

Keywords:

ترکیب طبقه بندها , سیگنالهای الکتروانسفالوگرام , طبقه بندهای منفرد , یادگیری تجمعی.