CARACTERÍSTICAS, Y CLASIFICACIÓN, EN BASES DE DATOS DE EEG PARA APLICACIONES DE BC
4 Resultados experimentales
Para implementar los distintos módulos de la herramienta que se describe se utiliza Matlab. Hasta el momento se dispone de algunas toolboxes que nos han permitido obtener algunos resultados de la paralelización del procedimiento multiobjetivo de selección de características. Para ello se ha utilizado un benchmark de señales de EEGs, con patrones de 192 características correspondientes a 19 electrodos [12]. El procedimiento evolutivo de optimización multiobjetivo está basado en el algoritmo NSGA-II y se utilizan dos objetivos que evalúan la compacidad de los clusters por un lado y la separación de dichos clusters por otro. El clustering será mejor cuanto menor sea la distancia por patrón en el caso de patrones próximos (en el mismo cluster) y mayor sea dicha distancia por patrón en los patrones alejados (clusters distintos). x11,...,x1F x21,…,x2F x31,...,x3F x41,...,X4F xN1,...,xNF Operadores Evolutivos + Operador de Seleción Población: conjunto de selecciones de característicax Algoritmo de clustering (SOM) Características seleccionadas (individuo i): xi1, xi2,.. xiF
Patrones de Entrada Iteraciones de Aprendizaje Evaluación de Objetivos f1, f2,..,fn delos individuos (selecciones de características)
85 Figura 5. Speedups promedio para las alternativas
paralelas consideradas: MWE (master-worker evaluation), ALT1, ALT2, y ALT3 (alternativas de
evolución paralela de subpoblaciones). Tabla 1: Prestaciones (valores más altos son mejores)
según las distintas alternativas de paralelización
N.Proc MWE ALT1 ALT2 ALT3
2 149.93 (-4.8%) 163.64 (4.0%) 144.41 (-8.8%) 139.26 (-12.8%) 4 (-2.1%) 153.92 165.40 (5.0%) (-7.4%) 146.23 (-6.7%) 147.30 6 (-3.2%) 152.29 154,73 (-1.6%) (-8.3%) 145.07 (-7.9%) 145.65 8 150.50 (-4.4%) 153.96 (- 2.1%) 147.47 (-6.5%) 148.31 (-5.9%) En cuanto a la ganancia de velocidad, la Figura 5 muestra los speedups obtenidos para las cuatro alternativas consideradas. Las alternativas ALT2 y ALT3 proporcionan ganancias superlineales para 4, 6 y 8 procesadores, poniendo de manifiesto una especie de compromiso entre la calidad de la solución alcanzada y el speedup observado (a mejor speedup peor calidad).
La Tabla 1 proporciona los valores medios para la métrica de hipervolumen (valores mas elevados son mejores) de las aproximaciones al frente de Pareto que se obtienen con 2, 4, 6, y 8 procesadores en los benchmarks considerados. Cada experimento realizado con cada alternativa de paralelización y número de procesadores se ha repetido 15 veces. El valor del hipervolumen medio obtenido es igual a 157.12 y el tiempo de ejecución medio es 3756.53 segundos. Además, en ALT1 se consigue mejorar la calidad del caso secuencial para 2 y 4 procesadores.
La significación estadística de los resultados se ha analizado aplicando el test de Kolmogorov-Smirnoff. Dado que los resultados de este test indican que las medidas de calidad no siguen una distribución normal, en lugar de aplicar un test ANOVA, se ha realizado un análisis de Kruskal-Wallis cuyos resultados muestran que (1) las diferencias entre el procedimiento secuencial y las ALT1 no son estadísticamente significativas (p=0.2364), y por lo tanto puede considerarse que proporcionan resultados similares; y (2) las diferencias entre la calidad de las soluciones en las alternativas MWE, ALT2, y ALT3 (peores resultados de calidad) y la calidad de las soluciones obtenidas en el procedimiento secuencial y en ALT1,
sí son estadísticamente significativas (especialmente en el caso de ALT2 y ALT3).
5
Conclusiones
Este trabajo proporciona algunos detalles de los elementos de una herramienta que se está desarrollando en el Departamento de Arquitectura y Tecnología de Computadores de Granada, en el marco de los proyectos TIN2012-32039 y P11-TIC-7983. Con ella, se pretende facilitar la investigación en problemas de extracción y selección de características, y clasificación de señales de EEGs, principalmente en aplicaciones de BCI.
En particular, se ha hecho referencia a algunos de los problemas relacionados con la maldición de la dimensionalidad que plantea la clasificación de EEGs y se ha considerado la aproximación multi-objetivo a dichos problemas. También se proporcionan resultados de diversas alternativas de paralelización del proceso de selección de características mediante optimización multi-objetivo que ponen de manifiesto mejoras en cuanto a calidad en las soluciones en algunos casos, y la existencia de un compromiso entre calidad de las soluciones y tiempo necesario para alcanzarlas en otros.
Nuestro trabajo en esta herramienta continuará con la implementación de más alternativas para la extracción de características, y con el estudio exhaustivo las alternativas de selección multiobjetivo de características, analizando la influencia de los distintos parámetros que intervienen en las opciones de paralelización, y reforzando las conclusiones con más resultados extraídos de la experimentación con nuevos benchmarks. Así mismo, se está elaborando una interfaz que facilite el uso y el acceso a la herramienta.
Agradecimientos
Este trabajo ha sido financiado por los proyectos TIN2012-32039 (fondos FEDER y Ministerio de Economía y Competitividad), y P11-TIC-7983 (Proyecto de Excelencia de la Junta de Andalucía.
6
Referencias
[1] López-Gordo, M.A.; Prieto, A.; Pelayo, F.J.; Morillas, C. (2011) “Customized stimulation enhances performance of independent binary SSVEP-BCIs”. Clinical Neurophysiology 122 pp. 128-133.
[2] López-Gordo, M.A.; Fernández, E.; Romero; S.; Pelayo, F.J. (2012) “An Auditory Brain- Computer Interface Evoked by Natural Speech”. Journal of Neural Engineering. Vol.9, No. 3 [3] Wolpaw, J.R.; Birbaumer, N.; McFarland, D.J.;
Pfurtscheller, Vaughan, T.M. (2002) "Brain- computer interfaces for communication and
MWE ALT1 ALT2 ALT3
Cognitive Area Networks, vol. 1, nº 1, Junio 2014, © Asociación Nicolo, ISSN:2341-4243
Actas del 6º Simposio CEA Bioingeniería 2014, Interfaces Mente-computador y Neurotecnologías, Granada Junio 2014
86
control," Clin. Neurophysiol., vol. 113, pp. 767- 91.
[4] Lotte, F.; Congedo, M.; Lécuyer. A.; Lamarche, F.; Arnaldi, B. (2007) ”A Review of Classification Algorithms for EEG-based Brain- Computer Interfaces”. Journal of Neural Engineering, 4.
[5] Handl, J.; Knowles, J. (2006) ”Feature selection in unsupervised learning via multi-objective optimization”. Int. Journal of Computational Intelligence Research, Vol.2, No.3, pp.217-238, 2006.
[6] Emmanouilidis, C.; Hunter, A.; MacIntyre, J. (2000) “A multiobjective evolutionary setting for feature selection and a commonality-based crossover operator”. In Proceedings of the 2000 Congress on Evolutionary Computation, IEEE Press, New York, NY, pp. 309–316.
[7] Oliveira, L.S.; Sabourin, R.; Bortolozzi, F.; Suen, C.Y. (2003) “A methodology for feature selection using multiobjective genetic algorithms for handwritten digit string recognition”. International Journal of Pattern Recognition and Artificial Intelligence, 17(6), pp. 903–929.
[8] Kim, Y.; Street, W.N.; Menczer, F. (2002) “Evolutionary model selection in unsupervised learning”. Intelligent Data Analysis, 6(6), pp. 531–556.
[9] Morita, M.; Sabourin, R.; Bortolozzi, R.; Suen, C.Y. (2003) “Unsupervised feature selection using multi-objective genetic algorithms for handwritten word recognition”, In Proceedings of the Seventh International Conference on Document Analysis and Recognition, IEEE Press, New York, NY, pp. 666–671, 2003.
[10] Davies, J.L.; Bouldin, D.W. (1979) “A cluster separation measure”. IEEE Transactions on Pattern Analysis and Machine Intelligence, 1, pp. 224–227.
[11] Kimovski, D.; Ortega, J.; Ortiz, A.; Baños, R. (2014) ”Computación evolutiva paralela y selección de características multiobjetivo para clasificación no supervisada de EEGs”. Jornadas de Paralelismo, Valladolid.
87