Classic genetic algorithm vs. genetic algorithm with aggressive mutation for feature selection for a brain-computer interface

• Autorzy: Rejer I. , Lorenz K.

Warianty tytułu

PL

Klasyczny algorytm genetyczny, a algorytm z agresywną mutacją w procesie selekcji cech na potrzeby interfejsu mózg-komputer

• Języki publikacji: EN

Abstrakty

EN

The classic genetic algorithm has been successfully applied to many optimization problems. However, its usefulness is limited when it comes to feature selection, particularly if a high reduction rate is expected. The algorithm, in its classic version, returns feature sets containing approximately 50% of the total number of features. In order to decrease this rate, a penalty term penalizing individuals of too many features is often added to the fitness function. This solution seems to be reasonable but, as will be shown in this paper, provides only a slight improvement in the reduction rate. In order to obtain a satisfactory classification accuracy and a high reduction rate, not only the fitness function but also other algorithm elements must be reconsidered.

PL

Klasyczny algorytm genetyczny był z powodzeniem stosowany w wielu problemach optymalizacyjnych, jednakże jego użyteczność jest ograniczona w problemach selekcji cech, zwłaszcza jeżeli wymagana jest wysoka stopa redukcji cech. Algorytm, w jego klasycznej wersji, zwraca zbiory cech zawierające około 50% pierwotnej liczby cech. W celu zmniejszenia tej liczby, do funkcji przystosowania algorytmu dołącza się często człon kary, karzący osobniki kodujące zbiory o zbyt dużej liczbie cech. Takie rozwiązanie wydaje się być rozsądne, ale, jak zostanie to przedstawione w artykule pozwala jedynie na niewielką poprawę stopy redukcji. Stąd, w celu uzyskania satysfakcjonującej dokładności klasyfikacji i wysokiej stopy redukcji, nie tylko funkcja przystosowania, ale również inne elementy algorytmu muszą zostać wzięte pod uwagę.

Słowa kluczowe

EN

brain-computer interface; BCI; genetic algorithm; feature selection; motor imagery

PL

interfejs mózg-komputer; BCI; algorytm genetyczny; selekcja cech; wyobrażenie ruchu

• Wydawca: Wydawnictwo SIGMA-NOT
• Czasopismo: Przegląd Elektrotechniczny
• Rocznik: 2015
• Tom: R. 91, nr 2
• Strony: 98--102
• Opis fizyczny: Bibliogr. 20 poz., tab.

Twórcy

autor

Rejer I.

• West Pomeranian University of Technology, Szczecin, Żołnierska 49, 71-210 Szczecin

autor

Lorenz K.

• West Pomeranian University of Technology, Szczecin, Żołnierska 49, 71-210 Szczecin

Bibliografia

• [1] Wang, Y., Shangkai, G., Xiaorong, G.: Common Spatial Pattern Method for Channel Selection in Motor Imagery Based Brain-Computer Interface, Proceedings of the 2005 IEEE Engineering in Medicine and Biology 27th Annual Conference (2005)
• [2] Oja, E., Yuan, Z.: The FastICA Algorithm Revisited: Convergence Analysis, IEEE Transaction on Neural Networks, (2006), vol. 17, No. 6, pp. 1370-1381
• [3] Rejer, I., Górski, P.: Independent Component Analysis for EEG data preprocessing - algorithms comparison, Proceedings of the 12th International Conference on Computer Information Systems and Industrial Management Applications CISIM 2013, Springer (2013)
• [4] Kittler, J.: Feature set search algorithms, Pattern recognition and signal processing, (1978), pp. 41--60
• [5] Rejer, I.: EEG Feature Selection for BCI Based on Motor Imaginary Task, Foundations of Computing and Decision Sciences, (2012), vol. 37, no. 4, pp. 283--292
• [6] Kononenko, I.: Estimating attributes: analysis and extensions of Relief, In: L. De Raedt and F. Bergadano (eds.): Machine Learning: ECML-94, Springer Verlag, (1994), pp. 171--182
• [7] Hall, M.A.: Correlation-based feature selection for machine learning, The University of Waikato (1999)
• [8] Garrett, D., Peterson, D.A., Anderson, Ch., Thaut, M.H.: Comparison of Linear, Nonlinear, and Feature Selection Methods for EEG Signal Classification, IEEE Transactions on Neural Systems and Rehabilitation Engineering, (2003), vol. 11, no. 2, pp. 141-145
• [9] Tibshirani, R.: Regression shrinkage and selection via the lasso, Journal of the Royal Statistical Society. Series B (Methodological), pp. 267--288, vol. 58, no. 1, JSTOR (1996)
• [10] Burduk, R.: Recognition Task with Feature Selection and Weighted Majority Voting Based on Interval-Valued Fuzzy Sets in Computational Collective Intelligence. Technologies and Applications, Lecture Notes in Computer Science, ed. Nguyen, Ngoc-Thanh and Hoang, Kiem and Jȩdrzejowicz, Piotr, Springer Berlin Heidelberg (2012)
• [11] Peterson, D.A., Knight, J.N., Kirby, M.J., Anderson, Ch.W., Thaut, M.H.: Feature Selection and Blind Source Separation in an EEG-Based Brain-Computer Interface, EURASIP Journal on Applied Signal Processing, 19, (2005), pp. 3128-3140
• [12] Yom-Tov, E., Inbar, G.F.: Feature Selection for the Classification of Movements From Single Movement-Related Potentials, IEEE Transactions on Neural Systems and Rehabilitation Engineering, vol. 10, no. 3, pp. 170-177 (2002)
• [13] Baum, E. B., Boneh, D., Garrett, C.: Where genetic algorithms excel, Evolutionary Computation, (2001), vol. 9, no. 1, pp. 93–124
• [14] Kalyanmoy, D., Pratap, A., Sameer, A., Meyarivan, T.: A fast and elitist multiobjective genetic algorithm: NSGA-II, IEEE Transactions on Evolutionary Computation, IEEE, (2002), vol. 6, no. 2, pp. 182--197
• [15] Kołodziej, M., Majkowski, A., Rak, R.J.: A new method of EEG classification for {BCI} with feature extraction based on higher order statistics of wavelet components and selection with genetic algorithms, Adaptive and Natural Computing Algorithms, Springer (2011), pp. 280--289
• [16] http://bbci.de/competition/ii/index.html; data set III, II BCI Competition, motor imaginary
• [17] Rejer, I.: Genetic Algorithms in EEG Feature Selection for the Classification of Movements of the Left and Right Hand, Proceedings of the 8th International Conference on Computer Recognition Systems CORES 2013, Advances in Intelligent Systems and Computing, Springer (2013), Vol. 226, pp. 579-589
• [18] Lakany, H, Conway, B.: Understanding intention of movement from electroencephalograms, Expert Systems 24 (2007), 5:295--304
• [19] Schlögl, A, Lee, F, Bischof, H, Pfurtscheller, G.: Characterization of four-class motor imagery EEG data for the BCI-competition 2005, Journal of neural engineering, IOP Publishing 2 (2005), 4, L14--L22
• [20] Raudys, S.J., Jain, A.K.: Small sample size effects in statistical pattern recognition: Recommendations for practitioners. IEEE Transactions on Pattern Analysis and Machine Intelligence 13 (1991), 3, 252–264