Análise de técnicas de aprendizado de máquina em dados de eletroencefalograma com uso de PCA
Resumo
Este trabalho tem um cunho interdisciplinar, abordando as áreas da Neurociência e Aprendizado de Máquina e tem como objetivo analisar técnicas de Aprendizado de Máquina aplicadas em dados coletados através de eletroencefalograma. Foram utilizadas técnicas de mineração de dados que são capazes de fazer o processamento de grandes quantidades de dados, facilitando a obtenção das informações desejadas. Para realizar o trabalho foi utilizado uma base de dados existente ao qual foi executado o pré-processamento e aplicação da técnica de PCA (Principal Analysis Component) nos dados. Os resultados mostram que a acurácia não melhora de forma significativa, mesmo executando as técnicas com 5 ou 30 componentes principais.Referências
Batanlar, Y., & Özuysal, M. (2014). Introduction to machine learning. miRNomics: MicroRNA biology and computational analysis, 105-128.
Bro, R., & Smilde, A. K. (2014). Principal component analysis. Analytical methods, 6(9), 2812-2831.
Choudhary, R., & Gianey, H. K. (2017, December). Comprehensive review on supervised machine learning algorithms. In 2017 International Conference on Machine Learning and Data Science (MLDS) (pp. 37-43). IEEE
Fayyad, U., Piatetsky-Shapiro, G., & Smyth, P. (1996). From data mining to knowledge discovery in databases. AI magazine, 17(3), 37-37.
Guerrero, M. C., Parada, J. S., & Espitia, H. E. (2021). Principal Components Analysis of EEG Signals for Epileptic Patient Identification. Computation, 9(12), 133.
Hongyu, K., Sandanielo, V. L. M., & de Oliveira Junior, G. J. (2016). Análise de componentes principais: resumo teórico, aplicação e interpretação. E&S Engineering and science, 5(1), 83-90.
Niedermeyer, E., & da Silva, F. L. (Eds.). (2005). Electroencephalography: basic principles, clinical applications, and related fields. Lippincott Williams & Wilkins.
Silveira, J. D. Á. (2013). Análise de sinais cerebrais utilizando árvores de decisão (Master's thesis).
Tan, P. N., Steinbach, M., & Kumar, V. (2013). Data mining cluster analysis: basic concepts and algorithms. Introduction to data mining, 487, 533.
Wang, X. W., Nie, D., & Lu, B. L. (2014). Emotional state classification from EEG data using machine learning approach. Neurocomputing, 129, 94-106.
Bro, R., & Smilde, A. K. (2014). Principal component analysis. Analytical methods, 6(9), 2812-2831.
Choudhary, R., & Gianey, H. K. (2017, December). Comprehensive review on supervised machine learning algorithms. In 2017 International Conference on Machine Learning and Data Science (MLDS) (pp. 37-43). IEEE
Fayyad, U., Piatetsky-Shapiro, G., & Smyth, P. (1996). From data mining to knowledge discovery in databases. AI magazine, 17(3), 37-37.
Guerrero, M. C., Parada, J. S., & Espitia, H. E. (2021). Principal Components Analysis of EEG Signals for Epileptic Patient Identification. Computation, 9(12), 133.
Hongyu, K., Sandanielo, V. L. M., & de Oliveira Junior, G. J. (2016). Análise de componentes principais: resumo teórico, aplicação e interpretação. E&S Engineering and science, 5(1), 83-90.
Niedermeyer, E., & da Silva, F. L. (Eds.). (2005). Electroencephalography: basic principles, clinical applications, and related fields. Lippincott Williams & Wilkins.
Silveira, J. D. Á. (2013). Análise de sinais cerebrais utilizando árvores de decisão (Master's thesis).
Tan, P. N., Steinbach, M., & Kumar, V. (2013). Data mining cluster analysis: basic concepts and algorithms. Introduction to data mining, 487, 533.
Wang, X. W., Nie, D., & Lu, B. L. (2014). Emotional state classification from EEG data using machine learning approach. Neurocomputing, 129, 94-106.
Publicado
27/06/2022
Como Citar
SCHOFFEN, Mateus; ADAMATTI, Diana Francisca.
Análise de técnicas de aprendizado de máquina em dados de eletroencefalograma com uso de PCA. In: ESCOLA REGIONAL DE BANCO DE DADOS (ERBD), 17. , 2022, Lages/SC.
Anais [...].
Porto Alegre: Sociedade Brasileira de Computação,
2022
.
p. 11-20.
ISSN 2595-413X.
DOI: https://doi.org/10.5753/erbd.2022.223048.
