Classification de données EEG par algorithme évolutionnaire pour l'étude d'états de vigilance

Laurent Vezard 1, 2 Pierrick Legrand 3, 1 Marie Chavent 1, 2 Frederique Faita-Ainseba 4 Julien Clauzel 4
2 CQFD - Quality control and dynamic reliability
IMB - Institut de Mathématiques de Bordeaux, Inria Bordeaux - Sud-Ouest
3 ALEA - Advanced Learning Evolutionary Algorithms
Inria Bordeaux - Sud-Ouest, UB - Université de Bordeaux, CNRS - Centre National de la Recherche Scientifique : UMR5251
Résumé : L'objectif de ce travail est de prédire l'état de vigilance d'un individu à partir de l'étude de son activité cérébrale (signaux d'électro-encéphalographie EEG). La variable à prédire est binaire (état de vigilance "normal" ou "relaxé"). Des EEG de 44 participants dans les deux états (88 enregistrements), ont été recueillis via un casque à 58 électrodes. Après une étape de prétraitement et de validation des données, un critère nommé "critère des pentes" a été choisi. Des méthodes de classification supervisée usuelles (k plus proches voisins, arbres binaires de décision (CART), forêts aléatoires, PLS et sparse PLS discriminante) ont été appliquées afin de fournir des prédictions de l'état des participants. Le critère utilisé a ensuite été raffiné grâce à un algorithme génétique, ce qui a permis de construire un modèle fiable (taux de bon classement moyen par CART égal à 86.68 +- 1.87%) et de sélectionner une électrode parmi les 58 initiales.
Complete list of metadatas

https://hal.inria.fr/hal-00643438
Contributor : Pierrick Legrand <>
Submitted on : Monday, November 21, 2011 - 9:12:12 PM
Last modification on : Thursday, May 2, 2019 - 2:10:05 PM

Identifiers

  • HAL Id : hal-00643438, version 1

Collections

Citation

Laurent Vezard, Pierrick Legrand, Marie Chavent, Frederique Faita-Ainseba, Julien Clauzel. Classification de données EEG par algorithme évolutionnaire pour l'étude d'états de vigilance. Revue des Nouvelles Technologies de l'Information, Hermann, 2012, EGC 2012, 23, pp.459-470. ⟨hal-00643438⟩

Share

Metrics

Record views

1385