Presentacion Algoritmos genéticos para la resolución del problema de BCI

De
Publicado por


Este proyecto se encuentra situado en el campo de la inteligencia artificial, dentro de la rama de aprendizaje automático. El objetivo ha sido desarrollar un programa que sea capaz de clasificar correctamente los patrones de datos obtenidos a partir de un sistema BCI (Brain Computer Interface). Por medio de este sistema, se obtienen 96 señales eléctricas agrupadas en 8 canales que son producidas por el cerebro del usuario en el momento en el que éste intenta realizar una de las tres acciones requeridas. Estas señales serán preprocesadas y almacenadas en ficheros por medios externos a nuestro programa. Nuestro sistema está constituido por un algoritmo genético simple en cuya función fitness utiliza un clasificador formado por perceptrones simples. La tarea principal de la clasificación de patrones es realizada por el clasificador de perceptrones simples los cuales utilizan las 96 señales eléctricas y sus operaciones con el fin de introducir datos no lineales a los perceptrones simples. El algoritmo genético se ocupará de seleccionar el conjunto de atributos más válidos. La experimentación demuestra que esta aproximación es capaz de clasificar con el mínimo error posible los patrones de datos obtenidos del BCI desechando en cada ronda del algoritmo los datos que no son útiles o que introducen ruido. _____________________________________________________________________________________________________________________
This project lies within the artificial intelligence field, in the branch of machine learning. The aim has been to develop a programme that is able to correctly classify the data patterns obtained from a BCI (Brain Computer Interface) system. By means of this system, 96 electric signals are obtained, grouped into 8 channels that are produced by the user‟s brain in the moment he or she tries to carry out one of the three required actions. These signals will be pre-processed and stored in files through external applications to this programme. Our system is designed using a simple genetic algorithm whose fitness function uses a pattern classifier formed by simple perceptrons. The main task of the pattern classification is carried out by simple perceptron classifiers, which use the 96 electric signals and their operations in order to introduce non-linear data to the simple perceptrons. The genetic algorithm will select the collection of most valid attributes. Experimentation has proved that this approximation is able to classify the data patterns obtained from the BCI with the minimum error possible, rejecting in each round of the algorithm the data which is not useful or which introduces some noise.
Ingeniería Técnica en Informática de Gestión
Publicado el : jueves, 15 de diciembre de 2011
Lectura(s) : 59
Fuente : e-archivo.uc3m.es
Licencia: Más información
Atribución, no uso comercial, sin cambios
Número de páginas: 26
Ver más Ver menos

ALGORITMOS GENÉTICOS PARA
LA RESOLUCIÓN DEL PROBLEMA
DE BCI
Autor: Ángel Cano Monedero
Tutora : Sandra García Rodríguez CONTENIDO
 Introducción
 Clasificador
 Algoritmo genético
 Diseño global de la solución
 Resultados obtenidos
 Conclusiones
 Líneas futuras
2 INTRODUCCIÓN
 Los sistemas BCI captan las señales eléctricas del
cerebro para tratarlas y conseguir realizar la
comunicación con el ordenador.
 Los registros de datos obtenidos por el BCI están formados por
96 señales eléctricas.
 A su vez estas señales se pueden dividir en 8 canales
diferentes.
 Pertenecen a 3 clases diferentes de datos. (Izquierda, derecha
y clic).
 Se quiere desarrollar un sistema que sea capaz de
mejorar el error de clasificación cometido en el
problema del BCI
 Mediante la selección de atributos relevantes
la de canales de atributos
 Mediante la combinación de operaciones de estos atributos
 Para ello se usa un algoritmo genético simple que
3 seleccione estos atributos y un clasificador para
clasificar los datos obtenidos por el BCI. CLASIFICADOR:
PERCEPTRÓN SIMPLE
 Se trata de una red neuronal formada por
perceptrones simples.

 Es necesario realizar un entrenamiento de la red
con un conjunto de datos de ejemplo para poder
realizar posteriormente la clasificación de nuevos
datos.

 Su función dentro de nuestra solución será la de
separar las 3 clases diferentes de datos
disminuyendo el error lo máximo posible.
4
CLASIFICADOR.
DOS CLASIFICADORES IMPLEMENTADOS:
Dos perceptrones Tres perceptrones
Codificamos las tres clases: Codificamos las tres clases:
5
00, 10, 01 100, 010, 001 CLASIFICADOR.
RESULTADOS OBTENIDOS:
2 perceptrones 3 perceptrones
%Error %Error %Error %Error
Iteraciones Tiempo Iteraciones Tiempo
Train Test Train test
100 34.79 37.68 3,29 100 40.74 42.74 4,69
200 33.00 36.74 6,16 200 38.65 41.98 8,96
300 31.53 36.21 9,01 300 38.23 41.60 13,14
400 31.58 36.06 11,91 400 38.35 42.01 17,35
500 32.024 36.55 14,75 500 37.98 41.35 21,49
750 30.88 36.00 21,84 750 37.16 41.31 32,14
1000 30.91 35.93 28,91 1000 37.95 41.49 42,73
Mejor resultados obtenidos por el clasificador de dos perceptrones.
6 ALGORITMO GENÉTICO
 Métodos de búsqueda inspirados en los procesos
evolutivos biológicos.

 Parten de una población inicial de individuos
(soluciones) haciéndolos evolucionar hasta
obtener individuos mejor adaptados al problema.

 Su función será la de seleccionar los atributos
que sean útiles para una correcta clasificación
desechando los no válidos.
7 ALGORITMO GENÉTICO.
ESTRUCTURA:
8 ALGORITMO GENÉTICO.
REPRESENTACIÓN DE LOS INDIVIDUOS:
 Dos formas diferentes de representación:

 Representación por atributos:



 Representación por canales:

9 ALGORITMO GENÉTICO.
EVALUACIÓN DE LOS INDIVIDUOS:
 Es necesario encontrar la forma de ver cómo de
adaptados están los individuos.
 Ese valor será el porcentaje de error obtenido por
el clasificador.

Función deFitness individuo =Porcentaje deerrordel individuoi i
 De forma adicional emplearemos otra función
fitness que tendrá en cuenta el porcentaje de
atributos del individuo, ponderando ambos
valores mediante pesos.
Función de fitness individuo =(W %Error )+(W %Atributos )i 1 i 0 i
10

¡Sé el primero en escribir un comentario!

13/1000 caracteres como máximo.