SVM Optimization for Epileptic Seizure Prediction

Detalhes bibliográficos
Autor(a) principal: Ventura, Francisco Luís Amado Reis
Data de Publicação: 2011
Tipo de documento: Dissertação
Idioma: eng
Título da fonte: Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos)
Texto Completo: http://hdl.handle.net/10316/99839
Resumo: Dissertação de Mestrado em Engenharia Informática apresentada à Faculdade de Ciências e Tecnologia da Universidade de Coimbra.
id RCAP_903255b7330673580b4770f47b1e2ffb
oai_identifier_str oai:estudogeral.uc.pt:10316/99839
network_acronym_str RCAP
network_name_str Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos)
repository_id_str 7160
spelling SVM Optimization for Epileptic Seizure PredictionEpilepsyEpileptic seizure predictionEvolutionary algorithmsFeature selectionNSGA-IIPSO,SMS-EMOADissertação de Mestrado em Engenharia Informática apresentada à Faculdade de Ciências e Tecnologia da Universidade de Coimbra.Some of the epileptic patients cannot be treated by drugs or surgery, fact that a ects the patient's daily life. The quality of life of these patients would be extremely improved by the existence of e ective seizure prediction algorithms. Epileptic seizures prediction can be achieved considering it as a classi cation problem. In order to predict the occurrence of an epileptic episode, an ap- proach using computational intelligence methods is currently under develop- ment, on behalf of the EPILEPSIAE project. Twenty-two univariate features were extracted from EEG (electroencephalogram). For a real-time prediction of the epileptic seizures, the number of inputs must be reduced in order to achieve a fast detection of the seizures, while maintaining the predictive power. In this thesis, Support Vector Machines (SVM) were optimized by three evolutionary approaches: The Elitist Non-dominated Sorting Genetic Algo- rithm (NSGA-II), the Particle Swarm Optimization (PSO) and S Metric Selection - Evolutionary Multi-Objective Algorithm (SMS-EMOA). The pa- rameters under optimization were the inputs, and Cost and Gamma of the SVM classi ers. Several tests were made, with di erent formulations, in order to reduce the complexity of the problem. The results show that using these algorithms it is possible to achieve low- complex predictors with appropriate prediction performance.2011-09-01info:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesishttp://hdl.handle.net/10316/99839http://hdl.handle.net/10316/99839engVentura, Francisco Luís Amado Reisinfo:eu-repo/semantics/openAccessreponame:Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos)instname:Agência para a Sociedade do Conhecimento (UMIC) - FCT - Sociedade da Informaçãoinstacron:RCAAP2022-05-25T10:01:17Zoai:estudogeral.uc.pt:10316/99839Portal AgregadorONGhttps://www.rcaap.pt/oai/openaireopendoar:71602024-03-19T21:17:21.180206Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos) - Agência para a Sociedade do Conhecimento (UMIC) - FCT - Sociedade da Informaçãofalse
dc.title.none.fl_str_mv SVM Optimization for Epileptic Seizure Prediction
title SVM Optimization for Epileptic Seizure Prediction
spellingShingle SVM Optimization for Epileptic Seizure Prediction
Ventura, Francisco Luís Amado Reis
Epilepsy
Epileptic seizure prediction
Evolutionary algorithms
Feature selection
NSGA-II
PSO,
SMS-EMOA
title_short SVM Optimization for Epileptic Seizure Prediction
title_full SVM Optimization for Epileptic Seizure Prediction
title_fullStr SVM Optimization for Epileptic Seizure Prediction
title_full_unstemmed SVM Optimization for Epileptic Seizure Prediction
title_sort SVM Optimization for Epileptic Seizure Prediction
author Ventura, Francisco Luís Amado Reis
author_facet Ventura, Francisco Luís Amado Reis
author_role author
dc.contributor.author.fl_str_mv Ventura, Francisco Luís Amado Reis
dc.subject.por.fl_str_mv Epilepsy
Epileptic seizure prediction
Evolutionary algorithms
Feature selection
NSGA-II
PSO,
SMS-EMOA
topic Epilepsy
Epileptic seizure prediction
Evolutionary algorithms
Feature selection
NSGA-II
PSO,
SMS-EMOA
description Dissertação de Mestrado em Engenharia Informática apresentada à Faculdade de Ciências e Tecnologia da Universidade de Coimbra.
publishDate 2011
dc.date.none.fl_str_mv 2011-09-01
dc.type.status.fl_str_mv info:eu-repo/semantics/publishedVersion
dc.type.driver.fl_str_mv info:eu-repo/semantics/masterThesis
format masterThesis
status_str publishedVersion
dc.identifier.uri.fl_str_mv http://hdl.handle.net/10316/99839
http://hdl.handle.net/10316/99839
url http://hdl.handle.net/10316/99839
dc.language.iso.fl_str_mv eng
language eng
dc.rights.driver.fl_str_mv info:eu-repo/semantics/openAccess
eu_rights_str_mv openAccess
dc.source.none.fl_str_mv reponame:Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos)
instname:Agência para a Sociedade do Conhecimento (UMIC) - FCT - Sociedade da Informação
instacron:RCAAP
instname_str Agência para a Sociedade do Conhecimento (UMIC) - FCT - Sociedade da Informação
instacron_str RCAAP
institution RCAAP
reponame_str Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos)
collection Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos)
repository.name.fl_str_mv Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos) - Agência para a Sociedade do Conhecimento (UMIC) - FCT - Sociedade da Informação
repository.mail.fl_str_mv
_version_ 1799134068898529280

Registros relacionados