154 4.8. Экспериментальное исследование предложенных алгоритмов * Исследование эффективности работы предложенных алгоритмов при входных данных в виде биомедицинских сигналов носит скорее демонстрационный характер, чем строго измеренческий. Это обусловлено недопустимо низким количеством выборок (10) сигналов для каждого класса, которые удалось получить. С другой стороны как раз цель непараметрических классификаторов, подобных разработанному, состоит в сохранении эффективности работы в условиях ограниченных объемов данных. Ограничение объемов данных приводит к необходимости применения построенного правила решения к обучающей выборке. Однако, хорошо известно [117], что это приводит к завышению оценки качества классификации по сравнению с той же оценкой качества по независимым от обучения данным. Среди приемов борьбы с этим завышением можно выделить следующие. 1. Разбиение имеющихся данных на две части: обучающую и экзаменационную. Это самый простой и убедительный метод. Им часто пользуются если экспериментальных данных достаточно. 2. Метод скользящего экзамена. Из всей выборки извлекается один объект, а по оставшимся синтезируется решающее правило и производится распознавание извлеченного объекта. Процедура повторяется заданное число раз (например, до полного перебора). Этот метод по сравнению с другими дет наименьшую дисперсию вероятности ошибки, однако, он одновременно и самый трудоемкий, так как требует многократной реализации алгоритмов обучения и классификации. 3. Использование обучающей выборки в качестве экзаменационной с последующей поправкой на смещение. Подобные методы просты с вычислительной точки зрения, но существенно опираются на математические предположения в отношении проверяемых моделей. В нашем случае наиболее предпочтительным оказывается использовать второй метод, так как экспериментальных данных недостаточно, чтобы разделять выборки на обучающие и контрольные. Метод аналитических поправок также не пригоден из-за большой вариабельности экспериментальных данных и невозможности их описания в рамках одной модели. При организации экспериментальных клинических исследований биоэлектрической активности головного мозга большое внимание уделялось стандартизации условий регистрации, поскольку на электрическую активность мозга бодрствующего испытуемого могут оказывать влияние субъективные и внешние факторы [64]. Записи ЭЭГ проводились в экранированной камере, где испытуемый располагался в удобном кресле, закрыв глаза. Регистрация потенциалов производилась монополярно относительно объединенных ушных электродов с лобных, височных, теменных и затылочных отведений обоих полушарий мозга (по 19-ти отведениям, 20-е отведение сердечный ритм). |
138 Описанная последовательность повторяется для различных объемов обучающих выборок. Исследование эффективности работы НКСП при входных данных в виде биомедицинских сигналов носит скорее демонстрационный характер, чем строго измеренческий. Это обусловлено недопустимо низким количеством выборок (10) сигналов для каждого класса, которые удалось получить. С другой стороны как раз цель непараметрических классификаторов, по-I добных разработанному, состоит в сохранении эффективности работы в условиях ограниченных объемов данных. Ограничение объемов данных приводит к необходимости применения построенного правила решения к обучающей выборке. Однако, хорошо известно [71], что это приводит к завышению оценки качества классификации по сравнению с той же оценкой качества по независимым от обучения данным. Среди приемов борьбы с этим завышением можно выделить следующие. 1. Разбиение имеющихся данных на две части: обучающую и экзаменационную. Это самый простой и убедительный метод. Им часто пользуются если экспериментальных данных достаточно. 2. Метод скользящего экзамена. Из всей выборки извлекается один объект, а по оставшимся синтезируется решающее правило и производится распознавание извлеченного объекта. Процедура повторяется заданное число раз (например, до полного перебора). Этот метод по сравнению с другими дет наименьшую дисперсию вероятности ошибки, однако, он одновременно и самый трудоемкий, так как требует многократной реализации алгоритмов обучения и классификации. 3. Использование обучающей выборки в качестве экзаменационной с последующей поправкой на смещение. Подобные методы просты с вычислительной точки зрения, но существенно опираются на математические предположения в отношении проверяемых моделей. В нашем случае наиболее предпочтительным оказывается использовать второй метод, так как экспериментальных данных недостаточно, чтобы разделять выборки на обучающие и контрольные. Метод аналитических поправок также не пригоден из-за большой вариабельности экспериментальных данных и невозможности их описания в рамках одной модели. При организации экспериментальных клинических исследований биоэлектрической активности головного мозга большое внимание уделялось стандартизации условий регистрации, поскольку на электрическую активность мозга бодрствующего испытуемого могут оказывать влияние субъективные и внешние факторы [42]. Записи ЭЭГ проводились в экранированной камере, где испытуемый располагался в удобном кресле, закрыв глаза. Регистрация потенциалов производилась монополярно относительно объединенных ушных электродов с лобных, височных, теменных и затылочных отведений обоих полушарий мозга (по 19-ти отведениям, 20-е отведение сердечный ритм). Для съема, усиления и регистрации ЭЭГ использовался 19-канальный энцефалограф с постоянной времени усилителей 0,3 с и полосой пропускания 30 Гц, |