Технические науки

MENTAL STATE’S LONG/SHORT RUNNING PREDICTIONS. CLASSIFICATION OVER REGRESSION METHODS IN ADVANCE ANALYTICS [КОРОТКОСРОЧНЫЕ/ДОЛГОСРОЧНЫЕ ПРЕДСКАЗАНИЯ МЕНТАЛЬНОГО СОСТОЯНИЯ. КЛАССИФИКАЦИЯ РЕГРЕССИОННЫХ МЕТОДОВ В ПРОДВИНУТОЙ АНАЛИТИКЕ]

Zuev E.

Zuev Egor Dmitrievich – Bachelor, DEPARTMENT COMPUTER SYSTEMS AND NETWORKS, HIGHER SCHOOL OF ECONOMICS, MOSCOW

Abstract: this paper outlines the way in which the aggregated data from EEG device may be used in future predictions; it dives into the problems, related to building a regression function, based on certain conditions of certain user; classify certain function by timestamp; and suggest its implementation. Also, the following article covers the basic idea of classification in terms of taking a decision, which function to use, in order to calculate correct average concentration level of current user on certain time frame.

Keywords: linear regression, Naïve Bayes, SVM, automatization, EEG,, brain waves, Javascript, fuzzy logic, machine learning, classification.

Зуев Е. Д. 

Зуев Егор Дмитриевич – бакалавр, кафедра компьютерных систем и сетей, Высшая школа экономики, г. Москва

Аннотация: в данной статье рассматривается возможность использования собранных данных с ЭЭГ устройства для будущих предсказаний; Также будут рассмотрены проблемы построения регрессионного уравнения для конкретного пользователя; классификация определенной функции на основе временного промежутка и будет предложена собственная реализация решения данной проблемы. Более того, в данной рукописи будет рассмотрена базовая идея применения методов классификации для определения, по какой функции считать средний уровень концентрации конкретного пользователя для данного временного фрейма.

Ключевые слова: линейная регрессия, наивный Байес, SVM, ЭЭГ, мозговые волны, Javascript, ленивые вычисления, машинное обучение, классификация.

Список литературы / References

1. Фреунд Осуна Р. и Гироси Ф. Продвинутый учитель для SVM. Д. Принсип, Л. Джиль, Н. Морган, и Е. Уилсон, авторы. Нейронные сети и обработка сигналов. VII — коференция, 1997 IEEEWorkshop. С. 276 – 285. Нью Йорк, 1997. IEEE.
2. Абу-Мостафа Ы. С., 1990. Обучение по совпадениям в нейронных сетях, Д. Cомплеxиты. С. 192–198.
3. Тибширани Р. & Фриедман Д. (2008), Элементы статистического обучения. Спрингер. Калифорния.
4. Акаике Х., 1970. Идентификация статистического предиктора. Институт Статической математики. 22 ежегодная конференция. С. 203–217.
5. Ангел Д. Р. П., Уизинович П., Ллойд-Харт М. и Сандлер Д., Nature
6. Баум Е. Б. IEEETrans. Onneuralnetworks
7. Уестреич Д., Лесслер Д. & Ёнссон М.,SVM, decisiontrees (CART) и мета-классификаторы как альтернатива логической регрессии. JournalClinicalEpidemiology
8. Икбал М. С., Мисра Х. и Ыегнанараыана Б. Анализ само-ассоциативных нейронных сетей. IEEE Международная конференция по нейронным сетям. Вашингтон. США, 1999. С. 70.
9. Щимке С., Виелхауер C., Диттманн Д. Использование адаптивной дистанции Левенштейна для онлайн аутефикации. Распознавание паттернов, 17 международная конференция (ICPR'04), 2004.
10. Давидсон Р. Д, и Лутз А. «Разум Будды: Нейропластичность и медитация». IEEESignalProcessing
11. Валле Роналд С. и Ёхн М. Левине. «Эффекты наблюдения за контролем альфа волн». Психофизиология 12.3, 1975. С. 306-309.
12. Лотте Ф., Cонгедо М., Леcуыер А., Ламарче, Ф. & Арналди Б.,BCI интерфейсов. Журнал нейронной инженерии. 4 (2). R1–R13.

Список литературы на английском языке / References in English

1. Osuna R. Freund and. Girosi F. An improved training algorithm for support vector machines. In J. Principe, L. Gile, N. Morgan, and E. Wilson, editors, Neural Networks for Signal Processing VII — Proceedings of the 1997 IEEE Workshop. Pages 276 – 285. New York, 1997. IEEE.
2. Abu-Mostafa Y. S. (1990). Learning from hints in neural networks, J. Complexity 6, 192–198.
3. Tibshirani, R. & Friedman, J. (2008), The Elements of Statistical Learning, Springer, California
4. Akaike H., 203–217.
5. Angel J. R. P., Wizinowich P., Lloyd-Hart M. and Sandler D.,
6. Baum E. B.
7. Westreich D., Lessler J. & Jonsson M.,Propensity score estimation: Neural networks, support vector machines, decision trees (CART), and metaclassifiers as alternatives to logistic regression. Journal of Clinical Epidemiology 63, 826–833.
8. Ikbal M. S., Misra H. and Yegnanarayana B. Analysis of autoassociative mapping neural networks. In IEEE Proceedings of the International Joint Conference on Neural Networks, Washington. USA, 1999. 70.
9. Schimke S., Vielhauer C., Dittmann J. Using Adapted Levenshtein Distance for On-Line Signature Authentication. Proceedings of the Pattern Recognition, 17th International Conference on (ICPR'04), 2004.
10. Davidson R. J. and Lutz A. “Buddha’s Brain: Neuroplasticity and Meditation”. IEEE Signal Processing, 2007: 171 - 174. Print.
11. Valle Ronald S. and Levine John M. “Expectation Effects in Alpha Wave Control”. Psychophysiology 12.3 (1975): 306-309. Print.
12. Lotte F., Congedo M., Lecuyer А., Lamarche F. & Arnaldi B., 2007. June. A review of classification algorithms for EEG-based brain-computer interfaces. Journal of neural engineering. 4. R1–R13.

Ссылка для цитирования данной статьи

		Тип лицензии на данную статью – CC BY 4.0. Это значит, что Вы можете свободно цитировать данную статью на любом носителе и в любом формате при указании авторства.
Cсылка для цитирования на русском языке. Зуев Е. Д. КОРОТКОСРОЧНЫЕ/ДОЛГОСРОЧНЫЕ ПРЕДСКАЗАНИЯ МЕНТАЛЬНОГО СОСТОЯНИЯ. КЛАССИФИКАЦИЯ РЕГРЕССИОННЫХ МЕТОДОВ В ПРОДВИНУТОЙ АНАЛИТИКЕ // European science № 2(24), 2017. C. {см. журнал}

Поделитесь данной статьей, повысьте свой научный статус в социальных сетях