728x90 반응형 SMALL 불쾌한 사건과 중립적인 사건의 분류5 Machine Learning : Classication over time (2) Group-Level Analysis on Temporal Dimension Group-Level Analysis에서와 같이 참가자의 데이터를 연결하여 그룹 수준의 분석에 필요한 데이터 세트를 구성한다. #Load Dataset data_folder = '../../study1/study1_eeg/epochdata/' files = [data_folder+f for f in listdir(data_folder) if isfile(join(data_folder, f)) and '.DS_Store' not in f] #files = files[:10] ids = [int(f[-6:-4]) for f in files] numberOfEpochs = np.zeros((len(ids), 3)) # Read the.. 2022. 4. 6. Machine Learning : Classication over time (1) EEG 데이터의 시간적 차원에 기계 학습 방법 적용 이전 사례인 단일 참가자 분석 및 그룹 수준 분석에서와 동일한 EEG 데이터에 분류를 적용하지만 데이터의 시간적 차원을 활용한다. 단일 참가자 분석 및 그룹 수준 분석에서 다른 자극에 대한 EEG 반응을 분류할 수 있는지 여부를 조사했다. 그러나 분류는 시간에 구애받지 않았다. 그것은 단지 뇌의 어딘가, 특정 시점에 다른 자극 (확인하기 위해)에 대해 차등적인 EEG 반응이 있다는 것을 알렸다. (a) 다른 이미지에 대한 EEG 반응을 분류할 수 있는지? (b) 식별 가능한 EEG 활동이 있는 시기는 언제인지? 이러한 질문에 답하기 위해 단일 참여자 분석 및 그룹 수준 분석에서와 동일한 알고리즘을 사용 하지만 이번에는 각 시간 인스턴스에서 하나의 분류기.. 2022. 4. 5. Machine Learning : Group-Level Analysis (Part - 2) (3) Part - 2 모든 데이터는 모델을 구축하는 데 사용한다. #Load and prepare dataset data_folder = '../../study1/study1_eeg/epochdata/' files = [data_folder+f for f in listdir(data_folder) if isfile(join(data_folder, f)) and '.DS_Store' not in f] ids = [int(f[-6:-4]) for f in files] numberOfEpochs = np.zeros((len(ids), 3)) # Read the EEG epochs: epochs_all_UN, epochs_all_UP, epochs_all_NP = [], [], [] for f in range(len.. 2022. 4. 5. Machine Learning : Group-Level Analysis (Part - 1) (2) Example #2 : Classification between Unpleasant and Neutral Events 불쾌한 사건과 중립적인 사건 사이의 분류 작업에 첫 번째 예의 동일한 단계가 적용된다. results_perParticipant_UN = [] model_names = [ 'LR', 'LDA'] kfold = StratifiedKFold(n_splits=3, random_state=42) for i in range(len(ids)): # Linear Discriminant Analysis clf_lda_pip = make_pipeline(Vectorizer(), StandardScaler(), LinearDiscriminantAnalysis(solver='svd')) #Logistic R.. 2022. 4. 5. Machine Learning : Single-Participant Analysis (1) Dataset 시연 목적으로 '감정-선행 평가 검사 : 참신함과 쾌적함을 위한 EEG 및 EMG 데이터 세트' 데이터세트를 사용한다. 이 데이터 세트에는 26명의 참가자가 있으며, 각 참가자는 다양한 수준의 쾌적함 (즐거움 / 불쾌함 / 중립)으로 일련의 이미지 (익숙한 / 새로운 / 목표)를 보고 있다. 따라서 우리는 두 글자로 이미지에 대한 EEG 반응에 레이블을 지정한다. 첫 번째는 친숙함의 수준(ex. F는 친숙함)을 나타내고 두 번째는 유쾌함의 수준(ex. 유쾌함은 P)을 나타낸다. 예를 들어 'FP'라는 레이블은 Familar-Pleasant 이미지에 대한 EEG 응답을 나타낸다. 제시된 이미지의 대다수가 친숙했기 때문에(전체 이미지의 70%), 이 튜토리얼에서는 EEG 응답만을 기반으로 제시.. 2022. 4. 5. 이전 1 다음 728x90 반응형 LIST
