T RABALHOS F UTUROS

5 Conclusões e Trabalhos Futuros

5.1 C

P

Os resultados obtidos a partir dos experimentos descritos no capítulo 4 permitem concluir que as técnicas baseadas em máquinas de vetores de suporte são bastante úteis na classificação dos sinais de EEG do conjunto de dados analisado. As SVMs mostraram uma boa capacidade de distinguir entre os elementos dos subconjuntos de sinais de EEG. Nesta dissertação, diferentes implementações de máquinas de vetores de suporte foram utilizadas para classificar um conjunto de sinais de EEG, utilizando diferentes vetores de características como entrada. Os classificadores, de forma geral, apresentaram bom desempenho tanto para a classificação binária quanto para múltiplas classes. A implementação tradicional da SVM mostrou os melhores resultados em relação aos demais. A RVM mostrou, na maioria dos experimentos, uma região maior onde os resultados são bons (ou seja, um maior número de parâmetros para o kernel associados aos bons resultados) e produziu na maioria dos casos uma solução com um número de vetores relevantes menores quando comparado com o numero de vetores suporte para SVM tradicional.

Quanto ao tipo de entrada utilizada, a série original (sem o processamento via wavelet e cálculo de estatísticas) permitiu que os classificadores atingissem bons resultados. Mas os experimentos também mostraram que os vetores resultantes do processo de extração de características, em especial o desvio padrão dos coeficientes wavelet, permitiram aos classificadores obter resultados equivalentes aos obtidos com a série original utilizando uma representação muito mais compacta da informação. O tipo de wavelet utilizado no processamento da série original não mostrou um grande impacto, sendo os resultados obtidos com a utilização de cada um delas equivalentes.

Além das classificações binárias (onde os vetores de características citados se destacaram), o vetor baseado no desvio padrão também se mostrou promissor na classificação envolvendo mais que duas classes. As classificações envolvendo múltiplas classes, precisam ser analisadas mais profundamente a fim de obter mais informações sobre o seu

comportamento. Os estudo preliminares apresentados nesta dissertação, permitem notar que as técnicas um contra um, um contra todos, ECOC e MOC apresentam valores competitivos entre si.

Dentre as diferentes implementações testadas, a implementação da SVM tradicional apresentou os melhores resultados, seguida da LS-SVM. A RVM, como comentado anteriormente, apresentou bons resultados e uma menor sensibilidade à variação do parâmetro do kernel, i.e., existem mais valores do parâmetro do kernel que podem conduzir a RVM às melhores classificações. Este comportamento foi observado na maior parte dos experimentos, independente do vetor de características utilizado.

O tipo de função de kernel teve pouco impacto no desempenho dos classificadores. Entretanto, teve um impacto significativo nos parâmetros da função de kernel associados com boas classificações quando foi utilizada como entrada a série EEG sem processamento (sem o cálculo de coeficientes wavelet e estatísticas); neste caso foi possível notar que o kernel ERBF fez com que mais valores do parâmetro do kernel estivem associados com boas classificações (taxas de erro mais baixas).

A utilização da série sem processamento, gerou bons resultados com as diferentes implementações de SVM. Vale lembrar que a série original é um vetor que contém todas as características disponíveis do conjunto de dados analisado e que neste caso, possui dimensão igual 4096. Entretanto os vetores de características possuem papel importante na classificação, os experimentos com a utilização dos vetores de características (em especial o desvio padrão dos coeficientes wavelet) mostraram que é possível obter classificações com taxas de erro comparáveis àquelas obtidas com a série sem processamento; porém com uma diferença considerável, utilizando vetores de entrada com dimensão igual a 6. Estes vetores de características conseguiram gerar outra representação para o sinal de EEG, bem mais compacta que do que a representação original, contendo características que permitiram realizar boas classificações. Esta diminuição da dimensão do vetor de entrada afeta também o custo computacional necessário para realizar a classificação.

Com base nas observações feitas sobre os experimentos realizados, o classificador obtido com a utilização da implementação tradicional da SVM, com o vetor de características baseado no desvio padrão dos coeficientes wavelet, e com o parâmetro do kernel com valores como 2 ou 4, é um bom ponto de partida para classificação de elementos do conjunto de EEGs analisado nesta dissertação e potencialmente para outros conjuntos de EEGs.

A capacidade de distinguir entre subconjuntos de sinais de EEG apresentada pelas técnicas de classificação baseadas em máquinas de vetor de suporte e na extração de

características baseada no cálculo de estatísticas sobre os coeficientes wavelet do sinal original, pode ser útil na análise de EEG associados a uma patologia específica, como por exemplo, casos de epilepsia ou de esquizofrenia.

Como trabalho futuro pretende-se aplicar a abordagem proposta a outros conjuntos de dados de sinais de EEG e a outros tipos de séries temporais, como por exemplo, séries de sinais de eletrocardiograma (ECG). Também pretende-se investigar outras formas de extração de características (tais como lyapunov e dimensão fractal) e comparar com os resultados obtidos via wavelet em termos de performance de classificação. Além disso, vislumbra-se a possibilidade de empregar técnicas de seleção de características, como por exemplo, as baseadas em algoritmo genético, para encontrar quais características são mais adequadas para determinado classificador.