Difference between revisions of "Talk:A genetic algorithm for automatic feature extraction from EEG data"

From AIRWiki
Jump to: navigation, search
(Todo)
Line 1: Line 1:
 +
==Objectives==
 +
* Training with letter-counting fitness
 +
* Online classifier
 +
 
==Todo==
 
==Todo==
* Verificare che l'addestramento del classificatore logistico all'interno della GA venga fatto su un insieme di dati bilanciato
+
* Scrivere funzione per folding che non 'rompe' le lettere.
* Verificare se la fitness viene fatta calcolando il numero di lettere corrette, o se viene calcolato il numero di stimulazioni classificate correttamente
+
* Fare la funzione di bilanciamento deterministica.  Si veda anche <tt>bci/common/matlab/balance_training_bci2_2b.m</tt> su AirBAT.  Per ogni ripetizione, tra le stimolazioni non target viene presa la seconda stimolazione colonna e la penultima stimolazione riga (che non sono necessariamente la seconda colonna e la penultima riga).
* Se il bilanciamento non c'è, farlo in maniera deterministica.  Si veda anche <tt>bci/common/matlab/balance_training_bci2_2b.m</tt> su AirBAT.  Per ogni ripetizione, tra le stimolazioni non target viene presa la seconda stimolazione colonna e la penultima stimolazione riga (che non sono necessariamente la seconda colonna e la penultima riga).
+
* Scrivere la funzione di fitness, che viene calcolata 1 volta per ogni cromosoma su tutto l'insieme di addestramento.
  
 
==Info==
 
==Info==

Revision as of 14:37, 21 April 2009

Objectives

  • Training with letter-counting fitness
  • Online classifier

Todo

  • Scrivere funzione per folding che non 'rompe' le lettere.
  • Fare la funzione di bilanciamento deterministica. Si veda anche bci/common/matlab/balance_training_bci2_2b.m su AirBAT. Per ogni ripetizione, tra le stimolazioni non target viene presa la seconda stimolazione colonna e la penultima stimolazione riga (che non sono necessariamente la seconda colonna e la penultima riga).
  • Scrivere la funzione di fitness, che viene calcolata 1 volta per ogni cromosoma su tutto l'insieme di addestramento.

Info

Il metodo di classificazione finale dovrà avere questo prototipo:

 double classify( const GenericSignal &epoch );

GenericSignal è la classe dei segnali di BCI2000 che memorizza una matrice bidimensionale; è definita in src/shared/types/GenericSignal.h.

Formato per i dati dovrebbe essere "%.17g" (assicurarsi che il numero di cifre significative sia sufficiente a rappresentare tutti i bit della mantissa)

Tesisti precedenti: Luigi Dallavalle, Flavio Mutti