Modified local discriminant bases and its applications in signal classification [biomedical signal examples]
Notice bibliographique
Résumé
One of the major challenges in classification problems, based on the signal decomposition approach, is to identify the right basis function and its derivatives that can provide optimal features to distinguish the classes. With the vast amount of available libraries of orthonormal bases, it is hard to select an optimal set of basis functions for a specific dataset. To address this problem, pruning algorithms based on certain selection criteria, are needed. The local discriminant bases (LDB) algorithm is one such algorithm, which efficiently selects a set of significant basis functions from the library of orthonormal bases based on a certain defined dissimilarity measure. The selection of this dissimilarity measure is critical as they indirectly contribute to the performance accuracy of the LDB algorithm. In this paper, we study the impact of the dissimilarity measures on the performance of the LDB algorithm with two classification examples. Two biomedical signal databases used are: 1) vibroarthographic signals (VAG) - 89 signals with 51 normal and 38 abnormal; and 2) pathological speech signals - 100 signals with 50 normal and 50 pathological. Classification accuracies of 76.4% with the VAG database and 96% with the pathological speech database were obtained. This modified method of signal analysis using LDB has shown its powerfulness in analyzing non-stationary signals.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».