EEG Analysis of Person Familiarity with Audio-Video Data Assessing Task

• Published in: Управляющие системы и машины
• Date: 2018
• Main Author: Reshetnykov, D.S.
• Format: Article
• Language: English
• Published: Міжнародний науково-навчальний центр інформаційних технологій і систем НАН та МОН України 2018
• Subjects: Применения (опыт разработки и внедрения информационных технологий)
• Online Access: https://nasplib.isofts.kiev.ua/handle/123456789/150491
• Journal Title: Digital Library of Periodicals of National Academy of Sciences of Ukraine
• Cite this: EEG Analysis of Person Familiarity with Audio-Video Data Assessing Task / D.S. Reshetnykov // Управляющие системы и машины. — 2018. — № 4. — С. 70-83. — Бібліогр.: 26 назв. — англ.

To solve the problem of assessing a person’s familiarity with audio-video data, various methods of machine learning were compared. The feature space has been optimized for the best way to make such an assessment. The high efficiency of the genetic algorithm in the problem of optimizing the space of attributes is shown. Мета статті. Виконати порівняльний аналіз і експериментальне дослідження ефективності різних методів машинного навчання для побудови моделі визначення знайомства з аудіовізуальними матеріалами, на основі аналізу сигналу електроенцефалограм і визначити набір ознак, які найкраще класифікують даний сигнал. Результат. За використання запропонованої інформаційної технології підібрано параметри і отримано результати точності для різних моделей класифікації, що дозволило порівняти такі моделі і визначити найбільш адекватні до вирішення поставленої задачі. Застосування методів відбору ознак дозволило підвищити точність моделі лінійного методу опорних векторів з 55,9 до 80,7 відсотків. Цель статьи. Выполнить сравнительный анализ и экспериментальное исследование эффективности различных методов машинного обучения для построения модели определения знакомства с представленными аудиовизуальными материалами, на основе анализа сигнала электроэнцефалограмм и определить набор признаков, наилучшим образом классифицирующих данный сигнал. Результат. С использованием предложенной информационной технологии, подобраны параметры и получены результаты точности для различных моделей классификации, что позволило сравнить такие модели и определить наиболее адекватные решению поставленной задачи. Применение методов отбора признаков позволило повысить точность модели линейного метода опорных векторов с 55,9 до 80,7 процентов.