Ekonomiczne aspekty selekcji cech wykorzystujące paradygmat algorytmu genetycznego w interfejsach mózg–komputer

Opis

Celem niniejszej monografii jest przedstawienie metody selekcji cech, która, bazując na paradygmacie algorytmu genetycznego, umożliwia uzyskanie zbioru cech o wyższych lub porównywalnych zdolnościach dyskryminacyjnych, mierzo­nych precyzją klasyfikacji wzorców aktywności mózgowej. Jednocześnie metoda ta pozwala na redukcję liczby cech w porównaniu z metodami referencyjnymi, co może prowadzić do zwiększenia efektywności obliczeniowej oraz ograniczenia kosztów przetwarzania danych w interfejsach mózg–komputer.

                                                                                                                                                                                                         Ze wstępu

Rozdział 1. Interfejs mózg–komputer
1.1. Rys historyczny
1.2. Obecne i przyszłe obszary zastosowań interfejsu mózg–komputer
1.3. Interfejs oparty na wyobrażeniu ruchu
1.4. Struktura interfejsu BCI 

Rozdział 2. Proces optymalizacji
2.1. Optymalizacja jedno- i wielokryterialna
2.2. Deterministyczne metody optymalizacji
2.3. Stochastyczne metody optymalizacji
2.4. Optymalizacja wielokryterialna
2.5. Rozwiązania niezdominowane oraz Front Pareto 

Rozdział 3. Selekcja cech metodami klasycznymi
3.1. Ogólne zagadnienia selekcji cech
3.2. Metody wrapper
3.3. Metody filtrujące
3.4. Metody wbudowane
3.5. Metody redukcji wymiarowości wektora cech a metody selekcji cech 

Rozdział 4. Algorytmy genetyczne
4.1. Metody symulowanej ewolucji
4.2. Algorytm genetyczny – podstawowe pojęcia
4.3. Schemat klasycznego algorytmu genetycznego
4.4. Kodowanie rozwiązań do postaci osobników
4.5. Operatory genetyczne
4.6. Selekcja osobników 

Rozdział 5. Algorytmy genetyczne w procesie selekcji cech
5.1. Klasyczny algorytm genetyczny
5.2. Klasyczny algorytm genetyczny z członem kary
5.3. Klasyczny algorytm genetyczny – odmienne sposoby kodowania oraz operatory genetyczne
5.4. Wielokryterialny algorytm genetyczny – metoda NSGA II
5.5. Algorytm genetyczny z ustaloną liczbą cech (algorytm Cullinga)
5.6. Algorytm genetyczny z agresywną mutacją (GAAM)
5.7. Algorytm genetyczny z agresywną mutacją i zmniejszającą się liczbą genów (melting-GAAM)
5.8. Algorytm genetyczny z agresywną mutacją i malejącą liczbą cech (GAAMmf) 

Rozdział 6. Weryfikacja działania algorytmu GAAMmf
6.1. Eksperyment nr 1 – badanie odporności i stabilności algorytmu
6.1.1. Zbiory danych wykorzystane w eksperymencie nr 1
6.1.2. Etap 1 – Wpływ parametrów accWeight i fsWeight na wyniki algorytmu
6.1.3. Etap 2 – Wpływ prawdopodobieństwa mutacji na wyniki algorytmu
6.1.4. Etap 3 – Badanie stabilności algorytmu
6.1.5. Etap 4 – Zestawienie wyników algorytmu dla pięciu zbiorów BCI
6.2. Eksperyment nr 2 – porównanie algorytmu GAAMmf z algorytmami referencyjnymi na pięciu zbiorach BCI
6.3. Eksperyment nr 3 – porównanie algorytmu GAAMmf z algorytmami referencyjnymi na benchmarkowych zbiorach danych 

Podsumowanie 

Literatura
Spis rysunków i tabel
Abstract
Streszczenie