Comparison of Artificial Neural Networks an Support Vector Machines for Feature Selection in Electrogastrography Signal Processing

Primer Autor
Pardo, Carlos
Co-autores
Curilem, Millaray
Chacon, Max
Acuna, Gonzalo
Ulloa, Sebastian
Defilippi, Carlos
Maria Madrid, Ana
Título
Comparison of Artificial Neural Networks an Support Vector Machines for Feature Selection in Electrogastrography Signal Processing
Editorial
IEEE
Revista
IEEE Engineering in Medicine and Biology Society Conference Proceedings
Lenguaje
en
Resumen
El artículo describe un proceso de selección de características aplicado al procesamiento de electrogastrogramas (EGG). El conjunto de datos está formado por 42 registros de EGG de pacientes con dispepsia funcional (DF) y 22 de controles sanos. Se implementó un clasificador de configuración de envoltura para discriminar entre ambas clases. El objetivo de este trabajo es comparar redes neuronales artificiales (RNA) y máquinas de vectores de soporte (SVM) cuando actúan como funciones de aptitud de un algoritmo genético (AG) que realiza un proceso de selección de características sobre algunas características extraídas de las señales de EGG. Estas características corresponden a las que la literatura muestra que son las más utilizadas en el análisis de EGG. Los resultados muestran que el clasificador SVM es más rápido, requiere menos memoria y alcanzó el mismo rendimiento (86% de exactitud) que el clasificador RNA cuando actúa como función de aptitud para el AG.#The paper describes a feature selection process applied to electrogastrogram (EGG) processing. The data set is formed by 42 EGG records from functional dyspeptic (FD) patients and 22 from healthy controls. A wrapper configuration classifier was implemented to discriminate between both classes. The aim of this work is to compare artificial neural networks (ANN) and support vector machines (SVM) when acting as fitness functions of a genetic algorithm (GA) that performs a feature selection process over some features extracted from the EGG signals. These features correspond to those that literature shows to be the most used in EGG analysis. The results show that the SVM classifier is faster, requires less memory and reached the same performance (86% of exactitude) than the ANN classifier when acting as the fitness function for the GA.
Tipo de Recurso
Artículo de conferencia
Description
Este trabajo fue financiado en parte por la Dirección de Investigación de la Universidad de La Frontera, Beca DI100020 y por el Gobierno de Chile con la Beca Fondecyt 1090316.
doi
10.1109/IEMBS.2010.5626362
Formato Recurso
pdf
Palabras Claves
GASTRIC MYOELECTRICAL ACTIVITY
FUNCTIONAL DYSPEPSIA
ACTIVIDAD MIOELÉCTRICA GÁSTRICA
DISPEPSIA FUNCIONAL
Ubicación del archivo
http://dx.doi.org/10.1109/IEMBS.2010.5626362
Categoría OCDE
Engineering, Biomedical
Engineering, Electrical & Electronic
Materias
GASTRIC MYOELECTRICAL ACTIVITY
FUNCTIONAL DYSPEPSIA
ACTIVIDAD MIOELÉCTRICA GÁSTRICA
DISPEPSIA FUNCIONAL
Versión del recurso (Recomendado-único)
versión publicada
Tipo de ruta
suscripción
Access Rights
metadata
Derechos de acceso
metadata
Id de Web of Science
WOS:000287964003045
Título de la cita (Recomendado-único)
Comparison of Artificial Neural Networks an Support Vector Machines for Feature Selection in Electrogastrography Signal Processing
Identificador del recurso (Mandatado-único)
Artículo de conferencia
Editorial
IEEE
Revista/Libro
IEEE Engineering in Medicine and Biology Society Conference Proceedings
Categoría WOS
Ingeniería Biomédica
Ingeniería Eléctrica y Electrónica
Engineering, Biomedical
Engineering, Electrical & Electronic
Idioma
en
ISSN
1557-170X
Identificador alternativo
PMID 21095965
Lugar de la conferencia(Recomendado-repetible)
32nd Annual International Conference of the IEEE Engineering-in-Medicine-and-Biology-Society (EMBC 10)
Fecha de la conferencia(Recomendado-repetible)
AUG 30-SEP 04, 2010
AUG 30-SEP 04, 2010
AUG 30-SEP 04, 2010
Entidad financiadora
UFRO DI 100020#ANID CONICYT FONDECYT 1090316
Referencia del Financiador (Mandatado si es aplicable-repetible)
UFRO DI 100020#ANID CONICYT FONDECYT 1090316
ISBN
978-1-4244-4124-2
Página de inicio (Recomendado-único)
2774
Página final (Recomendado-único)
2777
Formato
pdf
Colecciones
Colección Publicaciones Científicas
Estadísticas del documento
0 visitas
Métricas externas
Altmetric
Dimensions