Resumen

En este documento, nos enfocamos en reconocer la convulsión epiléptica a partir de señales escasas de EEG y proponemos un modelo de aprendizaje novedoso de transferencia mejorada de expansión (TrEEM). Este marco implanta el aprendizaje por transferencia en el modelo de agrupamiento basado en ejemplos para mejorar la tasa de utilización de las señales de EEG. Partiendo de la teoría de probabilidad bayesiana, mediante la utilización de la distancia de Kullback-Leibler, medimos la relación de similitud entre los datos fuente y objetivo. Además, incrustamos esta relación en el cálculo de la matriz de similitud involucrada en el modelo de agrupamiento basado en ejemplos. Luego sumamos una nueva función objetivo y estudiamos este nuevo esquema TrEEM con seriedad. Optimizamos el modelo TrEEM propuesto mediante la adaptación del mecanismo utilizado en EEM. En contraste con otros modelos de aprendizaje automático, los experimentos basados en conjuntos de datos de EEG sintéticos y del mundo

• Materias:Colonias de abejas artificiales Inteligencia artificial Patrón espacial Innovación de la comunicación Algoritmo de red neuronal
• Subjects:Artificial bee colonies Artificial intelligence Spatial pattern Communication innovation Neural network algorithm
• Palabras claves:Reconocimiento; Convulsión epiléptica; Señales de EEG; Aprendizaje de transferencia; Modelo de agrupamiento; Matriz de similitud
• Keywords:Recognizing; Epileptic seizure; EEG signals; Transfer learning; Clustering model; Similarity matrix