Neural Network Entropy (NNetEn): EEG Signals and Chaotic Time Series Separation by Entropy Features, Python Package for NNetEn Calculation

要約

【タイトル】ニューラルネットワークエントロピー（NNetEn）：エントロピー特徴によるEEG信号と混沌時系列の分離、NNetEn計算のためのPythonパッケージ

【要約】
– エントロピー測定は、時系列分類問題において有効な特徴である。
– 従来のエントロピー測定、シャノンエントロピーなどは、確率分布関数を使用する。
– 時系列の効果的な分離のためには、新しいエントロピー測定方法が必要である。
– Neural Network Entropy（NNetEn）の概念は、特別なデータセット（MNIST-10とSARS-CoV-2-RBV1）の分類に基づくもので、LogNNetニューラルネットワークのレゾネータに記録された時系列のエントロピーに関係している。
– NNetEnは、時系列の混沌ダイナミクスを独自の方法で推定する。
– NNetEnアルゴリズムに基づいて、2つの新しい分類メトリック、R2 EfficiencyとPearson Efficiencyを提案する。
– NNetEnの効率性は、分散解析（ANOVA）を用いた2つの正弦マッピングの混沌時系列の分離において検証される。
– 2つの近接したダイナミックな時系列（r = 1.1918およびr = 1.2243）に対して、F比は124の値に達し、分類問題における導入された方法の効率性を反映している。
– アルツハイマー病患者と健康な人のEEG信号分類は、NNetEn特徴の実用的な応用を示している。
– 私たちの計算は、従来のエントロピー測定とNNetEnコンセプトを共に適用することで分類精度が向上するシナジー効果を示している。
– Pythonでのアルゴリズムの実装が示されている。

要約(オリジナル)

Entropy measures are effective features for time series classification problems. Traditional entropy measures, such as Shannon entropy, use probability distribution function. However, for the effective separation of time series, new entropy estimation methods are required to characterize the chaotic dynamic of the system. Our concept of Neural Network Entropy (NNetEn) is based on the classification of special datasets (MNIST-10 and SARS-CoV-2-RBV1) in relation to the entropy of the time series recorded in the reservoir of the LogNNet neural network. NNetEn estimates the chaotic dynamics of time series in an original way. Based on the NNetEn algorithm, we propose two new classification metrics: R2 Efficiency and Pearson Efficiency. The efficiency of NNetEn is verified on separation of two chaotic time series of sine mapping using dispersion analysis (ANOVA). For two close dynamic time series (r = 1.1918 and r = 1.2243), the F-ratio has reached the value of 124 and reflects high efficiency of the introduced method in classification problems. The EEG signal classification for healthy persons and patients with Alzheimer disease illustrates the practical application of the NNetEn features. Our computations demonstrate the synergistic effect of increasing classification accuracy when applying traditional entropy measures and the NNetEn concept conjointly. An implementation of the algorithms in Python is presented.

arxiv情報

提供元, 利用サービス

arxiv.jp, OpenAI