文摘

情感是人类行为的一个关键方面。一个广泛使用的技术,研究情感测量是基于EEG信号的使用。概括地说,信号处理的第一步是消除噪音,可以通过手动或自动。下一步是确定特征向量,例如,熵计算和生成一个分类模型的变化。可以使用这种方法分类Circumplex模型等理论模型。这个模型提出,情绪是分布在一个二维圆形空间。然而,方法来确定特征向量极易受噪声中可能存在的信号。在本文中,提出了一种新方法调整分类器使用基于黑洞metaheuristics算法。方法的目的是为了获得人工噪声消除方法得到的结果类似。为了评估该方法,MAHNOB HCI标签数据库使用。 Results show that using the black hole algorithm to optimize the feature vector of the Support Vector Machine we obtained an accuracy of 92.56% over 30 executions.

1。介绍

情绪发挥重要作用对人们的思维和行为的方式1]。在生理方面,情感是短期现象,表示有效的适应模式不断提出的要求我们的环境(2]。最接受的模型代表情绪被称为Circumplex模型(3]。这个模型组织情绪进入点组成的二维平面以下维度:“价”(愉悦或不愉悦的)和“唤醒”(紧张、放松);这样,情绪是组织在这个平面内循环的方式(3]。此外,不同的方法测量存在在人们的情感;那些最精度是基于电生理信号,可以捕捉到,例如,通过脑电图(EEG)设备。

特别是,研究了可视化组件P1的增加,与事件相关电位(ERP),通过过滤低空间频率,从而证明快速激活magnocellular系统对刺激引发情绪的激动(高4]。早期发病的组件P1和先于面部识别;因此,它是可能的估计,情绪处理设法避开常规的轨道视觉处理中包含的情感刺激时的高搅拌(5]。此外,通过分类器产生的组合小波熵和小波的平均脑电图信号与情绪有关,一个价的76.8%和74.3%的风潮已经认可。此外,解码的愉快或不愉快的情感称为价6)已经通过线性判别分析。在这种情况下,考虑EEG信号的时间分辨率和应用生态任务主题的可能性而注册信号分类方法是一个工具的研究潜力巨大的情绪。

的一个指标(特性)最具代表性,它提供了最多的信息熵。熵是一个测量信息或秩序;测量数据的可预测性。这是,给定一组的数据元素, ,熵的概率是能够预测一个元素 ,也就是说,the homogeneity or heterogeneity of the data.

然而,这种使用熵可以放大信号噪声,最小的变化极为敏感。出于这个原因,不同的方法测量提出了熵、近似熵等微分熵,或者样本熵。在这些方法中,样本熵提出了有价值的数据一致性和出于这个原因是用作比较的基础7]。样本熵(SampEn)是基于近似熵,通过消除重复信息防止不确定的对数和自匹配的评价,从而导致不一致和错误数据,从而也获得更大的数据一致性。

尽管SampEn方法高度准确,但它非常敏感,它的输入参数。事实上,没有建立共识的选择参数对小数据集,特别是对生物数据(8]。SampEn计算的另一个问题是,如果采样空间并不重要,构建分类器可以产生值和高水平的错误。

这些情况存在的问题找到或计算熵的最合适的值,允许生成高性能分类器。这个任务是复杂的,可以被看作是一个优化问题。第一个近似一个潜在的解决方案可以使用完整的搜索算法探索了一棵非常大的可能的解决方案。然而,这些技术非常昂贵,会导致一个不适合大量试图找到解决办法。是思想,是不可能提出完整的技术,如向前回溯或混合动力的,如检查。

另一方面,最近,出现了几种方法,灵感来自于自然现象,解决复杂的优化和组合问题,允许在减少时间9- - - - - -12]。这些技术已经成功的复杂性问题不是线性的,因为他们不探索解决方案树的完整性。

在本文中,我们建议使用一个近似的优化方法找到最佳值考虑分类器的可预测性。建议的方法的原因是强烈影响分类器的开发基于脑电图的情感识别。黑洞的主要想法是使用算法由于其低成本,类似于熵的计算。这个算法是受黑洞的现象13),将用于构建分类器迭代。这种方法将改善和更新分类器根据其级别的性能:低比例的误差将与更好的评估水平相关。

目前的工作是组织如下:介绍了理论背景部分2。节3中,我们详细描述所需的资源应用我们的近似方法。部分4说明了计算实验包括与使用传统计算方法的结果进行比较。最后,结论和未来的工作描述的部分5。

2。背景

首先,在节2.1我们提出的理论模型罗素提出的分类,支持我们的工作3]。节2.2,我们将描述一些组件与脑电图检测及其与情绪的关系有关。后,在部分2.3我们的样本熵,熵的另一种选择。该方法的主要成分特征向量分类的支持向量机(SVM)。这个模型是由一组监督学习算法和部分中描述2.4。节2.5我们揭露一些技术用于治疗脑电图信号。最后,在节2.6我们将两个有关工程检测与脑电图情绪。

最后,我们的建议包括信号的预处理(通过EMD和样本熵)建设的最初的多类支持向量机分类器。使用这个分类器为基础,创建一个人口(集团)的分类器,这是由组修改特征来自最初的特点和一个随机的变化相对于分类器的误差。

一旦创建这个群体,它是通过黑洞metaheuristic迭代,不断生成和提高这些特点以获得不同的分类器;这些分类器然后评估,总是,使用原始信号的特征。一旦所有的迭代完成后,选择最好的分类器(历史上);这个分类器,最后,利用。图1显示了我们的建议的方案。

2.1。理论模型对情感分类

Circumplex情感分类是一种最常用的模型(3]。这个模型是由两个维度。一个维度被称为价维度,不同“负价”“正价”。第二个维度是叫唤醒,它从“低唤醒”“高唤醒”。Circumplex模型的图形化表示在图2。

有变异的Circumplex模型添加额外的维度,在特定情况下(如统治或自由3]。然而,事实证明,这个维度捕获关于情感和被人相信的后果不是感情本身(14]。

在这项工作中,我们使用了一个离散的象限划分代表最大的不同的情绪状态中。这种方法是最优的分类和获得更少的错误率。这是因为他们代表风潮的最大可能的距离和价(数字轴)。另一方面,有可能将离散的情绪;附近会有更大的概率的错误归类的情感在这个模型中,因为他们将是降低方差值。

2.2。脑电描记法

脑电图是一种神经生理学方法探索基于大脑活动的注册中心通过传感器,生物活动转化为电流(15]。它是一种非侵入性的方法,允许测量电压波动而导致的神经元的突触后电位的离子电流。

脑电图信号通常分类频率,振幅,形状,或电极位置。EEG的乐队是(低于4赫兹),(4和7赫兹之间),(8-15Hz),(16-31Hz),(高于31 hz),(8 - 12 Hz之间)。这些乐队描述几个情绪状态(16),虽然有替代定义乐队。例如,β带频率范围会在12日13日,14日,甚至16赫兹(中描述17),乐队甚至不是定义。

即便如此,传感器的位置是由10 - 20频道标准化系统,每个职位的描述字母和数字的组合。这封信表明大脑区域可以表示为额(F),中央(C)、时间(T)枕(O),或顶叶(P)18]。甚至数字显示在大脑的右侧,而奇数表示在左边。系统名称是指使用10%和20%比例电极位置和四个基本方位:耳、颈背和鼻根19(如图3)。

还有另一个定位系统的真空度命名系统使用的是只有10%的比例。在这个替代系统使用了相同的乐队之前提到的其他中间渠道。在叶中,字母组合创建两个地区之间的通道,例如,FP frontoparietal [20.]。

电极的组装可以通过引用或双极电极的方法。生成一个比较的参考电极是用链接,通常与一个电极定位在A2(耳朵电极)和双极的方法是由成对的电极记录潜在的差异(21]。

应用脑电图是多种多样的22- - - - - -26]。然而,最著名的是用于临床诊断(27]。近年来,然而,它的使用已经扩散的研究大脑功能与认知过程有关。最常用的技术之一是与事件相关电位(ERP),允许持续的重复测量大脑活动部分的演讲后立即刺激。这样,通过平均段可以测量电压与脑的刺激;也就是说,by means of an analysis of time amplitude, it is possible to associate components to the stimuli [28]。也可以分析振荡在频域相关的事件。这种分析可以执行在频域分析的光谱分解在每次试验中,通过傅里叶变换的功率谱密度。然而,时间变量与连续傅里叶变换应用于一系列的时间窗口或离散小波变换分析可以包含。所谓的节奏已经得到普及社会神经科学的研究和频带(即。α)相关的认知过程和心理状态。因为这个,因为特定的适应性调查的情绪,本研究集中在频率分析。

2.3。样本熵

样本熵的变化近似熵(ApEn)。这熵减少了潜在的偏见所产生的自匹配ApEn[期间出现29日]。SampEn的作用是负的自然对数的条件概率两个相似的序列,用不到的距离 ,为点,继续当增加点的数量来 。这是说SampEn计算 在哪里被定义为 在哪里 表示点之间的距离和维度空间的评估, 。的变量表示时间序列的可容忍的标准差。此外,表示时间序列的长度。最后,它已经表明,SampEn更好的统计有效性 或和的范围之间的间隔和 。

2.4。支持向量机

支持向量机(SVM)是一套基于统计学习理论的监督学习算法(30.]。在n维空间支持向量机把所有特性(特征向量的维度,8在这种情况下),调整到内核空间定义(高斯、多项式等)。建立一个多类支持向量机,我们使用one-against-all方法。这种技术由构造 二元分类器(超平面),从另一个分离每个类,应用一个投票系统(31日]。

使用支持向量机的主要优势是,他们的模型可以为非线性广义特征空间。另一方面,加权支持向量机方法用于这项工作,有一个正则化参数C,让住宿离群值,允许训练集上的错误。

2.5。信号处理算法

2.5.1。技术:经验模态分解

经验模态分解(EMD)是一种数据驱动的信号处理和分析技术32]。这种技术将信号分解成它的基本组件,类似于建立谐波(基本正弦),但与优势,每个信号频率和可变振幅,获得更多的信息在每个组件(33]。

使用这种技术的主要优势是,它允许软化和降低噪声的信号,这是特别有用的生理信号。

每个组件满足两个基本要求:(我)端点的数量和十字架的数量由0(零交点)等于或在1最不同。(2)顶部和底部之间的平均每一点包装一直是零。

EMD生成一组固有模态函数(IMF),允许获得组件的最有意义的一个信号。定义的函数的步骤如下:(1)识别所有的本地端点的信号。(2)使用三次样条插值连接所有局部最大值来创建一个优越的包装器。(3)对当地的最低标准重复相同的过程。(4)创建一个信号,这是普通的包装器。(5)第一个产生的信号是原始信号减去(平均)信号: (6)剩下的原始信号-国际货币基金组织(IMF)获得;也就是说, (7)如果国际货币基金组织(IMF)满足定义(2基本要求),它被接受为一个有效的国际货币基金组织(IMF);否则过程被拒绝和重复使用其余作为原始信号。

这将继续,直到满足停止条件,可一定数量的迭代,直到残留不包含不止一个端点。

2.5.2。方法:小波变换

使用小波变换进行脑电图信号分类提出了(34]。要做到这一点,基本信号的信号分解在一组称为小波。这些信号从母亲获得小波,这是一个信号小波生成原型通过扩张、收缩,信号变化。这种分析产生的小波系数代表之间的相似性比例/转移小波和原始数据。尽管这种方法分析允许比傅里叶变换获得更高的时间分辨率,在低频频率分辨率较低。同时,高频率,频率分辨率增加时,时间分辨率降低。

尽管提到的限制,小波被使用的频率分析,除此之外,确定皮层耦合,解开大脑同步通过近距离和远距离神经元之间的沟通系统与认知过程(35]。同样,振荡的分析一直是相关研究的镜像神经元,而据一些作者,是移情的基础(36]。节奏μ()(8-12Hz)感觉运动皮层,与镜像神经元系统有关,当受试者在其他更活跃,这是不同步的,当一个动作或一个动作进行观察(37]。通过这种方式,研究同步振荡的理解等方面的重视移情,情绪反应,甚至社会互动(38]。

2.5.3。比较:EMD和小波

EMD是一个迭代过程,允许一个横向的时频分析提取的振荡特性。另一方面,小波变换允许执行一项纵向分析卷积信号频率随时间变化的基于母小波。尤其是EEG信号的特点是具备非高斯和非平稳的;因此,已经观察到小波变换有一个坏的时间和频率的分辨率,而EMD提供了一个更直观的了解数据39]。此外,EMD没有需要任意带通滤波器和相位检测与振幅无关。

2.6。相关的工作

2.6.1。应用程序:编织算法

织EEG-emotion价分类器是基于五个步骤:(1)EEG信号的细分与情感在windows 6秒。(2)提取小波指标形成编织。(3)计算的复杂性和归一化互信息度量(敝中断)40]。(4)减少渠道敝中断。(5)分类的支持向量机(SVM)使用序列最小优化算法(SMO)算法训练支持向量机。

小波变换的优点是由于段间的规律性估计和部分波段获得通过带通滤波器和降噪信号分解(41]。

2.6.2。EEG-Based情感识别使用组合特征提取方法

大脑皮层的兴奋状态可以确定使用的检测β乐队(42]。这种状态被认为是情感识别(良好的场景43,44]。

在[42),提出了一种方法识别情绪的使用经验模态分解(EMD)和样本熵的一代使用支持向量机分类器。这种方法的主要优势是,只有2频道(F3和C4)。使用EMD两信号计算第一个4固有模式函数(货币)。每个8与SampEn计算产生的货币。之后,这个熵用于特征向量输入到支持向量机的训练和测试。

重建的β乐队他们使用巴特沃斯低通和高通滤波器。信号过滤使用3 rd-order带通巴特沃斯滤波器(45截止频率为12.5,30 Hz和共振频率等于0.1赫兹46]。

此外,实验中,情感分析的数据库使用生理信号(DEAP)使用47]。概括地说,作者给出的实验结果表明,该方法获得的准确性为94.98%二进制类任务和最好的精度达到93.20%多类任务使用DEAP数据库。通过这种方式,作者所呈现的结果是高度适当的分类与其他手段。在图中4提出的,我们现在的工作模式(42]。

在分析细节,这个过程中,我们可以看到,熵值强烈影响分类器的创建和输入参数的配置直接相关。此外,由于搜索过程是一个迭代的过程,不可能确定分类器的性能,直到进程结束。

3所示。材料和方法

3.1。数据集

对于我们的建议,提出了部分3.3,我们使用了MAHNOB HCI标签数据库(48]。这个数据集是由563会话参与者意识到30。每个会话包含数据从只有一个人。参与者与电影和图像情感内容。当他们面临的情感内容,他们与脑电图监测32频道,6个摄像头,麦克风的头部(式麦克风),一只眼睛注视跟踪器,和电导率等传感器。

此外,对于每一个会话,参与者被要求回答一个调查关于情绪感受,水平的风潮,价和控制等问题。我们使用了搅拌和价(高、低)来创建multilabelled分类器,每个象限之一的四类。当使用多级模型分类,答案必须是在一个类中包含的模型。为了避免创建一个空类,建议使用全谱的情感。为此,罗素象限模型被选中(3),包括所有可能的情感离散点。

在这项研究中,我们使用了F3和C4频道的脑电图传感器,因为它是在42]。这些渠道代表β乐队的一部分,这一点是重要的,当大脑在激发态49),识别情绪的理想条件。β频带是清晰的活动在额叶,颞叶和中部地区,地区如F3, F4, C3, C4、T3、T4。渠道的选择,重建的β乐队表演,和功率谱密度(PSD)计算。自PSD F3和C4的平均值是更重要的,这些都是为实现本研究的选择。

3.2。近似的方法

在优化提出了新的近似技术,以提高搜索过程。许多这些算法的启发在社会环境中,生物进化的自然现象,(50]。这些方法已经广泛被用于解决不可数优化问题(51]。群体智慧是metaheuristics的特定情况下,组算法的一个子集,它允许使用集体智慧解决优化问题。例如,社会环境与人类行为鼓舞了帝国主义竞争算法(52)和头脑风暴的算法(53),分别。技术基于单一的解决方案,如情报水滴算法(54提出了。此外,近似方法如蚁群优化算法(55)是基于使用个人的集体智慧。另一方面,技术协作行为的启发,提出了一些动物在56- - - - - -59),等等。更多诡辩的技术受到空间现象,比如引力搜索算法(60],黑洞算法[61年大爆炸),算法(62年),和大bang-big紧缩算法(63年和其他人。最后,遗传算法(64年)和微分进化(65年)是两个最著名的技术受到自然选择的过程。

3.3。建议的方法

为了解决这个问题,我们建议使用一个近似方法,允许评估之前行为的分类器,并在必要时,允许改进。近似技术已经广泛应用于现实世界的问题(66年,67年),非常有用当搜索空间非常庞大而完整的搜索算法的使用是不可行的。虽然有很多的替代品来解决这个问题,我们决定使用黑洞算法由于它相对容易实现,是轻微的调优参数问题。此外,这种方法使用一种技术勘探/开发自由的外部组件减少的概率影响了意想不到的变化。最后,在报道68年),黑洞算法在优化问题在每个评估收敛于全局最优,而竞争对手的遗传算法、蚁群优化和模拟退火可以陷入局部最优的解决方案。

黑洞算法是基于同名的现象,发生在外层空间和灵感来源于吸引力法则/吸收。该算法遵循三大基础:(1)一颗恒星在空间被认为是一个解决问题的办法。作为一个以人群为基础的算法,一定数量的星星都是随机生成的。(2)黑洞被选中。黑洞是恒星最佳性能的解决方案。(3)新恒星的运动和一代进行通过吸收公式: 在哪里对应于th组成部分在迭代 , 是黑洞的th组件在搜索空间,代表解决方案(恒星)的数量,和是一个随机均匀的分布在0和1之间。最后, 对应于组件的位置在下一次迭代。

视界的半径起源的黑洞。明星穿过地平线,它将吸收和被黑洞和随机创建一个新的明星(解决方案)。这就是所谓的概率穿过视界,计算如下: 在哪里是最好的解决方案的性能值,与质量相关的价值吗th明星,是星星的数量(解决方案)。当黑洞和恒星之间的距离小于半径明星穿过视界。这颗恒星是吸收和新一是随机生成的。我们强调视界提供的可变性,允许解决常见的停滞在局部最优和复杂的问题。

最有趣的一个不完整的数据处理算法的特点是良好的近似解。这个概念可能被用来作为停止准则。然而,在最优解决方案的情况下并不是先天的,不可能测量发现的质量解决方案。在这些情况下,有可能停止标准执行迭代的数量,为了清晰的算法。在我们的方案中,100年最初设置为脱机迭代停止标准。

算法1显示优化过程。起初,最初的明星人口是随机生成的每个内在的信号和循环语句开始工作。

随机性算法允许一定程度的变化。然后,循环语句中,吸收的过程算法的执行。计算每个解决方案的质量,决定了分类器的性能表现。如果评级值接近1,解决方案被认为是有一个高质量的(见线的算法1)。相反,如果评级值接近0,解决方案被认为是表现出低质量由于穿越视界的概率最高。生成的解决方案的恒星被黑洞吸收了(5)。执行这个过程生成一个实数信号每个内在的可预测性。如果一个明星或解决方案达到一个值比黑洞,其位置交换。如果一个明星穿过黑洞的视界,计算(6),它被吸收并生成一个新的随机。这种比较是根据均匀分布的随机变量 。这整个过程是迭代完成的。

测量的性能(质量)的解决方案,给出的比例(6)之间的恒星的健身和总价值的健身(不包括明星)。这个值被称为一个视界。如果这个值小于百分比 ,随机生成的,明星将吸收。这种不确定性过程为解决方案提供可变性。

最后,循环语句结束时达到一个足够足够的解决方案为我们的方法;这种情况是由一定数量的迭代更新的解决方案。最后,最好的解决方案是记忆和可视化。

图5说明了黑洞算法的集成到流程创建分类器及其后续评估。描述的过程是一个循环的方式计算之间的可预测性价值和创建的分类器的性能评估。这种方法允许提高分类器的质量,因为它本身就是算法的运行期间使用。

4所示。计算实验

应用近似方法后,我们分析了黑洞算法的时间复杂度为创建分类器的过程中,我们说明我们的建议不会影响其性能。它可以确定SampEn由的时间复杂度 ,在那里代表了数组的大小和数据匹配的数量,远小于n .最后,表示两个样本的概率,和(69年]。现在,通过分析近似算法,它可以观察到,时间复杂度是由 ,在哪里是一个常量,代表了最大迭代次数,而是人口的规模(明星)。虽然公司的基于群体智能的优化算法会导致圈复杂度的增加(19 - 39)70年),这只会影响训练阶段。分类阶段,后续的搜索过程的最佳配置SVM(γ和C参数),不受影响。

黑洞算法的性能实验评价通过使用一组著名的验证信号使用MAHNOB HCI标签数据库(48]。

近似方法上实现了编程语言c#和实验(71年- - - - - -73年)已经被执行在2.6 GHz Intel Core i7 16 GB的RAM的机器运行Windows 7。初始参数设置使用详细的表1。

首先,采用这些参数设置初始训练阶段之后,在获得最好的结果。然后,我们认为之前的作品比较参数值的选择报道(24]。

一个共同的方法来识别情感基于EEG信号使用熵因子构建分类器。我们实现了这个技巧和准确性得到接近84.77%产生一个分类误差超过15%。这可以归因于样本熵构建分类器没有迭代为了找到最好的解决方案。

对迭代的末尾,近似优化方法达到精度高于93%,再次说明,其性能优于样本熵的方法。所有可用的结果在附录B。

图6显然说明了我们建议的方法的鲁棒性。下界给出的最低精度。如果我们只分析这一点上,我们可以看到,第一次迭代后,黑洞算法总是达到一个更好的价值比样本熵方法发现的(42]。

可以得出结论,获得的成果喜人,相比与其他支持向量机分类器建立了利用熵因素。该方法利用MAHNOB HCI标签数据库和达到最大精度水平为93.03%,平均为92.57%。使用相同的数据集,一个标准方法使用熵因素建立一个支持向量机分类器提出了平均84.77%的准确性。附录中可以看到更多细节一个和附录B。

这种方法可能是有用的在情感分类的研究目标是实时获取相关的信息,例如,将一个脑电图在教室里(74年,75年]。这个过程将涉及建立一个分类器对信号处理。信号可以在线获得。同时,预处理技术,具有较高的计算成本并没有使用,如信号归一化或眼球运动工件清洗使用盲源分离。除了计算成本,这些技术需要一个先前记录的基线信号。

5。结论和未来的工作

情绪受到科学研究一个多世纪以来,当他们扮演许多重要的角色在人们的生活76年]。在本文中,我们提出了一种新的方法基于优化方法的构建的SVM分类器EEG-emotion信号。这种方法在于运用EMD分解信号的方法。然后,样本熵应用于前4组件。接下来,这些最初的特色,黑洞算法用于优化,从而获得最佳组合的SVM特征向量来生成一个更高的精度。

EEG-emotion信号允许的预测和分类数据与自动降噪。情感研究尤其复杂由于生态范式要求,特别是引发刺激,情绪反应生成高噪音。一个常见的方法是详细的在背景部分,用熵作为一个更相关的元素。然而,结果并不是我们所期望的,精度达到85%。

为了提高这些计算结果,我们进行了一次近似方法对黑洞现象的启发。这个算法分析SVM分类器的性能,使情感生态范式与EEG数据的扩展。

我们已经测试了我们的技术使用验证情绪信号,名叫MAHNOB HCI标签数据库。结果表明,该优化算法允许SMV分类器在首次迭代精度超过90%,甚至达到93%;此外,它是高度竞争与相关工作的小节中介绍。

特别是,这些结果兼容同EEG-emotion信号与小波熵和支持向量机分类器提出Celikkanat,但较高的准确性(6]。

未来的工作,我们相信,使用新的近似优化算法将使我们能够找到更好的结果比较SVM分类器的性能。此外,我们打算把一个自治版本的这些算法的自适应参数并不复杂,适合问题的实例,如[9,11]。

另一方面,我们提出一个集成自主搜索参数设置过程中,为了找到最佳值在运行。本研究可以对新的研究。

附录

总结实验结果

在表中2,3,4,5,6,我们显示生成的计算结果总结使用近似的方法。所有计算结果中可以看到附件B。执行实验,我们可以观察到的性能优化算法寻找最佳值构建支持向量机分类器是优于熵的方法。如果我们分析解决过程,我们可以看到,在黑洞的前十的迭代算法达到最小和平均准确率接近90%。最后,最好的价值实现是高于92%。在下个迭代,演示了算法的鲁棒性,根据标准偏差值减少迭代发生。

实验结果的细节

在表中7,8,9,10,11,12,13,14,15,16,17,18我们说明所有的计算结果,使分析的性能提出了混合方法。这些表有相同的标题,如下所述:第1列(迭代)对应的标识符分配给每个迭代。列2 - 11(运行)描述每个迭代运行;也就是说,为instance, in row 10 (iteration 10) and column six (run #5), of Table7我们可以看到,我们的方法达到90.56%的精度。同样的描述可以用于其他表。

数据可用性

生成的软件开发和数据来支持本研究的发现已经存入Figshare库(10.6084 / m9.figshare。5588896,10.6084 / m9.figshare。5588911,和10。6084/m9.figshare.5590000.v2).

的利益冲突

作者宣称没有利益冲突有关的出版。

确认

罗伯托·穆尼奥斯和罗德里戈集中政策支持天主教大学的研究生格兰特·德·瓦尔帕莱索(INF-PUCV 2015)。卡拉Taramasco和罗德里戈集中政策支持CONICYT FONDEF /想法/ ID16I10449 CONICYT / STIC-AMSUD / 17 stic-03, CONICYT / MEC / MEC80170097和岑(国家卫生信息系统中心)。Rodolfo Villarroel VRIEA-PUCV 2017 039.440/2017拨款资助的。里卡多·索托支持格兰特CONICYT / FONDECYT /普通/ 1160455。玛丽亚堡Alonso-Sanchez支持CONICYT, FONDECYT INICIACION 11160212。罗伯特·穆尼奥斯和卡拉Taramasco也承认健康工程研究和开发中心的瓦尔帕莱索大学。最后,作者要感谢特拉维斯琼斯对他有价值的贡献,本文的阐述。