EGFC: Evolving Gaussian Fuzzy Classifier from Never-Ending Semi-Supervised Data Streams – With Application to Power Quality Disturbance Detection and Classification

Leite, Daniel; Decker, Leticia; Santana, Márcio Wladimir; Souza, Paulo Vitor de Campos

doi:10.1109/fuzz48607.2020.9177847

Cited by 16 publications

(12 citation statements)

References 21 publications

Supporting

Mentioning

Contrasting

Unclassified

Order By: Relevance

“…Essa seção descreve um método de construção e adaptação incremental da estrutura e dos parâmetros de um modelo fuzzy a partir do fluxo de dados. O método, denominado eGFC, foi proposto em (Leite et al, 2020b). O eGFC usa funções de pertinência Gaussianas para cobrir o espaço dos dados com grânulos fuzzy (modelos locais) e associa novos dadosà rótulos de classe.…”

Section: Classificador Fuzzy Evolutivounclassified

“…Para endereçar os requisitos de não-linearidade e variação temporal de modelo,é adotada a abordagem denominada Classificador Fuzzy Gaussiano Evolutivo (eGFC: evolving Gaussian Fuzzy Classifier ) (Leite et al, 2020b;Decker et al, 2020). Trata-se de um método de aprendizado semi-supervisionado, que usa fluxo não-estacionário de dados para atualizar a estrutura de um modelo fuzzy.…”

Section: Introductionunclassified

See 1 more Smart Citation

Aprendizado Incremental Online para Classificação Fuzzy de Emoções em Jogos a partir de Fluxos de Dados EEG

Frigeri

Farah

Medeiros

et al. 2020

Anais Do Congresso Brasileiro De Automática 2020

Self Cite

View full text Add to dashboard Cite

Descrevemos um algoritmo de aprendizado de máquina online para construção de Classificadores Fuzzy Gaussianos (eGFC). Apresentamos um método de extração e seleção de atributos do espectro de Fourier de dados de eletro-encefalograma. Os dados são obtidos de 28 indivíduos expostos aos jogos de computador Train Sim World, Unravel, Slender The Arrival, e Goat Simulator. De acordo com o sistema Arousal-Valence, 4 emoções prevalecem (tédio, calma, horror e diversão). Analisamos eletrodos individuais e o efeito de janelas de tempo e redução de dimensionalidade no desempenho de eGFC. Concluímos que eletrodos em ambos os hemisférios do cérebro auxiliam na classificação, especialmente aqueles dos lobos temporal (T7-T8), occipital (O1-O2) e frontal (Af3-Af4). Observamos que padrões podem surgir em qualquer parte do espectro de frequências, entre 1 e 64 Hz. A abordagem eGFC é efetiva para o problema Big data em tempo real. Ela alcança uma acurácia de 72,2% usando uma estrutura compacta de regras, e velocidade de processamento de 1,8 ms/amostra.

show abstract

Section: Classificador Fuzzy Evolutivounclassified

Section: Introductionunclassified

Aprendizado Incremental Online para Classificação Fuzzy de Emoções em Jogos a partir de Fluxos de Dados EEG

Frigeri

Farah

Medeiros

et al. 2020

Anais Do Congresso Brasileiro De Automática 2020

Self Cite

View full text Add to dashboard Cite

show abstract

“…Os padrões de distúrbios nos sinais de tensão são compatíveis com a norma adotada no sistema elétrico brasileiro. Ver detalhes dos distúrbios em (Leite et al, 2020).…”

Section: Geração De Sinais Para Análiseunclassified

“…Modelos de detecção e classificação evolutivos, isto é, modelos equipados com algoritmos incrementais online de aprendizado de máquina, são capazes de identificar novos distúrbios e condições de um sistema de potência de forma autônoma. Tais modelos têm sua base de regras, estrutura conexionista, clusters, folhas em árvores, ou grânulos de informação adaptados ao longo do tempo de acordo com o fluxo de dados (Santana, 2017;Silva et al, 2018;Soares et al, 2019;Leite, 2019;Leite et al, 2020).…”

Section: Introductionunclassified

Modelagem Granular Neuro-Fuzzy Evolutiva para Classificação de Distúrbios em Sistemas de Distribuição de Potência

Fortunato

Santana

Gomes

et al. 2020

Anais Do Congresso Brasileiro De Automática 2020

Self Cite

View full text Add to dashboard Cite

Distúrbios de qualidade de energia elétrica ocorrem em várias partes de um sistema de potência e podem causar prejuízos financeiros a todos que estão a ele conectado. Portanto, é de fundamental importância a classificação automática destes distúrbios, com alto nível de acurácia e baixo custo computacional. São consideradas as redes neuro-fuzzy granulares evolutivas as quais são capazes de adaptar continuamente sua estrutura e atualizar seus parâmetros de acordo com um fluxo de dados. Devido ao seu processo de aprendizagem recursivo, as redes neuro-fuzzy evolutivas podem adaptar-se às não-estacionariedades que ocorrem em um sistema, evoluindo continuamente ao longo da vida. A rede neuro-fuzzy proposta é a eGNN (evolving Granular Neural Network). Na etapa de pré-processamento dos dados para extração de atributos é considerado o valor eficaz das tensões de fase e o filtro de Hodrick-Prescott. Este separa o sinal de entrada em componente de tendência e componente cíclica –suprimindo o ruído presente no sinal de tendência. A classificação de quatro distúrbios e da operação normal do sistema (problema de cinco classes) foi alcançada com acurácia média de 98%.

show abstract

“…In the present study we cope with realtime emotion classification from EEG data streams (visual and auditory evoked potentials) generated by computer game players. We summarize a recently-proposed semi-supervised evolving Gaussian Fuzzy Classification (eGFC) method [13]. eGFC is an instance of Evolving Granular System [14] [15], which is a general-purpose online learning framework, i.e., a family of algorithms and methods to autonomously construct classifiers, regressors, predictors, and controllers in which any aspect of a problem may assume a non-pointwise (e.g., interval, fuzzy, rough, statistical) uncertain characterization, including data, parameters, features, learning equations, and covering regions [16] [17] [18].…”

Section: Introductionmentioning

confidence: 99%

Adaptive Gaussian Fuzzy Classifier for Real-Time Emotion Recognition in Computer Games

Leite¹,

Frigeri²,

Medeiros³

2021

Preprint

Self Cite

View full text Add to dashboard Cite

Human emotion recognition has become a need for more realistic and interactive machines and computer systems. The greatest challenge is the availability of high-performance algorithms to effectively manage individual differences and nonstationarities in physiological data streams, i.e., algorithms that self-customize to a user with no subject-specific calibration data. We describe an evolving Gaussian Fuzzy Classifier (eGFC), which is supported by an online semi-supervised learning algorithm to recognize emotion patterns from electroencephalogram (EEG) data streams. We extract features from the Fourier spectrum of EEG data. The data are provided by 28 individuals playing the games 'Train Sim World', 'Unravel', 'Slender The Arrival', and 'Goat Simulator' -a public dataset. Different emotions prevail, namely, boredom, calmness, horror and joy. We analyze the effect of individual electrodes, time window lengths, and frequency bands on the accuracy of user-independent eGFCs. We conclude that both brain hemispheres may assist classification, especially electrodes on the frontal (Af3-Af4), occipital (O1-O2), and temporal (T7-T8) areas. We observe that patterns may be eventually found in any frequency band; however, the Alpha (8-13Hz), Delta (1-4Hz), and Theta (4-8Hz) bands, in this order, are the highest correlated with emotion classes. eGFC has shown to be effective for real-time learning of EEG data. It reaches a 72.2% accuracy using a variable rule base, 10-second windows, and 1.8ms/sample processing time in a highly-stochastic timevarying 4-class classification problem.

show abstract

EGFC: Evolving Gaussian Fuzzy Classifier from Never-Ending Semi-Supervised Data Streams – With Application to Power Quality Disturbance Detection and Classification

Cited by 16 publications

References 21 publications

Aprendizado Incremental Online para Classificação Fuzzy de Emoções em Jogos a partir de Fluxos de Dados EEG

Aprendizado Incremental Online para Classificação Fuzzy de Emoções em Jogos a partir de Fluxos de Dados EEG

Modelagem Granular Neuro-Fuzzy Evolutiva para Classificação de Distúrbios em Sistemas de Distribuição de Potência

Adaptive Gaussian Fuzzy Classifier for Real-Time Emotion Recognition in Computer Games

Contact Info

Product

Resources

About