Optimisation des paramètres SVM avec noyau polynômial par la méthode de Recherche par Grille en vue de classification des sujets Normo-Entendants et Mal-Entendants

Abstract

Abstract The objective of this work is to design a hybrid algorithm based on SVM and the Grid Search (GS) method to classify normal-hearing (NH) and hearing-impaired (HI) subjects using auditory evoked potential (AEP) signals. GS is used to optimize the hyperparameter of the SVM with a polynomial kernel, specifically the regularization constant "C". To characterize their dynamic behavior and due to the complex nonlinear dynamic properties of AEP signals, the Detrended Fluctuation Analysis (DFA) method is chosen to estimate the Fractal Dimension (FD) from the AEP signals recorded from normal-hearing (NH) and hearing-impaired (HI) subjects. Twenty people (10 NH and 10 HI) participated in this experiment. The AEPs were recorded at four auditory frequencies (500 Hz, 1 kHz, 2 kHz, 4 kHz) at 20 dB in each ear. The database was divided into 70% for training and 30% for testing, with a 5-fold cross-validation for model evaluation. The best classification rates (CR) obtained by SVM-GS are 93.33% for both the right and left ears. Our results indicate that SVM-GS achieves better performance than both polynomial SVM and standard SVM Résumé L’objectif de ce travail est de concevoir un algorithme hybride basé sur les SVM et la méthode Grid Search (GS) pour classer les sujets normo-entendants (NE) et malentendants (ME) à partir de signaux de potentiels évoqués auditifs (PEA). La GS est utilisée pour optimiser l’hyperparamètre de la SVM avec noyau polynomial, à savoir la constante de régularisation "C". Pour caractériser leur comportement dynamique et en raison des propriétés dynamiques non linéaires complexes des signaux PEA, la méthode de l'Analyse des Fluctuations Redressées (DFA) est choisie pour estimer la Dimension Fractale (DF) à partir des signaux PEA enregistrés des sujets normo-entendants (NE) et malentendants (ME). Vingt personnes (10 NE et 10 ME) ont participé à cette expérience. Les PEA ont été enregistrés pour quatre fréquences auditives (500 Hz, 1 kHz, 2 kHz, 4 kHz) à 20 dB dans chaque oreille. La base de données a été divisée en 70 % pour l'entraînement et 30 % pour les tests, avec une validation croisée 5-fold pour l'évaluation du modèle. Les meilleurs taux de classification (TC) obtenus par SVM-GS sont de 93,33 % pour les oreilles droite et gauche. Nos résultats montrent que SVM-GS permet d'obtenir de meilleures performances que le SVM polynomial et le SVM standard. ملخـص الهدف من هذا العمل هو تصميم خوارزمية هجينة تعتمد على آالت المتجهات الداعمة(SVM)وطريقة البحث الشبكي(GS)لتصنيف األشخاص ذوي السمع الطبيعي(NE)واألشخاص ذوي اإلعاقة السمعية(ME)باستخدام إشارات الجهود المستثارة السمعية. (PEA)تُستخدم طريقة البحث الشبكي لتحسين معامل الضبط لخوارزميةSVMذات النواة متعددة الحدود، وهو الثابت التنظيمي"C".لتوصيف سلوكهم الديناميكي ونظرًا للخصائص الديناميكية غير الخطية المعقدة إلشاراتPEA، تم اختيار طريقة تحليل التقلبات المعدلة(DFA)لتقدير البعد الفراكتالي(DF) من إشاراتPEAالمسجلة من األشخاص ذوي السمع الطبيعي(NE)واألشخاص ذوي اإلعاقة السمعية(ME).شارك عشرون شخصًا(10 NE و10ME)في هذه التجربة. تم تسجيل إشارات الجهود المستثارة السمعية ألربع ترددات سمعية (500هرتز،1كيلوهرتز،2كيلوهرتز،4 كيلوهرتز) عند20ديسيبل في كل أذن. تم تقسيم قاعدة البيانات إلى70% للتدريب و30% لالختبار، مع تقييم النموذج باستخدام التحقق المتقاطع بخمسة أضعاف(5-fold).أفضل معدالت التصنيف(CR)التي تم الحصول عليها بواسطةSVM-GSهي93.33% لكل من األذن اليمنى واليسرى. تشير نتائجنا إلى أنSVM-GSيحقق أداء ً أفضل منSVMمتعدد الحدود وSVMالقياسي.