Statistical learning approaches for discriminant features selection

Brain Mapping and Interpretation of Reading Processing in Children Using EEG and Multivariate Statistical Analysis

“…The association between the entropy values of the electrodes in a supervised way has been performed here using Linear Discriminant Analysis (LDA) and the technique of hyperplane navigation [54,20,49]. The primary purpose of LDA is to separate samples of distinct groups by maximizing their between-class separability while minimizing their within-class variability.…”

“…Once the leading eigenvector w lda has been computed, we can move along its corresponding projection vector and extract simultaneously the discriminant differences captured by the entropy of each EEG electrode. In mathematical terms, assuming that the spreads of the sample groups follow a Gaussian distribution, this procedure of navigating on the most discriminant projection [54,20,49] can be generated through the following simple expression:…”

Exploring and Understanding the High Dimensional and Sparse Image Face Space: a Self-Organized Manifold Mapping

“…The aim of this chapter is to study the non-supervised subspace learning called SelfOrganizing Map (SOM) (Kohonen, 1982;Kohonen, 1990) based on the principle of prototyping face image observations. Our idea with this study is not only to seek a low dimensional Euclidean embedding subspace of a set of face samples that describes the intrinsic similarities of the data (Kitani et al, 2006;Giraldi et al, 2008;Thomaz et al, 2009;Kitani et al, 2010), but also to explore an alternative mapping representation based on manifold models topologically constrained.…”

Aplicação de técnicas de reconhecimento de padrões em dados quantitativos de neuroimagens por ressonância magnética em pacientes de esclerose múltipla

“…Nas imagens por RM, um aumento no tempo de relaxação reflete um aumento da concentração de água nos tecidos, que pode indicar: edema, desmielinização, gliose ou disfunção axional. Quando a lesão apresenta prolongamento apenas de T2, em geral, isto indica que há a ocorrência apenas de desmielinização (GIRALDI et al, 2008) (RORIZ, 2010). Por outro lado, o encurtamento de T2 para lesões indica depósito de hemossiderina (HAACKE et al, 2005).…”

“…O Support Vector Machines (SVM) é essencialmente um classificador de duas classes que maximiza a largura da margem entre as classes, isto é, a área vazia em torno do hiperplano de separação definido da distância para as amostras de formação mais próximas (GIRALDI et al, 2008 Caso os padrões não sejam linearmente separáveis, uma das vantagens do SVM é que possibilita uma mudança da dimensionalidade através da aplicação de kernels não lineares. A sequência 3DT1 é uma neuroimagem anatômica tridimensional ponderada no tempo de relaxação longitudinal (T1).…”