Indonesi an  Journa l  of El ect ri cal Engineer ing  an d  Comp ut er  Scie nce   Vo l.   9 , No .   1 ,  J an ua ry   201 8 ,  pp.  1 39 ~ 1 4 5   IS S N:  25 02 - 4752 ,  DOI: 10 .11 591/ ijeecs . v9.i 1 . pp 1 39 - 1 4 5     139       Journ al h om e page :  http: // ia es core.c om/j ourn als/i ndex. ph p/ij eecs   Perform ance of  Principa l Comp on ent An alys i s and  Or th ogon al  Least Sq uare on  Optimi zed Fe atu re Set in  Clas si fyin g  Asphyxiat ed Inf ant Cr y Using Su pp or t Ve ctor Ma chine       R.   Saha k 1 , W.  Mans or * 2 , Khua n  Y.  Lee 3 ,   A.  Z ab idi 4   1 ,2,3 ,4 Facul t y   of  E le c tri c al E ngin eering,   Univ ersit i   Te knologi MA RA   40450  Shah  A la m ,   Sel angor ,   Malay s ia   2 ,3 Com puta ti onal Int e ll ig ence  De t ec t ion  RIG,   PLS   CORE,  Univ ers it i Te kno logi   M ARA ,   40450  Shah  Alam,   Sela ng or,   Malay s ia       Art ic le  In f o     ABSTR A CT   Art ic le  history:   Re cei ved   A ug   2 6 , 201 7   Re vised  N ov   2 , 201 7   Accepte d  Nov   20 , 201 7       An  inve stiga t ion   int o  opti m iz ed   support  vec tor  m ac hine   (SV M)  int egr a te d   with  princ ip al   c om ponent   ana l ysis  (PCA )  and  o rthogona l  l ea st  s quar e  (OLS)   in  c la ss if y ing  a sph y xiated   infant  cr y   w as  per f orm ed  in  th is  stud y .   Thr e e   appr oac h es  wer e  used  in   the  c la ss ifi c at ion ;  SV M,  PC A - SVM ,   and   OLS - SV M.  Vari ous  num ber s  of  fe atures  ext r ac t ed  fr om   Mel - fre quen c y   Cepstr a l   coe ffi ci en t  (MF CC)  were   te sted   to  obta in  the   o pti m al   par amet e rs  of  S VM  ker nel s.  Onc e  th e  opti m al   f ea tu r e  set  is  obt ai ned ,   PC A  and  OLS  sele c te d  th e   m ost  signifi ca nt   fe at ur es  and  the   opti m iz ed  SV M  the n  c la ss ified  t he  select ed   cr y   p atter ns.  In   PC A - SVM,   ei genva lu e - one - criter ion  ( EOC),   cumulat iv e   per ce n ta g e  v aria nce   (CPV )  and  t he  Scre e   te st  (S CREE )  were  used  to  sel ect   the   m ost  signifi ca nt  fe at ur es.   SV M  with  ra dia l  basis  func ti on  ( RBF )  ker nel  was  chose n  in  the   class ifi cati on  stage .   Th e  cl assifi ca t ion  accura c y   and   computat ion   tim e  were   comp ute d  to   ev al ua t e  th e  p erf orm a nce   of   each   m et hod.   The   b est  m et hod  for  cl as sif y ing  asph y x iated  infa n t  cr y   is  PC A - SVM   with  EOC  sinc e  it  produc es  t he  high est  c la ss ifi c at ion   accurac y   which   i s   94. 84%.   Us ing  PC A - SVM,   the   cl assifi ca t ion  proc ess  was  per form ed  in  1. 98s  onl y .   The  re sults   al so  show   th at  e m plo y ing  fe a tur e  sel ec t ion  te chn ique s  cou ld   enha nc e the   class ifi er  p erf orm an ce .   Ke yw or d s :   Asphyxia   Infan t C ry   Or t hogonal Le ast  Squar e ,   Pr inci pal Com pone nt Analy sis   Suppor t  V ect or Mac hin e   Copyright   ©   201 8   Instit ut e  o f Ad vanc ed   Engi n ee r ing  and  S cienc e .    Al l   rights re serv ed .   Corres pond in g  Aut h or :   W.  Ma nsor ,   Faculty  of Elec tric al  Engineer ing ,   Un i ver sit i Te knol og i M ARA ,  4045 0  S ha h A lam , S el angor,  Ma la ysi a .   E m a il :   wah ida h231@salam .u itm .ed u. m y       1.   INTROD U CTION   Asphyxia  is  re ferred  to  res pir at or y  fail ure,  a   conditi on   ca use d  by  ina de quat e  intake  of   ox y gen   [1 ] .     It  is  im po rtant   to  dia gnos e  as ph y xia  in  in fa nts  at   early   bir th  since  it   is  a  m ajo r  ca us e  of   infa nt  m or bid i ty .   If  m isa pp r opriat e  treatm ent  is  giv en   to  the   in fa nt,  hypoxia  will   resu l t,  wh ic h  cou l d  le ad   to  s erio us   c om plication,   su c h  as  dam age to  in fa nt’s bra in, or ga ns , tis su es  or e ven fa ta li t y.   Asphyxia o ccu rs  in  in fan ts wit h  ne urolo gical   le vel  disturba nce,  wh ic h  is  f ound  to  af fect  the  sou nd of   the  cry  pr oduc ed  by  t he  inf a nts  [ 1].  T he  ef fect  causes  t he   cry  sig nals  to   hav e   disti nct  patte rn s  com par ed  t o  healt hy  infa nt  cry.  These  ha ve   been   pro ve n  by  pr e vious  stud ie s  [ 2].  The  researc hers  su c cessf ul  disti nguishe d  betwee n  the  he al thy and as phyxia te d  in fan t  cry us i ng Com pu te r - Ba se d  a na ly sis .   B asi cal ly ,  Com pu te r - Ba sed  analy sis  co ntains  th ree  c om po ne nts;  pre - pr ocessin g,   featu re  ext racti on  and  patte r n  cl a ssific at ion .   Th e  cry  sig nals  wer e   pre - proc essed  first  befor e   cry  featur e s  extracte d  in   featu r e   extracti on  sta ge .  Th e  po pu la r   m e tho d  us e d  f or   e xtr act in g  f eat ur es  from   cry  sign al s  is  Me l - fr e quency  Ce ps tral   Coef fici ent  (M FCC )  [3 - 5].  O nce  the  featu r es  are  e xtracted,  patte rn   cl as sifie r  will   cl assify   the  cry  pa tt erns   accor ding  to  ty pes  of   cry.  H ow e ve r,   rece nt  researc her s  a pp e nded  a  sta ge  after  the  fe at ur e  extra ct io n  sta ge,  Evaluation Warning : The document was created with Spire.PDF for Python.
    IS S N : 2502 - 47 52   Ind on esi a n  J  E le c Eng &  Co m p  Sci,   Vol .  9 ,  No.  1 ,  Jan ua ry   201 8   :    1 39 – 1 4 5   140   cal le d  feature   sel ect ion   [6 - 8].   Norm al l y,  in  featur e  e xtracti on,  the  e xtract ed  feat ur es  ha ve  a  la rg e  dim ensio n  that  so m eti m e s  enco m passes   le ss  sign ific a nt  and   redu ndant  featu res.   Hen ce ,  featu re   sel ect ion   m eth od  is  require d  t o  sel ect   the  m os t  sign ific a nce  c r y  featu re  wh ic h  the n  en ha nc es  the  cl assi ficat ion   acc ur a c y  and  co m pu ta ti on  ti m e as w el l .   In  this  stu dy,  or t hogonal  le a st  square   ( OL S)   a nd  pr i ncip al   com po ne nt  analy sis  (P CA )  hav e  bee n  e m plo ye d  t o  s el ect   the  m os t  sign ific a nt  cry   featu res  w hich  e xtracted   f rom   the  analy sis   of  MFC C.  O LS  has   sh ow n  t o  be  a ble  to  sel ect   s ign ifi ca nt  feat ur es   f ro m   MFC C  su ccess fu ll y  in  pre vious  stud ie s  [ 9 - 11 ] .   Eve n  though  PC A  ha s  been   us e d  in  the  pre vious   infan t  cry  a na ly sis,  app li cat ion   of   PC A  on  both  norm al  and  asp hyxiate d  c r y  on ly   has  not  been   i nvest igate d.   F urt her m ore,  dif fer e nt  ap proac hes  of  P CA  sel ect ion s  kn ow n  as  ei genvalue - one - crit eri on   ( EOC) ,  cum ulativ e  per ce ntage   var ia nce  (CP V)   a nd   sc ree  te st  (S CR EE)  ha ve  not   been   e xam ine d  ye t  in  the  pr evio us   stu dy.  To  cl assify   inf ant  cry  sign al s ,  a  capab le   suppo rt  vector   m achin e   (S VM )  is use d.  SV M pe rfor m s  cl assifi cat ion  ta sk s b ase d  on   the p ri nciple of b inary  cl as sif ic at ion .  S VM o f fer s   m or e  adv anta ge s  su ch  as  gl obal ly   op tim al ,  sm a ll   sa m p le - siz e,  good   gen e rali zat ion   abili ty   and   resist ant   to  the  ov e r - fitt ing   pro blem , th an oth er classi fiers  [1 2 - 15] .   This  pa pe r  des cribes  the  asp hy xiate d  infa nt  cry  cl assifi cat i on   us in g  SV M   with  rad ia l  ba sis  fu nctio n  (RBF)  ke rn el .   Thr ee   ap proac hes  know n  as  SV M,  PCA - S VM  a nd  OL S - SV M  wer e   use d  in   the   cl assif ic at ion .   The  opti m iz at i on   process  is  carried  ou t  to  ob ta in  op ti m al  par am et er s.  The  optim iz at io n  of   in put  featur e  set   extracte d  from   MFC C  analy si s  is  per f or m ed  first  in  the  SVM   app r oac h.   T he  optim iz ed  featur e  set   ob ta i ned   is   then  us ed  as  a  ref ere nce  in pu t  to  OLS - S VM  an d  PCA - SV M  a ppr oa ches.  Cl assifi c at ion   accu racy   and  com pu ta ti on  ti m e w ere c om pu te d  a nd c om par ed  to  ac hieve  the  best cla ssif ie r  pe rfor m anc e.       2.   RESEA R CH MET HO D   The  data base  of  norm al   and   asph y xiate d  inf ant  cry  in  this  stud y  is  ob ta in ed  from   the  Un ive rsity   of   Mi la no – Bi co c ca  [16].  T he  w ho le   process   of   cl assify ing   as ph y xia te d  in fa nt  cry  is  s how n  in  Fig ure  1.  Ini ti al l y,   pre - pr ocessin g  was   car ried  ou t  w her e   the   sig nals  w ere   norm al iz ed  and  sam pled  at   ei gh t   kHz  a nd  pr e - e m ph asi zed   be fore  div idi ng  them   into  seg m ents  of  one  seco nd   each .  Fr om   this  pro cess,  316  se gm ents  of   norm al  cr ie s an d 2 84  of asph yxia te d  cries  were  gen e rated .   Af te r  pr e - pr oc essing,  MFC C  analy sis  was  carried  ou t  wh e re  the  se gm ented  sign al s  wer e  fi rst  m ul ti plied  with  a  H am m ing   window  with  a   width   of   25   m s   and   an  ov e rlap ped   of   50%  betwee n  suc cessi ve   fr am es.  The  outp u t  sig nal  w as  then   pr oces sed  by  Fast  F ourier   Tra nsfo r m   (F FT).   T he  resu lt ed   spe ct r um   was  processe d  t hro ugh  t rian gu la r   filt er  ba nks  to   trans form   it   in to  a  Me l - s pect ru m .  Finall y,  DCT  was  a pp l ie d  to  pro du ce  t he  c orres pondin g  coeffic ie nts.  I n  this  st ud y,  t en  to  20  c oeff ic ie nts  wer e  pro duced  from   var i ou s  nu m ber s  of f il te r ban ks   ra ng e d betwee n 20 a nd 30 w hich f orm ed1 21 f eat ure set s.   Ther e   we re  t hree  m et ho ds   use d  i n  the   cl assifi cat ion   of  asp hyxiate d  i nfant  c ry.  T he  first  m et ho d  cal le d  SV M  was  pe rfo rm e d  to  ob ta in  t he   op ti m al   feat ur e  set .  SV M   perform s  cl a ssific at ion   ta s k  us i ng  hype rp la ne  to   diff e ren ti at e  betwee n  tw o  cases.  Th us,  it   is  i m po rtant  to  co ns tr uct  an  opti m a l  separ at ing  hype rp la ne.   T he   hype r plane  is   sai d  t o  be  op ti m al   wh en   the r e  is  a  la r ge  distance  betwee n  hyp e rp la ne  a nd  data  po i nt.  By   choosin g  ap pro pr i at e  reg ularizat ion   pa ram et er  ( C )  and   kern el   fu nctio n,   a n  optim al   separ at ing   hype rp la ne  co uld   be  obta ine d  [17,   18 ] .  T he  kernel  fun ct ion   is  us ed  to  transfo rm   data  po ints  into   hig h  dim ension al   s pace  s o  t hat  t he  data   ca n  be   li near ly   se pa rated.   T he  hy perplane  is   then   buil t  into   these  trans form ed  data  based   on  the   value  of   C   tha t  has  to  be  sel ect ed  pro per ly   by  a  us er.  I f  C   is  too   la rg e,  it   m ay  ov e rf it  the  dat a an d  if  it  too s m al l, it   m a y under fit t he data .    The deci sio n   f un ct io n  ca n be   expresse d  as:     N i j i i i q K y s i g n y 1 , ) (               (1)     wh e re  N is t he  to ta l of  su pp or t v ect or  num ber ,  i   is a Lagr an gia n  m ult ipli er,  i is  a com po nen t v ect or  of   α   and   i y   is  the  la bel  associat ed  with  i ;  +1  or   - 1, j   is  su pp or t  ve ct or ,  q  is  the  hy perplane  a nd   j i K ,   is t he ker nel fu nction.     Evaluation Warning : The document was created with Spire.PDF for Python.
Ind on esi a n  J  E le c Eng &  Co m p  Sci   IS S N:  25 02 - 4752     Perf orma nce  of  Princip al Co mpo nen t  An aly sis a nd O rt hogonal Le as t  Square  on… ( R.  Sahak )   141   S T A R T I n f a n t   c r y   s i g n a l   r e t r i e v a l P r e - p r o c e s s i n g M F C C   a n a l y s i s S V M   c l a s s i f i c a t i o n   ( I n p u t   f e a t u r e   o p t i m i z e d ? ) P C A   s e l e c t i o n C l a s s i f i e d   c r y   p a t t e r n S V M   c l a s s i f i c a t i o n   ( F e a t u r e   s e t   i s   o p t i m i z e d ? ) E N D O L S   s e l e c t i o n S V M                 P C A - S V M O L S - S V M S V M   c l a s s i f i c a t i o n   ( F e a t u r e   s e t   i s   o p t i m i z e d ? ) Y N N N Y Y     Figure  1.   The   process  of clas sifyi ng  a sphyxi at ed  in fan t c ry       The ker nel  fun ct ion  ca n be e xpress ed  as:     ) ( ) ( , j T i j i K                 (2)     The  c omm on  kernel  us e d  is  ra dial basis  f un ct ion   (RBF)  whi ch  ca n be e xpr essed  a s:     2 j i j i K e x p ,               (3)     wh e re  γ  is t he   kernel  width.   In   SV M  a ppr oa ch,   the   12 1  f eat ur e  set s  e xtracted  f r om   th e  MFC C  analy sis  wer e  pass ed  th rou gh   SV M  with  RB F  ke r nels.  I n  t he  sec ond  m eth od  cal le d  PC A - S VM,   once   the  op ti m al   featur e  set   wa s  obta ined,  PCA  was  em plo ye d  to  the  optim iz ed  featur e  set .  I n  PC A - SV M ,  EOC,  CPV,  an d  SC REE  al go rit hm s   wer e  app li ed   to   the   op ti m al   featur e   set .  In  a no t her  m et ho d,   OL S  was  a ppli ed  t o  the  optim iz ed  featu re  set   an d  t his  appr oach is cal le d  O LS - SV M .   In   orde r  to   obta in  a n  op ti m al   m od el   of  SV M  with  t he  po ly nom ia l   kernel,   C   wa s  va ried  from   0.000 001  t o  0. 01   a nd  d   wa s  var ie d  f ro m   two  to  fou r.   F or  SV M  with  RB F  ke rn el ,  C   a nd  γ   wer e   va ried  f ro m   0.01  to  100  a nd  0.001  to   0.0 5  re sp ect ively .   The  range  of   C ,  d ,   an d  γ  was  sel ect ed  ba sed  on  the  previo us  Evaluation Warning : The document was created with Spire.PDF for Python.
    IS S N : 2502 - 47 52   Ind on esi a n  J  E le c Eng &  Co m p  Sci,   Vol .  9 ,  No.  1 ,  Jan ua ry   201 8   :    1 39 – 1 4 5   142   stud ie s  a nd   al s o  f ro m   the  cur r ent   ex per im ents.  For  reli abili ty   resu lt s,10 - cr os s - validat io n  was  use d  to  se par at e   betwee n  trai nin g an d  te st  dat aset s .       3.   RESU LT S   A ND AN ALYSIS   Figure  2  s how s  the  var ia ti on   of   cl assifi cat ion   acc ur acy   of  SV M  with  R BF  kernel  (C  =  1  an d  γ  =   0.009 )  obta ine d  wh e n  t he  num ber s  of   c oe ffi ci ent  and  filt er  ba nk  wer e   va ried  from   te n  to  20  an d  20  to  30   resp ect ively .   It   is  obse rv e d  t ha t  feature   set   t hat  co ns ist s  of  20  c oeffici ent s  gi ves  poor  cl assifi cat ion   ac cur acy   wh ic h  sho ws  there  a re  m any  rep et it ive  an d  f ewer   si gn ific a nc e  feat ur es .  T he  hi gh est   cl as sific at ion   accu racy  is   93.84%  wh e n  te n  coeffic ie nt s  with  22  an d  25  filt er  ba nk s  a re  us ed .  So ,  featu re  set   gen e rated  fro m   te n   coeffic ie nts  an d  22  filt er  ba nks  is  chosen  as   the  best  crit erion   for  de velo pi ng   the  opti m al  featur e  set   sin ce  this   com bin at ion   produces  sm all f eat ur es.         Figure  2 .   Cl assifi cat ion  acc uracy  o f  S VM w i th RBF  kernel  for vari ou s  co e ff ic ie nts a nd f il te r  ba nk  nu m ber s       In  PCA - S VM   ap proac h  us i ng  CP V ,  54  pr i ncipal  c ompone nts  a re  r et ai ned   as   th e  pri ncipal   com po ne nts  ha ve  a bout  80 %  of  t he  c umulat ive  per ce nt   of  the   var ia nc e.  U sin g  CP V,  the  dim ension  of  the   input  featu re  is  reduce d  f rom   [1 240  x  600]   to  [54  x  600] .  Wh en  t he  fea tures  ar e  sel ect ed  by  E OC,  on ly   23   pr i ncipal  com pone nts  are  re ta ined  since  th ey   hav e  ei ge nval ue  gr eat er  t han   on e .  N ote   that  with  EO C,  the  or i gin al   dim ension   is  re du ce d  fr om   [1 24 0  x  600]  to  [ 23  x   600].  In   Sc ree  te st,  on ly   three principal  com ponen ts   wer e  retai ne d  as  they   ha ve  the  la r ge  ga p  be tween  eac h  ot her   as  s how n  in  Fig ur e  3.   W it h  this  m eth od,  t he  dim ension   of  i nput  featur e  is  reduce d  f r om  [ 1240  x 600] t o  [3 x 6 00] .         Figure  3. Scree  p lot  of in put f eat ur es  f or   SVM   with RBF  kernel     90 91 92 93 94 20 21 22 23 24 25 26 27 28 29 30 C l a s s i f i c a t i o n   a c c u r a c y   ( %) N u m b e r   o f   f i l t e r   b a n k 1 0   c o e f f i c i e n t s 1 2   c o e f f i c i e n t s 1 4   c o e f f c i e n t s 1 6   c o e f f c i e n t s 1 8   c o e f f c i e n t s 2 0   c o e f f i c i e n t s Evaluation Warning : The document was created with Spire.PDF for Python.
Ind on esi a n  J  E le c Eng &  Co m p  Sci   IS S N:  25 02 - 4752     Perf orma nce  of  Princip al Co mpo nen t  An aly sis a nd O rt hogonal Le as t  Square  on… ( R.  Sahak )   143   Figure  4  s how s  cl assifi cat ion  accur acy   of  P CA - S VM  with   RB F  ke rn el   w hen  C   inc rease s  from   0. 01   to 1 00 for   γ   eq ual to 0 .02 5.  As shown  in  the  fig ur e, the hig hest cla ssific at ion  accu racy i s o btaine d  when   C   =  1   us in g  E OC  al gorithm .  The  rat e  of   inc rem ent  in  cl ass ific at i on   acc ur a cy   is  influ e nce d  by  the  dim ension   of   the   input feat ur e  vec tor .           Figure  4. Ef fec t of va ryi ng C  on the classi ficat ion  acc ur acy   of SV M  w it h  RB F k e rn el  c om bin ed  with  E OC,  CPV,  a nd SCR EE       Chan ges  in  the   cl assifi cat ion   accuracy  of  E OC,  CPV  a n d  SCR EE,  w hen  com bin ed  with  SV M  with   RB F k er nel as  γ   is var ie d  at  th e o ptim al   C   (w hich  is  on e )  is  sh ow n  in Fi gur e 5 . Note that i ncr easi ng   γ   do es n ot  yi el d  good  cl a ssific at ion   acc ur acy   for  E OC ,  CPV ,  a nd   S CR EE.  The   op tim a l  γ   is  obta ined  at   0.0 25   s ince  it  pro du ces  the  highest  cl assifi cat ion   accura cy   (9 4.8 4%).  This  optim al   value  is  ob ta i ned   wh e n  the   EOC   sel ect ion  is em plo ye d.  Wh e n SCR EE is  us ed , th e  w or st cl as sific at ion  acc uracy  is obtai ned .           Figure  5. Cl assifi cat ion  acc uracy  o f  S VM w i th RBF  kernel  wh e n  γ   is  var ie d usin g  E OC,   CPV,  a nd  SCR EE       The  te n  c oeffici ents  r a nk e d  w it h  the  us e  of  OLS  al gorithm   is  sho wn  in  T able  1.  C oeffici ent  with   the   highest  ERR   is   ar range d  at   t he   to p  of  the   li st  whereas   coe f fici ent  wit h  th e  le ast   ERR   is  placed   at   the   bott om   of the  li st. T he fo ur t h,   first,  thi rd, se ven t h,   fift h  a nd tenth  c oe ff ic ie nts c onta in si gn ific a nt in form ation .   In  the  optim iz a ti on   proce ss,  th e  op ti m al   C  is  on e  for  al l  m eth ods.  H ow e ve r ,  dif fer e nt  opti m al   values  of  γ   are  found  for  SV M  ( 0.0 09),   PC A - S V M  (0 . 025)  an d  OLS - SV M  ( 0.0 07).   T he  hi ghest   cl assifi cat ion   accuracy  ( 94.84%)   is  obta ine d  from   PCA - SV M  (EO C ),   f ol lowed   by  SVM   (9 3.8 4% )  as  sh ow n  in  Figure  6.   Howe ver,  OL S - S VM  (eig ht   coeffic ie nts)  prov i des  co m par able  accuracy  ( 93. 34%)  to  S VM  since  th e   diff e re nce  between  their   cl as sific at ion   acc uraci es  is  a bout   0.5 03%  on ly .  It  can   be   co ncl ud e d  t hat  the   f eat ur e   sel ect ion   al gor it h m s  aff ect   the  cl assifi cat ion  accu racy  ba sed  on  the  f act   that  the  l ow est   sup port  vect or   pro du ces  the  hi gh e st cl assifi ca ti on  acc ur acy .     50 60 70 80 90 100 0 . 0 1 0 . 1 1 10 100 C l a ss i f i c a t i o n   a c c u r a c y   ( %) C EO C C P V S C R EE γ =   0 . 0 2 5 82 84 86 88 90 92 94 96 0 . 0 0 1 0 . 0 1 0 8 0 . 0 2 0 6 0 . 0 3 0 4 0 . 0 4 0 2 0 . 0 5 C l a ss i f i c a t i o n   a c c u r a c y   ( %) γ EO C C P V S C R EE C =   1 Evaluation Warning : The document was created with Spire.PDF for Python.
    IS S N : 2502 - 47 52   Ind on esi a n  J  E le c Eng &  Co m p  Sci,   Vol .  9 ,  No.  1 ,  Jan ua ry   201 8   :    1 39 – 1 4 5   144           Ta ble 1. Ra nk i ng of c oeffi ci ents u si ng OLS    Ran k   Co ef f icien t Nu m b er   ERR   1   4   0 .17 8   2   1   0 .16 1   3   3   0 .15 5   4   7   0 .02 0   5   5   0 .02 0   6   10   0 .01 1   7   6   0 .01 1   8   2   0 .00 9   9   8   0 .00 7   10   9   0 .00 5             Figure  6. Cl assifi cat ion  acc uracy  o f  S VM, PC A - S VM, a nd  OLS - S VM w it h  RB F   kernel f or  var i ou s   γ       Table  2  sho ws   the  accuracy  and   c om pu ta tio n  ti m e   between   SV M ,  PC A - SV M ,  an d  O LS - S VM  with   RB F  ker ne l  in  cl assify ing   cry   patte rn s.  T he  PCA - SV M  ta ke s  on ly   1.9  s  w hich  is  the  sho rtest   tim e  to  classify   the inf a nt cr ie s . Th e c om pu ta ti on  ti m e o f  OL S - S VM is short er th an SVM.  It can be concl ud e d  that c ombini ng   featur e  selec t io n  al go rithm s w it h  SV M  im pr ov es t he  cl assifi cat ion  acc ur ac y and com pu ta ti on  ti m e.       Table  2.  Cl assi ficat ion  acc ura cy  an d com pu t at ion  Tim e o f SVM,  PCA - S VM,    and OL S - SV M  w it h  RB F  K e r nel   Metho d s   Clas sif icatio n  Accuracy   Co m p u tatio n  T i m e  ( s)   SVM   9 3 .84 %   6 2 .87 7   PCA - SV M   9 3 .84 %   1 .98 2   OLS - S VM   9 3 .34 %   3 6 .89 4       4.   CONCL US I O N   An   i nv est igati on   i nto   the  cl assifi cat ion   pe rfor m ance  of   t hr ee  a ppr oaches,  SV M,  PCA - S VM  an d  OLS - S VM  in  cl assify ing   as phyxia te d  in fan t   cries  with  SVM   com bin ed  with  featu re  se le ct ion   te chn i ques  ha s   been   disc us se d.   RB F  ke r nel  was  em plo ye d  an d  op ti m izati on   pr oc ess  was  car ried  out  to  obta in  optim a l   par am et ers .   Fo r  t he  first  a ppr oach,  w hich  is  SV M,  the   op ti m al  feature   set   was  gen e rated  f ro m   te n  coef fici e nts   with  22  filt er  banks .  T he  highest  cl assifi cat ion   acc uracy   is  93. 84 %   f or  RB F  ke rn el .   In   t he  sec ond  a ppr oac h,   wh ic h  is  PCA - SV M,  the  high est   cl assifi cat i on   acc ur acy   f or  RB F  kernel  is  94.84%  w he n  EOC  sel ect ion   was   e m plo ye d on t he op ti m iz ed  featur e set .   In   OLS - S VM  appr oach,  the  highest  cl assif ic at ion   accu ra cy   achieved  is   93.34%  a nd   the  highest   cl assifi cat ion   was  ac hieve d  wh e n  ei gh t  c oe ff ic ie nts  t hat  sel ect ed  f ro m   OLS   analy sis  was  em plo ye d.  For  t he   50 60 70 80 90 100 0 . 0 0 1 0 . 0 1 0 8 0 . 0 2 0 6 0 . 0 3 0 4 0 . 0 4 0 2 0 . 0 5 C l a s s i f i c a t i o n   a c c u r a c y   ( %) γ S V M P C A - S V M O L S - S V M C =   1 Evaluation Warning : The document was created with Spire.PDF for Python.
Ind on esi a n  J  E le c Eng &  Co m p  Sci   IS S N:  25 02 - 4752     Perf orma nce  of  Princip al Co mpo nen t  An aly sis a nd O rt hogonal Le as t  Square  on… ( R.  Sahak )   145   resu lt s  ob ta ine d  in  this  st ud y,   it   can  be  s hown   t hat  the  cl a ssific at ion   acc ur acy   is  obta in ed  withi n  the  s hortes t   com pu ta ti on   ti m e  after  OLS  and  PC A  wer e   e m plo ye d.  The   RB F  kernel  is  su it able  for  cl a ssifyi ng  asp hy xiate d  infa nt cr y.       ACKN OWLE DGE MENTS   T he  a uthors  w ou l d  li ke  to   th ank   t he  Mi nist ry  of  Scie nce ,   Tech no l og y,   and   I nnovat io n  (e Scie nce  Gr a nt  06 - 01 - 01 - S F02 10),   M al ay sia ,  and   U niv e rsiti   Teknolo gi  Ma ra,  M al ay sia   fo r  t he   facil it ie s  pr ov ided  t o  carry  out  this  r esearch   pro j ect .  The  a utho rs  would  al s o  li ke   to  tha nk   D r.   Ca rlos  A.   Re y es - Ga rcia,  Dr .   Em il i o   Ar c h - Tirad o,   Dr .  Ed gar   M .  Gar ci a - Tam ayo   an d  the  IN R - Me xico  gro up   for  their  ded ic at ion   in  c ollec ti ng   the   Ba by Chill anto  D at ab as e as  w el l as In sti tut o Tec nolo gico S up e rio r de  Atli xco of Me xico for thei r  data ba se on  infa nt  cry  sig na ls.  The  Ba by  Chil la nto   Data   Ba se  is  a  property   of   the  I ns ti tuto  Nacio nal  de  Ast rofisi ca  Op ti c a   y El ect ro nica   –   CON AC YT,   Me xico.       REFERE NCE S   [1]     La ber g e  M.   Infa nc y   through   Ado le sce n ce Gal e .   F arm ingt on  Hill s ,   MI:  Gal e  Group ,   Thoms on  Gal e, 2006.   [2]     Le der m an   D.  Au tomati c   Cla ss ific at ion   of  Inf ant s’  Cr y .   M.Sc .   Degr ee ,   Ben - Gurion   Univer sit y   of   th e   Nege v ,   2002 .   [3]     Băni c ă  I ,   Cucu   H,  Buzo  A ,   Bu ril e anu  D,   Burileanu  C .   Au tomati c  Me thods  for  Infant  Cry  Cla ss if ic ati on ,  201 6   Inte rna ti ona l  Co nfe re nc e  on   Co m m unic at ions ( COM M) ,   2016; 51   –   54 .   [4]     Sriji ra non  K ,   E i amkanit ch at   N.   Appl ic a ti on  o f  Neuro - fuzzy  approache s  to  re co gnit ion  and   cl as sifi cation  of   inf a nt  cry ,  IEEE  R egi o n  10  Confer ence ,   2014;   1   –   6.   [5]     Rosita   Y D,  Junae di   H .  In f ant's   cry   sound   cl ass if ic a ti on   using  Me l - F reque ncy   C epstrum   Coef fi c ients   fe ature   extract io n   and  Bac kprop agati on  Neural  Net work .   2nd  Int ern ational   Confe re nce   on  Scie n ce  and  Te chnol og y - Com pute r  (ICST ) ,  2016 ;   160   –   1 66.   [6]     Uyun  S.   Fe at ur e   Selecti on  M amm ogra m   Based  on  Brea st  C ancer  Mining ,   Indo nesian  Journal  of  Elec tric al   an d  Computer  Engi n ee ring ,   2018;8   ( 1):  Acc epted  for   publi c at ion .   [7]     Salmam   F   Z,   M ada ni  A,  Kiss i  M.   Emotion  re c ognit ion  from   fa ci a l  expr ession  base d  on  fiduc ial  point s  det ection  and  using  Neura l  N et work,  Indon esian  Journal  of   El e ct rica l  and  Computer  Enginee ring ,   2018 ;8   (1):  Acc ept ed   for   publi c at ion .   [8]     Fauzi   M  A,  Za i nal   Arifin  A,  Gos ari a  S  C.   Indone sian  New s  Cla ss ifi c at ion  U sing  Naïve   Ba yes  and  Two - Phase   Feat ure   Se le c ti o n  Model.   Indon esian  Journal  of   El e ct rica l  and  Computer  Engi n ee ring ,   2017 ,   8  (3):  Acc ep te d  fo r  publi c at ion .   [9]     Sahak  R,   Manso r  W ,   Le e   Y K,  Yass in  A I  M,  Za b idi   A.  An   Or thogonal   Least  Squa re  Appro ach  to  S el e ct   F eat ures o f   Infant   Cry   wit h   Asphyx ia .   6th   In te rna ti ona l  Col lo quium  on  Signal  Proce ss ing  and   Its  Applicati ons  (CSP A),  2010;  1 - 4.   [10]     Sahak  R,   Manso r  W ,   Le e  Y  K,  Yass in  A  I  M,  Za bidi   A.  Or thog onal  Least  Square  Based  Support  Vect or  Mac hin e   for  the   C lassif i cat ion  o f  Infan t   Cry  wit h  Asphyx ia .   Int ern a ti o nal   Confer ence   on  Biom edi c al  Engi ne eri ng  a nd   Inform at ic s,   201 0;  986 - 990.   [11]     Sahak  R,   Mansor  W ,   L ee  Y  K,  Yass in  A  I  M,  Z abi di   A.   Opt imized  Support  Vect or  Mac hine  for  Classify ing  In fa nt   Cries  wit h  Asphyx ia  us ing  Or thogonal   Least  Square .   Inte rn ational   Confer ence  on  Com pute r  Applic ations  &   Industria l   Elec tr onic s,  2010 ;   692 - 696.   [12]     Zhou  S,  W u  L,   Yuan  X,  Ta n  W .   Paramete rs   Selec t ion  of  SVM  f or  Func ti on  App roximati on  Base d  on  Diff ere n ti a l  Ev olution .   Int ern at ion al   Conf e re n ce   on   Int el l ige nt   S y stems   and  Kn owledge   Engi n e eri ng ,   2007;   7.   [13]     Vapnik  V.   An Overvi ew  of   Sta ti s ti c al   Learni ng  T heor y .   IEEE  Tr ansacti ons on  N e ural  Net works.   1 999;  5:   988 - 99.   [14]     Chan  W   C,   Cheung  K  C,   Harri s  C  J.    On   the   Mo del li ng  of  Nonli nea r  D y n amic  Sy stem  Us ing  Su pport  Vec tor  Ne ura l   Networks.  Eng in ee ring  Appl i cat i ons of   Art if i ci al   Inte lligen ce,  vol .   14,   105 - 113.   [15]     Orozc o  J  &  C  A,  Re y es - Garc i a   C  A.  Dete c ti ng   Pathol ogie s  fro m   Infa nt  Cr y   A ppl y ing  Scaled  Conjuga te   Gr adient  Neura l  N et work s.   Proceedi ngs o f  th e  2003   Europ ean  Symposium  on  Arti f icial  N eu ral Ne twork ,   349 - 354 .   [16]     Re y es - Garc i a, O   F.  [onl ine da t ab ase ] .   Available:  htt p://ingenieria. uatx . mx /~orionfrg/c ry/ .   2009 .   [17]     W ang,   W   J,  Xu   Z  B,   Lu  W   Z.   D et ermina ti on  of  t he  Sprea d  Para m et er  in  the   Gau s sian  Kerne l  for  Cla ss ifi c at ion  an d  Regre ss ion.   N eu rocomputing.   20 03;  55:   643 - 663.   [18]     Zhu  G  Q,  Li u  S  R  &  Yu  J  S.  Su pport  Vec tor  Ma chi ne  and  Its  Applicati ons  to  Functi on  Approxi m at ion.   Journal  of   East  China   Univ ersity   o f  S ci en ce  and  Technol og y.  2002;  5 :  555 - 55 9 .     Evaluation Warning : The document was created with Spire.PDF for Python.