Indonesi an  Journa l  of El ect ri cal Engineer ing  an d  Comp ut er  Scie nce   Vo l.   9 , No .   2 ,  Febr ua ry   201 8 ,  pp.  403 ~ 409   IS S N:  25 02 - 4752 , DO I: 10 .11 591/ ijeecs . v9.i 2 . pp 403 - 409           403       Journ al h om e page :  http: // ia es core.c om/j ourn als/i ndex. ph p/ij eecs   Perform ance of S up port Vect or M achin e in  Class ifying E EG  Signal  of Dysle xic Child ren usi ng RBF  Kernel       AZ A.  Z ainuddi n 1 , W.  Mans or   2 ,  Kh uan Y . Lee 3   , Z . Ma hmoodin 4   1 ,2 Facul t y   of  El e ct ri ca l   Eng ine er i ng,   Univer si ti T e knologi   MA RA, 40450 Shah  Ala m ,   Sela ngor ,   Ma lay s ia   1,2,3,4 Com puta ti o nal   In te l li gen ce  Dete c ti on  RIG ,   Pharm ac eut i ca l   Li fe   Scie n ce s C ORE,   Unive rsiti  Te knologi MA RA,  40450  Shah  Ala m ,   Sela ngor ,   Ma lay s ia   2, 3 Medic a l  Eng in ee ring   T ec hnolo g y   Section,   Univ ersit i   Kuala L um pur,   53100   Gom bak,   Se la ngor ,   Malay s ia        Art ic le  In f o     ABSTR A CT   Art ic le  history:   Re cei ved   Oct   1 9 , 201 7   Re vised  Dec   2 2 , 2 01 7   Accepte d  J an   14 , 2 01 8       D y slexia  is  ref err ed  as  le arn i ng  disabi li t y   t hat   ca uses  lear ner   havi ng   diffi cu lt i es  in  dec oding,   re adi ng  and  writi ng  words .   Thi s  disabi lit y   associ at es   with  learni ng  pr oce ss ing  reg ion  in  the   hum an  br ai n.   Ac ti vi ties  in   thi s  reg io n   ca n  be   exa m in e d  using  el e ct ro e nce pha logra m   ( EE G)  which  r ecord  el e ct r ic a l  ac t ivi t y   dur ing  le arn ing  proc es s.  Thi s  stud y   l ooks  int o  per fo rm anc e  of  Support  Vec tor  Mac hine   (SV M)  using  RBF   ker nel   in  c la ss if y ing  EE G  signal  of  Norm al ,   Poor  and  Cap abl e   D y slexic  ch il dr e n  during  writi n g  words   and  non - words .   Discre te   W avele t  Tr ansform   (DW T)   with  Daube ch i es  orde r  2  was  emplo y ed  t o  ext ra ct   the  po wer  of  beta  and   the t a  wav es  of  EE G  signal.  Bet a  and  Th eta/ Bet a  r atio  form   the   inpu t  fe at ur e s  for  cl assifi er.    Multi c la ss   one  ver sus   one   SV M  was  used  in  th e  cl assif ic a ti on  wher e  RBF   ker ne l   par amete rs  and  box  constra in t  v al ues  were   v arie d  with  the   f ac to r  of  10  to  ana l y z e  per form anc e  of  the   class ifi er .   It  was  found  tha t  the   best  per form anc e   of  SV M  with  91%  over all  a cc ur a c y   was  obtained  when  both  ker n e l  sca l e  and   box  constraint   ar e  set   to   one .   Ke yw or d s :   Dysle xia   Ele ct ro e nc ep ha logram   RB F k e rn el   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 :   AZA. Zai nudd in ,    Faculty  of Elec tric al  Engineer ing ,     Un i ver sit i Te knol og i M ARA   40450 S hah A l a m , S el ango r,     Ma la ysi a   Em a il :  zub er@ un i kl.edu.m y       1.   INTROD U CTION     Dysle xia  is  ne uro bio lo gical   i neffici ency  of  so m e  par t  in   th e  brai n  that  m akes   t he  pe op le   exp e rience   diff ic ulty   in  ac qu i rin g  fl uen t  sk il ls  in  rea ding  al th ough  the y  hav e   recei ve d  a pprop riat e  academ ic   edu ca ti on   at   the  sam e  le vel  as  norm al   child re n  [ 1] .  Desp i te   this  le arn in g  disabili ty ,  dysle xic   childre n  po s sess  the  s a m e  or  above  I Q  le vel  com par ed wit h n or m al  ch il dr e n  [2] .    Seve ral  stu dies   ha ve  bee n  c onduct e d  to   ide ntify  co gnit ive   stre ng t hs   a nd  weaknesse s  of  the  c hildr e n  us in g  com pu te r  m od el   analysis  fr om   Gibs on   te st  [3] .  Wh il e  Ma la ysi a  Mi nistry  of   Edu cat io n  use s   the   Dysle xia  chec k  li st   as  the  instr um ent  to  i den ti fy  the  prob a bili ty   of   th e  childre n  ha vi ng   le ar ning  di sabili ty   sp eci fic to  d ysl exia b y m easuri ng  t heir  ca p a bi li t y i n  sp el li ng ,  rea ding,   an d wr it in g.     Be side  visu al ,   aud it ory ,  proce ssing  a nd  w ord   te st  to  e xam ine  the  et i ology  of  dysle xia,  fur ther  stu dies  wer e  car ried  ou t  us i ng  i m a ging  te chn i ques  su ch  as  f unct ion al   Ma gn et ic   Re so nan c e  Im aging   fMRI  [4] ,  Po sit r on   Em issi on   T om og ra phy  PET  [ 5] ,  Ma gn et oen c ep ha logram   MEG  [ 6]   wh ic h  exam ine  cogniti ve  proces s  associat ed   wit h  le ar ning  disa bili ti es.  Howe ver,  EE G  a nal ysi s  is  the  s ubje ct   of  interest   in  this   stu dy  due  to  it s   pr act ic al it y and   c os t - e ff ect iv e   with  high te m po ral res olu ti on.   Ele ct rical   a ct ivit ie s  of   t he  br ai n  ca n  be  rec orded  an d  m on it or e d  noni nv a sively   us i ng  EE G  el ect r od e s   at ta ched   to   th e  scal p.   T his  sign al   s hows  act ivit ie s  of   t he  br ai n  re gion  du rin g  e xec uting  a  ta sk   s uch  as  Evaluation Warning : The document was created with Spire.PDF for Python.
                          IS S N :   2502 - 4752   Ind on esi a n  J  E le c Eng &  Co m p  Sci,   Vol .  9 ,  No.  2 ,  Fe br uary   201 8   :   40 3   –   40 9   404   decodin g,   rea di ng ,   a nd  wr it in g.   EE G  si gn al   consi sts   of  se ver al   f re qu e nc ie s   bands .   Del ta   wav es  δ  ( 1 - 4H z ),   Theta  wa ves  θ   (4 - 7Hz) ,  Al pha  wav e s  α   (8 - 12Hz ),   Be ta   wa ves  β  (13 - 30hz )  an d  G am m a  wav e s  γ  ( 31Hz   a nd   above )  that i ndic at e d iffe ren t  act ivit ie s an d  l evel of a war e ne ss in  t he brai n.    Hen ce ,  se ver al   stud ie s   we re  cond ucted   t o  e xtract  a nd  cl assify   EEG   sig na l  in  ide ntifyi ng  I ntell igent   Quotie nt  (IQ)  [7]   as   well   EE G  relat ed  pro bl e m   su ch  a s  sl eep  st ud ie s   [ 8] ,  epile ptic  [9,10]   m ental   ta sk   [ 11 ] ,  m ental   i m aginar y  [12] ,  m oto r   i m aginar y  [ 13] ,  br ai n - c om pu te r   interface   [ 14, 15 ]   a nd   le a rni ng   disabili ty   [16]   t o  nam e a f ew. L at er,  the  ex t rac te d  EE G  si gn al  w as  sub j ect ed t o  cl assifi cat io n for ide ntific a ti on .     Var i ou s   cl assifi cat ion   te c hn i qu e s  ha ve  bee n  in vestigat e d  to  ide ntify  dy sle xia  accura te ly .  On e  of   them   is  SV M,  wh ic h  is  kn own  as  good  pe rfor m ance  cl assifi e r  com par ed  to  oth e r  cl assifi ers.   S V M  is  a   su pe r vised  bina ry  cl assifi cat i on   al gorithm   that  finds   the   op ti m al  separ at ing   bounda r y  in  hyperpla ne  by   m axi m isi ng   the  m arg in  of   t wo   cl asses/ trai ning  data.  SVM   has  great   abili ty   in  so lvin g  hi gh   dim ension   a nd   nonline a r  feat ur es .  H ow e ve r ,  the  perf or m a nce  of  SV M  in  cl assify ing   dysle xia  us in g  the  op ti m u m   value   ob ta ine d by  va ryi ng the scale   of k e rn el   pa ra m et er h as  no t  bee n rep or te d.   It  is  antic ipate d  that  by  tu ni ng  the  kernel  par am et er  of  the  S VM,  t he  cl assifi er  can   pro du ce   hi gh  accuracy  in  c la ssifyi ng   dysle xia  and   pe r form   bette r  t han   oth e r  cl a ssifie rs.   T his  pap e r  descr i be s  the  cl assifi cat ion   of  EE G  sig nals  of   norm al ,  poor  dysle xic  a nd  capab le   dysle xi c  childre n  usi ng   m ulti cl ass  SV M  bin a ry  le arn er  thr ough  one  ve rsu s  on e  c od i ng   desig n.   Va r yi ng   scal e  of   SV M  an d  RB F  kernel  par a m et er  is   carried  out t o  f ind  t he op ti m um  p ara m et ers.       2.   RESEA R CH MET HO D   In  this  wor k,   the  ex am inati o n  of  the  SV M   pe rfor m ance  in  cl assify in g  dysle xia  was  carried   out   thr ough  seve ra l  sta ges  w hich   include  sub j e ct   identific at ion ,  EE G  si gn al   acqu isi ti on,  notc h  a nd   high   pass   filt ering ,   po we r  featu re  e xtrac ti on ,  kernel  pa r a m et er  scal e  tun in g,   c ro s s  vali dation  an d  cl as sific at ion   as  s how n  in Figu re  1.             Figure  1.  Flo w  Char t   of EE G Si gn al   A naly sis       2.1   Subj ec t  I den tificat i on   and T as k  Proce dure   W i reless  bio   si gn al   ac qu isi ti on  syst em   g. naut il us   was  us e d  to  captu re  EE G  sig nal  from   the  scal p  of   the  childre n.   Head   c ov e r   con sist s   of  8  c hannel  el ect rodes  that  are  co m plied  with  internati onal   10  to  20  el ect ro de  placem ent  syst e m   was  us e d  duri ng   the  recordi ng.  These  el ec tro des  we re  po sit ion ed  at   C3,   P3 ,  T 7  and   FC 5  in  the   le ft  side  of   the   br ai n  a nd   C 4,   P4 ,  T 8  an d  FC 6  at   the  rig ht  side  of  the  brai n  as  sh ow n  in  Fi gure.  2.   T he   syst em   acq uire d  EE G  si gn al ,   am plifie d  an d  sam pled  it   us in g  a   sam pling   f requen cy   256Hz   befor e   transm itti ng  th e sig nal w irel e ssly  to  a  per s onal   com pu te r  for rec ordin g  a nd a naly zi ng .     Subj ec t Identi fi c a ti on (7 to 12  y ea r s  ol d) & Task   Proc edure   (Word  & Non - w o rd)   EE G  Si gnal  Ac qui s i ti on (8 c hannel  el ec trodes)   SV M Cl as s i fi c ati on   Fil ter: Notch  (50 Hz ) & Hi gh P as s  (0.5Hz)     End   Feature  ex t racti on: DW T db2    Power F eatures :  Beta  and Th eta  Band   RBF Kernel      Hi gh A c c urac y ?     Y es   No   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  S up port Vect or  M ac hin e i n C lassif yi ng  E E G Sig na l  of  Dy sle xi c  …   ( AZA.  Za i nuddin )   405       Figure  2. Ele ct rode  Plac em en t i n  Left  an d  Ri gh t  Hem isph er e of  Brai n .       In   t his  st ud y,   the  EE G  data  w ere   rec orde d  from   33   s ubj ect s   with  t he  a ge  r ang i ng  f ro m   7  to  12  ye a rs   old .   From   the  total   sub j ect s,  t he  distrib ution  is  8  norm al ,  17  poor  dysle xics   an d  8  ca pab le   dysle xics.  This   data  was  ac quired   with the  assist a nt fro m  D ysl e xi a A ss ociat ion   of Mal ay sia  and Ra kan D ysl e xia Mal ay sia  grou p.     Tw o  cat egories  of   w ord   were   pr epa re d  for  the  subj ect ;  known  w ord  or  w ord  that  was  fa m iliar  to  the  su bject   with  w hich  ca n  be  vis ualiz ed  in  t heir   m ind   or  ha ve  a  sp eci fic   m ea ning.  Anothe r  cat egor y  is  non - wor d  wh ic h  has  no t   seen  befo re  by   the  su bject   or   w ord  that  ha ve  no  sp eci fi c  m eaning   in  par ti cula r  an d  is  no t   ref e rr in g  t o  a ny thing .   T hr ee  s et s  of  w ord  a nd  non - w ord  we re  pr e par e d  ba sed  on  their   ag e  ap pro pr ia te   t o  thei r  academ ic   le vel .  Set  A   was   f or   sub j ect   of  a ge   7  to   8,  set   B   was  for  s ubj e ct   of   a ge  9  to   10  an d  set   C  was  f or  su bject   of  age  11   to  12.  Ta ble  1  shows  five   ta sk s  perf or m ed  by  the  sub je ct   wh il e  their   br ai n  act ivit ie s  are   recorde d.        Table  1.  T asks   That  Wer e  Perform ed  Durin g EEG  Sig nal  R ecordin g   Task   Descripti o n   Task  1: Bas elin e    Su b ject   was  ask ed   to   relax  an d   tr y   t o   th in k   o f   n o th in g   in   p articular   f o r  4 0  seco n d s.   Task  2: Si m p le  Wo rd     Three  si m p le  wo r d s  were   sh o wn   o n e  b y   o n e  an d   th e  su b ject  was  ask ed  to write  th e  wo rd o n   a piece of  pap er  th en  r elax .   Task  3: Co m p lex   W o rd    Then   an o th er  th ree   co m p lex   wo rds   were   sh o wn   o n e  b y   o n e  an d   th e   su b ject  was  ask ed   to   write  th e  wo rd   th ey   saw  o n   a   p i ece  o f   p ap er   th en  r elax .   Task  4:  Si m p l e N o n - W o rd    Three  si m p le  n o n - wo rds   were   sh o wn   o n e  b y   o n e  an d   th e  su b ject   was ask ed  to writ e  th e word th ey   s aw  o n   a piece of  pap er  th en  r elax .   Task  5: Co m p lex   No n - W o rd   Three  co m p l ex   n o n - wo rds   were   sh o wn   o n e  b y   o n e  an d   th e  su b ject   was ask ed  to writ e  th e word th ey   s aw  o n   a piece of  pap er  th en  r elax .       Altog et her   17 0  dataset s  we r e  colle ct ed  where  each   datas et   con ta in s  8 - e le ct ro de  rec ordin g.   He nce,   the  total   nu m ber   of   data  recorde d  was  1360 .  Ou t  of  this,  sixty - five   per ce nt   (6 5% )  of  the  dataset   was  use d  f or   trai ning  data a nd the  rem ai ni ng  thirty - five   pe rcen t  (35 %)  of the  dataset   was use d  f or te sti ng   data.     2.2   EE G Sig n al P re - pr ocessin g and Fe at ure s  Extr act i on   The  r eco rd e d  EEG  si gn al s  w ere  filt ered  us i ng   a   notc h  filt er  t o  el im inate  powe r  li ne  noise   at   50Hz   and   a  high  pas s  filt er  with  a  cuto ff   f reque nc y  of   0.5H z  to   re m ov e  dc  off set .  The  data  wer e   analy ze d   us in g  a   pro gr am   wr it te n  in  Ma tl ab .   Since  E EG  s ign al   is  non - sta ti on ary,  ti m e - scal e  analy sis  is  m or e  s uitab le   for  extract in g  the   unde rly ing   i nfor m at ion   tha n  oth e r  m et ho ds .   The   ra w  EE G   signa ls  we re  e xtracted   us i ng  D WT   to  dec om po se  t he  sig nal  int o  f reque ncy  sub - bands   a s  s how n  in  Fig ur e   3.  I n  this  w ork,   i nput  featu res  w ere  not   norm al iz ed  becau se t he ou t pu t  v a riat ion   was sm a ll .     Evaluation Warning : The document was created with Spire.PDF for Python.
                          IS S N :   2502 - 4752   Ind on esi a n  J  E le c Eng &  Co m p  Sci,   Vol .  9 ,  No.  2 ,  Fe br uary   201 8   :   40 3   –   40 9   406       Figure  3. D WT  D ec om po sit ion   of EE G  Si gnal       Ou t  of  seve ral  wav el et   fam ily ,  Daubiechie s   of   orde r  2  ( db2)   wa s  e m plo ye d  to  pro vid e  EEG  sig nal   tim e - fr eq uen cy   scal e  re pr e sen ta ti on   as   it s  a bi li t y  to  local iz e  featu res  a nd   sm oo thin g  over  EE G  si gnal   [ 17 ] .  The  detai l  coe ff ic ie nt  D5   is  t heta  ba nd  that  ind ic at es  dr owsiness  a nd   t he  detai l  coeffic i ent  D 3  is  beta   band,  wh ic h  ref e rs  t o  act ive  at te ntio n  a nd  w as  the   su bject   of  inte r est   in  this   stu dy .  Wh en   a  ta s k  is  pe rfo rm ed  by  the  su bject ,  t he  br ai n  wa ves  wil l  sh ift  towa rds  increasin g  be ta   band  f requen cy   wh il e  the  rest  of  the   band   fr e qu e ncy  will  b e  red uce d.     Theta - Be ta   rati o  is  an  i nd ic at ion   of  the  r el at ion s hi p  bet wee n  inter nal ,   (slow  act ivit y)  an d  seq uen ti al ,  (f ast   act ivit y)  [ 18, 19] .  T heta  band  re pr ese nt s  the  s ubco ns c iou s   m ind   an d  beta  ba nd  repr esents  the   co nsc iou s   m ind .  Br ai n  a ct ivati on   t hrough  theta - beta  r at io  was   exam ined  t o  a naly ze  the  br ai n  sta te   at   a  pa rtic ul ar  sit e   betwee n  lo gical   and   s ponta neous  processi ng.  Hi gh e r   rat io  ind ic at es  th et a  is  do m inant  w hile  lowe r   rati o  ind ic at es  beta is d om inant.      2.3   Clas sific at i on   In   t his  sta ge,   m ul ti cl ass  cl as sific at ion   with   on e  versus  on e  was  em plo ye d  to  cl assify   norm al ,  po or   dysle xic  an d  c apab le   dysle xi c.  SV M  with  RB F  kernel  w as  then   a ppli ed   to  the  e xtracted  ba nd  po wer   featur e s   of  Be ta   an d  T he ta - Be ta   rati o.   SV M  cl assifi c at ion   is  base d  on  fi nd i ng  m a xim u m   m arg in   sepa rati on  bo unda ry   betwee n  t wo  c la sses.  I n  li nea r  f orm ,  the  sep arati on  can   be  done  strai ght  f orward   but  f or   nonlin ear   co ndit ion ,   the  data   has  t o  be  placed  i n  f e at ur es  s pace  w her e  t he  se pa ra ti on   is  perform ed  in   hy per s pa ce.  Ke r nel   is  a  string  that  sp eci fies  the  kernel  f un c ti on   an d  is  us e d  to  m ap  the  data  fr om   inp ut  sp ace  into  a  ne w  sp ace.  T he re  are  three  ty pe s  of   kernel  f unct io n  that  ca n  be  u s ed.   They  a re  know n  as   Linea r,   Po ly nom ia l   and  RB F.  Po ly no m ia l   and   RB F  kerne l  are   us e d  f or   m app in g  no n - l inear  data  int o  hype rsp ace .    T he  S VM  cl assifi er  can  be  w ri tt en  as   in E qu at io n ( 1) an d  the  RB F  ke rn el   functi on i s sho wn in E qu at ion   (2).       N i i i i b x x k y x f ,             (1)   2 2 2 || ' || e xp ' , x x x x k             (2)   2 2 1               (3)     Eq uation  ( 3)  sh ows    or  kern el   width   that  is  a  po sit ive  nu m ber   sp eci fyi ng   the  ke rn el   sc al e  factor  wh ic h  is  us e d  to  sp eci fy  the  sh a pe  of   “ pea k”   ei ther  br oa de r  or   pointed  bum p.   The  SV M   cl assifi er  with   RB F   kernel i s  giv e n by E qu at io n (4).     b x x y x f N i i i i 2 2 2 || || e x p           (4)     The  SV M  cl as sifie r   with  RB F  kernel  has  two  par am et ers;  ker nel  scal e  ( )  and   box  co nst raint  (C).  Box   co ns tr ai nt   is  a  reg ulati on  par am et er  wh ic h  co ntr ols  tradeoff   betwee n  m arg in  m axi m iz at ion   and   e rror s  of  trai ning  data. S VM w it h (C )  is  shown i n  E qu at ion   (5)    b x x y C x f N i i i i 2 2 2 || || e x p           (5)   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  S up port Vect or  M ac hin e i n C lassif yi ng  E E G Sig na l  of  Dy sle xi c  …   ( AZA.  Za i nuddin )   407   To  obta in  the  op ti m al  par am et ers,   var yi n g  scal e  on   SV M   with  RB F  kernel  was  carrie d  out.  In   the   first  analy sis  the  box  c onstra int  was  va ried  from   0. 001  to  1000  by  incre a sing   fa ct or   of   10   wh il e  ke rne l  scale   was  set   to   1.  I n  the  sec ond  a na ly sis  the  kern el   scal e,     was  va ried  fr om   0. 001  t o  1000  by  increasi ng  fact or  of  10   wh il e  the  box  c on st raint  was  fixe d  to  1.  Cros s - validat ion   with  K - fo l d  eq ual  to  te n  fo l ds   was  ap pl ie d  to  pr e dicts cl assif ic at ion  acc ur ac y wit h  the  lo w est  error is  perf or m ed   with  tra ining data.     Confus i on  m a trix  f o r  m ulticlass  wer e   th en  em plo ye d  in  orde r  to  ve rify  the  pe rfor m ance  of   cl assifi cat ion   m od el .  The  se ns it ivit y,  sp eci fici ty   and   acc uracy   we re  dete rm ined  us in g  Eq uation  ( 6) ,   ( 7)   a nd  (8) respecti vel y.      N P P PR e F T T T S y S e n s i ti v it ,             (6)     P N N NR p F T T T S y S p e c if ic it ,             (7)     N P N P N P c F F T T T T A A c c u r a c y ,             (8)       3.   RESU LT S  AND A N ALYSIS   Table  2  sho w s  the  re su lt   of   k - fo l d  c ro ss - validat io n   er ror  f or   va rio us   C  and  ke rn el   scal es.  It  is   obvious  that sc al e 1   for bo t h C  and  giv es t he  low e st er ror,   wh ic h  is  23%.       Table  2.   K - Fo l d  Cr os s - Vali da ti on   E rror            Scale         Cro ss  Validatio n   0 .00 1   0 .01   0 .1   1   10   100   1000   Bo x  Co n strain t,  C   0 .45   0 .43   0 .40   0 .23   0 .20   0 .21   0 .20   Kernel Sc ale,    0 .71   0 .71   0 .71   0 .23   0 .38   0 .55   0 .52       The  sensiti vity   ver s us   C  plo t  of   the  m ulti cl a ss  SV M  cl assifi er  wh e n  C  is  var ie d  from   0. 001  to  10 00   is  sh own  i n  Figure  4(a) .  As  c an  be  see n,   inc reasin g  C  m or e  than  0.1  decre ases  the  cl assifi er  sensiti vity   fr om   100%  to  92%  for  po or   dysle xic,  w hile  for  capab l e  dysle xi c  the  sensiti vity   rap idly   incr eases  from   25 %  to  75%.  I n  co ntr ast ,  the  sensiti vity   fo r  norm al   su bject   do e s  no t   cha nge  and   sta ys  at   100% .  Furthe r m or e,   increasin g  C  a bove 1  giv e  no  ch a ng e s to  classi fier se ns it ivit y fo r  all  classe s.         (a)             (b)     Figure  4. Mult ic la ss SV M C la ssific at ion   Per f or m ance  Wh e n C  is v a ried  for N or m al , P oor Dysl exic a nd  Ca pab le   Dysle xic ( a )  Se ns it iv it y (b ) Speci fici ty       Figure  4(b)   s hows  t he  spe ci fici ty   of   m ulti cl ass  SV M   cl assifi cat ion  perform ance  wh ic h  was   m easur ed  for  var i o us   range  of   C  ( 0.001  to   1000).   It  can  be  seen  t hat  the  sp eci fici ty   for  cl assify ing   c apab le   Evaluation Warning : The document was created with Spire.PDF for Python.
                          IS S N :   2502 - 4752   Ind on esi a n  J  E le c Eng &  Co m p  Sci,   Vol .  9 ,  No.  2 ,  Fe br uary   201 8   :   40 3   –   40 9   408   dysle xic  an d  norm al   su bj ect   decr ease s  from   100%  to  98%  and   95 %  resp e ct ively ,  wh il e  fo r  po or   dysle xic  th e   sp eci fici ty  incre ases f ro m  6 3%  to 8 8% wh e n  C i s s et  at 1 . T h e  res ult rem ai ns   un c ha ng e d wh e n  C  is ab ov e  1.    Althou gh   C  in   the  ran ge  of   0.001  to  0.1  pe rfor m s   bette r  in  sp eci fici ty  fo r  norm al  a nd   ca pab le   dysle xic,  it   do es  not  pe rfor m   well   for  poor  dysle xic.  T hu s,  it   can  be   co nclu ded   t hat  C  equ al s  t o  1  is  the   op ti m al  s et ti ng   that  giv es  the  best  ov e rall   sensiti vity   and   sp eci fici ty   fo r  c la ssifyi ng   nor m al ,  po or  dysle xic  an d  capab le   dysle xi c.   Figure  5(a)  a nd  ( b)   s hows  the  sensiti vity   and   s pecifici ty   fo r  norm al ,  po or  dysle xic  a nd   ca pab le   dysle xic  res ulted  from   SV M  cl assifi ca ti on   wh e n    value   is  var ie d  from   0. 001  to  1000.  Wh e n    is  set   fr om  0.001  to  0.1 ,  the  SV M  se ns it ivit y  fo r  poor   and   ca pab le   dysle xic  is  fluctu at ed,   betwe en  0%  an d  10 0%.  Wh il e  for  norm al   su bject   it   is  no t  sensiti ve  at   al l.  Howe ver,  w he n    is  set   to  1,   the  sensiti vity   increase s  to  10 0%  f or   norm al ,  92 %  for  po or   dysle xic  an d  75%  for  capa ble   dy sle xic.  A bove   scal e  of   10,   the  sensiti vity   drops   trem end ou sly   wh e n  cl assi fyi ng no rm al  an d poo r dysl exic.   The  sam e  tren d  is  ob se r ved  in  the  sp eci fici ty   for    in  the  ra ng e   of  0.001  t o  0.1.  At  scal e  equ al   t o  1,   sp eci fici ty   fo r  cl assify ing   nor m al   su bj ect   is  95%,  w hile  for   poor   dysle xic  and   ca pab le   dy sle xic,  it   is  88 %  and  98% r e sp ect ive ly . T he   best se ns it ivit y and sp eci fici ty  are  ob ta ined for all   gro ups  wh e n    is  set  to 1.          (a)             (b)     Figure  5. Mult ic la ss SV M C la ssific at ion   Per f or m ance  Wh e n Ke rn el   Scal e is  Va ried  f or   N or m al , P oor  Dysle xic a nd  Ca pab le   Dysle xic ( a )  Se n sit iv it y (b ) Speci fici ty       It is  obser ve d   t hat in F i gure  6, cl assifi er acc uracy  for  C is  hi gh, whic h  is i n t he  ra nge  of   94% to  89%.   Howe ver,  cl as sifie r  acc ur acy   is  not  sta ble  f or   ,  wh ic h  inc r eases  an d  decre ases  bet ween  91%  to   9%.  Wh en   bo t h    an d  C  ar e  1,   the  S VM  accuracy  is  91% .  The  acc ur acy   decr eases  whe n  both  par am eter s   is   set   above   1.   Th us , t he op ti m al  v al ue  f or  C an d  is   1  si nc e these  values   giv e   good acc uracy .           Figure  6. Mult ic la ss SV M C la ssific at ion   O ve rall  A cc ur acy   f or RB F Ker nel       4.   CONCL US I O N   This  w ork  wa s  carried  ou t  to  exam ine  the  cl assifi cat ion   pe rfor m ance  of   m ulti cl ass   SV M  in   disti nguish i ng  EEG  sig nal  of   norm al ,  poor  and  capa ble  dy sle xic  child re n.   The   ext ra ct ion  of  featu res  wh ic h  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  S up port Vect or  M ac hin e i n C lassif yi ng  E E G Sig na l  of  Dy sle xi c  …   ( AZA.  Za i nuddin )   409   are  Be ta   an d  T heta - Be ta   rati o  was  ca rr ie d  out  us i ng   wa vel et   db2  a nd  thes e  featu res  wer e   us e d  as  the   in pu t  t o  the  cl assifi er.  The  bo x  co ns t raint  of  SV M  and   th e  RB F  ke rn el   pa ram et e r  wer e  var ie d  to  fin d  the  op ti m u m   resu lt s.  Cr os s - valid at io n   al so  was  carried  ou t.  T he  res ults  ob ta ine d  in  this  stud y  sh ow s  that  RB F   ker nel   par am et er     aff e ct s   the  cl assifi cat ion   perform ance.  Sett ing   to  1  in  the   RB F   kernel  a nd   C  t o  the  sam e  value   in  the  SV M  yi el ded   the  high est   accuracy,  wh ic h  is  at   91%.  The  S VM  with  RB F  kernel  co uld   cl ass ify   the  norm al ,  po or   dy sle xic  and   ca pab le   dysle xic  childre n  accu r at el y  with  hig h  sensiti vity   and   sp eci fici ty   us ing   the  op ti m u m  p ara m et ers.       ACKN OWLE DGE MENT   This  w ork  w as  su pp or te d  by  Fund am ental   Re search  Gr a nt  Schem e  (F RGS ),   Ma la ysi a  (6 00 - RM I/FRGS  5/3 ( 137/ 2015) ).   The  a uthors  would  li ke  t o  than k  Mi nistry  of   Higher  Ed ucati on,  Ma la ysi a,   Re search  Ma na gem ent  In sti tute  an d  Facult y  of   Ele ct rical   Eng i neer i ng,  Un i ver s it i  Tek no l og i  MAR A ,  Sh a h  Alam ,  fo r  fina ncial   su pp or t,  facil it ie s  and   var io us   co ntributi ons,  an d  to  Dysle xia  Asso ci at ion   Ma la ys ia   for   their assist an ce .       REFERE NCE S   [1]   B.   a .   Sha y wi tz  et al . ,   “ Th e  neu rob iol og y   of   d y s le xi a, ”   Cli n .   N eurosci. Res. ,   vol .   1 ,   p p.   291 – 299 ,   200 1.   [2]   B.   Sklar ,   J.   Han ley ,   and   W .   W .   Sim m ons,  “ A  c om pute r  anal y s i s  of  EE G  Spe ctral  Sign at ure s  f r om   Norm al   and  D y slexic  Ch il dre n, ”  I EEE  Tr ans. Biomed. E ng . ,   v ol.   49 ,   no .   1 ,   pp .   20 – 26,   1973 .   [3]   H.  M.  Al - Barham toshy   and  D.  M.  Motaweh,   “ Diagnosis  of  D y slexi a  using  computat ion  anal y s is,”   2017  Int .   Con f.  Informatic s,  H ea l.   Te chnol.  ICIH T 2017 ,   vol .   6 ,   n o.   2 ,   pp .   462 – 48 2,   2017 .   [4]   M.  Vande rm oste n,   F.  Hoeft ,   an d  E.   S.  Norton ,   “ In te gra ti ng  MRI  br ai n  im agi ng   studie s  of  pre - r ea d in g  chi ldr en  with  cur ren t  th eor i es  of  deve lopment a l  d y sl exi a :  a  rev i ew  and  quant i ta t ive   m et a - ana l y si s,”   Curr .   Opin.   Be hav .   Sci. ,   vo l .   10,   no .   June ,   pp .   155 – 161,   Aug. 2016.   [5]   Y.  Sun,  J.  Le e,   a nd  R.   Kirb y ,   “ Brai n  Im agi ng  Findings  i n  Dy sl exia, ”  P edi atr .   Neo natol . ,   vol.   51,   n o.   2,   pp.   89 – 96,   Apr.  2010.   [6]   S.  I.   Dim it ri adi s   et   al . ,   “ Altered   te m pora l  co rre l at ions  in  r esti ng - stat e  connect iv i t y   f luctuations  i n  chi ldr en  with  rea ding   difficul ties de t ec t ed  v ia  MEG,”   Neuroim age ,   vo l. 83, pp.   307 – 317,   De c. 2 013.   [7]   A.  H.  Jahid in,  M.  N.  T ai b ,   N.   M.  Ta h ir,  and  M .   S.  A.   M.  Al i,  “ IQ  Cla ss ifi c at io n  via   Br ai nwav e   Feat ur es:  Rev iew  on  Artificial  In telli gen ce Tec hniq ues, ”  Int. J. Elec tr.  Comput.   Eng . ,   vol .   5 ,   no .   1 ,   pp .   84 – 91 ,   2015 .   [8]   S.  Motamedi - Fa khr,   M.  Mos hre fi - Torbati,   M.  Hill ,   C .   M.  Hill ,   and  P.  R.   W hit e,   “ Signal   proc essing  te chni qu es   appl i ed  to   hum a n  slee p   E EG  sig nal s — A re vi ew,”  B iomed. Si gnal   Proce ss .   Contro l ,   vo l. 10, pp. 21 – 33,   Mar .   2014 .   [9]   A.  T.   Tzallas,  M.  G.  Tsipouras ,   and  D.  I.   Fotia d is,  “ Epi l eptic   seiz ure   de te c tion  in  EE Gs   using  ti m e - fre quen c y   ana l y sis. , ”   IE EE Tr ans.  Inf. Tec h nol.   Bi omed . ,   vo l.   13 ,   no .   5 ,   pp .   7 03 – 710,   2009 .   [10]   H.  Ulla h ,   S.  Ma hm ud,   and  R.   H .   Chowdhur y ,   “ I dent ifica ti on  of  Brai n  disorder s  b y   Sub - band   De compos it ion  of   E EG  signa ls  an d  Mea surem ent  of  Signal  to   Noi se  Ratio, ”  Indon es.   J .   Elec tr.   En g.   Comput.   Sc i. ,   vol.   4,   no.   3,   p.   568,   De c. 2016.   [11]   I.   Güler   and  E.   D.  Ube y li,  “ Multi class   support  v ec tor  m a chi nes  f or  EE G - signal s  cl assifi ca t ion.,”   IEE E  Tr ans.  In f .   Technol .   B iom ed . ,   vol. 11, no. 2,  pp.   117 – 126 ,   20 07.   [12]   M.  S.  Basc il ,   A.   Y.  T esne li,  F.  Te m urta s,  Á .   Pc a,   and  Á.  L.  V.  Q.  Á.  Mlnn,   “ Multi - ch annel  E E G  signal   fe at ur e  ext ra ct ion   and   pat t ern   re cognit ion  on  hori zontal  m ental  imagi nat ion  ta sk  of   1 - D  cur sor  m ovement  for   br ain   computer   in te rf a ce , ”  Australas. P hys.   Eng .   S ci.  M ed. ,   vol .   38 ,   no .   2,   pp .   229 – 239 ,   2015.   [13]   S.  K.  Bashar ,   A.  B.   Das,  and   M.  I.   H.  Bhuiy an ,   “ Motor  imager y   m ovements  det ection  of  EE G  signal s  using   stat isti ca l  f ea tu r es  in  the   Dual  Tre e  Com ple x  W ave le t  Tra nsf orm   do m ai n, ”  2 015  Int.   Conf.   El e ct r.  Eng .   Inf .   Comm un.   Techn ol. ,   pp.   1 – 6,   201 5.   [14]   X.  Li,  X.   Chen ,   Y.  Yan,  W .   W ei,  and   Z .   J.  W ang ,   “ Cla ss ifi c at ion   of  EE G  sign al s  using  a  m ult ip le  ker ne l  l ea rn ing   support  vector  m ac hin e,”  Sensors   ( Basel ) . ,   vol .   14 ,   no .   7 ,   pp .   1278 4 – 12802,   2014 .   [15]   A.  B.   M.  A.  Hos sain,   W .   Rahman,   and  M.   A.  Rihe en,   “ Le ft  and  Rig ht   Hand  Moveme nts  EE G  Signal s  Cla ss ifi c at ion   Us ing  W ave let  Tr ansform   and  Probabil ist ic   N eur al  Network, ”   Int .   J.   El e ct r.   Comput.   Eng. ,   vol .   5 ,   no.   1 ,   pp .   92 – 1 0 1,   2015 .   [16]   A.  Z.   A .   Z ai nud din,   K.  Y .   L ee,  W .   Mansor,  and   Z.   Mahm oodin ,   “ Optimize d  KN N  cl assif y   rule  for  EE G  b ase d   diffe ren ti a ti on  b et wee n  c apa bl e  d y slex ic   and  no rm al   chi ldre n , ”  in  2016  IEE E  E MBS  Confe renc e  on  Bi omedic al   Engi ne ering  and   Scienc es  ( IECB ES ) ,   2016,   pp .   6 85 – 688.   [17]   T.   Gandh i,  B.   K.  Panigr ahi,   and  S.   Anan d,   “ A  compara ti ve   stud y   of  wave let  f amili e s  for  EE G   signa l   cl assifi ca t ion,”  Neurocomputi ng ,   vol .   74 ,   no .   17 ,   pp.   3051 – 3057 ,   2011.   [18]   J.  E .   W al k er  an d  C.   A .   Norm an ,   “ The  Neuroph y siolog y   of  D y s le xi a:   A   Selective  Rev ie w  wi th   Im pli cations  fo r   Neurofe edback  Remedia t ion  an d  Result s  of  Tre at m ent   in  Twe lv e  Consecut iv e  Patients, ”  J .   Neur othe r. ,   vol .   10,   n o.   1,   pp .   45 – 55 ,   De c.   2006 .   [19]   C.   Spirone ll i ,   B .   Penolazz i ,   and  A.  Angrilli,   “ D y sfuncti ona l  he m i spheric   as y m m etr y   of  th eta  and   b et a   EE G   activit y   during  l ingui sti c   ta sks   in   dev el op m ent al   d y sl exi a , ”  B iol .   Psy chol. ,   vol.   77 ,   no .   2 ,   pp .   123 – 131 ,   2008 .     Evaluation Warning : The document was created with Spire.PDF for Python.