Internati o nal  Journal of Ele c trical   and Computer  Engineering  (IJE CE)  V o l.  5, N o . 1 ,  Febr u a r y   201 5,  pp . 84 ~91  I S SN : 208 8-8 7 0 8           84     Jo urn a l  h o me pa ge : h ttp ://iaesjo u r na l.com/ o n lin e/ind e x.ph p / IJECE  IQ Clas s i fication via Brai nwave  Features: Review on Artificial  Intelligence Techniques       Aisyah H a rtin Jahidin, Mohd Nasi r T a i b , N o ori t aw ati   Md T a hi r,   Me ga S y ahirul Amin Me ga t Ali  Facult y of Ele c tr ica l   Eng i ne ering ,   Universiti Tekn ologi  M A RA , M a la ys i a       Article Info    A B STRAC T Article histo r y:  Received Oct 29, 2014  Rev i sed  D ec 20 , 20 14  Accepte d Ja 6, 2015      Intelligen ce stud y  is on e of key s tone to  d i stinguish individual dif f erences in   cognitiv e ps y c h o log y . Convent i onal ps y c hom etr i c tests are l i m ited in term of as s e s s m ent ti m e , and  exis ten c e of bi as nes s  is s u es . Apart  from  that , th ere  is   still  lack  in kno wledge  to c l assi f y  IQ b a sed on   EEG signals  an d inte llig ent   signal processin g  (ISP) techniq u e.  IS P  purpos e is  to extra c t  as  m u ch  information as possible  from  signal a nd no ise data using  lear ning and / or  other s m art  te ch niques .   Ther efor e,  as  a  firs t  at te m p t in c l as s i f y in g IQ fe ature   via sci e ntif ic ap proach,  it is im portant to  iden ti f y  a  rel e vant  te c hnique with   prom inent parad i gm  that is suitable for  this area  of applica tion.  Thus, this   arti cle r e vi ews  s e veral IS P  app r oaches  to prov ide cons ol idat ed  s ource of   information.  This in particular  f o cuse s on prominent par a digm that suitable  for pattern  clas s i fica tion in biom edic al ar ea . The  review le ads  to s e lec tion of   ANN  since it has been widely implemen ted for pattern cl assification in  biomedical engineering . Keyword:  A NN  EEG  Expert system   Fuzzy logic   IQ   Copyright ©  201 5 Institut e  o f   Ad vanced  Engin eer ing and S c i e nce.  All rights re se rve d Co rresp ond i ng  Autho r Ai sy ah Hart i n i   Jahi di n,    Facu lty of Electri cal Engineering,  Un i v ersiti Tekn o l o g i  M A RA,  4 045 0 Sh ah A l a m , Selan gor Malaysia.   Em ail: aisyah23@gm ail.co m       1.   INTRODUCTION  Co gn itiv e ab il ity is a  su b - d i v i sion  of hu man  po te n tial wh ich  refers to   in d i v i d u a l s ch aracteristic   ap pro ach  in  i n fo rm atio n  p r o c essin g . Th is  h a s b een   well-estab lish e d  with in   th e do m a in  o f  h u m an  in tellig en ce  and is strictly related to intelligence  quotient  (IQ).  To   date, IQ is assessa ble using conventi onal m e thods s u c h   as Stan fo rd -Bi n et In tellig en ce Scales [1 ], Rav e n’s Prog ressiv e Matrices [2 ], and   W e ch sler In tellig en ce Scales  [3] ,   whi c h can t h e n  be  qua nt i f i e d f o r e v a l uat i on  of m e nt al  per f o r m a nce.  A d r aw b ack t o  t h ese t y pe  o f   assessm en t are th at it is  relativ ely in sen s itiv e to ind i v i d u al u n d e rstand i n g in an swerin g th e p s ych o metric  tests. Moreove r , there would be bias ness issue that is unique to each of  the assess ment batteries [2, 4] C e rt ai nl y ,  EE has  becom e  i n creasi ngl y  i m port a nt  as i t  can  reco r d  v a st  am ount s  o f  com p l e ne ur o n al   activ ity fro m   th e hu m a n  b r ain .  Th u s , th e q u a litativ e in fo rm atio n  can  b e   ov erco me with  qu an titativ measurem ent provid ed  b y   th e E E G .   In  ge neral,  EE G can be cate g orized i n to  prim ar y an d  seco nd ar y sign als. A   p r im ar y EEG  can   b e   o b s erv e d  and  in terp reted   d i rectly d u r ing  th e EEG record i n g .  Th ese si g n a ls h a v e   b e en  utilized  ex ten s iv ely t o   assist clin ician s  in  d i ag no sing  acu te p a ed iatric en ceph a l opath y [ 5 ], anaes t h esi a  [ 6 ], st ro ke [ 7 ] ,   schi zo phre n i a   [8] ,  and dem e nt i a s or Al zheim e r [9] .   U n der   sev e r e   cas e s , it is also used to ascertai n  brain deat h [10].   Meanwhile, the seconda ry E E G is used   for m o re sophist icated applica t i ons Thi s  h o w eve r , w oul d req u i r com p l e x dat a   pr ocessi ng a p p r oac h es  fo r si g n al  m a ni pul at i o n .  T h e sec o n d ary  EE ha v e  bee n  i m pl em ent e d i n   pers on rec o gni tion [11], and  brai n–c om puter interface [ 1 2 ] , as well as  i nve stigation on  ne urophysiol ogical   co rrelates with p s ych oph ysio l o g y wh ich  norm a l l in cl u d e s e m o tio n  recog n ition  stud ies [1 3]  an d  its effects  Evaluation Warning : The document was created with Spire.PDF for Python.
I J ECE   I S SN 208 8-8 7 0 8     IQ Cl a ssifica tio n via   Bra i n w a ve Fea t u r es:  Review o n  Arti ficia l In tellig ence Techn i qu es   (Aisya h  H J 85 fro m  ex tern al  sti m u l u s    [1 4] . Oth e r app licatio n   o f  EEG can  also   b e  rel a ted  to  cog n iti v e  ab ilities such  as  in tellig en ce [15 ]  and  learn i ng style [16 ] The  features e x tracted from  raw EE G sign als withou t lo si ng  its  o r i g in al co n t en t are cru c ial in  ord e to  d i stingu ish  an d classify  b r ain  activ ity effectiv ely.  Th is  wou l d en ab le  co rrelatio n of  p a ram e ters with  t h neu r opsy c hol o g i cal  fu nct i o n i ng o f  t h br ai n.  W i t h  t h e  ai d of v a ri o u s si g n al  pr o cessi ng a p p r o aches ,   charact e r i s at i ons o f   brai nw ave feat ures i n  t h past  ha ve t a ke n n u m e ro us a p p r oac h es  un der a  br o a d   pers pect i v of  EEG st u d i e s [ 1 7- 1 9 ] .  Suc h  va l u abl e  i n fo rm ati on  obt ai ne d t h ro u gh i n n ovat i ve si g n al  p r oce ssi n g   is co mm o n l y in corpo r ated   with  th u s o f  in tellig en classifiers an d h e n ce, resu lt in  the co n c ep tio of  intelligent signal proces si ng (IS P) technique. T h e approach re fers  t o   the im ple m entation of m ode l-free  t echni q u es  f o r  feat u r e ext r a c t i on a nd m odel l i ng  p u r p o s es [2 0] . T h es e wo ul d  f u rt h e r co nt ri but t o  t h enha ncem ent of knowledge and lead to  a wi d e r rang e m u lt id iscip lin ary ap p lication s . Certain l y, th is p r esen ts  an e x cel l e nt   op po rt u n i t y  t o  a d vance  t h re search  in  relatin g EEG  with  IQ via  ISP.  Cu rren tly, th ere is a  v a riet y o f  artificial in tellig en ce  (AI) tech iqu e s [21-24 ] th at  cou l d   b e   incorporate d  for IQ classifi c a tion via the  brainwave  features. In order  to j u stify th e sel ectio n  of a p a rticu l ar  m e t hod, t h pa per at t e m p t s  t o  pro v i d e a gen e ral  ove rvi e w and a ppl i cat i o ns o f  est a bl i s h e d t echni qu es,  whi c h   are ex pert  sy st em , genet i c  al g o ri t h m ,  fuzzy  l ogi c a nd a r t i f i c i a l  neural  net w or k ( A NN ) [ 2 1 - 2 4 ] .  The  di sc u ssi on   t h en  f o cuse o n  sel ect i o of   AN N as  s u i t a b l e ISP  m e t hod  fo r cl assi fi cat i o n  o f   IQ  i n dex   base on  EE G.       2.   ESTABLISHED INTELLIGENT SIGNAL  PROCESSING APPROACHES  Th rou gho u t  the years, p a ttern  reco gn ition  an d  classi ficatio n   h a b een   mad e  p o s sib l e v i a ISP t h at   sp ecifically focu ses  on  an al yzin g  an d m o d e llin g of com p lex  d a ta. Th e aim  o f   ISP is to  ex tract  as m u ch  i n f o rm at i on as  p o ssi bl fr om  si gnal  a n d n o i se dat a  usi n g  de di cat ed l e a r ni ng t e c hni q u e s [ 25] ISP  d i ffers   fu n d am ent a l l y   fr om  t h e cl assical  appr oac h  o f  st at i s t i cal  si gnal  pr ocessi ng  i n  t h at  t h e i n p u t - out put  be ha vi o u r   of a c o m p lex  syste m  is  m odelled  using intelligent  or  m odel-free tec hni que s,  rathe r  tha n   relying on t h e   lim itations of  m a them atical  m odels [20].  To achie ve  such goals, num e rous m e thods  can be utilised; each  havi ng i t s  o w n u n i q ue ad va nt ages a nd  dr awbac k s .  The r efo r e, i t  i s  impo rt ant  t o  i d e n t i f y  a part i c u l ar ISP   t echni q u e t h at  coul d m eet the speci fi cat i ons re q u i r ed  f o r m odel l i ng  t h e rel a t i ons hi p bet w een  IQ  an d   brai nwa v e feat ures Th ere are  wid e  v a rieties of  ISP techn i qu es cu rren tly  av ailab l e.  Howev e r,  th is p a p e will on ly fo cu o n  tech n i q u e m o st co mm o n l y fo und  in  t h literatu re. Th ese co m p rise o f   ex p e rt system s ,  g e n e tic alg o rith m s ,   fu zzy log i c and  ANN.  It is no ted  that th e meth od o r igi n at e from  hum an-related phe n omena and an  offs pri ng  of b r oade r di s c i p l i n e kn o w n  as AI. I n  ge neral ,  t h e t ech ni q u es ex hi bi t  sim i l a r chara c t e ri st i c s of si m p le  co m p u t atio n a stag es, and   o f t e n  co m p le m e n t ed   b y  rep e titiv e learn i n g  cycle [2 6 ] It  has bee n  im pl em ent e d i n  di verse areas , su ch as sci e nce [ 27] , en gi neeri n g [2 7,  28] , a g ri cul t u re [ 2 7 ,   29 - 33] ,  m e di cal  [2 7,  3 4 - 41] ,  bi om edi cal  [3 4,  4 2 43] , c o m put er sci e nce  [2 7] , a n d  fi na nci a l   [ 4 4 ,   45] . Th e   appl i cat i o n pa radi gm i n cl ude  c o nt rol ,  de si gn , di ag no si s,  i n st ruct i o n,   i n t e r p ret a t i o n, m oni t o ri ng , pl anni n g ,   p a ttern   classi ficatio n ,  p r escri p tio n, p r ed iction ,   selectio n ,  sch e du ling ,  m a in ten a n ce and  targ etin g,  o p tim is atio n ,   identification, clustering  a n d feat ure  ext r actuin  [27-32, 34 35, 37-39, 44-78].  Ta ble 1 s u mmarises  each ISP  ap pro ach  with th resp ectiv e ap p lication  p a rad i g m s.                                        Evaluation Warning : The document was created with Spire.PDF for Python.
                      I S SN 2 088 -87 08  IJEC E V o l .  5, No . 1, Feb r uar y   20 1 5   :    8 4  – 91   86 Tabl e 1. Sum m a ry   o f  ISP Tec hni que   an d A p pl i cat i on  P a ra d i gm T echniques Application  Par a dig m s   Ar eas   E xper t  Sy stem   contr o l [27,  57] ,  d e sign [2 7] ,  pr escr iption [ 27] ,   diagnosis  [27,  28,   31,  34- 37,  56,  57]   ,  sor ting [29] ,    identification [30], instru ction, interpretation,  m onitor i ng [38,  57] ,  selection [44] ,   m a naging [ 45] ,   planning [59] ,   classificati on [3 2] ,  pr ediction [6 3]   che m istry  [27], ge ology  [27], space technology  [2 7],  electr i c r a ilway [28] ,  egg gr ading [29 ] ,  plant  pr otection in pepp er  [30] ,  fish disease diagnosis [3 1] ,   pollen gr ains ident i ficaition  [3 2] ,  com puter  networ ks  43] ,  stock exchang e  [44] ,  finance  m a nagem e nt [45] ,   health [56] ,  industr ial [57] ,  dr ug  m e tabolis m    [63] .     Gener tic Algor ithm  optim ization  [68- 7 1 ,  73,  74] ,  identification [78] ,   scheduling  [65,  66 ] ,  featur extr actio n [67] ,  contr o [68] ,   epilepsy  stage identification,  industr ial,  power   syste m ,  environ m e n t, electro m a gnetic s related to  antenna,   m e dical phy sics,  contr o l theor y ,   and  econo m i cs [67,  70, 74,  79- 81] .     Fuzzy   L ogic  Contr o l [7 5,  76,  82 - 84] ,  decision  m a k i ng [6 0] ,   m onitor i ng[39] ,  diagnosis [ 40] ,   identification [8 5] ,   patter n  r ecognition/classi fication [40,   42,  76]   r obotic [84] ,  indus tr ial (auto m otive)  [82] ,  power  [83] ,   geoscience [86] ,  instr u m e ntation [87] ,   stock tr ading  [60], ty phoid fever  [40],  m u ltifunctio nal prosthesis  contr o l [42] .     ANN  Contr o l [2 4,  64] ,  function appr o x im ation,   pr ediction [33,  77] ,  patter n  classification [8 8- 92] ,   f o recasting [ 9 3], cl ustering/categorisation,  diagnosis [94] ,     fuel consum ption in wheat pr oduction [33] ,  sleep  scor ing [43] ,  r i sk in dengue  patients [ 77] ,  post- dialy s is  blood ur ea concent r ation [41] ,  r obotics and  m achine  em bodim e nts,  adaptive contr o l of co m p lex sy ste m s,  power  [95] ,   m a nufactur ing,  tr anspor tation [88] ,   electr i c nose sensor s [96] ,  envir o n m ental sy ste m  [97] ,   ener gy  s y stem s  [33] ,  epilepsy  [92]  .      Ex pert  sy st em  i s  k n o w l e d g e - base d al g o r i t h m  t h at  em ul at es t h e  be ha vi o u r   of  h u m a n ex pert s  i n  t e rm o f  tho ugh t an d reason ing  p r ocess [98 ] . Th ex p e rt syste m s  can  d e sign ed   as a p r ob lem - so lv ing  ab ility  m o d e l,  w h ich  invo lv es kn ow ledg e,  r eason ing ,  conclu sion  an ex p l an atio ns si milar to  hu m a n  ex p e rt in ord e r to   anal y s e and s o l v e com p l e x pr obl em s [27] . T h e fi rst  ex pert   sy st em  was devel o ped i n  t h m i d-1 9 6 0 s  [ 2 1] , but   its  ap p licatio n p r o liferated   in th 198 0s [27 ,  9 9 ] Th techniq u e  is su itab l e fo r cl o s ed -syste m  ap p licatio n s   for  wh ich  inp u t s are literal an d   precise, lead ing   to  lo g i cal  ou tpu t s [9 8 ] . Th roug hou t th e years, its i m p l e m en tatio i s  m o st ly  i n t e nde f o di ag nosi s  p u r p oses  [2 7] Ex pert   sy st em s have  a p r o f o u n d  ap pl i cat i on i n   h eal t h   d i agn o stic syste m s [34 ,   36 38 39 59 ],   wh ich  in terpret m e d i cal test resu lts [2 7 ] Co nv ersely, gen e tic alg o r ithm is a  so lu tion  search ing  tech n i q u e , wh ich  is roo t ed  in th e id eas o f   ev o l u tio n   pr o c ess and  n a t u r a l p o p u l ation  gen e tics [ 7 4 ] Th e techn i qu e th at w a s concep tu alized   b y  John  Ho lland  in  t h e 1 960 s,  h a d r i v en  t h e in terest in  h e uris tic search  al g o rithm s  with  foun datio n s  in   n a tural an phy si cal  p r oce sses [7 9] . It s m o st  pr om i n ent  i m pl em ent a t i on i s  i n  opt i m i zati on [ 6 8- 71 , 7 3 ,  74] . C o nse que nt l y ,   g e n e tic algor ith m  is  m o st su ccessfu l  in  so lv ing   p r o b l em s th at ar r e lated  to  ch ar acter izatio n  i n  physical  scien ces [7 4 ] A n o t h e r  ISP tech n i q u e , th e fuzzy lo g i c w a s fo und ed  i n  1965  b y  Lo f ti Zadeh  [2 3 ] . Th e co n c ep t   was ad o p t e d f r om  hum an t h i nki n g  a nd m u ch resem b l e s t h e nat u ral  l a n gua ge c o m p ared t o  t h e t r a d i t i onal   logical syste m s [75].  W ithin the ne xt two decades , fuz z y  logic has b een widely implem ented to solve  pr o b l e m s  from  deci si on -m aki ng t h e o ry . The  t echni q u e i s  m o st  successfu l l y  appl i e d i n  cont rol  p r o b l e m s  [64,   75 , 7 6 8 2 - 8 4] .  The sy st em  howe v e r , i s  n o t   capabl e   of l e a r ni n g  [ 1 00] He nce, i t s  i m pl em ent a t i on i n  t h e area   o f   p a ttern   recog n ition  is still l i m i t ed . To  m i n i m i ze su ch  d r awb a ck fu zzy l o g i will n eed   to  b e  in tegrated  with   ot he r I SP t e c h ni q u es  [4 2,  8 7 ] .   Mean wh ile, ANN is a  n o n - li n ear artificial i n tellig en ce  app r o a ch  th at is in sp ired   b y  th e work i n g   o f   biological neurons in the bra i n [101] . T h e technique that was introduce d  in the 1940s  ha s recently seen a   sh arp  in crease in  its i m p l e m e n tatio n  [24 ] . ANN has b e en  an  altern ativ e to th e trad itio n a l  statist i cal  m o d e llin g   tech n i qu es in   variou s scien tifi c  d i scip lin es [10 2 ] . Its m a in  ad v a n t ag e lies in  its ab ility  to  learn  and  g e n e ralize   so lu tion s  fo r co m p lex  p r o b l em s  [1 01 ]. Hence, th m e th od  i s  part i c ul arl y  useful  f o r s o l v i n g a p r o b e m  for  whi c h l a r g e a m ount  o f  d a t a   i s  i n v o l v e d ,  b u t  wi t h   un k n o w n i n t e r- rel a t i o n s hi [ 1 0 2 ] .   It   can a p p r oxi m a t e  t h no n - l i n ear rel a t i ons hi p bet w een t h e i n p u t  vari a b l e s and t h o u t p ut  of a so p h i s t i cat ed sy st em  [1 03] .   Im pl em ent a ti on of t h AN N can be m o st l y   fo u nd i n  bi om edi cal  appl i cat i ons [ 4 6, 4 7 , 5 2 ] .  M o re ove r,  i t  was   also disc ove re d that ANN  has  been  very  success f ul  wh en i n tegrated with innovati ve signal proc essing  ap pro ach fo r pattern  recogn itio n purpo ses [88 - 91 10 4 ]           Evaluation Warning : The document was created with Spire.PDF for Python.
I J ECE   I S SN 208 8-8 7 0 8     IQ Cl a ssifica tio n via   Bra i n w a ve Fea t u r es:  Review o n  Arti ficia l In tellig ence Techn i qu es   (Aisya h  H J 87 3.   CO MP AR AT IVE AN ALY S IS   Table  2 s u mmarizes on t h e s e lection criteri as fo r t h e c o mparative  analy s is. The  selection c r iteria   in clu d e  cap a b ilities to  g e n e ral i ze so lu tio n   for co m p lex  p r ob lem s , to  self-learn, an alyze an d  m o d e l no n-lin ear  rel a t i ons hi ps , a s  wel l  as i t s   pri m ary  pu rp ose   of  i m pl em ent a ti on.     Tabl e 2. Sel ect i on  C r i t e ri as    Criterias   ES   GA   FL   ANN   Generalize  Solution for Co m p lex  Pr oblem s   Yes Yes  No  Yes  2 Self-learning  Capability  No Yes No  Yes  Analy z e and M odel Non- linear   Relationships   No No No  Yes  Pur pose of Im ple m entation   Diagnosis  Opti m i zation   Decision-m a king  Pattern  recognition     Up to th is  p o i nt, it h a s b e en  i d en tified  t h at  ANN is th e m o st su itab l app r oach  t o   b e  im p l e m en ted  for   IQ m odelling  via the EEG.  This is attribut ed  by its  pre v i ous successes  as a ro bust m odelling techni que  in  b i o m ed ical ap p licatio n s p a rticu l arly for  p a ttern  reco g n itio n and  classifi catio n .  Thu s , t h e fo llowing  section  will furth e r elab orate  o n  th e i m p o r tan t  aspects o f   ANN  wh i c h  in cl u d e  its  m o st p o p u l ar arch itecture.    3. 1. Ar ti fi ci al  Neur al   Ne tw o r ANN was p i on eered  b y  McCu llo ch  and  Pitts in  th e 19 40 s.  Later, t h e p e rcep t r on co nv erg e n ce  th eorem  h a s b een  in tro d u c ed b y  Ro senb latt in  th e 1 960 s [1 01 ]. Desp ite th is, th e th eo ry  was still h a v i n g  its  li mitatio n s , w h ich  r e su lted  in   slo w d o wn  of  th e r e sear ch  ar ea. H o w e v e r, the en thu s iasm  r e su rg ed  in  1982  w ith  th e in tro d u c tion  of b a ck-propag a tio n  le arn i ng  algo rith m  b y   W e rbo s  fo r t h m u ltila yer p e rcep tron  n e t w ork. In   19 8 6  [2 4] , i t   was f u rt he r p o pul a r i zed by  R u m e l h art .  Ev er since, the use  of ANN ha s seen a steady growt h   wi t h  a ppl i cat i o ns s p a n i n g ac r o ss a  wi de  ran g of  p r o b l e m   dom ai ns as  pre v i o usl y  m e nt i on i n  Ta bl e 1 .     Th e m u ltilayer  p e rcep t r on  is curren tly th m o st estab lish e d  sup e rv ised  n e ural  n e two r k  m o d e l for  p r actical ap p l i catio n s  i n  so l v ing   d i v e rse  an d co m p le x  p r ob lem s  [9 1 ] . As an  i n tellig en t tech n i q u e, th m u l tilayer p e rcep tro n  h a b een wi d e ly u s ed  for  o p t i m isatio n ,  m o d e llin g ,  pred ictio n  an d fun c tio app r oxi m a t i on pu rp oses  [ 1 0 5 ] .  H o we ve r,  i t  has al so be en suc cessf ul l y  appl i e d t o   a vari et y  of  p a t t e r n   recogn itio n  and  classification   p r ob lem s  [5 4,  5 5 ] Such app licatio n s   in clu d e  d i sease reco gn itio n [77 ] phy si ol o g i cal  anal y s i s  and m odel i ng  [ 46] , ca ncer  det ect i on  and cl assi fi cat i on  [ 47] , m odel l i ng o f   heart   di seas e   reco g n i t i on  [ 1 0 6 ] ,   di ag nosi s  o f  c o r ona ry  art e ry  di sease  [ 49] ,  an ot he r rel a t e d st udi es  [ 5 2 ,   89] .       3. 2. I n te gr ati o n o f   Arti fi ci al   Neur al  Ne tw o r k a nd E E G  f o r I Q   Cl assi fi cati on   Im pl em ent a ti on  of  A N N  i n  bi om edi cal  appl i cat i o has  bee n   o b ser v e d  i n  si g n al  c o m p ressi o n ,   enha ncem ent  and i n t e rp ret a t i on  [8 9] . The  p r o p o sed  resear ch on IQ classification vi a brainwa v e features fall  with in th do main   o f   sign al interp retation ,  wh ereb y th p a ttern of EEG sub - b a n d  f eat u r es will b e  recogn ized  t h r o u g h  a l ear n i ng  pr ocess  an d l a t e r cl assi fi e d  i n t o   di scret e   IQ l e vel s  [ 1 07] . A n   unc om pro m i s i ng ad va nt age  o f   ANN also  lies  in  th e ab ility to  cro ss-correlate d a ta co rrectly fro m  u n kno wn relatio n s h i p s ANN  has cert a inly established itself as the   m o st  successfully  m odelling techni que  for biom edical   appl i cat i o ns [ 5 2,  1 08] pa rt i c ul arl y  i n  t h e a r ea  of  pat t e r n   reco g n i t i on  [5 4] . O v e r  t h e  y ears, se ve ral  t y pes  o f   AN N ha ve  bee n  de vel o pe d, e ach wi t h   uni qu e pr ope rt i e s t h at   m a ke t h em   m o re sui t a bl e fo r cert a i n  t a s k  o v er  t h e ot he rs.  The  net w or k arc h i t ect ure va ri es i n  t e rm s of st ru ct ure, act i v at i o n f unct i on a n d  l earni n g  al g o r i t h m .   In ge ne ral, the  ANN ca n be im plem ented in su per v ised  a nd  uns u p er vise d learnin g  m odes [ 1 0 9 ] .  U n der the  form er settin g ,  th e n e two r k  will h a v e  to  recog n i ze th p a ttern   o n l y fro m  t h e inp u t  variables. Co nv ersely, the  later will al lo w th e n e two r k to  learn  b y  reco gn izing  th e relatio n s h i p  between  th e inp u t  v a riab les  an d  th o u t p u t Hen c e in  ou p r op osed  work, th e n e two r k  will b e  im p l e m en ted  in  sup e rv i s ed  learn i ng  settin g s   whe r e b y the E E G feat ures  wi ll be assigne as the inputs a n d  t h e d i stin ct  IQ lev e ls as the actu a l ou tpu t . Th is  wo ul d  al l o w  t h e net w o r k  t o   b e  t r ai ne by  co nfi r m i ng i t s   pe rf orm a nce t o  t h pr o v i d e d   ou t put .       4.   CO NCL USI O N   Am ong  vari ous ISP a p proac h es, t h e ANN is percei ved as a signific ant technique  for  pattern  recogn itio n  and  classificatio n th ro ugh  its  mo d e lling  cap a bilit ies. Its i m p l e m en tatio n  h a s ex tend ed  t o  a wide  ran g o f   bi om edi cal  ap pl i cat i ons . T h us,  A N N  i s  c o nsi d e r e d  as  t h e  m o st  sui t a bl e m e t hod  t o  m odel  t h I Q   fr om   brai nwa v e feat ures     Evaluation Warning : The document was created with Spire.PDF for Python.
                      I S SN 2 088 -87 08  IJEC E V o l .  5, No . 1, Feb r uar y   20 1 5   :    8 4  – 91   88 ACKNOWLE DGE M ENTS  Aut h ors e x tend their appreci ation to t h e Ministry  o f  E duc at i on, M a l a y s i a  an d U n i v e r si t i  Tekn ol o g i   M A R A  f o r t h e fi nanci a l  su pp o r t  t h ro u gh  t h e Fu ndam e nt al  R e search Gra n t  Schem e  (60 0 - R M I/ FR GS 5/ 3   ( 7 2 / 201 2) ) and MyPh D sch o l ar sh i p .       REFERE NC ES   [1]   S . B.I.  S cal es , "H is tor y  of  the  S t a n ford-Binet  Int e l ligen ce S c al es Content  and P s ychom etrics ,"  200 3.   [2]   J. Raven ,  " T he  Raven ' s progres sive matrices: change  and stab il it ov er cultur e  and  t i m e ,"  Cogn itiv e psy c holog y ,   vol. 41 , pp . 1-48 , 2000 [3]   D. W echsler, "W echsler adult  intel ligen ce sca l e–Fourth Editio n (W AIS–IV),"  San Antonio, TX: NCS Pearso n,  2008.  [4]   D.F. Lohman , et  al. , "Identif y i ng Academically  Gi fted Eng lis h-Languag e  Learners Using Nonverbal  Tests:  Comparison of the Raven,  NNAT,  and CogAT, Gifted Chi l d Quarterly,  vo l. 52 , pp. 275-296,  October 1, 200 8   2008.  [5]   E. Hussain an d D. Nordli,   "EEG Patte rn s  in Acut e P e diatri c En ceph a lopathi e s , Jou r nal of clinica l   neurophysiology: officia l  publica tion of th e American  Electroen cephalographic So ciety,  vol. 30 , pp . 539-544 , 2013 [6]   V. V.  Moca , et  al. , "EEG under  anesthesia--f eatu r e  extr action with  TESPAR,"  Computer Methods and Programs i n   Biomedicine,  vo l. 95 , pp . 191-20 2, Sep  2009.  [7]   M.J. van Put t en  and D.L .   Tav y "Continuous quantitative E E G m onitoring  in h e m i spheric stroke p a ti ents using th brain s y mmetr y   index,"   Stroke,  v o l. 35 , pp . 2489- 92, Nov 2004 [8]   M. Koukkou , et al. , "An EEG approach to the neurodevelopmen tal h y po thesis of schizophrenia stud y i ng  schizophren ics, normal  cont ro ls and  ado l escents,"  Journal of Psychiatric Research,  vol. 34 , pp . 57 -73, 2000 [9]   C.E. J acks on a nd P . J .  S n y d e r ,  "Elec t roen ceph a lograph y   and event-r e la ted  po tenti a ls  as bio m arkers of mild   cognitiv im pair m e nt and  m ild A l zhe i m e r’s disea s e,"  Alzhe i me r's &   D e me ntia,   vol. 4 ,  pp . S137-S143, 2008 [10]   D. M.  Murray , et al. , "Early   EEG findings in hy poxi c-isch emic enceph a l opath y predict ou tcomes at 2  y ears,"   Pediatrics,  vo l.  124, pp . e459 -67 ,  Sep  2009.  [11]   P.  Ca mpisi , et al. ,  "EEG for  Auto m a tic Person  Re cognition , Com puter,  vo l. 45, p p . 87-89 , 2012 [12]   S. Sun, "Extreme energ y  differ e nce fo r featur e extraction of EEG signals,"  Expert Systems with  Applica tions,  vo l.  37, pp . 4350-43 57, 2010 [13]   N. Sharm a  and  T. Ged e on,  "Object ive m easur es,  sensor s and co m putational  t ech niques for str e ss recogn ition  and   clas s i fi cat ion: a s u rve y ,"  Computer  Methods and Progr ams in Bio m edicin e,  vol. 1 08, pp . 1287-30 1, Dec 2012 [14]   T. B a umgartner , et al. , "From emotion perception to  emotio n expe r i ence:  Emotions evoked  b y  pictures  an c l a ssica l music, International Jo urnal  of Psycho physiology,  vol.  60, pp . 34-43 , 2 006.  [15]   A.H. Jahidin , et al. , "Brainwave  sub-band power ratio ch aracte r i st ics in intel lig enc e  assessm ent," in  IEEE Control  and System Gra duate  Research   Colloquium ( I CSGRC) , 2012, pp . 318-321.  [16]   M. S. A.  Me ga t Ali , et  a l . , "Learning Sty l e Cla ssification via EEG  Subband Spectral  Centro id Frequ e ncy  Features,"   International Jo urnal of  Electrical  and Computer Engin eering  ( I JECE) ,   vol. 4 ,  pp . 931-938, 2014.  [17]   S.  Sa ne i a n d J. A .  Cha m be rs,  EEG signal process i ng : Wiley -Inter s cience, 2008.  [18]   S .  Xie and S .  Kris hnan, "W avele t -bas ed s p ars e  function a line a r m odel with applica tions to EEGs seizure dete ct io and ep ileps y   diagnosis,"  Medical  &  Biological En gineering   &   Co mputing,  vo l. 51, pp. 49-60, 2013 /02/01 2013 [19]   G. Chen, "Auto m atic  EEG seizure detection us i ng dual- tree co mplex wavelet- Fourier features ,"  Expert System with App l i c ation s vol. 41, pp. 23 91-2394, 2014   [20]   S. S.  Hay k in a n B.  Kosko,   In telligent signa l processing : Wiley - I E EE Press, 2001.  [21]   L. Shu-Hsien, "Expert s y stem  methodologies and  applications —a  decade rev i ew from 1995 to 2004,"  Expert  Systems with  Ap plications,  vo l. 2 8 , pp . 93-103 , 2 005.  [22]   J. F.  Fre n ze l ,  "Gene t ic  al gori t h ms,"  Poten tials , IE E E vo l. 12, pp. 2 1 -24, 1993 [23]   L.A .  Zad e h,  "F uzz y  s e ts ,"  In formation and  contro l,  vo l. 8, pp. 338 -353, 1965 [24]   A. K.  Jain , et   al. "Artifici a l  neura l  networks: A  tut o rial ,"  IE EE  com puter vo l. 29, p p . 31-44 , 1996 [25]   S. Ha y k in and  B. Kosko, "Spec i al I ssue On Int e llig ent Sign al P r ocessing,"  Proceedings of  the I EEE,  vol. 86, p p .   2119-2120, 199 8.  [26]   K. T.  Yang,  "Artificial Ne ural Networks (ANNs):  New P a radigm  for Therm a l S c ien ce and  Engi neering , Journa of Heat Transfer,  vol. 130 , p .  093 001, 2008 [27]   J .  Durkin, "Res earch revi ew: Applic ation  of exp e rt s y s t em s  in the s c ienc es ,"  Ohio Journal of Science,  vol. 90 , pp.  171-179, 1990 [28]   Z. Liu and  Z. Han,  "Fault  diagnosis  of electr ic railway   traction substa tion w ith model-b a sed  relation  guidin g   algorithm,"   Exp e rt Systems wi th  Applica tions,   vo l. 41 , pp . 1730-1 741, 2014 [29]   V.  Patel , et  al. "Development and evaluation of  an  expert s y stem for egg sortin g,"  Computers a nd Electronics in  Agric u lture,   vo l. 20, pp. 97-116,  1998.  [30]   L .  Gonz al ez -Di a z , et al. , "Exp ert s y stem for integrated p l ant p r otection in pepp er  (Capsicum ann uun L.) , Exp e rt  Systems with  Ap plications,  vo l. 3 6 , pp . 8975-897 9, 2009 [31]   D.  Li , et al . , "Fish-Expert: a web-based expert s y s t em for fish dise ase diagnosis,"  Expert Systems  with Application s vol. 23 , pp . 311- 320, 2002 Evaluation Warning : The document was created with Spire.PDF for Python.
I J ECE   I S SN 208 8-8 7 0 8     IQ Cl a ssifica tio n via   Bra i n w a ve Fea t u r es:  Review o n  Arti ficia l In tellig ence Techn i qu es   (Aisya h  H J 89 [32]   Y.  Kay a , et al. , "An expert class i fication s y s t em of polle n of Onopordum using  a rough set appr oach,"  R evi ew o f   Palaeobotan y an d Palynology,  vo l. 189 , pp . 50-56 , 2013 [33]   M. Safa  and S.  Sam a rasinghe,  " M odelling fu el  consum ption in  wheat produ c tio n using art i fi cial  neural networks,"  Energy,   vol. 49 pp. 337-343 , 20 13.  [34]   J. Nahar , et  a l . ,  "Com putationa l  int e llig enc e  for  m i croarr a y  da t a  and  biom edi c al  im age  anal ys is for th earl y   diagnosis of br east cancer,"  Exp e rt Syst ems with   Applica tions,   vo l. 39 , pp . 12371- 12377, 2012 [35]   G.  Sardana , et a l . , " E merging biomarkers for the diagnos is and p r ognosis of prostate can cer ,"  Cli n ical chemistr y   ( B altimore, Md .) vol. 54 , pp . 195 1-60, 2008 [36]   F. Bascif tci an d A. Eldem,  " U sing reduced   rule b a se with   Expert  S y stem for the diagnos is of disease in  h y per t ension ,"  Medica &  Biological Engin eerin &   Computing,  vol. 51 , pp . 1287 -93, Dec 2013 [37]   P. Baptist a , et  al. , "Gold nano particles for  th e dev e lopm ent  of clin ical d i ag nosis methods,"  Analytical and   Bioanalytical Ch emistry,  vo l. 391 , pp . 943-50 , Jun  2008.  [38]   E. S e to , et  al. "Developing he alth care ru le-ba s ed expert s y s t e m s :  cas e s t ud y  of a heart f a ilur e  tel e m onitorin g   sy s t e m , "   Int J M e d Inform,  vol. 8 1 , pp . 556-65 , A ug 2012.  [39]   M. Mansoor B a ig , et  al. , "F uzz y  logi c bas e d  anaes thes i a  m onitori ng s y stems for the detection of absolute  h y povolaemia,"  Computers in Biology and  Med i cine,  vol. 43 , pp 683-92, Jul 2013 [40]   O. W.  Samuel , et  al. , "A web  b a sed decision su pport s y stem driven  b y  fu zzy   lo gic for  the diag nosis of ty phoid  fever,"   Expert S y stems with  Applications,  vol. 40 pp. 4164-4171 2013.  [41]   A.T. Azar, "Fast neural network learni ng  algorithms for medical  applications,"  Neural Computing an d   Applica tions,   vo l. 23 , pp . 1019-1 034, 2012 [42]   A.B. Ajibo y and R.F. Weir, " A  heuristic fuzzy  log i c appro a ch to EMG pattern recognit i on f o r m u ltifunction a prosthesis contr o l,"  Neural Syst ems and Rehabilitat i on Engi ne e r ing, IEEE Transactions on,  vol. 13, pp. 280-291,  2005.  [43]   M. Ronzhin a , et   al . , "Sleep  scoring using ar tif icial neur al network s ,"  Sleep M e d Rev,  vo l. 16, pp. 25 1-63, Jun 2012 [44]   P. Xidonas , et al. , "On the select i on of equit y  securities: An ex p e r t  s y stem s m e thodolog y   and an application on th Athens Stock  Ex change,"  Expert  Systems with  Ap plications,  vo l. 3 6 , pp . 11966-11 980, 2009 [45]   W.  Shi u e , et  a l . , "A frame kno wledge s y s t em f o r ma naging f i n a ncial d ecision   knowledge,"  Expe rt Sy ste m s with   Applica tions,   vo l. 35 , pp . 1068-1 079, 2008 [46]   M.  Duta , et al. , "Neural networ k analy s is of the mastoi d EEG for the assessment of vigilan ce,"  Inte rnat i o nal  Journal of Human-Computer Interaction ,   vol. 17 , pp . 171-195 , 2 004/06/01 2004 [47]   J.  Kha n , et al. "Classification and diagnostic pr ed iction of cancers using gene e xpression profiling and artificial  neural networks,"  Natur e  m e d i ci ne,  vo l. 7, pp. 67 3-679, 2001 [48]   J. Kuruvilla  an d K. Gunav a thi, "Lung  cancer  classi fication us ing neur al netw orks for CT images,"  Computer  Methods and  Programs in Biom edicine,  vol. 113 , pp . 202-9 ,  Jan   2014.  [49]   R. Alizad ehs a ni , et al. , "A data  mining approach  for diagnos is of  coronar y   arter y   disease,"  Computer Methods and  Programs in Bio m edicin e,   vol. 1 11, pp . 52-61 , Ju l 2013.  [50]   C. Ze cchin , et  al. , "Jump neur al network for on line short- time prediction of   blood glucose f r om continuous  monitoring sensors and meal inf o rmation,"  Computer Methods a nd Programs in Biomedicine,  vol. 113, pp . 144-5 2 Jan 2014.  [51]   A. Kupusinac , et al. , "Predictin g bod y  fat percentag e  based on  ge nder,  age an d BMI by  using  artificial neur al  networks,"  Com puter Methods a nd Programs in  Biomedicine,  vo l. 113 , pp . 610-6 19, Feb  2014.  [52]   P . J .  Lis boa , "A review of ev iden ce of  he al th bene fit from  artif ici a l  neural n e tworks in m e dica l int e r v ention , Neura l   networks,  vo l. 1 5 , pp . 11-39 , 20 02.  [53]   E. P o let t i , et  al. , "A modular fr amework for the  automatic classification of ch romoso mes in  Q-band images,"  Computer Metho d s and Programs in Biomedicine,  vol. 105 , pp . 12 0-130, 2012 [54]   J. L.  Ama r al , e t  al . , "An improved  method of  ear ly diagnosis of  sm oking-induced respirator y   chang e s using machine  learn i ng algorith m s,"  Computer Methods and  Progr ams in Biom edicine,  vol. 112 , pp . 441-54 , Dec 2013.  [55]   S.   İ çer , et al. , "Com parison of  m u ltilay e r perceptron train i ng al gorithm s  for por tal venous dopp ler signals in th cirrhosis disease,"  Expert S y stem s with  Applicatio ns,  vol. 31, pp. 4 06-413, 2006 [56]   Y.  Chen , et al. , "Constructing a nutrition di a gnosis e xpe rt sy stem, "   Expert Systems with Applications,  vol. 39, p p 2132-2156, 201 2.  [57]   V.  Uraikul , et  a l . , "Artif ici a l in te lligen ce for m o n itoring and sup e rvisor y  con t rol o f  process s y stem s,"  Engineering  Applica tions o f   Artifi cial  Int e ll ig ence vo l. 20, pp . 115-131 , 2007 [58]   E. Ném e th , et al. , "Predic tio n-based diagno si s and loss prevent i on using qualit ativ e m u lti-sc ale m odels ,"  Information Sciences,  vo l. 177, p p . 1916-1930 , 2 007.  [59]   C.L. Hsu , et al. , "A secur e  IR B s y stem  for  as sisting the  dev e lopm ent of  inte l ligent  m e dic a devic e s,"  Expert  Systems with  Ap plications,  vo l. 3 9 , pp . 12512-12 521, 2012 [60]   L. D y mova , et  al. , "A stock tr ading exper t  s y stem based on th e rule-bas e evi d enti al re as oning us ing Level 2   Quotes,"  Expert  Systems with  Ap plications,  vo l. 3 9 , pp . 7150-715 7, 2012 [61]   J.S. Cope , et al. ,  "Revers e  engin eering exp e rt vi s u al obs ervation s : F r om fixation s  to the learning  of spatial fil t ers   with a neur al-gas algorithm,"  Expe rt Sy ste m s wi th Applications,  v o l. 40 , pp . 6707- 6712, 2013 [62]   C. Chen , et al. , "An integrated  architecture  fo r fault diagnosis and failure  pr ognosis of complex engin eer in s y ste m s, Expert Systems with  Ap plications,  vo l. 3 9 , pp . 9031-904 0, 2012 [63]   A. Long, "Drug m e tabolism  in  silico - the kno wledge-based  ex pert s y stem  appr oach. Histori c al perspect ives and   current strategies,"  Drug Discov  Today Technol,  vol. 10 , pp e147 -53, Spring  2013 Evaluation Warning : The document was created with Spire.PDF for Python.
                      I S SN 2 088 -87 08  IJEC E V o l .  5, No . 1, Feb r uar y   20 1 5   :    8 4  – 91   90 [64]   D.A. Linkens and H.O. Ny ong es a, "Le a rning  s y s t em s  in intel ligent  control :  a n  apprais a l of f u zz y, neu r al an genetic algo rith m control applications,"  IE E Proceed ings-Control Theory and Applicat ions,  vol. 143, pp. 367-38 6,  1996.  [65]   E.S .  Hou , et a l . , "A genetic  alg o rithm  for m u ltiprocessor scheduling,"  Parallel and Distribut ed Systems, IEEE  Transactions on,  vol. 5, pp. 113- 120, 1994 [66]   J.C. Chen , et al. "Flex i ble job shop  scheduling   with parallel mach in es using Genetic Algorith m  and Grouping  Genetic Algor ith m,"  Expert  Syst e m s with App lica t ions,  vol. 39 , pp . 10016-10021, 2 012.  [67]   M. Lee and  E.K. Kang, "Ter mite  tunneling  feature extr act ion using  genetic algor ith m,"  Soft Computing,  vol. 16 , pp 419-425, 2011 [68]   K. S.  Tang , et al. , "Genetic algorithms and their applications,"  Sig nal Processing Magazine, IEEE,  vol. 13, pp. 22- 37, 1996 [69]   D. W h itl e y ,  "A genet i algor ith m  tutoria l ,"  S t atistics and  computing,  vo l. 4, pp. 6 5 -85, 1994 [70]   U. Kesgin, "Ge n eti c  a l gorithm  and a r tif ici a neural  ne twork  for engin e  op timisation of  eff i ciency   and N O x   e m ission, Fue l ,   vol. 83 , pp . 885- 895, 2004 [71]   T. Ba ck , et  al. , "Evolution a r y  co mputation:  comment s on the his t or y   and curr ent  state,"  Evo l ution a ry Computatio n,  IEEE Transactio ns on  vol. 1, pp.  3-17, 1997 [72]   C.F.M. To ledo , et  al. , "Global o p timization usin g a g e netic  algo rith m with hierarchically  s t ructu r ed population , "   Journal of Computational  and Ap plied   Mathematics,  vol. 261 , pp 341-351, 2014 [73]   M .  S r inivas   and  L.M .  P a tna i k,  "Geneti c   algori t h m s :  a s u rve y ,"   C o mputer,  vol. 27 , pp . 17-26 , 199 4.  [74]   D. A.  Coley ,  "Ge n e t ic  al gori t h ms,"  Contemporary Physics,  vol. 37 , pp. 145-154, 19 96.  [75]   C.C. L e e ,  "F uz z y  logi c in  con t rol s y s t em s :  fuzz y log i contr o ller .  I,"  S y stems, Man and Cybernetics, I E EE  Transactions on,  vol. 20, pp. 419 -435, 1990 [76]   P. Guillem i n, "F uzz y  log i c ap pli e d to m o tor cont rol,"  Industry Ap plications,  IEEE Transactions on,  vol. 32 , pp . 51- 56, 1996 [77]   T. F a isal , et al . "A noninvasive intelligent  approach for pr edicting  the risk in dengue patients,"  Ex pe rt Sy ste m s with  Applica tions,   vo l. 37 , pp . 2175-2 181, 2010 [78]   A. Sotelo , et  al. ,  "Identifi cat ion  of epil eps y  s t ag es  from  ECoG  using genetic pro g ramming  clas s i fiers , " Com puter in Biolog y   and   Medicin e , vol. 4 3 , pp . 1713-23 Nov 2013.  [79]   R. L eard i ,  "Gene tic  algor ithm s  in  chem istr y,"  Journal of Chromatography A,  vol. 1 158, pp . 226-33 , Jul 27 2007 [80]   E.S. Moghaddam, "Design of a  Printed  Quadrifilar-Helical Anten n a on a Dielec tric C y linder b y  M eans of a Genetic   Algorithm [Antenna Applicatio ns Corner] , Antennas and Propagation Magazine, I EEE,  vol.  53, pp. 262-268 2011.  [81]   R.O. R y an  and S. Jinjun, "Active  vibr ation  contro l using genetic  algorithm-ba sed system  id entif ica t ion and posit ive   position f eedback,"  Smart Materials and Structures,  vol. 21 , p .  05 5002, 2012 [82]   N.J. Schouten , et  al. , "Fuzzy   logic contro l for pa rallel h y brid  vehicles,"  Control Systems Technology, IEEE  Transactions on,  vol. 10, pp. 460 -468, 2002 [83]   C. Cecati , et  a l . , "A Multil ev el Inver t er  for  Photovoltaic  S y stem s With Fuzzy  Log i c Co ntrol,"  Industria Electronics, IEEE Transactions  on,  vol. 57 , pp . 4 115-4125, 2010 [84]   P.M. Aubin , et al. , "A Robotic Cadav e ric Gait  Simulator With Fuzzy  Log i Ve rtical Ground  Reaction  Force  Control,"  Robotics, IEEE Transactions on vo l. 2 8 , pp . 246-255 2012.  [85]   F. Cismondi , et  al. ,  "Reducing  u nnecessar y   lab t e sting in  the IC U with arti fic i al  inte llig enc e ,"  In t  J  Me d  I n f o rm,  vol. 82 , pp . 345- 58, May   2013.  [86]   J.A. Giannin i   and C. Kilgus,  "A  fuzzy  log i c technique for  correcting   climatological ion o spheric  models,"   Geoscience and   Remote Sens ing ,  IEEE Transactions on,  vol. 35 pp. 470-474 , 19 97.  [87]   F.  Russo,  "Fuz z y  s y s t e m s in instru mentation: fu zzy  signal processing,"  Instrumentation and M e asurement, IEEE  Transactions on,  vol. 45, pp. 683 -689, 1996 [88]   R. Kozma , et  a l . "Advances in neural  n e twor ks  research : an  intr oduction , Neur al Networks,  vol. 22, pp . 489-90 Jul-Aug 2009.  [89]   S. Kara  and M. Okandan, "Atria l f i bril lat i on c l assifica tion wi th   artificial neur al networks,"  Pattern Recognition,  vol. 40 , pp . 2967 -2973, 2007 [90]   R.P. Lippmann,  "Patte rn  classification using n e u r al n e tworks,"  C o mmunications Magazine,  I E EE,  vol. 27 , pp . 47 - 50, 1989 [91]   G.P .  Zhang ,  "N eural n e tworks  f o r clas s i fi ca tion:  a s u rve y ,"   Systems, Man, and   Cybernetic s,  Pa rt C: Applicatio n s   and Reviews ,  I E EE Transactions  on,  vol. 30, pp.  451-462, 2000 [92]   E. S ezer , et al . , "Emplo y m ent an d Comparison of  Different Artific ial Neural Networks for Epileps y  Diagnosis from  EEG Signals,"  Journal of M e dical Systems,  vol.  36, pp . 347-362 , 2012/02/01  201 2.  [93]   K. Methapr a y o o n , et al., "An in tegration of AN N wind  power e s tim ation in to u n it com m itm ent  considering  the  forecast i ng un ce rtaint y , " Industr y  App lic ations, I EEE  Trans act ion s  on, vol . 43 , pp . 1441-1448, 200 7.  [94]   E. D.  Übey l ı˙  an İ . Güler, "Feature extraction from Doppler ultras ound signals for automate d diagnostic s y stems,"  Computers in Biology and  Med i cine,  vol. 35 , pp 735-764, 2005 [95]   D. Singhal  and  K.S. Swarup, "E lec t ric i t y  pr ic f o recast i ng using  art i fic i al  neur al  networks,"  In ternational Journ a of Electrical Po wer  &  Energy Systems,  vol. 33 pp. 550-555 , 20 11.  [96]   B. G.  Kermani , et al. , "Performan ce of th e Levenb erg–Marquardt n e ur al n e twork tr aining method  in  electronic nose  applications,"  Sensors and Actuators B: Chemical,  vol. 110, pp. 13 -22, 2005 Evaluation Warning : The document was created with Spire.PDF for Python.
IJECE   ISS N 2088-8708    IQ Cl a ssifica tio n via   Bra i n w a ve Fea t u r es:  Review o n  Arti ficia l In tellig ence Techn i qu es   (Aisya h  H J 91 [97]   B. He , et  a l . , " E stim ating m o n t hl y tot a l n itrog en conc entr atio in streams b y  using arti ficial neural network , Journal of En vironm ental Manag ement,  vol. 92 , p p . 172-177 , 201 1.  [98]   M.  Ya hia , et   al . "Rough neural expert s y stems,"  Ex pe rt Sy ste m with Applic ations,   vol. 18, pp. 87 -99, 2000 [99]   F. Hay e s-Roth , " K nowledge-B as ed Exp e rt  S y s t e m s , Computer,  vol. 17 , pp . 263- 273, 1984 [100]   D. Chakrbort y   a nd N. R. P a l, "I ntegra ted f eatur e ana l y s is  and f u zz y rul e -bas ed   s y s t em  iden tifi c ation  in a n e uro - fuzzy  p a radigm,"  Systems, Man,  and Cybernetics, Part B:  C y bern etics, IEEE Transactions on,  vo l.  31, pp. 391-40 0 ,   2001.  [101]   S .  H a ykin Neur al networks: a  comprehensive  fo undation : Pr enti ce Ha ll  PTR,  19 94.   [102]   E. Grossi and M. Buscema, "Intr oduc tion to ar tificial neural n e tw orks,"  European Journal of Gast roenterology an Hepatology,  vo l. 19, pp. 1046-10 54, 2007 [103]   M. N.  Ta ib , e t  al. , " E xtend i ng th e response r a nge of  an  optical fibre pH sensor u s i ng an  artif icial neural network,"   Analyt ica  Chimi c a A c ta vol. 330 , pp . 31-40 , 199 6.  [104]   N.  Chen , et al. , "Edge Dete ction  Based on Biom im etic Patt ern Re cognition , TELKOMNIKA Indonesian Journal of   E l ec t r i c al  E n gi ne e r i n g ,   vol. 12 pp. 6965-6968 2014.  [105]   Y.  Sun , et  al . , " A pplica tion of  a r tifi c ia l neur al n e tworks in th d e sign of con t rolled rel ease drug  deliv er y  s y stems,"  Advanc ed  Dr ug Deliv er y Rev i ew s ,   vol. 55, pp. 12 01-1215, 2003 [106]   A.E. Zad e h , et   al. , "Clas s i fi ca tion of  the  ele c t rocard i ogram  s i gnals  us ing s u pervis ed  clas s i fi ers  and  effic i en t   featur es ,"  Comp uter Methods an d Pr ograms in Biomedicine,  vol.  99, pp . 179-194 , 2010.  [107]   A. H.  Jahidin , e t  al. , "Classification of in tellig en ce quotient via brainw ave su b-ba nd power r a tio f eatu r es an d   artif icial neural  network,"  Comp uter Methods an d Pr ograms in Biomedicine,  vol.  114, pp . 50-59 2014.  [108]   F.  Ama t o , et al. , "Artificial neural networ ks in me dical diagnosis,"   Journal of Applied Biomed icin e,  vol. 11, pp. 47- 58, 2013 [109]   A. K.  Jain , et  al . , "Statistical p a ttern  r ecognition :  A review,"  Pa ttern Anal ysis and Machine In t e llig ence, I E EE   Transactions on,  vol. 22, pp. 4-3 7 , 2000     BIOGRAP HI ES OF  AUTH ORS       Ais y ah Har tini Jahidin ob tain ed the B.Eng (Tel ecommunication) and M.Eng. S c  (El ectr i ca l) from   Universiti Mal a ya , Mal a y s ia . She is current l y   a postgraduat e  research er at  t h e Facult y of  Electrical Engin eering ,  Univ ersiti Teknologi MARA, Malay s ia.  Her main r e search  inter e sts  includ e hum an intell igen ce, cog n itive  abil it y ,   E E G and non-linear m odelling of  brain behav i or  via  inte llig ent  si gnal pro cessing  t echniqu e.        Mohd Nasir Taib obtained the  B.Eng (Electr i cal)  from the Uni v ersity  of Tasmania, Australia,  M.Sc. (Control  S y stems) from  University  of She ffield,  and Ph.D. (Control  & I n strumentation )   from  Universit y  of Manch e ster   Institute of  Science  and T echno log y , Uni t ed Ki ngdom . He is  current l y  a Profe ssor and the Dea n  of the Facu lt of Ele c tri c a l  Eng i neer ing, Univ er siti Tekno logi   MARA, Malay s ia. He is leading  an active r e search group and supe rvising a pool  of research ers  in advan ced sig n al processing with application s  in control s y s t ems and process, biomedical  engineering, and  nonlin ear  s y stems.        Nooritawati Md  Tahir received  the B . Eng ( E l ectronics) from th e Universiti  Tek nologi MARA,  Malay s ia, M.Sc. (Micro electr o n ics & Teleco mmunications) fro m University  of Liv e rpool,  United Kingdo m, and Ph.D. in Electrical E ngineer ing (Pattern Recognition  & Artificial  Intell igen ce) fro m  Universiti Kebangsaan Mal a ysia , Mala ysi a She is currentl y  an Associate  Professor at the Faculty  of Electrical  Engine er ing and the Dir ector of R e sear ch Innovation  Business Unit, Universiti T e kn ologi MARA, Mala y s ia . Her r e search  inter e sts include  im age   processing,  pat t e r n recogn ition ,   c o m puter vision  a nd art i fic i a l  in tel ligen ce.          Megat S y ahirul  Am in Megat Ali rec e ived  th e B.Eng (Biom e dic a l) from  Universiti Ma la ya ,   Malay s ia, and   M.Sc. (Biomedical  Engin eering )  from University of Surrey ,  United Kingdom. He  is currentl y  a senior lecturer at  the Facult y  of  Elect rical Engi neering ,  Univer siti Teknolog MARA, Mala y s ia. His resear c h  interests inc l ude EEG and  intel ligen t m odelling of bra i behavior  with  ap plic ation  to  expe rienti al  le arning   theor y .       Evaluation Warning : The document was created with Spire.PDF for Python.