Quantum Support Vector Machine Applied to the Classication of EEG Signals with Riemanian Geometry
Machines à Vecteurs de Support Quantiques Appliquées à la Classification des Signaux EEG en Géométrie Riemannienne
Résumé
In this work, we explored the performance of a quantum-enhanced support vector machine versus linear discriminant analysis, for the classification of electroencephalography (EEG) recordings. The data were prepared and vectorized using Riemannian Geometry, a ubiquitous method for EEG analysis. The results demonstrate that quantum classification achieved a good performance, although lower than the one achieved with LDA. We conclude that quantum computation does not provide an advantage as compared to classical computation for the classification of well-separable data. Further studies needs to investigate if quantum computation could offer an advantage in situations where classical classification fails.
Dans ce travail, nous avons étudié les performances d'une machine à vecteurs de support quantique par rapport à l'analyse discriminante linéaire (LDA), pour la classification des enregistrements d'électroencéphalographie (EEG). Pour cela, nous avons utilisé une méthode courante pour l'analyse EEG, la géométrie Riemannienne, pour préparer et vectoriser les données. Les résultats ont montré que la classification quantique a obtenu une performance satisfaisante, bien que moins élevée que celle obtenue avec LDA. Nous avons conclu que l'informatique quantique ne présente pas d'avantage pour la classification de données EEG qui sont déjà bien séparables par un algorithme classique. Des recherches supplémentaires sont nécessaires pour déterminer si les calculs quantiques peuvent offrir un avantage dans les situations où les algorithmes classiques échouent.
Origine | Fichiers produits par l'(les) auteur(s) |
---|---|
Licence |