Progress in Advanced Computing and

Intelligent Engineering: Proceedings of

ICACIE 2019, Volume 2 Chhabi Rani
Panigrahi
Visit to download the full and correct content document:
https://textbookfull.com/product/progress-in-advanced-computing-and-intelligent-engi
neering-proceedings-of-icacie-2019-volume-2-chhabi-rani-panigrahi/
More products digital (pdf, epub, mobi) instant
download maybe you interests ...

Progress in Advanced Computing and Intelligent

Engineering: Proceedings of ICACIE 2019, Volume 1
Chhabi Rani Panigrahi

https://textbookfull.com/product/progress-in-advanced-computing-
and-intelligent-engineering-proceedings-of-
icacie-2019-volume-1-chhabi-rani-panigrahi/

Progress in Advanced Computing and Intelligent

Engineering Proceedings of ICACIE 2016 Volume 2 1st
Edition Khalid Saeed

https://textbookfull.com/product/progress-in-advanced-computing-
and-intelligent-engineering-proceedings-of-
icacie-2016-volume-2-1st-edition-khalid-saeed/

Progress in Advanced Computing and Intelligent

Engineering Proceedings of ICACIE 2016 Volume 1 1st
Edition Khalid Saeed

https://textbookfull.com/product/progress-in-advanced-computing-
and-intelligent-engineering-proceedings-of-
icacie-2016-volume-1-1st-edition-khalid-saeed/

Advanced Computing and Intelligent Engineering:

Proceedings of ICACIE 2018, Volume 2 1st Edition
Bibudhendu Pati (Editor)

https://textbookfull.com/product/advanced-computing-and-
intelligent-engineering-proceedings-of-icacie-2018-volume-2-1st-
edition-bibudhendu-pati-editor/
Intelligent Computing: Proceedings of the 2018
Computing Conference, Volume 2 Kohei Arai

https://textbookfull.com/product/intelligent-computing-
proceedings-of-the-2018-computing-conference-volume-2-kohei-arai/

Intelligent Computing Proceedings of the 2020 Computing

Conference Volume 2 Kohei Arai

https://textbookfull.com/product/intelligent-computing-
proceedings-of-the-2020-computing-conference-volume-2-kohei-arai/

Advanced Intelligent Systems for Sustainable

Development AI2SD 2019 Volume 2 Advanced Intelligent
Systems for Sustainable Development Applied to
Agriculture and Health Mostafa Ezziyyani
https://textbookfull.com/product/advanced-intelligent-systems-
for-sustainable-development-ai2sd-2019-volume-2-advanced-
intelligent-systems-for-sustainable-development-applied-to-
agriculture-and-health-mostafa-ezziyyani/

Computing in Engineering and Technology: Proceedings of

ICCET 2019 Brijesh Iyer

https://textbookfull.com/product/computing-in-engineering-and-
technology-proceedings-of-iccet-2019-brijesh-iyer/

Intelligent Computing Proceedings of the 2020 Computing

Conference Volume 3 Kohei Arai

https://textbookfull.com/product/intelligent-computing-
proceedings-of-the-2020-computing-conference-volume-3-kohei-arai/
Advances in Intelligent Systems and Computing 1199

Chhabi Rani Panigrahi ·

Bibudhendu Pati ·
Prasant Mohapatra · Rajkumar Buyya ·
Kuan-Ching Li Editors

Progress in
Advanced
Computing
and Intelligent
Engineering
Proceedings of ICACIE 2019, Volume 2
Advances in Intelligent Systems and Computing

Volume 1199

Series Editor
Janusz Kacprzyk, Systems Research Institute, Polish Academy of Sciences,
Warsaw, Poland

Advisory Editors
Nikhil R. Pal, Indian Statistical Institute, Kolkata, India
Rafael Bello Perez, Faculty of Mathematics, Physics and Computing,
Universidad Central de Las Villas, Santa Clara, Cuba
Emilio S. Corchado, University of Salamanca, Salamanca, Spain
Hani Hagras, School of Computer Science and Electronic Engineering,
University of Essex, Colchester, UK
László T. Kóczy, Department of Automation, Széchenyi István University,
Gyor, Hungary
Vladik Kreinovich, Department of Computer Science, University of Texas
at El Paso, El Paso, TX, USA
Chin-Teng Lin, Department of Electrical Engineering, National Chiao
Tung University, Hsinchu, Taiwan
Jie Lu, Faculty of Engineering and Information Technology,
University of Technology Sydney, Sydney, NSW, Australia
Patricia Melin, Graduate Program of Computer Science, Tijuana Institute
of Technology, Tijuana, Mexico
Nadia Nedjah, Department of Electronics Engineering, University of Rio de Janeiro,
Rio de Janeiro, Brazil
Ngoc Thanh Nguyen , Faculty of Computer Science and Management,
Wrocław University of Technology, Wrocław, Poland
Jun Wang, Department of Mechanical and Automation Engineering,
The Chinese University of Hong Kong, Shatin, Hong Kong
The series “Advances in Intelligent Systems and Computing” contains publications
on theory, applications, and design methods of Intelligent Systems and Intelligent
Computing. Virtually all disciplines such as engineering, natural sciences, computer
and information science, ICT, economics, business, e-commerce, environment,
healthcare, life science are covered. The list of topics spans all the areas of modern
intelligent systems and computing such as: computational intelligence, soft comput-
ing including neural networks, fuzzy systems, evolutionary computing and the fusion
of these paradigms, social intelligence, ambient intelligence, computational neuro-
science, artificial life, virtual worlds and society, cognitive science and systems,
Perception and Vision, DNA and immune based systems, self-organizing and
adaptive systems, e-Learning and teaching, human-centered and human-centric
computing, recommender systems, intelligent control, robotics and mechatronics
including human-machine teaming, knowledge-based paradigms, learning para-
digms, machine ethics, intelligent data analysis, knowledge management, intelligent
agents, intelligent decision making and support, intelligent network security, trust
management, interactive entertainment, Web intelligence and multimedia.
The publications within “Advances in Intelligent Systems and Computing” are
primarily proceedings of important conferences, symposia and congresses. They
cover significant recent developments in the field, both of a foundational and
applicable character. An important characteristic feature of the series is the short
publication time and world-wide distribution. This permits a rapid and broad
dissemination of research results.
Indexed by SCOPUS, DBLP, EI Compendex, INSPEC, WTI Frankfurt eG,
zbMATH, Japanese Science and Technology Agency (JST), SCImago.

More information about this series at http://www.springer.com/series/11156

Chhabi Rani Panigrahi Bibudhendu Pati
• •

Prasant Mohapatra Rajkumar Buyya

• •

Kuan-Ching Li
Editors

Progress in Advanced
Computing and Intelligent
Engineering
Proceedings of ICACIE 2019, Volume 2

123
Editors
Chhabi Rani Panigrahi Bibudhendu Pati
Department of Computer Science Department of Computer Science
Rama Devi Women’s University Rama Devi Women’s University
Bhubaneswar, India Bhubaneswar, India

Prasant Mohapatra Rajkumar Buyya

Department of Computer Science Cloud Computing and Distributed Systems
University of California (CLOUDS) Lab
Davis, CA, USA School of Computing and Information
Systems, The University of Melbourne
Kuan-Ching Li Melbourne, VIC, Australia
Department of Computer Science
and Information Engineering
Providence University
Taichung, Taiwan

ISSN 2194-5357 ISSN 2194-5365 (electronic)

Advances in Intelligent Systems and Computing
ISBN 978-981-15-6352-2 ISBN 978-981-15-6353-9 (eBook)
https://doi.org/10.1007/978-981-15-6353-9
© Springer Nature Singapore Pte Ltd. 2021
This work is subject to copyright. All rights are reserved by the Publisher, whether the whole or part
of the material is concerned, specifically the rights of translation, reprinting, reuse of illustrations,
recitation, broadcasting, reproduction on microfilms or in any other physical way, and transmission
or information storage and retrieval, electronic adaptation, computer software, or by similar or dissimilar
methodology now known or hereafter developed.
The use of general descriptive names, registered names, trademarks, service marks, etc. in this
publication does not imply, even in the absence of a specific statement, that such names are exempt from
the relevant protective laws and regulations and therefore free for general use.
The publisher, the authors and the editors are safe to assume that the advice and information in this
book are believed to be true and accurate at the date of publication. Neither the publisher nor the
authors or the editors give a warranty, express or implied, with respect to the material contained herein or
for any errors or omissions that may have been made. The publisher remains neutral with regard to
jurisdictional claims in published maps and institutional affiliations.

This Springer imprint is published by the registered company Springer Nature Singapore Pte Ltd.
The registered company address is: 152 Beach Road, #21-01/04 Gateway East, Singapore 189721,
Singapore
Preface

This volume contains the papers presented at the 4th International Conference on
Advanced Computing and Intelligent Engineering (ICACIE) 2019: The 4th
International Conference on Advanced Computing and Intelligent Engineering
(www.icacie.com) held during 21–23rd December 2019, at Rama Devi Women’s
University, Bhubaneswar, India. There were 284 submissions and each qualified
submission was reviewed by a minimum of two Technical Program Committee
members using the criteria of relevance, originality, technical quality, and presen-
tation. The committee accepted 86 full papers for oral presentation at the conference
and the overall acceptance rate is 29%.
ICACIE 2019, was an initiative taken by the organizers which focuses on
research and applications on topics of advanced computing and intelligent engi-
neering. The focus was also to present state-of-the-art scientific results, to dis-
seminate modern technologies, and to promote collaborative research in the field of
advanced computing and intelligent engineering. Researchers presented their work
in the conference and had an excellent opportunity to interact with eminent pro-
fessors, scientists, and scholars in their area of research. All participants were
benefitted from discussions that facilitated the emergence of innovative ideas and
approaches. Many distinguished professors, well-known scholars, industry leaders,
and young researchers were participated in making ICACIE 2019, an immense
success. We had also an industry panel discussion and we invited people from
software industries like TCS, Infosys, Cognizant, and entrepreneurs.
We thank all the Technical Program Committee members and all reviewers/
sub-reviewers for their timely and thorough participation during the review process.
We express our sincere gratitude to Prof. Padmaja Mishra, Honourable Vice
Chancellor and Chief Patron of ICACIE 2019, to allow us to organize ICACIE
2019, on the campus and for her unending timely support towards organization of
this conference. We would like to extend our sincere thanks to Prof. Bibudhendu
Pati and Dr. Hemant Kumar Rath, General chairs of ICACIE 2019, for their
valuable guidance during review of papers, as well as other aspects of the con-
ference. We appreciate the time and efforts put in by the members of the local
organizing team at Rama Devi Women’s University, Bhubaneswar, India,

v
vi Preface

especially the faculty members of the Department of Computer Science, student

volunteers, and administrative staff, who dedicated their time and efforts to make
ICACIE 2019, successful. We would like to extend our thanks to Dr. Subhashis Das
Mohapatra for designing and maintaining ICACIE 2019, Website.
We are very grateful to all our sponsors, especially Department of Science and
Technology (DST), Government of India under Consolidation of University
Research for Innovation and Excellence in women universities (CURIE) project for
its generous support towards ICACIE 2019.

Bhubaneswar, India Chhabi Rani Panigrahi

Bhubaneswar, India Bibudhendu Pati
Davis, USA Prasant Mohapatra
Melbourne, Australia Rajkumar Buyya
Taichung, Taiwan Kuan-Ching Li
About This Book

The book focuses on theory, practice and applications in the broad areas of
advanced computing techniques and intelligent engineering. This two volumes
book includes 86 scholarly articles, which have been accepted for presentation from
287 submissions in the 5th International Conference on Advanced Computing and
Intelligent Engineering held at Rama Devi Women’s University, Bhubaneswar,
India during 21–23rd December, 2019. The first volume of this book consists of 40
numbers of papers and volume 2 contains 46 papers with a total of 86 papers. This
book brings together academic scientists, professors, research scholars and students
to share and disseminate their knowledge and scientific research works related to
advance computing and intelligent engineering. It helps to provide a platform to the
young researchers to find the practical challenges encountered in these areas of
research and the solutions adopted. The book helps to disseminate the knowledge
about some innovative and active research directions in the field of advanced
computing techniques and intelligent engineering, along with some current issues
and applications of related topics.

vii
Contents

Advanced Machine Learning Applications

Prediction of Depression Using EEG: A Comparative Study . . . . . . . . . 3
Namrata P. Mohanty, Sweta Shree Dash, Sandeep Sobhan,
and Tripti Swarnkar
Prediction of Stroke Risk Factors for Better Pre-emptive Healthcare:
A Public-Survey-Based Approach . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12
Debayan Banerjee and Jagannath Singh
Language Identification—A Supportive Tool for Multilingual ASR
in Indian Perspective . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 25
Basanta Kumar Swain and Sanghamitra Mohanty
Ensemble Methods to Predict the Locality Scope of Indian
and Hungarian Students for the Real Time: Preliminary Results . . . . . 37
Chaman Verma, Zoltán Illés, and Veronika Stoffová
Automatic Detection and Classification of Tomato Pests
Using Support Vector Machine Based on HOG and LBP Feature
Extraction Technique . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 49
Gayatri Pattnaik and K. Parvathi
Poly Scale Space Technique for Feature Extraction in Lip Reading:
A New Strategy . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 56
M. S. Nandini, Nagappa U. Bhajantri, and Trisiladevi C. Nagavi
Machine Learning Methods for Vehicle Positioning in Vehicular
Ad-Hoc Networks . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 65
Suryakanta Nayak, Partha Sarathi Das, and Satyasen Panda
Effectiveness of Swarm-Based Metaheuristic Algorithm in Data
Classification Using Pi-Sigma Higher Order Neural Network . . . . . . . . 77
Nibedan Panda and Santosh Kumar Majhi

ix
x Contents

Deep Learning for Cover Song Apperception . . . . . . . . . . . . . . . . . . . . 89

D. Khasim Vali and Nagappa U. Bhajantri
SVM-Based Drivers Drowsiness Detection Using Machine Learning
and Image Processing Techniques . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 100
P. Rasna and M. B. Smithamol
Fusion of Artificial Intelligence for Multidisciplinary Optimization:
Skidding Track—Case Study . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 113
Abhishek Nigam and Debi Prasad Ghosh
A Single Document Assamese Text Summarization Using
a Combination of Statistical Features and Assamese WordNet . . . . . . . 125
Nomi Baruah, Shikhar Kr. Sarma, and Surajit Borkotokey
SVM and Ensemble-SVM in EEG-Based Person Identification . . . . . . . 137
Banee Bandana Das, Saswat Kumar Ram, Bibudhendu Pati,
Chhabi Rani Panigrahi, Korra Sathya Babu,
and Ramesh Kumar Mohapatra
A Self-Acting Mechanism to Engender Highlights of a Tennis Game . . . 147
Ramanathan Arunachalam and Abishek Kumar
Performance Evaluation of RF and SVM for Sugarcane Classification
Using Sentinel-2 NDVI Time-Series . . . . . . . . . . . . . . . . . . . . . . . . . . . . 163
Shyamal Virnodkar, V. K. Pachghare, V. C. Patil, and Sunil Kumar Jha
Classification of Nucleotides Using Memetic Algorithms
and Computational Methods . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 175
Rajesh Eswarawaka, S. Venkata Suryanarayana, Purnachand Kollapudi,
and Mrutyunjaya S. Yalawar
A Novel Approach to Detect Emergency Using Machine Learning . . . . 185
Sarmistha Nanda, Chhabi Rani Panigrahi, Bibudhendu Pati,
and Abhishek Mishra

Data Mining Applications and Sentiment Analysis

A Novel Approach Based on Associative Rule Mining Technique
for Multi-label Classification (ARM-MLC) . . . . . . . . . . . . . . . . . . . . . . . 195
C. P. Prathibhamol, K. Ananthakrishnan, Neeraj Nandan,
Abhijith Venugopal, and Nandu Ravindran
Multilevel Neuron Model Construction Related to Structural Brain
Changes Using Hypergraph . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 204
Shalini Ramanathan and Mohan Ramasundaram
Contents xi

AEDBSCAN—Adaptive Epsilon Density-Based Spatial Clustering

of Applications with Noise . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 213
Vidhi Mistry, Urja Pandya, Anjana Rathwa, Himani Kachroo,
and Anjali Jivani
Impact of Prerequisite Subjects on Academic Performance
Using Association Rule Mining . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 227
Chandra Das, Shilpi Bose, Arnab Chanda, Sandeep Singh, Sumanta Das,
and Kuntal Ghosh
A Supervised Approach to Aspect Term Extraction Using Minimal
Robust Features for Sentiment Analysis . . . . . . . . . . . . . . . . . . . . . . . . . 237
Manju Venugopalan, Deepa Gupta, and Vartika Bhatia
Correlation of Visual Perceptions and Extraction of Visual
Articulators for Kannada Lip Reading . . . . . . . . . . . . . . . . . . . . . . . . . 252
M. S. Nandini, Nagappa U. Bhajantri, and Trisiladevi C. Nagavi
Automatic Short Answer Grading Using Corpus-Based Semantic
Similarity Measurements . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 266
Bhuvnesh Chaturvedi and Rohini Basak
A Productive Review on Sentimental Analysis for High
Classification Rates . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 282
Gaurika Jaitly and Manoj Kapil
A Novel Approach to Optimize Deep Neural Network Architectures . . . 295
Harshita Pal and Bhawna Narwal
Effective Identification and Prediction of Breast Cancer Gene
Using Volterra Based LMS/F Adaptive Filter . . . . . . . . . . . . . . . . . . . . 305
Lopamudra Das, Jitendra Kumar Das, and Sarita Nanda
Architecture of Proposed Secured Crypto-Hybrid Algorithm (SCHA)
for Security and Privacy Issues in Data Mining . . . . . . . . . . . . . . . . . . . 315
Pasupuleti Nagendra Babu and S. Ramakrishna
A Technique to Classify Sugarcane Crop from Sentinel-2 Satellite
Imagery Using U-Net Architecture . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 322
Shyamal Virnodkar, V. K. Pachghare, and Sagar Murade
Performance Analysis of Recursive Rule Extraction Algorithms
for Disease Prediction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 331
Manomita Chakraborty, Saroj Kumar Biswas, and Biswajit Purkayastha
Extraction of Relation Between Attributes and Class in Breast Cancer
Data Using Rule Mining Techniques . . . . . . . . . . . . . . . . . . . . . . . . . . . 342
Krishna Mohan, Priyanka C. Nair, Deepa Gupta, Ravi C. Nayar,
and Amritanshu Ram
xii Contents

Recent Challenges in Recommender Systems: A Survey . . . . . . . . . . . . 353

Madhusree Kuanr and Puspanjali Mohapatra
Framework to Detect NPK Deficiency in Maize Plants Using CNN . . . . 366
Padmashri Jahagirdar and Suneeta V. Budihal
Stacked Denoising Autoencoder: A Learning-Based Algorithm
for the Reconstruction of Handwritten Digits . . . . . . . . . . . . . . . . . . . . . 377
Huzaifa M. Maniyar, Nahid Guard, and Suneeta V. Budihal
An Unsupervised Technique to Generate Summaries from
Opinionated Review Documents . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 388
Ashwini Rao and Ketan Shah
Scaled Document Clustering and Word Cloud-Based Summarization
on Hindi Corpus . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 398
Prafulla B. Bafna and Jatinderkumar R. Saini

Big Data Analytics, Cloud and IoT

Rough Set Classifications and Performance Analysis in Medical
Health Care . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 411
Indrani Kumari Sahu, G. K. Panda, and Susant Kumar Das
IoT-Based Modeling of Electronic Healthcare System Through
Connected Environment . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 423
Subhasis Mohapatra and Smita Parija
SEHS: Solar Energy Harvesting System for IoT Edge
Node Devices . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 432
Saswat Kumar Ram, Banee Bandana Das, Bibudhendu Pati,
Chhabi Rani Panigrahi, and Kamala Kanta Mahapatra
An IoT-Based Smart Parking System Using Thingspeak . . . . . . . . . . . . 444
Anagha Bhat, Bharathi Gummanur, Likhitha Priya, and J. Nagaraja
Techniques for Preserving Privacy in Data Mining for Cloud Storage:
A Survey . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 452
Ila Chandrakar and Vishwanath R. Hulipalled
A QoS Aware Binary Salp Swarm Algorithm for Effective Task
Scheduling in Cloud Computing . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 462
Richa Jain and Neelam Sharma
An Efficient Emergency Management System Using NSGA-II
Optimization Technique . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 474
V. Ramasamy, B. Gomathy, and Rajesh Kumar Verma
Contents xiii

Load Balancing Using Firefly Approach . . . . . . . . . . . . . . . . . . . . . . . . 483

Manisha T. Tapale, R. H. Goudar, and Mahantesh N. Birje
IoT Security, Challenges, and Solutions: A Review . . . . . . . . . . . . . . . . 493
Jayashree Mohanty, Sushree Mishra, Sibani Patra, Bibudhendu Pati,
and Chhabi Rani Panigrahi
About the Editors

Dr. Chhabi Rani Panigrahi is Assistant Professor in the P.G. Department of

Computer Science at Rama Devi Women’s University, Bhubaneswar, India. She
completed her Ph.D. from Department of Computer Science and Engineering,
Indian Institute of Technology Kharagpur, India. Her research interest areas include
Software Testing and Mobile Cloud Computing. She holds 19 years of teaching and
research experience. She has published several international journals and confer-
ence papers. She is a Life Member of Indian Society of Technical Education (ISTE)
and member of IEEE and Computer Society of India (CSI).

Dr. Bibudhendu Pati is Associate Professor and Head of the P.G. Department of
Computer Science at Rama Devi Women’s University, Bhubaneswar, India. He
completed his Ph.D. from IIT Kharagpur. Dr. Pati has 21 years of experience in
teaching, research. His interest areas include Wireless Sensor Networks, Cloud
Computing, Big Data, Internet of Things, and Network Virtualization. He has got
several papers published in journals, conference proceedings and books of inter-
national repute. He is a Life Member of Indian Society of Technical Education
(ISTE), Life Member of Computer Society of India, and Senior Member of IEEE.

Prof. Prasant Mohapatra is serving as the Vice Chancellor for Research at

University of California, Davis. He is also a Professor in the Department of
Computer Science and served as the Dean and Vice-Provost of Graduate Studies
during 2016-18. He was the Department Chair of Computer Science during
2007-13. In the past, Dr. Mohapatra has also held Visiting Scientist positions at
Intel Corporation, Panasonic Technologies, Institute of Infocomm Research (I2R),
Singapore, and National ICT Australia (NICTA). Dr. Mohapatra received his
doctoral degree from Penn State University in 1993, and received an Outstanding
Engineering Alumni Award in 2008. He is also the recipient of Distinguished
Alumnus Award from the National Institute of Technology, Rourkela, India. Dr.
Mohapatra received an Outstanding Research Faculty Award from the College of
Engineering at the University of California, Davis. He received the HP Labs
Innovation awards in 2011, 2012, and 2013. He is a Fellow of the IEEE and a

xv
xvi About the Editors

Fellow of AAAS. Dr. Mohapatra’s research interests are in the areas of wireless
networks, mobile communications, cyber security, and Internet protocols. He has
published more than 350 papers in reputed conferences and journals on these topics.
Dr. Mohapatra’s research has been funded through grants from the National Science
Foundation, US Department of Defense, US Army Research Labs, Intel
Corporation, Siemens, Panasonic Technologies, Hewlett Packard, Raytheon, and
EMC Corporation.

Prof. Rajkumar Buyya is a Redmond Barry Distinguished Professor and Director

of the Cloud Computing and Distributed Systems (CLOUDS) Laboratory at the
University of Melbourne, Australia. He is also serving as the founding CEO of
Manjrasoft, a spin-off company of the University, commercializing its innovations
in Cloud Computing. He has authored over 650 publications and seven text books
including “Mastering Cloud Computing” published by McGraw Hill, China
Machine Press, and Morgan Kaufmann for Indian, Chinese and international
markets respectively. Dr. Buyya is one of the highly cited authors in computer
science and software engineering worldwide (h-index=120, g-index=255, 76,800+
citations). He is named in the recent Clarivate Analytics’ (formerly Thomson
Reuters) Highly Cited Researchers and “World’s Most Influential Scientific Minds”
for three consecutive years since 2016. Dr. Buyya is recognized as Scopus
Researcher of the Year 2017 with Excellence in Innovative Research Award by
Elsevier for his outstanding contributions to Cloud computing. He served as
founding Editor-in-Chief of the IEEE Transactions on Cloud Computing. He is
currently serving as Editor-in-Chief of Software: Practice and Experience, a long
standing journal in the field established *50 years ago.

Prof. Kuan-Ching Li is currently a Professor in the Department of Computer

Science and Information Engineering at the Providence University, Taiwan. He was
the Vice-Dean for Office of International and Cross-Strait Affairs (OIA) in this same
university since 2014. Prof. Li is recipient of awards from Nvidia, Ministry of
Education (MOE)/Taiwan and Ministry of Science and Technology (MOST)/
Taiwan, as also guest professorship from different universities in China. He got his
PhD from University of Sao Paulo, Sao Paulo, Brazil in 2001. His areas of research
are networked and GPU computing, parallel software design, and performance
evaluation and benchmarking. He has edited 2 books: Cloud Computing and Digital
Media and Big Data published by CRC Press. He is a Fellow of the IET, senior
member of the IEEE and a member of TACC.
Advanced Machine Learning
Applications
 Prediction of Depression Using EEG:
A Comparative Study

Namrata P. Mohanty(B) , Sweta Shree Dash, Sandeep Sobhan, and Tripti Swarnkar

Department of Computer Science and Engineering, ITER, S’O’A (Deemed to be University),

Bhubaneswar, India
namratam54@gmail.com, sweta.soa@gmail.com,
sandeepsobhan35@gmail.com, triptiswarnakar@soa.ac.in

Abstract. The worldwide havoc of today’s world: depression, is increasing in

this era. Depression is not any specific disease rather the determinant factor in the
onset of numerous terrible diseases. With the increase in automation and artificial
intelligence, it has become easier to predict depression before a much earlier time.
The machine learning techniques are used in the classification of EEG for the
prediction of different neuro-problems. EEG signals are the brain waves which
can easily detect any abnormalities occurring in the brain waves, thereby making
it easier to predict the seizure formation or depression. Proposed work uses the
EEG signals for the analysis of brain waves, thereby predicting depression. In this
paper, we have compared two widely used benchmark models, i.e., the k-NN and
the ANN for the prediction of depression with an accuracy of 85%. This method
will help doctors and medical associates in predicting diseases before the onset of
its extreme phase, as well as assist them in providing the best treatments, possible
in proper time.

Keywords: Depression · EEG · ANN · k-NN

1 Introduction
Depression is becoming one of the most widely spreading disability causing disorders
around the globe which is expanding at a very fast pace taking more and more subjects
under its paw. It can be caused by various circumstances such as—peer pressure, any
acute disease, family issues, career tensions, etc. Mostly, it is due to changes in brain
waves and the formation of seizures due to persistent feeling of stress and sadness [3].
One of the most effective ways of detecting it is by recording the EEG signals. EEG
signals are noninvasive and low-cost ways of measuring the brain’s electrical activity,
which detects any abnormalities or deviations occurring from the normal brain waves,
thereby helpful in detecting depressive symptoms in the patient. In today’s world the
developing Human–computer interaction, i.e., HCI has made it much more successful
to detect such a complicated disease rather we can say the terrible disability causing
disorder, i.e., Major Depressive Disorder (MDD) with its machine learning techniques.

© Springer Nature Singapore Pte Ltd. 2021

C. R. Panigrahi et al. (eds.), Progress in Advanced Computing and Intelligent Engineering,
Advances in Intelligent Systems and Computing 1199,
https://doi.org/10.1007/978-981-15-6353-9_1
4 N. P. Mohanty et al.

The main objective of the empirical study is comparing the performance of the two
benchmark classifiers in the classification process of depression using the EEG signals,
such that it can be helpful in predicting depression for the doctors, and thereby letting
them provide the best preventive measures before the onset of depression to the patients.
In this paper, we have performed the experiment by taking the dataset and feeding it into
two most efficient classifiers, i.e., k-NN and ANN. Here, we have successfully classified
depressed patients and normal subjects with an accuracy of 85%.

2 Literature Review
In the year 2008, Brahmi et al. [8], had performed the classification of the EEG signals
using the back-propagation neural network achieving an accuracy and specificity of 93%
and 94%,respectively. In this paper they have tried to distinguish among awake stage
1+REM, stage2, and Slow Wave Stage (SWS) on EEG signal using machine learning
techniques of Neural networks and wavelet packet coefficients. In the year 2011, Hos-
seinifard et al. [10], performed Linear and nonlinear features extraction along with the
classification using the k-NN, LDA, and LR classifiers. In their experiment, they had
obtained an accuracy of 90% classifying depressed patients and normal subjects. Liao
et al. [11] in the year 2017, has carried out the classification of depression using one
of the standard and most efficient classifier SVM to classify depressed patients. In their
experiment, a special robust spectral-spatial EE feature extractor has been used for the
EEG signals to cope up with the absence of biological and psychological markers effi-
ciently. They have obtained an accuracy of 81.23% in their experiment. Chisci et al. [12]
in the year 2010, has carried a seizure prediction model for detecting seizure formation
in the brain which leads to depression, as well as all the associated diseases.
Individuals with depression or anxiety have been bound to experience the ill effects of
epilepsy than those without depression or anxiety. Different cerebrum territories includ-
ing the frontal, temporal, limbic regions are associated with the biological pathogenesis
of depression in individuals with epilepsy [14] [17]. Machine Learning techniques are
of great help for the detection of epilepsy from the analysis of EEG signals [17]. In the
year 2018, Acharya et al. have focused on seizure formation and prediction and basi-
cally how depression is related to seizure formation which is generally due to sudden
change in the electrical activity of the brain [15]. Piotr Mirowski et al. in the year 2009,
have successfully investigated the efficiency of employing bivariate measures to predict
seizures occurring mostly by depression with a sensitivity of 71% [19].
With the advancement of science and technology, machine learning tools, and tech-
niques can easily predict depression from a much earlier time, thereby keeping this dis-
ability causing disorder at the bay [20]. Machine learning algorithm usually learn, extract,
identify, and map underlying pattern to identify groupings of depressed individuals
without constraint [21].

3 Materials and Methods

Our main focus over here is analyzing the two most widely known classifiers which can
be used in the field of medical science to predict depression from the EEG signals much
earlier. Our implementation process follows the path below (Fig. 1).
 Prediction of Depression Using EEG: A Comparative Study 5

Data Feature Classification Comparison

Pre- Extraction: : of results:
EEG processing: Min value, max Classifiers: Accuracy and
Signals value, mean k-NN and time taken.
Filtering value and ANN
ICA standard
deviation

Fig. 1. Implementation Procedure

The whole implementation process has been carried out in the system bearing
the following specification: Processor: Intel(R) Pentium (R) CPU N3540 @2.16 GHz
2.16 GHz, Installed Memory (RAM): 8.00 GB, System Type: 64 bit Operating System,
×64-based processor.

3.1 Data Preprocessing

Before preprocessing the data, we have to convert it to the .wav form in order to make it
suitable for being used by the Matlab. Here, we have used the edf2wav online browser
[1], for the conversion of the EEG signals to the .wav format. The .wav format is then
imported by the Matlab for data preprocessing and further implementations. The first
step in the preprocessing is the filtering of the raw EEG signals. In this step, the signals
of the specified frequencies in the range of 0–30 Hz containing the alpha, beta, theta,
gamma, and the delta waves get selected and the rest are rejected. The next step is the
Independent Component Analysis (ICA) was performed which helps in the removal of
the artifacts such as the eye blinking, etc., from the selected wave range. Further, the real
values of the data were obtained from the preprocessed EEG signals, which makes it
easier to extract the specific features for the classification process. The obtained dataset
is of size 12.6 MB containing 50 samples having 10240 data points each.

3.2 Feature Extraction

Feature extraction basically refers to identifying any uniquely recognized patterns from
a group of classified data in order to predict its outcomes. These are meant to reduce the
amount of loss of information that has been fed to the system and at the same time, it
simplifies the implementation process due to the reduction in the amount of data. From
the obtained EEG signals it has been observed that physiological features were highly
correlated with the state of arousal among two subjects. A feature can be considered
significant and selected as input to classifier if its absolute correlation is greater for
physiological features among subjects [6].
Selection of highly correlated features helps to exclude less important features affec-
tive state and emotional expressions. Considering the above studies and statistical fea-
tures like the minimum value, the maximum value, the mean value, and the standard
deviation were selected to represent the EEG signals.
6 N. P. Mohanty et al.

3.3 Classification

As we have labeled data so the research work goes under the supervised learning part of
the machine learning.
For our classification, we have taken two widely used classifiers the k-Nearest
Neighbor (k-NN) and Artificial Neural Network (ANN).

3.3.1 K-Nearest Neighbor (KNN)

k-NN has become one of the most popularly used classification techniques because of
its ease of interpretation methodology, high predictive power, and low calculation time
properties. In k-NN an object is classified by a plurality vote of its neighbors, with the
object being assigned to the class most common among its k nearest neighbors [26].

3.3.2 Artificial Neural Networks

Back in the 90s, ANN was proposed by Nobel laureates Hubel and Wiesel. This proposed
model basically mimics the human brain, tries to process information, and gives output
just like its been done by a human brain. It is one of the most efficient classification tools
frequently being used in the classification of various diseases and prediction techniques
especially in the medical world [27].
In our paper, we have fed the EEG signals to the neural network model where it
gets processed by two input layers and two hidden layers giving rise to one output layer
using the rectified linear unit (ReLU) activation function for the hidden layers and binary
sigmoid activation function for the output layer.

3.4 Performance Measures

Performance measures of the models were then calculated in terms of ROC, accuracy,
and time taken. Time taken is one the prime aspect on the basis of which the performance
has been judged. The lesser the time taken to operate, the more coherent the model is
considered to be.

4 Results and Discussions

EEG records the brain signals over a particular period of time, which then shows whether
the obtained signals are the same as the normal waves or not. Basically, there are 5 types
of brain signals on which we are concentrating upon based on the frequency ranges,
i.e., delta, theta, alpha, beta, and gamma. Signals are measured for a short duration, i.e.,
20–40 min and are produced by the continuous striking of electrons within the brain.
There are a lot of EEG databases available online of both normal subjects and controls
which are widely used for research purposes. Here, in our study, we have taken the
DEAP dataset [5], which is freely available online only for research purposes.
In our above experiment, we have taken the EEG signals for the analysis of the brain
waves. Various preprocessing has been carried out in different platforms such as the
 Prediction of Depression Using EEG: A Comparative Study 7

edf2wav and the EEGLAB toolbox to get the filtered data, i.e., the EEG signals which
are free from artifacts.
For further data preprocessing, EEGLAB toolbox available online in MATLAB plat-
form have been used, which makes the EEG signals preprocessing a lot more easier. Data
preprocessing over here includes filtering, epoch selection, and independent component
analysis (ICA).
Figure 2 shows the EEGLAB platform we have used for the EEG data preprocessing.

Fig. 2. EEGLAB toolbox: for EEG signal processing [2]

Then the real values are obtained from the filtered signals which are then used for
feature extraction and classification processes. After which, four features were extracted,
i.e., the minimum value, maximum value, mean value, and the standard deviation in order
to obtain better classification results in further processes.
The time taken by the k-NN is nearly 12 h to generate the confusion matrix in our
system while it took nearly 15 h by ANN to compute the results of the 12.6 MB datafile.
In our experiment, the classification accuracies of k-NN and ANN for the train set
are 83.2 and 87.5%. In the training data set, the accuracy of ANN obtained is higher
than that of the k-NN classifier (Table 1 and Fig. 3).
The test set accuracies of both k-NN and ANN also show a similar pattern as seen
from Table 2 and Fig. 4, where ANN possesses higher accuracy than that of the k-NN.
8 N. P. Mohanty et al.

Table 1. Classification accuracies by selected techniques for train set (Fig. 3)

Techniques Accuracy (%)

k-NN 83.2
ANN 87.5

Fig. 3. Classification accuracies by selected techniques for train set (set A)

Table 2 Classification accuracies by selected techniques for the test set (Fig. 4)

Techniques Accuracy (%)

k-NN 74.6
ANN 80.3

Fig. 4. Classification accuracies by selected techniques for test set (set B)

We have performed the classification process using two famous machine learning
classifiers those are the k-NN and the ANN. Then we have got the confusion matrix for
the analysis of the performance of the two models. In both the cases, we have got the
true positives and the true negatives rate higher for the ANN model. Thus, the accuracy
rate of ANN is nearly 80.3% as compared to that of the k-NN which has an accuracy
of 74.6% as ANN has better processing capacity due to the presence of interconnected
neurons just the same way a human brain does.
 Prediction of Depression Using EEG: A Comparative Study 9

Fig. 5. Comparison between the accuracies between train set and test set

Due to the visible differences of accuracies obtained from the two selected tech-
niques, we have plotted a comparison graph so that it will be easier to select a particular
technique for future researches. From Fig. 5, we can notice that ANN gives a better accu-
racy rate than k-NN which is a clear conclusion why more studies should be done on the
neural network that can be of tremendous help in the field of medical and paramedical
sciences.

5 Conclusion

Our work has demonstrated that the neural networks has the potential of predicting
depression with much accuracy than the other machine learning techniques. Though
ANN has given more accurate results than k-NN still the time taken is more in case
of ANN which can be reduced if the dimensionality can be reduced to a greater extent
by selecting more efficient features and also by implementing the model in a system
having higher processor and RAM. Moreover, better research works should be done on
neural networks considering real time data acquisition including complex brain structure
investigation and analysis. Last but not the least depression is something which shouldn’t
be taken lightly and proper check-up by experienced professionals should be done in
due time so as to get rid of this havoc before the onset of its extreme phase.

References
1. European Data Format (EDF). http://www.edfplus.info
2. MathWorks—MATLAB and Simulink for Technical Computing. https://www.mathworks.
com
3. Mallikarjun, H.M., Dr. Suresh, H.N.: Depression level prediction using EEG signals pro-
cessing. In: International Conference on Contemporary Computing and Informatics (IC31),
pp. 928–933 (2014)
10 N. P. Mohanty et al.

4. Biosemi EEG ECG EMG BSPM NEURO amplifiers systems. http://www.biosemi.com/faq/

file_format.htm
5. https://www.eecs.qmul.ac.uk/mmv/datasets/deap/download.html
6. Khan, N.A., Jönsson, P., Sandsten, M., Performance comparison of time-frequency distribu-
tions for estimation of instantaneous frequency of heart rate variability signals. Appl. Sci.
7(3), 221 (2017). https://doi.org/10.3390/app7030221
7. Gautam, R., Mrs. Shimi S.L.: Features extraction and depression level prediction by using
EEG signals. Int. Res. J. Eng. Technol. (IRJET) 04(05) (2017)
8. Ebrahimi, F., Mikaeili, M., Estrada, E., Nazeran, H.: Automatic sleep stage classification based
on EEG signals by using neural networks and wavelet packet coefficients. In: 30th Annual
International IEEE EMBS Conference Vancouver, British Columbia, Canada, August 20–24,
2008, pp. 1151–1154. https://doi.org/10.1109/iembs.2008.4649365
9. Knott, Verner., Mahoney, Colleen., Kennedy, Sidney, Evans, Kenneth: EEG power, frequency,
asymmetry and coherence in male depression. Psych. Res. Neuroimaging Sect. 106, 123–140
(2001)
10. Hosseinifard, B., Moradi, M.H., Rostami, R.: Classifying depression patients and normal
subjects using machine learning techniques. In: 2011 19th Iranian Conference on Electrical
Engineering, Tehran, pp. 1–1 (2011)
11. Shih-Cheng Liao, Chien-Te Wu, Hao-Chuan Huang, Wei-Teng Cheng, Yi-Hung Liu, ”
Major Depression Detection from EEG Signals Using Kernel Eigen-Filter-Bank Common
Spatial Patterns”, Sensors (Basel) 2017 Jun; 17(6): 1385. Published online 2017 Jun 14.
10.3390/s17061385
12. Chisci, L., Mavino, A., Perferi, G., Sciandrone, M., Anile, C., Colicchio, G., Fuggetta, F.:
Real-time epileptic seizure prediction using AR models and support vector machines. IEEE
Trans. Biomed. Eng. 57(5), 1124–32 (2010). https://doi.org/10.1109/TBME.2009.2038990.
Epub 2010 Feb 17
13. Karim, H.T., Wang, M., Andreescu, C., Tudorascu, D., Butters, M.A., Karp, J.F., Reynolds,
C.F., 3rd Aizenstein, H.J.: Acute trajectories of neural activation predict remission to phar-
macotherapy in late-life depression. Neuroimage Clin 8(19), 831–839 (2018). https://doi.org/
10.1016/j.nicl.2018.06.006
14. Kwon, Oh-Young, Park, Sung-Pa: Depression and anxiety in people with epilepsy. J Clin
Neurol. 10(3), 175–188 (2014). https://doi.org/10.3988/jcn.2014.10.3.175
15. Acharya, U.R., Hagiwara, Y., Adeli, H.: Automated seizure prediction. Epilepsy Behav. 88,
251–261 (2018). https://doi.org/10.1016/j.yebeh.2018.09.030. Epub 2018 Oct 11
16. Varatharajah, Y., Iyer, R.K., Berry, B.M., Worrell, G.A., Brinkmann, B.H.: Seizure forecasting
and the preictal state in canine epilepsy. Int. J. Neural Syst. 27:1650046 (2017) [12 pp.]
17. Günay, M., Ensari, T.: EEG signal analysis of patients with epilepsy disorder using
machine learning techniques. In: 2018 Electric Electronics, Computer Science, Biomedical
Engineerings’ Meeting (EBBT), Istanbul, pp. 1–4 (2018)
18. Kumar, P.N., Kareemullah, H.: EEG signal with feature extraction using SVM and ICA clas-
sifiers. In: International Conference on Information Communication and Embedded Systems
(ICICES2014), Chennai, pp. 1–7 (2014). https://doi.org/10.1109/icices.2014.7034090
19. Mirowski, P., Madhavan, D., LeCun, Y., Kuzniecky, R.: Classification of patterns of EEG
synchronization for seizure prediction. Clin. Neurophysiol. 120(11), 1927–1940 (2009)
20. Jauhar, S., Krishnadas, R., Nour, M.M., Cunningham-Owens, D., Johnstone, E.C., Lawrie,
S.M.: Is there a symptomatic distinction between the affective psychoses and schizophrenia?
A machine learning approach. Schizophr. Res. 202, 241–247 (2018). https://doi.org/10.1016/
j.schres.2018.06.070
 Prediction of Depression Using EEG: A Comparative Study 11

21. Dipnall, J.F., Pasco, J.A., Berk, M., Williams, L.J., Dodd, S., Jacka, F.N., Meyer, D.: Why so
GLUMM? Detecting depression clusters through graphing lifestyle-environs using machine-
learning methods (GLUMM). Eur. Psych. 39, 40–50 (2017). https://doi.org/10.1016/j.eurpsy.
2016.06.003
22. Liu, A. et al.: Machine learning aided prediction of family history of depression. In: 2017
New York Scientific Data Summit (NYSDS), New York, NY, pp. 1–4 (2017).https://doi.org/
10.1109/nysds.2017.8085046
23. Sri, K.S., Rajapakse, J.C.: Extracting EEG rhythms using ICA-R. In: IEEE International Joint
Conference on Neural Networks, IJCNN 2008. (IEEE World Congress on Computational
Intelligence), pp. 2133–2138 (2008)
24. Malmivuo, J., Plonsey, R.: Bioelectromagnetism: Principles and Applications of Bioelectric
and Biomagnetic Fields. Oxford University Press (1995)
25. Delorme, A., Makeig, S.: EEGLAB: an open source toolbox for analysis of single trial EEG
dynamics including independent component analysis. J. Neurosci. Methods 134(1), 9–21
(2004)
26. Wu, Y., Ianakiev, K., Govindaraju, V.: Improved k-nearest neighbor classification. Pattern
Recogn. 35(10), 2311–2318 (2002)
27. Ho, C.K., Sasaki, M.: EEG data classification with several mental tasks. In: 2002 IEEE
International Conference on Systems, Man and Cybernetics, vol. 6, p. 4 (2002)
28. About GSIL—Blekinge Institute of Technology—in real life. http://www.bth.se/com/gsil.
Accessed 05 August 2012
 Prediction of Stroke Risk Factors for
Better Pre-emptive Healthcare: A
Public-Survey-Based Approach

Debayan Banerjee(B) and Jagannath Singh

KIIT Deemed to be University, Bhubaneswar, India

4debayan@gmail.com, jagannath.singh@gmail.com

Abstract. This work endeavours to explore the relation between cer-

tain behavioural traits and prevalent diseases among the sample popu-
lation,reported in a public health survey,by means of machine learning
techniques. Predictive models are developed to ascertain the significance
statistically while also checking the fitness of the models to predict the
diseases in a non-invasive way. Our study focuses on cardiovascular stroke
from the BRFSS database of CDC, USA. The proposed model achieves
0.71 AuC in predicting stroke from purely behavioural features. Further
analysis reveals an interesting behavioural trait: proper maintenance of
an individual’s work–life balance, apart from the three main conventional
habits: regular physical activity, healthy diet, abstinence from heavy
smoking and drinking as the most significant actors for reducing the
risk of potential stroke.

Keywords: Stroke prediction · Behavioural features · Predictive

model · Gradient boosting · BRFSS

1 Introduction
We propose to underline the significance of pre-emptive healthcare for cardio-
vascular stroke by discerning behavioural traits which may play a crucial role in
their contribution to the gradual development of health conditions that inclines
to stroke. The behaviours that affect the health in a negative way such as lack
of regular physical activity, lack of calibrated and nutritious food intake, unre-
strained tobacco use and alcohol consumption, etc., if continued for long, most of
the times may result in health conditions that lead to stroke.1 Thus, to prevent
the looming risk of stroke, positive behavioural changes are indispensable.
In the United States (U.S.), stroke is the fifth leading cause of death claiming
one life out of 20 from the total number of deaths per year with more than 0.7
1
https://www.cdc.gov/stroke/behavior.htm.

c Springer Nature Singapore Pte Ltd. 2021

C. R. Panigrahi et al. (eds.), Progress in Advanced Computing and Intelligent Engineering,
Advances in Intelligent Systems and Computing 1199,
https://doi.org/10.1007/978-981-15-6353-9_2
 Prediction of Stroke Risk Factors for Better Pre-emptive Healthcare 13

million stroke patients per year [1]. Moreover, from the government’s perspective,
each year U.S. spends more than $34 billion for stroke which consists of the
cost of personal healthcare services, medicines for stroke treatment and missed
working days2 [1]. For an individual, this underpins the fact that how little
changes towards a healthier lifestyle can eliminate a very significant amount of
expenditure on health.
In the present work, we aim to find out the relation between the behavioural
traits and the chance of stroke using machine learning (ML) techniques and to
further specify which traits dominate the list of possible risk factors regarding
stroke. We apply our analysis on the Behavioral Risk Factor Surveillance System
(BRFSS)3 which is the largest health-related telephonic survey of United States
and contains a significant number of behavioural features. By purely behavioural
features we mean those that are directly controllable or negotiable (or both) by
an individual without any monetary requirement. (excludes insurances). Thus
behaviours influenced by social context, mental health, etc. are excluded for the
most generalization of our result in order to achieve the maximum relevance with
respect to mass awareness thus the less demography-constrained.
To achieve our objective, we first identify the possible risk factors contribut-
ing to stroke from a set of selected behavioural traits by using a GBM (Gradient
Boosting Machine)-based predictive model. Then we venture forward to anal-
yse the impact of the individual features on the model outcome to prove the
soundness of the features statistically.
Our main contributions can be outlined through the following:

– We are able to discern a set of behavioural traits as a possible risk factor

regarding stroke along with their comparative individual statistical signifi-
cance in contributing to stroke.
– Apart from the conventional habits our analysis identifies that maintaining
a healthy work–life balance as well as sharing household responsibilities in
relevant cases can be significantly beneficial to maintain good health.
– Furthermore, our findings are based on the whole BRFSS dataset signifying
the whole U.S. Thus not being constrained to specific demographics or states,
our results provide a holistic view to anyone concerned with this matter—
individuals and policymakers.

2 Related Works
Positive Behavioural Changes in Prevention of Stroke: As discussed in
Sect. 1, most of the times chronic diseases such as stroke are preventable and
their chances of gradual development can be minimized by changing negative
behavioural traits, leading to a healthy lifestyle. Centers for Disease Control
and Prevention (CDC), U.S., argues that a large percentage of stroke cases
can be eliminated by eliminating the three main risk factors: unhealthy diet
2
https://www.cdc.gov/stroke.
3
https://www.cdc.gov/brfss/index.html.
14 D. Banerjee and J. Singh

[24], excessive smoking [2] and lack of enough physical activity4 [26]. Other
epidemiological studies also highlight the cardinal importance of quantifying the
impact of lifestyle on public health due to the possibility of granular level control
by individuals themselves to encounter chronic diseases such as stroke [3].
Machine Learning in Healthcare: Predicting diseases solely on the report of
patient behaviours can be a difficult problem, especially from a survey dataset.
But recent advancement of machine learning algorithms has opened up oppor-
tunities to navigate through this complex problem of disease prediction from
health survey datasets and also to determine risk factors behind the diseases in
contention.
In cases which present the opportunity to impact a particular case of pre-
diction requirement, decision trees are used [4]. A decision tree is composed of
several weak learners [4], which means that the classifier is only slightly or weakly
correlated with the true classification.5 Thus, the performance can be biased in
favour of the majority class of the target in particular cases if the dataset in con-
tention already has much bias or variance or both. Hence, to better the purely
decision-tree-based classifier performance, random forest [5] and gradient boost-
ing [8] may be used. Gradient boosting algorithm [8] uses a gradient descent
procedure which is an iterative method that moves along with the direction of
steepest descent, defined by the negative of the gradient of the function to find
a local minima of that function. Decision trees are used as weak learners in gra-
dient boosting, where they are implemented one at a time unlike in the case
of random forest where this is done all at a time without the gradient descent
procedure that minimizes the loss while adding trees [7]. Overall, random forests
are built to reduce variance [5] whereas gradient boosting reduces bias [8].
Existing Works on Stroke Prediction: Among the existing works on stroke
prediction, Yang, Zhong et al. study the risks in state-level demographics [13].
Akdag et al. implement classification trees for finding the risk factors of hyper-
tension from an observation conducted on hospital patients in Turkey [14]. Sun-
moo Yoon et al. work upon the prediction of disability—one of the results of
stroke—and how the types of disability are associated with stroke and their co-
relation [11]. Alkadry et al. find out and detail the disparity in stroke awareness
across demographics [9]. Howard et.al. forward the importance of self-reported
or questionnaire-based approach within categorizing the general levels of risk
among the respondents [17]. Luo et al. also demonstrate the impact of stroke
across demographics as reported in the BRFSS using regression model which
checks if there is a relation between the two [10]. Nuyujukian et al. employ logis-
tic regression model to show the association between length of sleeping hours
and stroke across ethnicities [25].
To the best of our knowledge, neither are there any existing work that per-
forms stroke prediction on the basis of the whole BRFSS dataset, nor are there
any such work that focuses on the purely behavioural features. Most of the

4
https://www.cdc.gov/stroke/behavior.htm.
5
https://en.wikipedia.org/wiki/Boosting (machine learning).
 Prediction of Stroke Risk Factors for Better Pre-emptive Healthcare 15

other works are either related to finding correlations between certain features
and stroke [19] or they are restricted to only certain states [20]. The downside of
finding only the correlations is that it does not necessarily enable us to hypothe-
size how true we are about the relationship as correlation only denotes a number
to indicate the relationship strength between two variables whether the predic-
tion shows basing ourselves on the predictors how saliently can we hypothesize
that the target is conceivable.
The Class Imbalance Problem and Its Proposed Solution: Apart from
the model selection issues, the class imbalance is a common problem that arises
specially in medical datasets. Moreover, in case of public survey, this is obvious
due to missing values and wrong responses of stroke that is not present in case of
clinical data. Class imbalance often leads the created prediction model to learn
with a bias towards the majority class. For example, if in a dataset the ratio
of label counts between majority and minority class is 25:1 then an accuracy-
driven classifier model may yield an accuracy of more than 90% by disregarding
the impact of minority class instances and classifying all instances as belonging
to the majority class. This problem has been mentioned and worked upon by
Wang and Yao [15], who propose sub-sampling as a way to get better results.

3 Dataset Collection and Description

The dataset for this work is taken from the Behavioral Risk Factor Surveillance
System (BRFSS)6 conducted by CDC. Starting in 1984, BRFSS collects data in
all states of U.S. and also the U.S. territories. This health survey is conducted
over telephone and it covers most of the potential health risk factors, health-
related behavioural practices and health conditions. The resulting dataset is
shared with public and is available for free [12]. CDC’s official website7 publishes
the relevant questionnaire and detailed dataset encoding for a very detailed and
comprehensive understanding. In the present work, we use BRFSS 2012 dataset
which records 475687 observations (See Footnote 7).

4 Feature Selection

According to the survey features mentioned in BRFSS 2012 related to stroke

that are purely behavioural, excluding our target variable denoting positive or
negative response for stroke, we pick out 15 features as candidate risk factors as
discussed in Sect. 1 and the BRFSS Codebook (See Footnote 7). In Table 1, we
present the variable names coded in BRFSS.

6
https://www.cdc.gov/brfss/index.html.
7
https://www.cdc.gov/brfss/annual data/annual 2012.html.
Another random document with
no related content on Scribd:
Ludwig und Bodak — lauter tüchtige, prächtige Männer, die für solch
eine Reise wie geschaffen waren.
Der Himmel sah bedenklich aus, nur ein einziger Stern blitzte
zwischen den zerfetzten Wolken. Ich lag noch eine Weile wach und
lauschte der wunderbaren Stille der Wüste, die nur hier und da von
Hundegebell in der Ferne oder von den Lauten eines Nachtvogels
unterbrochen wurde. Ich hörte meine Uhr unter dem Kopfkissen
ticken und die langen, tiefen Atemzüge meiner beiden
Reisekameraden. Dann schlief auch ich ein.
Gegen 11 Uhr aber erwachte ich durch einen furchtbaren
Sturzregen. Schwere Tropfen platschten draußen in neu
entstandene Wasserlachen und trommelten auf die Zeltbahnen. Und
das Trommeln dauerte die ganze Nacht mit unverminderter
Heftigkeit! So oft ich erwachte, hörte ich dieses trostlose Rauschen,
das uns mindestens auch für den nächsten Tag den Weg nach
Osten versperren mußte.
Am Morgen spannten wir bei immerfort strömendem Regen die
Zelttür zu einem Dach auf, das von zwei Stangen getragen wurde,
und frühstückten auf dieser luftigen Veranda Eier und Schinken, die
wir auf einem Primuskocher gebacken hatten. Nach Norden zu lag
die freie Steppe vor uns, aber von den nahen Bergen war keine Spur
mehr zu sehen. Schwere Wolken schwebten über der Erde, und wer
das Zelt verließ, sank fußtief in den roten Schlamm ein.
Gegen Mittag hörte der Regen eine Weile auf. Da kamen auch
schon die Dorfleute neugierig heran, und ein altes runzliges Weib
bat um Medizin für ihren Sohn, den seit einigen Tagen starker
Kopfschmerz und Fieber plagten. Dr. Reith gab ihr etwas für den
Kranken. Vor kurzem war in Bir-dava der Flecktyphus ausgebrochen
und hatte von den fünfunddreißig Einwohnern sieben weggerafft. Für
Geld und gute Worte brachte man uns etwas armseliges Reisig zu
einem Feuer, dessen Glut wir in einem eisernen Kessel ins Zelt
trugen, um in der feuchten Kälte nur ein gewisses Gefühl von
Wärme und Trockenheit zu gewinnen. Kleine zerlumpte Kinder
sammelten Konservenbüchsen und leere Flaschen, und die
Dorfhunde wurden immer frecher auf der Suche nach Abfällen.
Sogar eine Maus quartierte sich unter unsern Kisten und Säcken ein
und entwischte uns immer wieder, so oft wir auch Jagd auf sie
machten.
Schließlich begann es wieder zu regnen. Man hörte und sah, wie
ein Regenschauer nach dem andern wolkenbruchartig über die
Steppe daherkam. Sogar in unserm Zelt waren wir nicht mehr sicher.
Die Chauffeure mußten ringsherum einen Kanal graben und einen
Erdwall aufwerfen, um uns vor Überschwemmung zu schützen. Vor
dem Eingang bauten sie eine Brücke aus Planken des
Lastautomobils. Das ganze Feld war ein einziger Sumpf, denn es
dauerte lange, bis das Regenwasser den Lehm durchdrang, dessen
Oberfläche glatt war wie Seife. Ein tragikomisches Schauspiel bot
eine vorüberziehende kleine Karawane von Mauleseln: die auf den
schwer beladenen Saumsätteln sitzenden Araber hatten ihre
schwarz- und braungeränderten Mäntel über den Kopf gezogen, und
der Regen floß nur so von ihnen und ihren Tieren herunter. Die
endlich hereinbrechende Dämmerung wirkte fast wie eine Erlösung.
Wir bereiteten mit möglichster Langsamkeit unser Abendessen und
überließen uns einer neuen Nacht.
Gegen Mitternacht weckte mich wiederum ein fast tropischer
Regenguß aus dem Schlaf. Feine Wassertropfen sprühten durch das
Zelttuch auf uns herab, und einige Stunden später regnete es so
kräftig herein, daß Dr. Reith in das Unwetter hinaus mußte, um den
Schutzlappen des Zeltfensters an der Windseite wieder
festzubinden, der aufgegangen war.
Am Tage wurde es nicht besser. Die Zelttür mußte geschlossen
bleiben, denn der Wind stand gerade gegen sie; wir frühstückten auf
meinem Bett und saßen da wie Schiffbrüchige auf kleiner Klippe in
einem Meer von Schlamm; der Zeltgraben stand ebenfalls bis an die
Ränder voll Wasser. Die schmutzigen Hunde wurden immer kecker,
da wir sie nicht verfolgen konnten. Dazu kam die erschreckende
Nachricht, daß der Kranke von gestern über Nacht gestorben sei —
wir hatten also den Flecktyphus als nächsten Nachbarn!
Später am Tage sahen wir denn auch, wie sich ein kleiner
Leichenzug nach dem Friedhof bewegte, der in einiger Entfernung
südöstlich von unserm Zeltplatz lag. Auf einer Bahre trug man den
Toten langsam dahin. Am Grabe sprachen die Begleiter
Totengebete; bald reckten sie die Hände in der Richtung nach
Mekka empor, bald sanken sie in dem fürchterlichen Schlamm
neben der Leiche nieder. Endlich wurde der Tote in die Erde
gesenkt, abermals Gebete gesprochen und das Grab zugeschaufelt.
Ich glaube, die Zeremonie dauerte ein paar Stunden. Dabei regnete
es unaufhörlich, und die groben Mäntel der Fellachen glänzten von
Wasser. Nach vollbrachter Arbeit ging das Trauergefolge ebenso
langsam nach Haus, wie es gekommen war.
Während der Flecktyphus-Epidemie in Aleppo haben deutsche
Ärzte die Beobachtung gemacht, daß Europäer für Ansteckung weit
empfänglicher sind als Eingeborene. Auch hat sich während des
Krieges gezeigt, daß die Krankheit bei russischen Soldaten und
Kosaken einen milden Verlauf nimmt, weil sie an Ungeziefer
gewöhnt sind. Je älter der Patient ist, um so schwerer kommt er
durch.
Einem türkischen Soldaten, der gen Westen ritt, gab der Major
einen Brief mit, worin er die zurückgelassenen Chauffeure über
unsre Lage unterrichtete. Sonst zeigte sich kein Reisender, der kühn
genug gewesen wäre, den Kampf mit den Elementen aufzunehmen.
Bei Dunkelwerden hörte der Regen auf. Da brachte „Lohengrin“
— wie Lundgren von den Kameraden genannt wurde — das
Teewasser ins Zelt und meldete, im Norden sei eine Reihe Feuer
sichtbar. Was mochte das sein? Biwakfeuer? Doch nicht etwa
russische? Aber das war unmöglich, dann hätten wir etwas von
einem Rückzug der Türken merken müssen. Diese waren aber im
Vormarsch. Nach der Karte lag in jener Richtung, nur 10 Kilometer
entfernt, Mardin, das sich seit gestern hartnäckig hinter dem
Regenschleier verborgen hatte; die Feuer waren nichts anderes als
die Lampen in den Häusern dieser Stadt. Wir konnten uns also ohne
Sorge in unserm Gefängnis zur Ruhe begeben und den
Regenschauern lauschen, die am Abend mit vermehrter Heftigkeit
einsetzten.
 Am nächsten Tag dasselbe Bild! Man steht auf, wäscht sich,
kleidet sich an, öffnet einen Spalt der Zelttür, frühstückt und hat den
ewig langen Tag vor sich. Ich habe Bezolds „Ninive und Babylon“
und „Moltkes Briefe aus der Türkei 1835–39“ bei mir, aber die Ruhe
zum Lesen fehlt. Man wartet in sehnsüchtiger Qual, daß irgendetwas
geschehe, uns aus dieser hoffnungslosen Lage zu befreien.
Volkstypen zu zeichnen ist auch unmöglich; Leute mit Flecktyphus
bringenden Läusen ins Zelt hereinlassen — das fehlte noch! Im
Dorfe geht das Leben seinen alltäglichen Gang. Frauen treiben von
den Feldern Schafe und Ziegen herein oder holen in Lehmkrügen
Wasser am Brunnen. Der Himmel ist blauschwarz. Zuweilen grollt
unglückverheißend und dumpf der Donner in den Bergen. Und das
ist Mesopotamien im April, wo ich Frühlingswärme erwartet hatte,
Trockenheit und Skorpione! Aber wir waren ja freilich in einer Höhe
von 550 Meter und am Fuß eines Gebirges, wo der Winter noch
nicht gewichen war. Nachmittags um 5 Uhr zeigte das Thermometer
nur 10 Grad, eine Temperatur, die wir nach den warmen
Sonnentagen in Aleppo als Kälte empfanden.
Drei Soldaten kamen von Ras-el-Ain zu Fuß; sie hatten unsre
verunglückten Automobile und das Zelt der Chauffeure gesehen. Ein
paar andere zogen in entgegengesetzter Richtung. Sie waren schon
20 bis 30 Kilometer östlich von Nesibin in das Moorbad geraten, das
bis hierher reichte, und sie gaben uns die tröstliche Versicherung,
daß mindestens zwei Tage warmer Sonnenschein nötig seien, um
das Land wieder zu trocknen.
Am Nachmittag trat einen Augenblick die Sonne hervor, und mit
ihr in Nordnordwest die alte Festung von Mardin auf dem Gipfel des
Bergkammes; unmittelbar darunter die Häuser wie Schwalbennester
an den Böschungen, dazwischen die armenischen und syrischen
Kirchen und weißen Minarette. Aber bald verschwand wieder alles
unter schwarzen Wolkenmassen und neuen Regenschauern.
Eine verzweifelte Lage! Wären wir nur einen Tag früher
aufgebrochen, so wären wir bereits in Mosul! Die ganze Strecke ist
nur 320 Kilometer lang, für ein Auto zwei Tage Fahrt. Nun saßen wir
in diesem elenden Gefängnis und konnten weder vor- noch
rückwärts. Proviant hatten wir ja noch für acht Tage, nur Brot und
Wasser gingen zu Ende. Aber an letzterem war ja kein Mangel — wir
brauchten nur ein Stück Segeltuch aufzuspannen, um die Kannen
gefüllt zu erhalten.
Am Morgen des 3. April weckte uns die Meldung, die Sonne
scheine. Wirklich! Der halbe Himmel blau und hell, und über die
andere Hälfte segelten freundliche weiße Frühlingswolken. Wir
kleideten uns in aller Eile an und rasierten uns sogar aus lauter
Feststimmung. Für vier Soldaten, die von Ras-el-Ain
dahergewandert kamen, kauften wir bei der Dorfbevölkerung einige
Brote, denn sie hatten nichts mehr zu essen, da sie während der
Regentage hatten liegen bleiben müssen.

Mardin von Südosten gesehen.

Dann beobachteten wir mit zunehmender Spannung, wie die
Regenlachen zusammenschrumpften und die Ackerschollen rings
um unsern Lagerplatz immer deutlicher hervortraten. Kurz nach
Mittag war alles Wasser auf der Erdoberfläche verschwunden. Nur
um Zelt und Autos herum war der von uns und den Chauffeuren
zerstapfte Lehmschlamm noch fußtief. Die Mistkäfer aber schienen
dem guten Wetter noch kein Vertrauen zu schenken, so eilig rollten
sie ihre Erdklümpchen daher.
Nun zeigte sich auch wieder Leben auf der Straße. Eine
Karawane von fünfzig mit Munition beladenen Kamelen zog nach
Nesibin, und ein türkischer Offizier kam mit seinem Diener von
Westen geritten. Wir luden ihn in unser Zelt ein und bewirteten ihn
mit Kakao und Keks. Der Türke war Leutnant Ahmed Dschemal, von
kurdischer Abkunft, als Kompagnieführer auf dem Marsch nach dem
Irak; morgen sollte er in Nesibin sein. Der Major bat ihn, eine
Depesche nach Schamallan-han mitzunehmen, die Ersatzteile für
die verunglückten Automobile bestellte, und vom Kaimakam von
Nesibin acht Jailewagen zu verlangen, die schleunigst hierhin
kommen sollten, um unser schweres Gepäck zu holen. Jeder dieser
Wagen konnte bei schlechtem Weg 200 Kilogramm fassen und so
das Auto mit seiner Last von 3000 Kilogramm um die Hälfte
erleichtern. Als der Leutnant hörte, daß unser Brot zu Ende sei,
schenkte er uns aus seinem reichen Vorrat einige herrliche türkische
Kommißbrote. Bald kam auch seine Kompagnie dahermarschiert,
gegen 100 Mann, leicht bepackt und in vortrefflicher Verfassung.
Ihnen folgten eine Stunde später Packpferde mit Waffen, Munition
usw., und zuletzt zwei Gepäckwagen. Die Leute waren die vier Tage
im Platzregen marschiert und bis auf die Haut durchnäßt; aber bis
Bagdad wurden sie wohl wieder trocken!
Ahmed Dschemal war mit seiner Truppe kaum abmarschiert, als
sich über den Bergen neue Wolkenmassen sammelten. Wir hatten
zu früh gejubelt. Die blauen Flecke am Himmel verschwanden, und
es wurde dunkler und dunkler, und plötzlich stürzte ein neuer
Platzregen, zur Abwechslung mit Hagel vermischt, auf uns herab. In
wenigen Minuten waren Ackerfurchen und Zeltgraben wieder mit
Wasser gefüllt und das ganze Land ein unermeßlicher Sumpf. Es
wurde 3 Uhr, 5 Uhr, 6 Uhr — der Regen rauschte mit Erbitterung
herunter. Als er um 7 endlich aufhörte, hatte sich eine neue Nacht
auf die Erde gesenkt und unsre Hoffnungen auf baldige Befreiung
begraben.
Obgleich es am andern Morgen nicht mehr regnete, war die
Straße hoffnungslos. Ein vorüberreitender türkischer Soldat
versicherte, ein fester Kiesweg am Fuß des Gebirges entlang
verbinde Mardin mit Nesibin; auf diesem Wege hätten die Türken
noch vor fünf Tagen Geschütze nach Osten transportiert; diese
Richtung sollten wir einschlagen. Ehe der südliche Weg trocken
werde, könnten wir noch einen Monat oder länger hier liegen
bleiben! Sofort schickten wir die Chauffeure aus, um den nördlichen
Weg zu untersuchen. Sie fanden ihn — noch schlechter als den
unsrigen!
Da der Schlamm um uns her lebensgefährlich wurde, verlegten
wir unser Zelt etwa 20 Meter nordwärts von der Straße, zogen neue
Kanäle und Wälle, bauten zwischen Zelt und Wagen eine Brücke
und luden die Benzinfässer aus, um sie beim ersten Sonnenschein
über die gefährliche Senkung zu rollen, am liebsten gleich 6
Kilometer weit, damit das Auto schneller vorwärts komme.
Vergebliches Bemühen! Um 5 Uhr goß es wieder in Strömen.
Man sah, wie sich die Regenzentren am Gebirgsrand im Osten und
weiter südlich bildeten, nach Westen zogen, über unserem Lager
haltmachten und ihre Wolkenmassen über uns ausbreiteten. Es war,
als beeile sich jedes einzelne Wassermolekül, das aus dem
Mittelmeer und dem Persischen Meerbusen aufstieg, ausgerechnet
nach der Gegend zwischen Ras-el-Ain und Nesibin zu kommen und
dort niederzugehen, wo wir in dem roten Lehm, dem vorzüglichsten
Terrakottamaterial, so elend gestrandet waren!
Nachdem wir noch einen Tag im Sumpf gelegen hatten, war die
Geduld des Majors erschöpft. Am Morgen des 6. Aprils fragte er
mich plötzlich, ob ich Lust hätte, mit ihm allein nach Ras-el-Ain
zurückzukehren.
„Ja, mit Wonne, wenn wir nur von Bir-dava fortkommen!“
„Dann fahren wir jetzt gleich mit dem Benz und nehmen nur das
Unentbehrlichste mit. Was zurückbleibt, lasse ich nach Mosul und
Bagdad schaffen, sobald die Straßen besser sind.“
„Aber glauben Sie, daß das Auto in dem Schlamm und Regen
vorwärtskommt?“
„Wir mobilisieren jedes Dorf bis zur Eisenbahn!“
 Und so geschah es. Wir ließen die Chauffeure bis auf Hofmeister
bei Dr. Reith zurück, der wohl oder übel sich in das Schicksal
ergeben mußte, auf unsrer Schlamminsel bei dem zurückgelassenen
Gepäck auszuharren. Vor unsern Benz spannten wir zunächst die
männliche Bevölkerung von Bir-dava, soweit sie sich anwerben ließ,
und mit vereinten Kräften zogen und stießen wir unsern Wagen bis
zum nächsten Dorf, wo eine neue Abteilung Fellachen requiriert
wurde. So ging es zum Verzweifeln langsam, aber sicher, von Ort zu
Ort; denn Zugtiere waren nirgends aufzutreiben. Wo die Bevölkerung
phantastischen Kriegslohn forderte, halfen uns türkische Soldaten
aus der Verlegenheit.

Das Auto wird an Bord einer Fähre geholt.

Bis zu den beiden verunglückten Lastautos blieb der Regen

unser treuer Begleiter. Am 8. April endlich klärte sich das Wetter auf,
die Wege wurden wieder fahrbar, und wir durften unsern Wagen
endlich wieder seiner eigenen Motorkraft überlassen.
Schwierigkeiten machten nur noch die beiden Arme des
Dschirdschib, die durch den tagelangen Platzregen zu reißenden
Strömen angeschwollen waren. Über den ersten brachte uns eine
Fähre, die zum Truppentransport zur Stelle war; und durch den
zweiten zog uns eine Koppel Ochsen von einer türkischen
Trainkolonne. Motor, Ochsen und Chauffeur hatten dabei aber ein so
gründliches Bad genommen, daß wenigstens die ersteren streikten.
Wir mußten daher noch einmal militärischen Vorspann nehmen,
diesmal von Pferden, und so fuhren wir sechsspännig in pechfinstrer
Nacht endlich wieder am Bahnhof von Ras-el-Ain vor.
 „Kapitän“ Mohammed am Steuerruder.

Viertes Kapitel.
Mein neuer Feldzugsplan.

E in Feldzugsplan im wörtlichen Sinne war es nun eigentlich nicht,

denn daran war mir auf den grundlosen Feldwegen nach Bir-
dava und zurück die Lust vergangen. Aus den zwei Tagen, in denen
ich Mosul hatte erreichen sollen, waren zwei Wochen Ungemach
geworden. Wenn doch einmal alles zu Wasser werden sollte —
warum sich dann nicht lieber diesem Element ganz anvertrauen und
noch einmal solch eine fröhliche Stromfahrt versuchen, wie ich sie
schon zweimal vor Jahr und Tag im Innern Asiens auf den Fluten
des Tarim und des Brahmaputra unternommen hatte?
Der Euphrat war mir noch so gut wie fremd. Im Mai 1886 hatte
ich ihn zum erstenmal gesehen. Damals war ich auf dem englischen
Dampfer „Assyria“ vom Persischen Meerbusen in den Schatt-el-Arab
hineingefahren und einige Tage später nach Korna gekommen, wo
am Zusammenfluß des Euphrat und Tigris das Paradies gelegen
haben soll. Dann war ich im November 1905 bei einem kurzen
Aufenthalt in Erserum bis in die Nähe der Quelle des Frat-su oder
Euphrat geritten. Jetzt hatte mich mein Schicksal zum drittenmale an
diesen gewaltigen Strom geführt, der in der Geschichte der
Menschheit älter ist als Nil und Brahmaputra. Ließ ich diese
Gelegenheit, ihn gründlich kennen zu lernen, ungenutzt
vorübergehen — wer weiß, ob sie jemals wiederkehrte!
Am 9. April saß ich wieder in der Bahn, die mich von Aleppo nach
Ras-el-Ain gebracht hatte, und ich fühlte mich wie befreit aus langer
Gefangenschaft, als ich endlich wieder die mächtig wogende
Wasserstraße vor mir sah, die mich jetzt — dazu war ich fest
entschlossen — meinem Ziel, der Stadt der Kalifen, entgegenführen
sollte. In Dscherablus verabschiedete ich mich von Major Reith und
war bald wieder in der deutschen Marinestation am Euphrat.
Kapitänleutnant von Mücke war vor einigen Tagen nach
Konstantinopel gefahren, statt seiner empfingen mich nun sein
Vertreter, Schiffsbaumeister Schneider, und acht deutsche Flieger
und Artillerie-Offiziere, die sich in den nächsten Tagen zur 6. Armee
nach Bagdad begeben sollten.
Sofort machte ich mich an die Vorbereitung meiner Euphratfahrt.
Etappeninspektor Oberst Nuri Bei überließ mir einen einheimischen
Doppelschahtur, und bald fanden sich zwei Schahturtschis, Ruderer,
bei mir ein, um die Löhnung für die Reise zu vereinbaren. Dem
Ustad oder Kapitän bewilligte ich zwei türkische Pfund, die anderen
Schiffer erhielten je ein Pfund und zwar für die Strecke bis Der-es-
Sor, wo die türkische Besatzung von Arabern abgelöst werden sollte.
Als Sicherheitswache sollte mich ein Gendarm begleiten; gegen
einen Überfall durch Beduinen hätte der aber wohl schwerlich viel
ausgerichtet.
Auf der Werft war alles in lebhafter Tätigkeit. Kräftige deutsche
Matrosenfäuste schwangen die Äxte, Türken und Araber sägten und
hämmerten. Ein Boot nach dem andern wurde fertiggestellt, auf
einen Wagen geladen, zum Ufer hinabgerollt und dem Strom
übergeben. Jedes erhielt einen Namen nach irgendeinem berühmten
Ereignis des Weltkriegs. Auf einer Flottille solcher Boote oder Fähren
verstaute gerade eine Fliegerabteilung ihre Tauben und
Doppeldecker; bald sah ich sie den Strom hinab schwimmen und bei
der ersten Biegung verschwinden. Man hatte mich freundlichst
eingeladen mitzufahren; aber mir lag jetzt vor allem daran, meine
völlige Unabhängigkeit zu bewahren.
Auf andere Fähren schob eine bayerische Batterie unter Major
von Schrenk, deren Train wir am Dschirdschib begegnet waren, ihre
15-cm-Haubitzen und Munitionswagen. Jedes dieser plumpen, aber
praktischen Fahrzeuge trug 25 Tonnen, wurde aber nur bis zu 18
beladen und faßte vier volle Munitionswagen und eine bedeutende
Menge loser Munition. Mehrere Tage noch sollte die Verladung
dauern, und der Batterieführer wollte warten, bis auch sein letzter
Schahtur reisefertig war.
Für meine Fahrt den Euphrat abwärts hatte ich einen starken
türkischen Doppelschahtur, dessen beide Hälften mit Stricken fest
zusammengekoppelt wurden. Seine Länge betrug 6,58 Meter, seine
Breite 5. Hinten wurde ein Steuer angebracht, vorn an jeder Seite
ein Ruder. Reserveruder durften natürlich auch nicht fehlen.
Gewöhnlich rechnet man auf die Fahrt bis Feludscha zwei Wochen.
Ich brauchte aber längere Zeit, da ich die Reise dazu benutzen
wollte, eine Karte des Stromes aufzunehmen; die Nächte über
mußte ich also vor Anker gehen. Deshalb wollte ich an Bord
einigermaßen bequem wohnen, und der Zimmermann Murat mußte
mir nach einem Papiermodell das Fahrzeug entsprechend
einrichten. Die linke Fähre erhielt ein Holzdeck, das vorn und hinten
für Kapitän und Ruderer Raum ließ. Auf Deck wurde eine 3 Meter
lange und 2 Meter breite Hütte aufgeschlagen, deren schmale
Vorderwand in Angeln ging und sich nach oben aufklappen ließ.
Tagsüber diente diese als Sonnendach für meinen Arbeitstisch;
nachts wurde sie herabgelassen. Das übrige Mobiliar bestand aus
Feldbett und zwei Kisten. Proviant, den ich in Dscherablus gekauft
hatte, wurde unter Deck verstaut. Ein Fenster in der Steuerbordseite
ermöglichte mir im Stehen den freien Ausblick auf den Strom, ein
zweites kleineres Fenster wurde gegenüber so angebracht, daß ich
auch im Liegen hinaussehen konnte. Beide wurden mit Gardinen
versehen. Ein niedriges Regal unter dem Fenster des Steuerbords
enthielt Waschgeschirr, Seife und alles das, was zur Pflege des
äußeren Menschen unentbehrlich ist. Ein Querbrett an der schmalen
Wand trug Fernrohr, Thermometer, elektrische Lampe, Metermaß,
Stearinkerzen, Zigaretten, Zündhölzer und meine kleine Bibliothek.
Letztere bestand nur aus drei Büchern, die aber zur Not für ein
ganzes Menschenleben ausreichten: der „Assyrischen und
Babylonischen Geschichte“ von Bezold, einer „Praktischen
Grammatik der osmanisch-türkischen Sprache“ von Wahrmund und
dem Buch der Bücher, der Bibel, die ich noch nie mit solchem
Interesse gelesen habe als auf dieser Fahrt in das Land der
babylonischen Gefangenschaft. Meine greisen Eltern hatten sie mir
bei meinem letzten Abschied von Stockholm mit auf die Reise
gegeben.
 Hussein am Steuerbordruder.
Ich hatte den 12. April als Tag der Abreise bestimmt, nicht etwa
um dem 13. auszuweichen, denn diese Zahl hat mir auf meinen
Reisen in Asien immer Glück gebracht, nur weil ich vor Ungeduld
brannte, endlich fortzukommen. Schon früh am Morgen erklangen
die Hammerschläge und rasselte die Säge; die Wände der Hütte
wuchsen an ihren Pfosten hinauf; etliche kurze Bretter fügten sich zu
einem Tisch zusammen, und ein bodenfester Stuhl baute sich
daneben. Als alles fertig war, schien vom hellen, wolkenfreien
Himmel die untergehende Sonne auf den Euphrat herab. Der Strom
war nach den heftigen Regenfällen der letzten Wochen und infolge
der Schneeschmelze, die jetzt Tag für Tag zunahm, noch immer im
Steigen. Die Wassermasse, die sich unter der Brücke
hindurchwälzte, berechnete man auf 1200 Kubikmeter in der
Sekunde; das konnte noch ganz anders kommen, denn einmal in
den letzten Jahren hatte man 2000 Sekundenkubikmeter gemessen.
Die Reise war also nicht ohne Gefahr, auch wenn mein tapferer
Gendarm alle Beduinen und sonstigen Wegelagerer in die Flucht
trieb, und von den mancherlei Abenteuern auf den Wellen und an
den Ufern des Euphrat darf ich dem Leser in den folgenden Kapiteln
einiges berichten.
Nur noch ein paar Worte über die Besatzung meiner Fähre. Mein
„Kapitän“ Mohammed war ein Türke aus Biredschik im stattlichen
Alter von achtzehn Jahren. Seit acht Jahren hatte er, erst als Gehilfe
seines Vaters, dann als eigener Herr, gegen hundert Reisen nach
Der-es-Sor gemacht, und Arabisch sprach er so geläufig wie
Türkisch. Hussein am Steuerbordruder war noch drei Jahre jünger,
aber trotz seiner Jugend schon zwanzigmal zu Schiff in Der-es-Sor
gewesen; der sechzehnjährige Kerif am Backbordruder nur
siebenmal. Diese Stadt bezeichnete die Grenze der Ortskenntnis der
türkischen Schiffer. Beide Jungen waren ebenfalls Osmanen aus
Biredschik und radebrechten wenigstens etwas Arabisch. Der vierte
im Bunde war der Gendarm Mahmud, ein Türke aus Urfa von
zweiundvierzig Jahren, der zwanzig Jahre im Heer des Großsultans
gedient hatte, seit Beginn des Weltkrieges in Biredschik stand und
mit seinem grau gesprenkelten Bart wie ein Greis aussah. In seinem
grauen, groben Soldatenmantel, das Gewehr über der Schulter,
präsidierte er in martialischer Haltung auf der Steuerbordfähre, wo
sich die kleine Mannschaft einzurichten hatte. Was mir fehlte, war
nur ein Dolmetscher, um mich mit meinen eignen Leuten leicht zu
verständigen — ein heilsamer Zwang, mein mangelhaftes Türkisch
durch eifrigstes Studium zu vervollkommnen.
 Meine Fähre am Ufer der Silman-Araber.

Fünftes Kapitel.
Auf den Wellen des Euphrat.

E s war ½6 Uhr nachmittags, als ich mich von meinen deutschen

Freunden in Dscherablus, von Rittmeister von Abel, der
dienstlich dorthin gekommen war, von Major von Schrenk und seinen
Offizieren, und von Nuri Bei verabschiedete.
„Jallah! Bismillah rahman errahim!“
 Auf dieses Kommando stieß meine Fähre vom Ufer ab, wurde
sogleich vom Strom erfaßt, und bald waren Dscherablus und die
deutsche Marinestation außer Sehweite. Ich war, wie so oft auf
meinen Entdeckungsfahrten, allein mit meiner Arbeit unter wenigen
eingeborenen Begleitern.
Unaufhaltsam trägt die starke Strömung meine Fähre gen Süden.
Die schmale Vorderwand meiner Hütte ist als Sonnendach
hochgeklappt; Kartenblatt, Kompaß und Uhr vor mir, sitze ich an
meinem Schreibtisch und zeichne unsere Fahrtrichtung und die
Formen der Ufer ein. Die steilen Bergfronten, die Klippen und
Sandbänke, die grasbewachsenen Inseln, die Wiesen, Dörfer und
Zelte, Lehmhäuser und Hügel, die Ergebnisse der Tiefen- und
Geschwindigkeitsmessungen, sogar die weidenden Herden, alles
wird in die Karte eingetragen. Selten ist die Richtung fünf Minuten
lang die gleiche; gewöhnlich muß ich nach zwei, drei Minuten neue
Peilungen machen, und ich habe kaum Zeit, zwischen den einzelnen
Beobachtungen eine Zigarette anzubrennen. Ein Fernrohr ermöglicht
mir, das Leben der Nomaden an den Ufern zu beobachten und die
Eigentümlichkeit des beständig wechselnden Landschaftsbildes
genauer zu studieren. Kleine Entenscharen flattern dicht über der
Oberfläche des Flusses vor uns her. In der Ferne schreit der
Kuckuck, und von den Ufern her klingen die Glocken der
Schafherden. Wenn es ganz ruhig ist, hört man an der Oberfläche
des Wassers ein Brodeln und Zischen, wie wenn Wasser eben zu
kochen beginnt. Dieser Laut begleitete mich mehrere Tage und
verschwand erst, als Luft und Wasser wärmer geworden waren. Tag
und Nacht bin ich auf dem Flusse; ich bin eins mit ihm, lebe sein
Leben und fühle, wie er arbeitet und sich rührt, um weit im Süden bis
zur Küste vorzudringen und im Meere seine Freiheit zu gewinnen.
Das Land ringsum ist eine ungeheure Miozänkalksteinplatte, die
bis unterhalb Hit am Euphrat und bis Samarra am Tigris reicht und
nicht nur Nordsyrien bedeckt, sondern auch el-Dschesire, die Insel,
oder das Land zwischen den beiden Brüderströmen, das ungefähr
dem alten Assyrien entspricht. Ihre Höhe beträgt bis 500 Meter, so
daß man von einer Hochebene sprechen kann. Wo im Süden die
tertiäre Kalksteinschale aufhört, beginnt reines Schwemmland,
dessen alluviale Ablagerungen eine bedeutende Tiefe erreichen.
Vermehrt durch den Schlamm, den beide Ströme mit sich führen,
schieben sich diese Ablagerungen immer weiter in den Persischen
Meerbusen vor. 2000 Jahre vor unserer Zeitrechnung lag die
chaldäische Stadt Suripak an der Küste, jetzt sind ihre Ruinen 210
Kilometer von ihr entfernt! Noch zur Zeit Sardanapals mündeten
Euphrat und Tigris jeder für sich in den Persischen Golf. Der Schatt-
el-Arab, zu dem sich beide jetzt vereinen, ist also einer der jüngsten
Ströme der Welt. Dies Alluvialland entspricht dem alten Babylonien,
dem Irak-Arabi der Gegenwart. In seinem subtropischen Klima
gedeihen Zuckerrohr, Reis und Datteln, und in naher Zukunft sollen
hier reiche Baumwollernten eingebracht werden.
Durch diese Kalksteinplatte arbeitet sich der Euphrat in zahllosen
kleinen Windungen nach Südosten. Wo das Gestein dem Ansturm
des Stromes getrotzt hat, und dieser sich daher auf etwa 100 Meter
Breite zusammendrängt, fallen die Ufer schroff ab; in den oft
alabasterweißen Wänden hat das Wasser in jahrtausendelanger
Arbeit schalenförmige Vertiefungen und gigantische Felsentore,
Grotten und Höhlen, Löcher und Klüfte ausgewaschen, in denen
Raubvögel und Dohlen horsten. Hier und da scheint die Natur mit
der Überlegung des Menschengeistes geschaffen zu haben; steile
Treppen mit gewaltigen Stufen führen die Uferwände empor, oder
man glaubt mächtige Kais zu erkennen, die das Wasser eindämmen
sollen. Meist ist die Erosionsterrasse bei konkaven Uferstrecken ein
oder mehrere Meter hoch, senkrecht und sogar überhängend;
Wurzelfasern von Kräutern und Sträuchern reichen ins Wasser
herunter, und ab und zu stürzen Erdklumpen klatschend ab. Man
hört und sieht, wie der Fluß sein Bett unablässig formt, am konkaven
Ufer bricht er ab und reißt er nieder, und die Wellen schäumen um
Felsblöcke, die herabgestürzt und an seichten Stellen liegen
geblieben sind; am konvexen Ufer baut er auf, manche flachen,
unfruchtbaren Anschwemmungen können erst gestern oder
vorgestern entstanden sein. Auf diesen Strecken lassen sich nur hier
und da schmale Uferstreifen bewässern und bebauen.
Dann wieder schiebt sich die Kalksteinschale rechts und links
mehrere hundert Meter zurück, so daß der Strom bei Hochwasser
eine Breite bis zu 800 Metern gewinnt und sich wie eine
Meeresbucht vor uns ausdehnt, deren Weite und Richtung kaum
erkennbar ist. Die Gipfel der Höhen schimmern grün, hier und da ist
Lava drübergebreitet. Oft tragen die beherrschenden Höhen auch
Ruinen von Festungen und Türmen, von denen aus die Völker des
Altertums wahrscheinlich herannahende Kriegsgefahr meldeten. Auf
dem weiten Uferland weiden Ziegen, Schafe und Rinder, der
Reichtum der Nomaden; Klippen und Landzungen springen als
schaumumwirbelte Wellenbrecher in den Strom vor, auf breiten
Schlammbänken sitzen Möwen und Meerschwalben wie
Perlenreihen und steigen bei unserem Nahen mit gellenden
Schreien in die Luft. Oft teilt sich auch der Strom durch
langgestreckte Inseln, die das Hochwasser jetzt überspült; Sträucher
und Steinhütten, die über die Oberfläche hervorragen, verraten dem
Steuermann der Fähre ihre Nähe. Erst wenn das Wasser fällt,
werden sie wieder zu richtigen Inseln.
Während der ganzen Stromfahrt bietet der Durchbruch des
Euphrat durch diese Kalksteinplatte eine Fülle charakteristischer
Formen, und ich habe das großartigste Naturtheater vor mir, das
sich denken läßt; in wechselnden Szenerien kommt mir die
Landschaft entgegen, während ich selbst in tiefster Ruhe das
köstliche Schauspiel genieße. Kletterte ich die Uferwände hinan, so
sähe ich nur eine öde, endlose Steppe; man braucht sich nur wenige
Kilometer vom Euphrat zu entfernen und sieht keine Spur mehr von
der Nähe dieses prächtigen Flußtals.
In den ersten Tagen ging meine Stromfahrt so langsam vor sich,
daß ich schon daran verzweifelte, auf diesem Weg überhaupt
Bagdad zu erreichen. Ein oder zwei, höchstens drei Meter in der
Sekunde war bei ruhigem Wetter die Durchschnittsgeschwindigkeit
meiner Fähre; das machte in der Stunde 4 bis 7 Kilometer, an sich
ein ganz erfreuliches Tempo. Da aber meine Arbeit an Bord
Tageslicht erforderte, mußten wir die ruhigen Nächte über still liegen;
außerdem machten uns Nebel und die Frühlingsboten, Regen und
Sturm, so viel zu schaffen, daß wir immer wieder in den Schutz der
steilen Uferwände flüchten und halbe Tage lang vor Anker gehen
mußten. Bei 13 und 14 Grad Luftwärme fror ich im Schatten meines
Sonnendachs. Der Wind pfiff quer durch meine Hütte, und durch die
Dachritzen tropfte der Regen auf Bett und Schreibtisch, bis ich ein
kleines, grünes Zelt darüber nagelte, das ich auf meiner
unglücklichen Autoreise von Major Reith erhalten hatte; mein
eigenes großes, weißes Zelt hatte bei dem übrigen Gepäck in Bir-
dava bleiben müssen. Erst am 17. April machte sich der
Frühlingsanfang mit 24 Grad Wärme bemerkbar. Trotzten wir dem
Wind, so trieb die Fähre regellos von einem Ufer zum andern, drehte
sich wie eine Nußschale, so daß Ruderer und Steuermann machtlos
waren, trieb auch wohl auf erst in der Nähe erkennbare
Schlammbänke, und einmal mußten wir sie sogar wieder in ihre
beiden Hälften zerteilen, um nur wieder flott zu werden. Wenig aber
fehlte, und sie hätte mitsamt ihrer Besatzung ein vorschnelles Ende
in den strudelnden Wassern des Euphrat gefunden.
Das war am 18. April, als wir Rakka hinter uns hatten und eine
Strecke weit unterhalb das Dorf Säbcha am Fuße der Kalkwand in
Sicht kam. Säbcha ist eine Poststation auf dem Wege von Aleppo
nach Bagdad.
Der Strom war in den letzten Tagen über einen Meter gestiegen.
Seit einer Weile wehte Ostwind. Die Sonne verschwand hinter
undurchdringlichem Gewölk, und über uns begann der Donner zu
grollen in immer kürzeren Zwischenräumen und immer lauter. Die
Luft war drückend schwül, und alle Anzeichen deuteten daraufhin,
daß eine rasende Entladung bevorstand. Die Arbeiter an den
Schöpfwerken blickten prüfend zum Himmel, spannten die Ochsen
aus und trieben sie zu den Zelten. Schon begann auch der Regen
auf das Dach meiner Hütte und das ölgetränkte grüne Zelt
niederzuprasseln.
Es fehlten gerade noch vier Minuten an ½6. Ich hatte eine neue
Peilung genommen, die zeigte, daß wir S 40 W fuhren. Langsam
glitten wir am rechten Ufer hin und streiften eine kleine,
grasbewachsene Insel, die sich bei niedrigem Wasserstand mit dem
Festland vereinigen mußte. In einer Viertelstunde hoffte ich am Han,
dem Postwirtshaus, von Säbcha zu sein.