Wyznaczanie atrybutów sygnału EEG w oparciu o transformatę Stockwella

• Autorzy: Rutkowski G. , Patan K.

Warianty tytułu

EN

EEG signal attribute extraction based on the Stockwell transform

• Języki publikacji: PL

Abstrakty

PL

W nowoczesnych systemach medycznych w dziedzinie elektroencefalografii coraz bardziej zwiększa się nacisk na udoskonalanie aparatury pomiarowej. Nieustannie poszukuje się rozwiązań poprawiających niedoskonałości sprzętowe, a trudności dotyczą zarówno sfery konstrukcyjnej, jak i zaimplementowanych algorytmów. Problemy dotyczą eliminacji artefaktów i samej charakterystyki sygnałów EEG. Proponowane rozwiązania począwszy od metod klasycznych, a skończywszy na metodach opartych na sztucznej inteligencji ciągle ewoluują i pozwalają na wdrażanie coraz to nowszych rozwiązań na potrzeby kliniczne. Techniki oparte na analizie widmowej pozwalają wspomóc pracę lekarzy specjalistów w procesie diagnostycznym dla poszczególnych dysfunkcji o podłożu neurologicznym. Jednym ze stosowanych rozwiązań jest dynamicznie rozwijająca się metodologia oparta na zaawansowanych narzędziach analizy widmowej. Transformata S pozwala na wprowadzenie i zastosowanie funkcji okna o zmiennej szerokości zależnej od częstotliwości. Uzyskane informacje pozwalają zarówno określić rozdzielczość zależną od częstotliwości, jak i wyznaczyć widmo. W artykule opisano eksperyment na próbkach rzeczywistych pomiarów EEG zgromadzonych przy ścisłej współpracy z Oddziałem Neurologii i Udarów Szpitala Wojewódzkiego w Zielonej Górze. Zaprezentowano wyniki przy użyciu transformaty S w ekstrakcji cech i klasyfikacji zaburzeń neurologicznych dla przypadków napadów epileptycznych.

EN

In modern medical systems more and more emphasis is put on improvement of the measuring equipment. We are constantly looking for solutions to improve both hardware and software. The main problems relate to the elimination of artifacts and the analysis of EEG signal characteristics. To date elaborated solutions still evolve and allow for the implementation of still newer and newer solutions for clinical needs. One of possible solutions is to use a dynamically developing methodology based on advanced spectral analysis tools. First, the Fourier Transform was used, but it turned out to be effective only for stationary signals. The Fourier Transform allows extracting information about the signal spectrum components, without providing the information about the component occurrence time of the component. Unfortunately, EEG signals are non-stationary in nature. The solution may be S Transform, which can be viewed as an extension of the popular Short-Time Fourier Transform and wavelet transform. S Transform allows for the introduction and application of window functions with a variable width frequency dependent. The resulting information helps us to determine attributes of EEG signals needed for classification. The paper deals with experiments carried out using EEG samples collected in close collaboration with the Ward of Neurology and Strokes of Provincial Hospital of Zielona Góra. EEG signals were recorded using 16-channel equipment under the supervision of experts in neurology practices. In result, 1154 sequences were acquired including both dysfunctions (586 epileptic seizures) and normal records (568). EEG sequences were analyzed using S-transform to extract signal features. The last step was classification of EEG signals performed using a nearest neighbor classifier. The presented results are very promising and may have an impact on the improvement and refinement of medical diagnostic tools.

Słowa kluczowe

PL

EEG; reprezentacja czasowo-częstotliwościowa; klasyfikacja

EN

EEG; S-transform; pattern recognition; classification

• Wydawca: Wydawnictwo PAK
• Czasopismo: Pomiary Automatyka Kontrola
• Rocznik: 2013
• Tom: R. 59, nr 3
• Strony: 208--211
• Opis fizyczny: Bibliogr. 15 poz., rys., tab., wzory

Twórcy

autor

Rutkowski G.

• Uniwersytet Zielonogórski, Instytut Sterowania i Systemów Informatycznych, ul. Podgórna 50, 65-246 Zielona Góra

autor

Patan K.

• Uniwersytet Zielonogórski, Instytut Sterowania i Systemów Informatycznych, ul. Podgórna 50, 65-246 Zielona Góra

Bibliografia

• [1] Manji H., Connolly S., Dorward N., Kitchen N., Mehta A., Wills A., red. nauk. wyd. pol. Barycki J.: Oksfordzki podręcznik neurologii, Czelej, Lublin 2010 (publikacja angielska: 2007).
• [2] Jędrzejak J.: Klasyfikacja padaczek i napadów padaczkowych, w: Polski Przegląd Neurologiczny 2008, Tom 4, supl. A, wyd. Viamedica.
• [3] Majkowski J., Ryglewicz D., Stelmasiak Z.: III Ogólnopolska Konferencja Naukowo-Szkoleniowa Polskiego Towarzystwa Neurologicznego, Szczecin, 13-15 maja 2010r., sekcja 6. Zespoły padaczkowe, w: Polski Przegląd Neurologiczny, Tom 6, supl. A, data publikacji: 13.05.2010, wyd. Viamedic.
• [4] Rutkowski, G.: Artificial neural networks in the classification of EEG signals. W: Proceedings of XIII International Work-shop OWD 2011, Krynica, Poland, 22–25 October 2011 (2011).
• [5] Yeung, N., Bogacz, R., Holroyd, C. B., Cohen, J. D.: Detection of synchronized oscillations in the electroencephalogram: An evaluation of methods. Psychophysiology 41, 822-832 (2004).
• [6] McSharry, P., He, T., Smith, L.: Linear and non-linear methods for automatic seizure detection in scalp electro-encephalogram recordings. Med. Biol. Engineering Computing 40, 447-461 (2002).
• [7] James, C. J., Jones, R. D., Bones., P. J., Carroll, G. J.: Detection of epileptiform discharges in the EEG by a hybrid system comprising mimetic, self-organized artificial neural network, and fuzzy logic stages. Clinical Neurophysiology 12, 2049-2063 (1999).
• [8] Faul, S., Boylan, G., Connolly, S.: An evaluation of automated neonatal seizure detection methods. Clinical Neurophysiology 116, 1533-1541 (2005).
• [9] Guo, L., Rivero, D., Pazos, A.: Epileptic seizure detection using multiwavelet transform based approximate entropy and artificial neural networks. J. Neuroscience Methods 193, 156-163 (2010).
• [10] Kahn, Y., Gotman, J.: Wavelet based automatic seizure detection in intracerebral electroencephalogram Clinical Neuro-physiology 114, 898-908 (2003).
• [11] Stockwell, R G., Mansinha, L., Lowe, R. P.: Localization of the complex spectrum: the s transform. IEEE Transactions on Signal Processing 44 (4), 998-1001 (1996).
• [12] Świercz, E.: Classification in the gabor time-frequency domain of non-stationary signals embedded in heavy noise with unknown statistical distribution. J. Applied Mathematics and Computer Science 20(1), 135-147 (2010).
• [13] Woźniak, M., Krawczyk, B.: Combined classifier based on feature space partitioning. J. Applied Mathematics and Computer Science 22 (4), 855-866 (2012).
• [14] Duda, R. O., Hart, P. E., Stork, D. H.: Pattern Classification, 2nd Edition. Wiley InterScience (2000).
• [15] Patan, K., Rutkowski, G.: Analysis and classification of EEG data: an evaluation of methods. Lecture Notes in Artificial Intelligence 7268, 310-317 (2012).