Porównanie i ocena metod klasyfikacji sygnałów EEG

• Autorzy: Rutkowski G. , Patan K.

Warianty tytułu

EN

Analysis and classification of EEG data. An evaluation of methods

• Języki publikacji: PL

Abstrakty

PL

Analiza i interpretacja sygnałów elektroencefalograficznych znalazła szerokie spektrum zastosowań w diagnostyce klinicznej. Pomimo licznych doświadczeń specjalistów, ciągle napotyka się wiele trudności. Powstające problemy związane są m.in. z aspektami technicznymi co spowodowane jest charakterem niestacjonarności w przypadku sygnałów takich jak sygnały EEG. Rozwiązania sprzętowe i programowe w tej dziedzinie są poddawane ciągłej poprawie ze względu na rozwój technologiczny. Bardzo obiecującym narzędziem w analizie i interpretacji sygnałów EEG są sztuczne sieci neuronowe. W pracy przedstawiono eksperymenty oparte o analizę i klasyfikację danych biomedycznych za pomocą różnych technik, w tym metod klasycznych takich jak naiwny klasyfikator Bayesa, k najbliższych sąsiadów z zastosowaniem metod sztucznej inteligencji takich jak klasyfikatory SVM czy perceptron wielowarstwowy.

EN

Analysis and interpretation methods of electroencephalogram signals have found a broad spectrum of applications in clinical diagnosis. Despite the experience of professionals, biomedical data analysis encounters many difficulties. Measurement problems are associated with both the technical ground that determines the character of non-stationarity of EEG signals and the individual nature of a neurological dysfunction. The existing hardware and software have been continuously improved due to the rapid progress of technological development. Very promising tool in the analysis and interpretation of the EEG signals are artificial neural networks. An electroencephalogram (EEG) is a noninvasive technique for measurement of processes occurring in the human brain. This technique allows direct measurement of electrical potentials of neuronal activity. EEG is thus recording of electrical activity of nerve cells on the surface of the cerebral cortex. Seizures are very important element in clinical diagnosis due to the ongoing search for causal link in generating sudden discharges of electricity. The interpretation of such signals may allow for appropriate treatment and selection of relevant therapy for individual cases. There have been many works in the area of electroencephalography which used artificial neural networks involving among the others in the process of recognizing specific graphoelements, which in turn indicate a definite neurological dysfunction. Neural networks are also able to extract the relevant information contained in the EEG signals and support the process of solving problems, such as the identification of characteristic EEG [1, 5, 6] patterns or determine patterns based on spectral EEG topography [3]. Neural networks are also used to identify artifacts, where inputs to the classifier are implemented in the form of selected parameters of a specific wave length [10]. The paper presents experiments based on the analysis and classification of biomedical data using various techniques, including classical methods such as naive Bayes classifiers, and nearest neighbor using artificial intelligence methods including SVM classifiers and multilayer perceptron.

Słowa kluczowe

PL

EEG; sztuczne sieci neuronowe; rozpoznawanie obrazów; klasyfikacja

EN

EEG; artificial neural networks; pattern recognition; classification

• Wydawca: Wydawnictwo PAK
• Czasopismo: Pomiary Automatyka Kontrola
• Rocznik: 2012
• Tom: R. 58, nr 4
• Strony: 369--371
• Opis fizyczny: Bibliogr. 10 poz., rys., tab.

Twórcy

autor

Rutkowski G.

autor

Patan K.

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

Bibliografia

• [1] Bankman I. N., Sigilliti V. G., Wise R. A., Smith P. L.: Feature-based detection of the k-complex wave in the human electro-encephalogram using neural networks. IEEE Transactions on Biomedical Engineering 39 (12), 1305-1310 (1992).
• [2] Duda R. O., Hart P. E., Stork D. H.: Pattern Classification, 2nd Edition. Wiley Inter Science (2000).
• [3] Emiliani G. M. M., Frietman E. E. E.: Automatic classification of eegs with neural networks. Microelectronic Systems Integration 1 (1), 41-62 (1994).
• [4] Haykin S.: Neural Networks. A Comprehensive Foundation, 2nd Edition. Prentice-Hall, New Jersey (1999).
• [5] Huuponen E., Varri A., Himanen S. L., Hasan J., Lehtokangas M., Saarinen J.: Autoassociative MLP in sleep spindle detection. Journal ofMedical Systems 24 (3), 183-193 (2000).
• [6] 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).
• [7] Mallat S.: A theory for multiresolution signal decomposition: The wavelet representation. IEEE Trans. Pattern Anal. Mach Intell. 11 (7), 674-693 (1989).
• [8] Mustafa G., Chen F., Huang Z.: Ternary wavelets and their applications to signal compression. International Journal of Applied Mathematics and Computer Science 14 (2), 233-240 (2004).
• [9] Rutkowski G.: Artificial neural networks in the classification of EEG signals. In: Proceedings of XIII International Workshop OWD 2011, Krynica, Poland, 22-25 October 2011 (2011).
• [10] Übeyli E. D.: Combined neural network model employing wavelet coefficients for EEG signals classification. Digital Signal Processing 19, 297-308 (2009).