Processing and spectral analysis of the raw EEG signal from the MindWave

• Autorzy: Sałabun W.

Identyfikatory

DOI

10.12915/pe.2014.02.44

Warianty tytułu

PL

Przetwarzanie i analiza widmowa sygnałów EEG przy zastosowaniu urządzenia MindWave MW001

• Języki publikacji: EN

Abstrakty

EN

Electroencephalography (EEG) is commonly used in a variety scientific fields. Unfortunately, commercial devices are generally very expensive, costing thousands of dollars. In recent years, devices costing under $200 have been made available. The MindWave MW001, developed by Neurosky Inc., is currently the least expensive commercial EEG device, costing less than $100. The paper presents how to record and process the raw EEG signal from the MindWave MW001 in the MATLAB environment. This paper then show how Fast Fourier Transform (FFT) is used to find the frequency components in a time domain signal. Based on a sample signal and spectral analysis, the basic EEG waves are presented.

PL

Elektroencefalografia (EEG) jest powszechnie stosowana w wielu dziedzinach nauki. Niestety, urządzenia komercyjne są na ogół bardzo drogie, kosztują wiele tysiący dolarów. W ostatnich latach, pojawiły się na rynku urządzenia kosztujące mniej niż 200$. MindWave MW001 został opracowany przez firmę Neurosky i jest obecnie najtańszym komercyjnym urządzeniem EEG, kosztuje mniej niż 100$. Artykuł przedstawia w jaki sposób można zapisać i przetwarzać surowy sygnał EEG w środowisku MATLAB przy użyciu urządzenia MindWave MW001. Następnie, szybka transformacja Fouriera jest zastosowana do znalezienia składowych częstotliwości badanego sygnału w dziedzinie czasu. Na podstawie próbki sygnału i analizy widmowej zaprezentowano podstawowe fale EEG.

Słowa kluczowe

EN

electroencephalography; MindWave; spectral analysis; raw EEG signal

PL

elektroencefalografia; MindWave; analiza widmowa; surowy sygnał EEG

• Wydawca: Wydawnictwo SIGMA-NOT
• Czasopismo: Przegląd Elektrotechniczny
• Rocznik: 2014
• Tom: R. 90, nr 2
• Strony: 169--173
• Opis fizyczny: Bibliogr. 17 poz., il., schem., tab., wykr.

Twórcy

autor

Sałabun W.

• Department of Artificial Intelligence Methods and Applied Mathematics, Faculty of Computer Science and Information Technology, West Pomeranian University of Technology, Szczecin, ul. Żołnierska 49, 71-210 Szczecin, Poland

Bibliografia

• [1] Aydemir O., Pourzare S., Kayikcioglu T., Classifying Various EMG and EOG Artifacts in EEG Signals, Przegląd Elektrotechniczny, 88(11a), pp. 218-222, 2012.
• [2] Cooley J. W., J. W. Tukey, An Algorithm for the Machine Computation of the Complex Fourier Series, Mathematics of Computation, 19, pp. 297-301, 1965.
• [3] Crowley K., Sliney A., Pitt I., Murphy D., Evaluating a Brain-Computer Interface to Categorize Human Emotional Response, 10th IEEE International Conference on Advanced Learning Technologies, pp. 276-278, 2010.
• [4] Filipowicz S., Nita K., Układ elektroencefalografu przenośnego do lokalizacji aktywności elektrycznej, Przegląd Elektrotechniczny, 83(12), pp. 112-113, 2007
• [5] Haas, L. F., Hans Berger (1873–1941), Richard Caton (1842–1926), and electroencephalography, Journal of Neurology, Neurosurgery & Psychiatry, 74(1), pp. 9, 2003.
• [6] Hardy G. H., Rogosinski W. W., Fourier Series, Dover Books on Mathematics, Dover Publications, 2013.
• [7] Hussin S. S., Sudirman R., Sensory Response through EEG Interpretation on Alpha Wave and Power Spectrum, Procedia Engineering 53, pp. 288-293, 2013.
• [8] Kołodziej M., Majkowski A., Rak R., Linear discriminant analysis as a feature reduction technique of EEG signal for braincomputer interfaces, Przegląd Elektrotechniczny, 88(3a), pp. 101-103, 2012.
• [9] Kranczioch C., Zich C., Schierholz I., Sterr A., Mobile EEG and its potential to promote the theory and application of imagerybased motor rehabilitation, International Journal of Psychophysiology, pp. 1-6, available online 18 Oct 2013.
• [10] Oppenheim A. V., Schafer R. W., Discrete-Time Signal Processing, Prentice-Hall, p. 611-619, 1989.
• [11] Rak R., Kołodziej M., Zastosowanie analizy częstotliwościowej sygnału EEG w interfejsach mózg-komputer, 84(5), pp. 283-286, 2008.
• [12] Rejer I., Pelczar M., Analiza statystyczna zbioru sygnałów EEG na potrzeby budowy interfejsu mózg-komputer, Wybrane zagadnienia informatyki medycznej, Stowarzyszenie Przyjaciół Wydziału Informatyki w Szczecinie, pp. 41-54, 2012.
• [13] Rejer I., EEG feature selection for BCI based on motor imaginary task, Foundations of Computing and Decision Sciences, 37(4), pp. 285-294, 2012.
• [14] Sneddon I. N., Fourier Transform, Dover Books on Mathematics, Dover Publications, 2010.
• [15] Valer J., Daisuke T., Ippeita D., 10/20, 10/10, and 10/5 systems revisited: Their validity as relative head-surface-based positioning systems, NeuroImage, 34(4), pp. 1600-1611, 2007.
• [16] Vourvopoulos A., Liarokapis F, Evaluation of commercial brain–computer interfaces in real and virtual world environment: A pilot study, Computers & Electrical Engineering, available online 12 November 2013.
• [17] Wali M. K., Murugappan M., Badlishah Ahmad R., Classification of Driver Drowsiness Level using Wireless EEG, Przegląd Elektrotechniczny, 89(6), pp. 113-117, 2013.