Warped s-transform for analysing the brain waves

• Autorzy: Borowicz A.

Warianty tytułu

PL

Spaczona transformata s do analizy fal mózgowych

• Języki publikacji: EN

Abstrakty

EN

In this paper the warped S-transform is introduced as a tool for non-uniform time-frequency representation (TFR) of the brain electrical activity. The brain oscillations are classified as the five basic rhythms. The center frequencies and frequency ranges of these rhythms are non-uniformly distributed over frequency scale. Unlike the conventional S-transform the proposed technique is based on the warped discrete Fourier transform (WDFT), that allows for frequency scale warping. This can improves a spectral resolution of the TFR in particular oscillation band. In opposition to the time-domain filtering techniques, the brain rhythms can be analysed more precisely in the time-frequency plane as a full-band signal.

PL

W artykule wprowadzamy spaczoną transformatę S, jako narzędzie nierównomiernej reprezentacji czasowo-częstotliwościowej aktywności elektrycznej mózgu. Oscylacje mózgowe klasyfikowane są, jako pięć podstawowych rytmów. Częstotliwości środkowe oraz zakresy odpowiadające tym rytmom rozmieszczone są nierównomiernie na skali częstotliwości. Proponowana technika, w przeciwieństwie do konwencjonalnej transformaty S, opiera się na spaczonej dyskretnej transformacie Fouriera, która pozwala na deformowanie skali częstotliwości. Umożliwia to zwiększenie rozdzielczości widmowej reprezentacji czasowo-częstotliwościowej w określonym pasmie oscylacji. W odróżnieniu od klasycznych metod filtracji dziedziny czasu, rytmy mózgowe mogą być dokładniej analizowane w płaszczyźnie czasowo-częstotliwościowej, jako sygnał pełno-pasmowy.

Słowa kluczowe

EN

WDFT; Stockwell transform; EEG

PL

WDFT; transformata S; EEG

• Wydawca: Oficyna Wydawnicza Politechniki Białostockiej
• Czasopismo: Advances in Computer Science Research
• Rocznik: 2014
• Tom: Nr 11
• Strony: 5--16
• Opis fizyczny: Bibliogr. 19 poz., rys., wykr.

Twórcy

autor

Borowicz A.

• Faculty of Computer Science, Bialystok University of Technology, Białystok, Poland

Bibliografia

• [1] S. Bagchi and S.K. Mitra. The nonuniform discrete fourier transform and its applications in filter design. i. 1-d. Circuits and Systems II: Analog and Digital Signal Processing, IEEE Trans. on, 43(6):422–433, Jun 1996.
• [2] A. Borowicz, M. Parfieniuk, and A. Petrovsky. An application of the warped discrete fourier transform in the perceptual speech enhancement. Speech Comm., 48(8):1024–1036, 2006.
• [3] G. Buzsáki. Rhythms of the Brain. Oxford University Press, Inc., New York 2006.
• [4] I. Daubechies. The wavelet transform, time–frequency localization and signal analysis. IEEE Trans. Inf. Theory, 36:961–1005, 1990.
• [5] S. Franz, S.K. Mitra, and G. Doblinger. Frequency estimation using warped discrete fourier transform. Signal Process., 83(8):1661–1671, Aug 2003.
• [6] A. L. Goldberger, L. A. N. Amaral, L. Glass, J. M. Hausdorff, P. Ch. Ivanov, R. G. Mark, J. E. Mietus, G. B. Moody, C.-K. Peng, and H. E. Stanley. PhysioBank, PhysioToolkit, and PhysioNet: Components of a new research resource for complex physiologic signals. Circulation, 101(23):e215–e220, 2000 (June 13).
• [7] V. Jurcak, D. Tsuzuki, and I. Dan. 10/20, 10/10, and 10/5 systems revisited: Their validity as relative head-surface-based positioning systems. NeuroImage, 34(4):1600 – 1611, 2007.
• [8] D.J. Krusienski, G. Schalk, D.J. McFarland, and J.R. Wolpaw. A µ-rhythm matched filter for continuous control of a brain-computer interface. IEEE Trans. Biomed. Eng., 54(2):273–280, 2007.
• [9] A. Makur and S.K. Mitra. Warped discrete-fourier transform: Theory and applications. IEEE Trans. Circuits Systems I, 48(9):1086–1093, 2001.
• [10] L.F. Márton, L. Bakó, S.T. Brassai, and L. Losonczi. Multichannel {EEG} signal recording analysis based on cross frequency coupling method. Procedia Technology, 12(0):133 – 140, 2014.
• [11] J.B. Nitschke, G.A. Miller, and E.W. Cook. Digital filtering in eeg/erp analysis: Some technical and empirical comparisons. Behavior Research Methods, Instruments, & Computers, 30(1):4–67, 1998.
• [13] A. Petrovsky, M. Parfieniuk, and A. Borowicz. Warped DFT based perceptual noise reduction system. In Proc. AES 116th, Berlin, Germany, May 2004, 14 p.
• [12] M. Penttonen and G. Buzsaki. Natural logarithmic relationship between brain oscillators. Thalamus and Related Systems, 2(2):145–152, 2003.
• [14] C.R. Pinnegar, H. Khosravani, and P. Federico. Frequency phase analysis of ictal eeg recordings with the s-transform. Biomedical Engineering, IEEE Trans. on, 56(11):2583–2593, Nov 2009.
• [15] Kok-Kiong Poh and P. Marziliano. Analysis of neonatal eeg signals using stockwell transform. In Engineering in Medicine and Biology Society, 2007. 29th Annual International Conference of the IEEE, pages 594–597, Aug 2007.
• [16] M. Portnoff. Time-frequency representation of digital signals and systems based on short-time fourier analysis. IEEE Trans. Acoust. Speech Signal Process., 28(1):55–69, 1980.
• [17] P.A Regalia, S.K. Mitra, and P.P. Vaidyanathan. The digital all-pass filter: a versatile signal processing building block. Proceedings of the IEEE, 76(1):19– 37, Jan 1988.
• [18] G. Schalk, D.J. McFarland, T. Hinterberger, N. Birbaumer, and J.R. Wolpaw. Bci2000: A general-purpose brain-computer interface (bci) system. IEEE Trans. on Biomedical Engineering, 51(6):1034–1043, 2004.
• [19] R. G. Stockwell, L. Mansinha, and R. P. Lowe. Localization of the complex spectrum: the s transform. Sig. Process., IEEE Trans. on, 44(4):998–1001, Apr 1996.