Wyniki wyszukiwania - BazTech

1

Schizophrenia detection using Multivariate Empirical Mode Decomposition and entropy measures from multichannel EEG signal

Krishnan Palani Thanaraj, Joseph Raj Alex Noel, Balasubramanian Parvathavarthini, Chen Yuanzhu

Biocybernetics and Biomedical Engineering

|

2020

|

Vol. 40, no. 3

1124--1139

EN

Multivariate analysis of the EEG signal for the detection of Schizophrenia condition is proposed here. Multivariate Empirical Mode Decomposition (MEMD) is used to decompose the EEG signal into Intrinsic Mode Functions (IMF) signal. The randomness measure of the IMF signal is determined by computing the entropy of the signal. Five entropy measures such as Approximate entropy, Sample entropy, Permutation entropy, Spectral entropy, and Singular Value Decomposition entropy are measured from the IMF signal. These entropy measures showed a significant difference ( p < 0.01) between the healthy controls (HC) and Schizophrenia (SZ) subjects. Many state-of-the-art (SoA) machine learning classifiers are trained on the feature matrix obtained from entropy values of the IMF signal, amongst them Support Vector Machine based on Radial Basis Function (SVM-RBF) provided the highest accuracy and F1-score of 93% for the 95 features. The area under the curve (AUC) value of 0.9831 was obtained using this classifier. These performance metrics suggests that computation of randomness measure such as entropy in the multivariate IMF domain provided better discriminating power in detection of Schizophrenia condition from the multichannel EEG signal.

2

Scattering transform-based features for the automatic seizure detection

Jiang Yun, Chen Wanzhong, You Yang

Biocybernetics and Biomedical Engineering

|

2020

|

Vol. 40, no. 1

77--89

EN

Developing the automatic detection system is of great clinical significance for assisting neurologists to detect epilepsy using electroencephalogram (EEG) signals. In this research, we explore the ability of a newly-developed algorithm named scattering transform in seizure detection. The preprocessed signal is initially decomposed into scattering coefficients with various orders and scales employing scattering transform. Fuzzy entropy (FuzzyEn) and Log energy entropy (LogEn) of the sub-band coefficients are obtained to characterize the epileptic seizure signals. Then the joint features are fed into five classifiers including support vector machine (SVM), least squares-support vector machine (LS-SVM), genetic algorithm-support vector machine (GA-SVM), extreme learning machine (ELM) and probabilistic neural network (PNN) for the verification of the effectiveness of the proposed scheme. Finally, we not only compare the classification results and the time efficiency derived from different classifiers, but also explore the discrimination performance of the proposed methodology based on ten different classification tasks with great clinical significance. The prominent classification accuracy (ACC) of 99.87 %, 99.59 %, 99.58 %, 99.56 % and 99.80 % are achieved using the above five classifiers respectively. The average ACC and Matthews correlation coefficient (MCC) of 99.75 % and 0.99 are also yielded based on all tasks. Furthermore, the result of Kruskal-Wallis Test for the verification of statistical significance confirms the reliability of the proposal. The comparison with the latest state-of-the-art techniques indicates the superior performance of the proposal. A tradeoff between classification accuracy and time complexity of the proposed approach is accomplished in our work and the possibility for clinical application is also demonstrated.

3

Classification of EEG signal by methods of machine learning

Alyamani Amina, Yasniy Oleh

Applied Computer Science

|

2020

|

Vol. 16, no 4

56--63

EN

Electroencephalogram (EEG) signal of two healthy subjects that was available from literature, was studied using the methods of machine learning, namely, decision trees (DT), multilayer perceptron (MLP), K-nearest neighbours (kNN), and support vector machines (SVM). Since the data were imbalanced, the appropriate balancing was performed by Kmeans clustering algorithm. The original and balanced data were classified by means of the mentioned above 4 methods. It was found, that SVM showed the best result for the both datasets in terms of accuracy. MLP and kNN produce the comparable results which are almost the same. DT accuracies are the lowest for the given dataset, with 83.82% for the original data and 61.48% for the balanced data.

4

Gray-level co-occurrence matrix of Fourier synchrosqueezed transform for epileptic seizure detection

Mamli Shamzin, Kalbkhani Hashem

Biocybernetics and Biomedical Engineering

|

2019

|

Vol. 39, no. 1

87--99

EN

Epilepsy is a brain disorder that many persons of different ages in the world suffer from it. According to the world health organization, epilepsy is characterized by repetitive seizures and more electrical discharge in a group of brain neurons results in sudden physical actions. The aim of this paper is to introduce a new method to classify epileptic phases based on Fourier synchro-squeezed transform (FSST) of electroencephalogram (EEG) signals. FSST is a time-frequency (TF) analysis and provides sharper TF estimates than the conventional short-time Fourier transform (STFT). Absolute of FSST of EEG signal is computed and segmented into five non-overlapping frequency sub-bands as delta (d), theta (u), alpha (a), beta (b), and gamma (g). Each sub-band is considered as a gray-scale image and then we propose to obtain the gray-level co-occurrence matrix (GLCM) of each sub-band as features. We concatenate the features of different sub-bands to obtain the final feature vector. After selecting informative features by infinite latent feature selection (ILFS) method, the support vector machine (SVM) and K-nearest neighbor (KNN) classifiers are used separately to classify EEG signals. We use the EEG signals from Bonn University database and different combinations of its sets are considered. Simulation results show that the proposed method efficiently classifies the EEG signals and can be used to determine the phase of epilepsy.

5

Facial expressions as an artifact in EEG signal used in the process of controlling a mobile robot with LabVIEW

Paszkiel Sz.

Przegląd Elektrotechniczny

|

2017

|

R. 93, nr 4

156--160

EN

This paper describes the control of a mobile vehicle by means of LabVIEW environment and artifacts in the EEG signal. The solutions by Emotiv and the LabVIEW environment were combined in order to conduct an electrophysiological data analysis as a function of time correlated with a specific potential. Artifacts occurrence in a given area was analysed by means of the EEG signal, which was measured with electrodes. The input signals processed were used in order to control a real object in the form of a mobile vehicle.

PL

W artykule opisano kwestię sterowania pojazdem mobilnym przy wykorzystaniu środowiska LabVIEW oraz artefaktów pojawiających się w sygnale EEG. W pracy dokonano połączenia rozwiązań udostępnianych przez firmę Emotiv ze środowiskiem LabVIEW w celu przeprowadzenia analizy danych elektrofizjologicznych w funkcji czasu, skorelowanych z konkretnym potencjałem. Występowanie artefaktów w danym obszarze analizowane było w oparciu o sygnał EEG, który mierzony był za pomocą elektrod. Przetworzone sygnały wejściowe użyte zostały na potrzeby sterowania obiektem rzeczywistym w postaci robota mobilnego.

6

Informatics system for concentration state analysis on the basis of a device operating in the brain – computer interface technology

Paszkiel Sz.

Informatyka, Automatyka, Pomiary w Gospodarce i Ochronie Środowiska

|

2016

|

nr 2

24--27

EN

The informatics system designed for the needs of the workgroup working at the Faculty of Automatic Control and Computer Sciences of Opole University of Technology consisting of two applications, of which one is currently the most popular operating system in smart phones was described in the article. The objective of operation of the mobile application is connection of functionality of a device for electroencephalographic measurements with a daily used mobile phone. Thanks to applied connection in the form of an application it is possible to verify the concentration state of the particular person during execution of the particular action with the special consideration to the tasks, which require high concentration. Thanks to the elaborated mobile application we are able to determine the most effective daytime for learning and to draw the characteristics of the concentration loss time. The second application in the system is used as the synchronization server.

PL

W artykule opisany został zaprojektowany na potrzeby grupy roboczej pracującej w ramach Instytutu Automatyki i Informatyki Politechniki Opolskiej system informatycznym składający się z dwóch aplikacji, z których jedna działa pod najpopularniejszym obecnie systemem operacyjnym na smartfonach. Celem pracy aplikacji mobilnej jest połączenie funkcjonalności urządzenia do pomiarów elektroencefalograficznych z używanym na co dzień urządzeniem telefonii mobilnej. Dzięki zastosowanemu połączeniu w postaci aplikacji, możliwa jest weryfikacja stanu skupienia danej osoby podczas wykonywania konkretnej czynności ze szczególnym uwzględnieniem tych zadań, które wymagają wysokiego skupienia. Dzięki opracowanej aplikacji mobilnej jesteśmy w stanie określić najbardziej efektywne pory dnia na naukę oraz wykreślić charakterystykę czasu utraty skupienia. Druga z aplikacji w systemie służy jako serwer synchronizacji.

7

Epileptic seizure detection based on improved wavelet neural networks in long-term intracranial EEG

Geng D., Zhou W., Zhang Y., Geng S.

Biocybernetics and Biomedical Engineering

|

2016

|

Vol. 36, no. 2

375--384

EN

Automatic seizure detection is of great importance for speeding up the inspection process and relieving the workload of medical staff in the analysis of EEG recordings. In this study, a method based on an improved wavelet neural network (WNN) is proposed for automatic seizure detection in long-term intracranial EEG. WNN combines the traditional back propagation neural network (BPNN) with wavelet transform. Compared with classic WNN architectures, a modified point symmetry-based fuzzy c-means (MSFCM) algorithm is applied to the initialization of wavelet transform's translations, which has been successful in multiclass cancer classification. In addition, Fast-decaying Morlet wavelet is chosen as the activation function to make the WNN learn faster. Relative amplitude and relative fluctuation index are extracted as a feature vector to describe the variation of EEG signals, and the feature vector is then fed into WNN for classification. At last, post-processing including smoothing, channel fusion and collar technique is adopted to achieve more accurate and stable results. This system performs efficiently with the average sensitivity of 96.72%, specificity of 98.91% and false-detection rate of 0.27 h_1. The proposed approach achieves high sensitivity and low false detection rate, which demonstrates its potential for clinical usage.

8

Nowoczesna metoda komunikacji człowieka z komputerem : neurony źródłem informacji w technologii BCI

Paszkiel S.

Śląskie Wiadomości Elektryczne

|

2015

|

Nr 2 (119)

4--5

PL

W niniejszym artykule przedstawiona została nowoczesna metoda komunikacji człowieka z komputerem, jaką jest technologia mózg-komputer. Scharakteryzowano aspekt źródła informacji w wyżej wymienionej technologii, jakim są neurony występujące w mózgu człowieka. Artykuł przedstawia także informacje na temat nowoczesnych rozwiązań technologicznych opracowanych na bazie technologii mózg-komputer dostępnych na rynku. W skrócie wymienione zostały także potencjalne zastosowania metody komunikacji mózgu człowieka z komputerem zarówno w zakresie nauk technicznych jak i społecznych.

EN

This paper presents a modern method of human-computer communication, which is the brain-computer technology. Characterized aspect of sources of information in the above technology, which neurons are present in the human brain. Article also presents information on new technological solutions developed on the basis of brain-computer technology commercially available. In short listed as a potential application of the method of communication of the human brain with a computer, both in terms of technical and society sciences.

9

Rejestracja i analiza sygnału EEG na użytek neuromarketingu

Kołodziej M., Tarnowski P., Majkowski A., Rak J. R., Dec D.

Przegląd Elektrotechniczny

|

2015

|

R. 91, nr 5

9-12

PL

Głównym celem eksperymentów jest znalezienie w zarejestrowanych sygnałach EEG cech, które umożliwiają rozróżnienie prezentowanych bodźców dźwiękowych o wysokim i niskim pobudzeniu emocjonalnym. Do wywołania określonych emocji wykorzystano bazę dźwięków IADS. W analizie sygnału wykorzystano wskaźniki, wbudowane w strukturę użytego oprogramowania, takie jak: Attention, Meditation, Delta (1-3 Hz), Theta (4-7 Hz) , Alpha1 (8-9 Hz), Alpha2 (10-12 Hz), Beta1 (13-17 Hz), Beta2 (18-30 Hz), Gamma1 (31-40 Hz), Gamma2 (41-50 Hz). Wykazano, że wskaźniki Attention, Alpha1, Alpha2 oraz Theta są powiązane w sposób istotny statystycznie ze stanem pobudzenia osoby badanej.

EN

The main objective of the experiments is to find, in recorded EEG signals, such features that allow to distinguish the presented sound stimuli with high and low emotional arousal. To evoke certain emotions IADS sound base was used. In signal analysis parameters built into the structure of the used software, such as Attention, Meditation, Delta (1-3 Hz), Theta (4-7 Hz) , Alpha1 (8-9 Hz), Alpha2 (10-12 Hz), Beta1 (13-17 Hz), Beta2 (18-30 Hz), Gamma1 (31-40 Hz), Gamma2 (41-50 Hz) were used. It has been shown that the parameters Attention, Alpha1, Alpha2 and Theta are related in a statistically significant way with the subject's state of arousal.

10

Dekompozycja sygnałów EEG w dziedzinie czasu przy zastosowaniu transformacji Hilberta-Huanga HHT

Gawędzki W., Socha M., Sławik P.

Przegląd Elektrotechniczny

|

2015

|

R. 91, nr 5

33-36

PL

Do dekompozycji sygnałów EEG w dziedzinie czasu zastosowana została empiryczna metoda EMD (ang. Empirical Mode Decomposition), która w wersji rozszerzonej o transformację Hilberta funkcjonuje pod nazwą transformacji HHT (ang. Hilbert-Huang Transform). Transformacja ta umożliwia poprawną dekompozycję sygnału EEG na sumę quasi-harmonicznych składowych, których amplitudy oraz częstotliwości są parametrycznymi funkcjami czasu. W przeciwieństwie do stosowanych aktualnie w diagnostyce transformacji Fouriera DFT oraz STFT nadaje się ona do analizy zjawisk o charakterze zarówno nieliniowym jak i niestacjonarnym.

EN

An Empirical Mode Decomposition method extended with the Hilbert transform (Hilbert-Huang Transform) was used for EEG decomposition in time domain. This transformation allows for proper EEG signal decomposition into quasi-harmonic components that amplitudes and frequencies are time dependence functions. In contrast to commonly used in diagnostic’s DFT and STFT transformations, proposed method is suitable for non-stationary and nonlinear phenomenon’s.

11

Akwizycja sygnału EEG przy użyciu NeuroSky MindWave Mobile na potrzeby procesów sterowania realizowanych z poziomu systemu Android

Paszkiel S.

Poznan University of Technology Academic Journals. Electrical Engineering

|

2015

|

No. 84

237--244

PL

W artykule scharakteryzowano akwizycję sygnału EEG przy użyciu urządzenia NeuroSky MindWave Mobile, ze szczególnym uwzględnieniem możliwości zastosowania zarchiwizowanego sygnału na potrzeby procesów sterowania realizowanych z poziomu platformy mobilnej, jaką jest coraz bardziej popularny system Android. Przedstawiono także wizualizację zmian aktywności sygnału EEG ze szczególnym uwzględnieniem poszczególnych rytmów fal elektroencefalograficznych. Podjęto tym samym próbę potwierdzenia tezy, że przy ograniczonej ilości elektrod umiejscowionych na głowie osoby badanej możliwe jest zrealizowanie prostego procesu sterowania w zastosowaniu do robota mobilnego.

EN

This paper describes the EEG signal acquisition using NeuroSky Mindwave Mobile devices, with particular reference to the use of the archived signal to the needs of the control processes implemented from the mobile platform that is becoming increasingly popular Android system. Visualization presented changes in EEG activity with particular emphasis on the individual rhythms electroencephalographic waves.

12

Neurofeedback - eksperymenty w LabVIEW

Rak R. J., Majkowski A., Kołodziej M., Sułko G.

Przegląd Elektrotechniczny

|

2013

|

R. 89, nr 10

263-265

PL

W artykule przedstawiono aplikację do samodzielnego treningu umysłu z wykorzystaniem neurofeedbacku. Aplikacja została stworzona w środowisku LabVIEW, z użyciem otwartej platformy BCI2000. Najważniejsze części aplikacji to: moduł zbierania danych oraz moduł przetwarzania sygnału EEG przy użyciu szybkiego przekształcenia Fouriera. Kluczowym elementem systemu jest moduł, który dla określonej przez użytkownika częstotliwości, dokonuje pomiaru energii sygnału. Wyniki wyświetlane są na panelu aplikacji użytkownika, zapewniając pożądane sprzężenie zwrotne.

EN

This paper presents an application for self-training of the mind with the use of neurofeedback. The application was developed in LabVIEW environment, using the open BCI2000 platform. The most important parts of the application are data acquisition module and EEG signal processing module implementing Fast Fourier Transform. The key element of the system is the module that, for a user-specified frequency, measures signal energy. The results are then displayed to provide the desired feedback.

13

The use of double filtration in analysis of eeg signals

Kawala-Janik A.

Zeszyty Naukowe. Elektryka / Politechnika Opolska

|

2010

|

z. 63

25-26

EN

In the following paper was presented double filtration of the EEG signals. The researched and analysed signals come from measurements conducted by the author of the hereof paper. The author will also hereby describe shortly one of the led experiments conducted inter alia at the Silesian University of Technology.

14

Spectral analysis of the EEG-signal registered during anaesthesia induced by propofol and maintained by fluorinated inhalation anaesthetics

Olejarczyk E., Sobieszek A., Rudner R., Marciniak R., Wartak M., Stasiowski M., Jałowiecki P.

Biocybernetics and Biomedical Engineering

|

2010

|

Vol. 30, no. 1

55-70

EN

The aim of this study was to identify the effects of different volatile anaesthetics (isoflurane, desflurane or sevoflurane) on the spectro-temporal pattern of EEG during all of the stages of anaesthesia recorded at the frontal derivations in 64 adult patients. The relative powers of EEG for delta, theta, alpha and beta frequency bands as well as the characteristics of their time evolution and their relationships with the concentrations of anaesthetics were used as the EEG spectra indices. The time evolutions of the individual wave powers in 75% of patients were similar for all the anaesthetics used in this study at the same method of administration. Well correlated biphasic changes in the slow and fast wave powers emerged after propofol induction as well as in association with the volatile anaesthetics action. Wave powers as well as their relationships with the anaesthetic concentrations were not hampered by the variability across the patients and anaesthetics used in this study. Comparing the branches of increasing and decreasing concentration, the hysteresis phenomenon, i.e. systematic decrease or increase of each wave power, was observed at the end of anaesthesia for each of the volatile anaesthetics. A rapid increase of sevoflurane concentration at the initial phase of anaesthesia caused more effective attenuation of beta waves than in the case of gradual anaesthetic administration but it happened at the cost of the intensification of delta waves.

15

Human-computer interface with detection of brain electrical signals evoked by alternate visual fields stimulation

Byczuk M.

Zeszyty Naukowe. Elektryka / Politechnika Łódzka

|

2008

|

z. 115

7-12

EN

The paper presents a new kind of noninvasive brain computer interface (BCI). The principle of its operation is based on a technique of alternate visual half-field stimulation. A battery operated amplifier and A/C converter are used to measure the EEG signal from 3 electrodes placed on occipital part of the scalp. A Bluetooth chip transmits a stream of the measured data to a computer. Tests of the BCI operation, involving 10 volunteers, show it is faster than conventional BCI devices based on the steady-state visual evoked potentials, reported so far in the literature.

PL

W artykule przedstawiono szybki interfejs BCI, którego działanie oparte jest na naprzemiennej stymulacji pól wzrokowych i różnicowym pomiarze sygnału EEG. W projekcie interfejsu BCI wykorzystano zasilane bateryjnie urządzenia pomiarowe z bezprzewodową transmisją danych, rejestrujące sygnał EEG z 3 elektrod umieszczonych na skórze głowy w części potylicznej. Przeprowadzone z udziałem 10 osób testy urządzenia pokazują jego znacznie większą szybkość działania w porównaniu z innymi znanymi interfejsami BCI wykorzystującymi detekcję wzrokowych potencjałów wywołanych (SSVEP).

16

Komunikacja człowieka z komputerem za pomocą sygnału EEG

Byczuk M., Materka A.

Elektronika : prace naukowe

|

2003

|

nr 8

35-52

PL

Praca zawiera przegląd technik analizy sygnału EEG (elektro-encefalograficznego) stosowanych do komunikacji człowieka z komputerem i wybranych systemów wykorzystujących te techniki. Opisano w niej również autorski prototypowy system akwizycji sygnału EEG, przeznaczony do prowadzenia badań naukowych w zakresie rozwoju metod analizy tego sygnału do zastosowań w interfejsach BCI (brain-computer interface). Omówiono schemat blokowy skonstruowanego układu i obwody kompensacji zakłóceń. Przedstawiono wyniki pierwszych eksperymentów przeprowadzonych z użyciem układu prototypowego, potwierdzające jego przydatność do cyfrowej analizy sygnałów EEG, w środowisku typowego laboratorium elektronicznego, bez dodatkowego ekranowania.

EN

The aim of this work is to design a multi-channel mixed-signal system for EEG signal acquisition in brain-computer interfaces. The paper contains a review of EEG signal analysis methods that are used in human-computer communication syste ms. Selected syste ms of this type are described in more detail. A prototype, single-channel sub-system architecture is characterized featuring sufficiently high noise immunity and common-mode rejection to allow EEG signal acquisition. Optical isolation is used for safe circuit operation in a typical office environment. Each channel incorporates 3 integrated-circuit instrumentation amplifiers with a total gain of 80 dB. A single-chip controller is used to work out digital signals to drive 10-bit analog to digital converters. First experimental results are presented, measured using a battery-operated prototype. It is demonstrated that the circuit suppresses very effectively the 50 Hz interference in a typical research laboratory and allows clear detection of alpha-waves via Fourier spectrum analysis of acquired EEG signal, without any special case or shielding. It is expected that the system will be useful to provide a basis for research in the area of development of brain-computer interfaces to technical devices, e.g. as an aid for handicapped persons.