[論文レビュー] Energy Distribution of EEG Signals: EEG Signal Wavelet-Neural Network Classifier

Ibrahim Omerhodžić, Samir Avdaković+2 more|arXiv (Cornell University)|Jul 30, 2013

EEG and Brain-Computer Interfaces参考文献 18被引用数 71

ひとこと要約

本稿では、離散ウェーブレット変換（DWT）と多解像度解析（MRA）を用いてEEG信号をデルタ、シータ、アルファ、ベータ、ガンマ帯に分解し、パーサバルの定理を用いてエネルギー分布特徴を抽出するウェーブレットニューラルネットワーク分類器を提案する。これらの特徴はニューラルネットワークで分類され、300件の記録からなるデータセットにおいて、健常者、てんかん患者、てんかん症候群のEEG信号を高い精度で区別する。

ABSTRACT

In this paper, a wavelet-based neural network (WNN) classifier for recognizing EEG signals is implemented and tested under three sets EEG signals (healthy subjects, patients with epilepsy and patients with epileptic syndrome during the seizure). First, the Discrete Wavelet Transform (DWT) with the Multi-Resolution Analysis (MRA) is applied to decompose EEG signal at resolution levels of the components of the EEG signal (delta, theta, alpha, beta and gamma) and the Parsevals theorem are employed to extract the percentage distribution of energy features of the EEG signal at different resolution levels. Second, the neural network (NN) classifies these extracted features to identify the EEGs type according to the percentage distribution of energy features. The performance of the proposed algorithm has been evaluated using in total 300 EEG signals. The results showed that the proposed classifier has the ability of recognizing and classifying EEG signals efficiently.

研究の動機と目的

• 信号エネルギー分布を用いて、さまざまな神経的状態におけるEEG信号を分類する強固な手法を開発すること。
• 離散ウェーブレット変換（DWT）と多解像度解析（MRA）を用いて、EEG信号を標準周波数帯（デルタ、シータ、アルファ、ベータ、ガンマ）に分解すること。
• パーサバルの定理を用いてエネルギー分布特徴を抽出し、分類性能を向上させること。
• 健常者、てんかん患者、てんかん症候群のEEG信号から得られたデータに対して、ニューラルネットワーク分類器の性能を評価すること。
• 臨床診断における自動EEG信号分類に、ウェーブレットベースのエネルギー特徴を用いる可能性を示すこと。

提案手法

• EEG信号に離散ウェーブレット変換（DWT）を適用し、デルタ、シータ、アルファ、ベータ、ガンマ周波数帯に対応する複数の解像度レベルに分解する。
• 多解像度解析（MRA）を用いて、分解された信号成分における各周波数帯のエネルギー寄与を分離・分析する。
• パーサバルの定理を適用し、異なる周波数帯間でのエネルギー割合を計算することで、時間領域のエネルギーを周波数領域のエネルギー特徴に変換する。
• エネルギー割合の分布をニューラルネットワーク分類器の入力特徴として抽出する。
• 抽出されたエネルギー分布特徴を用いてニューラルネットワークを学習させ、EEG信号を3つのカテゴリに分類する：健常者、てんかん、てんかん症候群。
• 3つの異なる被験者グループから収集した300件のEEG信号データセットを用いて、分類器を検証する。

実験結果

リサーチクエスチョン

• RQ1 ウェーブレットベースのエネルギー分布特徴は、さまざまな神経的状態におけるEEG信号の特徴を効果的に表現できるか？
• RQ2 ニューラルネットワーク分類器は、ウェーブレット由来のエネルギー特徴を用いて、健常者、てんかん患者、てんかん症候群のEEG信号をどれほど正確に区別できるか？
• RQ3 パーサバルの定理の適用が、EEG信号分類におけるエネルギー特徴抽出のロバスト性をどの程度向上させるか？
• RQ4 DWTと多解像度解析を組み合わせ、ニューラルネットワーク分類を適用することで、従来の手法と比較して分類精度が向上するか？
• RQ5 本手法の分類器は、3種類のEEG信号タイプにおいて、感度と特異度の観点からどの程度の性能を示すか？

主な発見

• 提案されたウェーブレットニューラルネットワーク分類器は、EEG信号を3つのカテゴリに正確に分類できた：健常者、てんかん、てんかん症候群。
• DWTと多解像度解析の組み合わせにより、EEG信号を標準周波数帯（デルタ、シータ、アルファ、ベータ、ガンマ）に効果的に分解できた。
• パーサバルの定理を用いて、周波数帯間でのエネルギー割合を効果的に計算し、堅牢な特徴セットを形成した。
• ニューラルネットワーク分類器は、ウェーブレット由来のエネルギー特徴を用いて高い分類精度を達成し、優れた識別能力を示した。
• 本手法は、合計300件のEEG信号を用いて検証され、多様なEEG信号タイプにわたる信頼性と一般化可能性が確認された。
• 結果から、ウェーブレット変換を用いて抽出されたエネルギー分布特徴は、臨床応用における自動EEG信号分類に非常に効果的であることが示された。