[논문 리뷰] Energy Distribution of EEG Signals: EEG Signal Wavelet-Neural Network Classifier

Ibrahim Omerhodžić, Samir Avdaković외 2명|arXiv (Cornell University)|2013. 07. 30.

EEG and Brain-Computer Interfaces참고 문헌 18인용 수 71

한 줄 요약

이 논문은 이산 웨이블릿 변환(DWT)과 다중 해상도 분석을 사용하여 뇌파 신호를 델타, 테타, 알파, 베타, 감마 대역으로 분해하고, 파르세발 정리(_PARSEVAL'S THEOREM)를 통해 에너지 분포 특징을 추출하는 웨이블릿-신경망 분류기를 제안한다. 이러한 특징들은 신경망을 통해 분류되며, 300건의 기록 데이터셋에서 건강한, 간질 환자, 간질 증후군 환자의 뇌파 신호를 높은 정확도로 구분하는 데 성공한다.

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.

연구 동기 및 목표

• 신호 에너지 분포를 이용하여 다양한 신경학적 상태에서 EEG 신호를 분류하는 강력한 방법을 개발하기 위해.
• 이산 웨이블릿 변환(DWT)과 다중 해상도 분석(MRA)을 적용하여 EEG 신호를 표준 주파수 대역(델타, 테타, 알파, 베타, 감마)으로 분해하기 위해.
• 파르세발 정리(_PARSEVAL’S THEOREM)를 사용하여 에너지 분포 특징을 추출하여 분류 성능 향상시키기 위해.
• 건강한 사람, 간질 환자, 간질 증후군 환자로부터의 EEG 신호에 대해 신경망 분류기의 성능 평가하기 위해.
• 임상 진단에서 자동화된 EEG 신호 분류에 웨이블릿 기반 에너지 특징을 사용할 수 있는 가능성을 입증하기 위해.

제안 방법

• EEG 신호를 델타, 테타, 알파, 베타, 감마 주파수 대역에 해당하는 다중 해상도 수준으로 분해하기 위해 이산 웨이블릿 변환(DWT)을 적용한다.
• 다중 해상도 분석(MRA)을 사용하여 분해된 신호 성분에서 각 주파수 대역의 에너지 기여도를 고립하고 분석한다.
• 파르세발 정리( PARSEVAL’S THEOREM)를 적용하여 다양한 주파수 대역 간의 에너지 분포 비율을 계산하고, 시간 영역의 에너지를 주파수 영역의 에너지 특징으로 변환한다.
• 에너지 분포 비율을 신경망 분류기의 입력 특징으로 추출한다.
• 추출된 에너지 분포 특징을 사용하여 신경망을 훈련시켜 EEG 신호를 세 가지 카테고리로 분류한다: 건강, 간질, 간질 증후군.
• 세 가지 다른 주제 그룹에서 수집한 300건의 EEG 신호 데이터셋을 사용하여 분류기를 검증한다.

실험 결과

연구 질문

• RQ1 웨이블릿 기반 에너지 분포 특징은 다양한 신경학적 상태에서 EEG 신호의 구분 특징을 효과적으로 표현할 수 있는가?
• RQ2 웨이블릿 유도 에너지 특징을 사용하여 신경망 분류기가 건강한 사람, 간질 환자, 간질 증후군 환자의 EEG 신호를 얼마나 정확하게 구분할 수 있는가?
• RQ3 파르세발 정리( PARSEVAL’S THEOREM)의 사용이 EEG 신호 분류에서 에너지 특징 추출의 강건성에 어느 정도 기여하는가?
• RQ4 DWT와 다중 해상도 분석을 조합한 후 신경망 분류와의 조합이 전통적 방법에 비해 분류 정확도를 향상시키는가?
• RQ5 제안된 분류기의 민감도와 특이도 측면에서 세 가지 EEG 신호 유형에 대해 성능은 어떠한가?

주요 결과

• 제안된 웨이블릿-신경망 분류기는 EEG 신호를 건강, 간질, 간질 증후군의 세 카테고리로 성공적으로 분류하였다.
• DWT와 다중 해상도 분석을 사용하여 EEG 신호를 표준 주파수 대역(델타, 테타, 알파, 베타, 감마)으로 효과적으로 분해할 수 있었다.
• 파르세발 정리( PARSEVAL’S THEOREM)는 주파수 대역 간의 에너지 분포 비율을 효과적으로 계산하여 강력한 특징 세트를 형성하는 데 기여하였다.
• 신경망 분류기는 웨이블릿 기반 에너지 특징을 사용하여 높은 분류 정확도를 달성하였으며, 강력한 구분 능력을 보였다.
• 이 방법은 총 300건의 EEG 신호를 대상으로 검증되어 다양한 EEG 신호 유형에 대한 신뢰성과 일반화 가능성을 확인하였다.
• 결과적으로 웨이블릿 변환을 통해 추출된 에너지 분포 특징은 임상 적용에서 자동화된 EEG 신호 분류에 매우 효과적임을 시사한다.