[论文解读] 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 71

一句话总结

本文提出了一种基于小波-神经网络的分类器，利用离散小波变换（DWT）与多分辨率分析（MRA）将脑电信号（EEG）分解为delta、theta、alpha、beta和gamma频段，通过帕累托定理（Parseval's theorem）提取能量分布特征。这些特征由神经网络进行分类，实现了在300个记录数据集上对健康、癫痫及癫痫综合征脑电信号的高精度区分。

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.

研究动机与目标

• 开发一种稳健的方法，用于基于信号能量分布对不同神经状态下的脑电信号进行分类。
• 应用离散小波变换（DWT）与多分辨率分析（MRA），将脑电信号分解为标准频段（delta、theta、alpha、beta、gamma）。
• 利用帕累托定理（Parseval’s theorem）提取能量分布特征，以提升分类性能。
• 评估神经网络分类器在健康个体、癫痫患者及癫痫综合征患者脑电信号上的表现。
• 证明基于小波的能量特征在临床诊断中用于自动脑电信号分类的可行性。

提出的方法

• 对脑电信号应用离散小波变换（DWT），将其分解为对应于delta、theta、alpha、beta和gamma频段的多个分辨率层级。
• 利用多分辨率分析（MRA）分离并分析各频段在分解后信号分量中的能量贡献。
• 应用帕累托定理，计算不同频段之间的能量百分比分布，将时域能量转换为频域能量特征。
• 将能量百分比分布提取为神经网络分类器的输入特征。
• 使用提取的能量分布特征训练神经网络，将脑电信号分类为三类：健康、癫痫及癫痫综合征。
• 在来自三类不同受试者的300个脑电信号数据集上验证分类器性能。

实验结果

研究问题

• RQ1 基于小波的能量分布特征是否能有效表征不同神经状态下脑电信号的判别性特征？
• RQ2 神经网络分类器在使用小波衍生的能量特征时，能否高精度地区分健康个体、癫痫患者及癫痫综合征患者的脑电信号？
• RQ3 帕累托定理的使用在多大程度上增强了脑电信号分类中能量特征提取的鲁棒性？
• RQ4 与传统方法相比，DWT结合多分辨率分析与神经网络分类的组合是否能提升分类准确率？
• RQ5 该分类器在三种脑电信号类型上的敏感性和特异性表现如何？

主要发现

• 所提出的基于小波-神经网络的分类器成功地将脑电信号分为三类：健康、癫痫及癫痫综合征。
• 采用DWT与多分辨率分析有效实现了脑电信号在标准频段（delta、theta、alpha、beta、gamma）上的分解。
• 帕累托定理被有效应用于计算各频段间能量分布的百分比，形成了稳健的特征集合。
• 神经网络分类器在使用小波衍生的能量特征时表现出高分类准确率，展现出强大的判别能力。
• 该方法在总计300个脑电信号上得到验证，证实了其在多样化脑电信号类型中的可靠性与泛化潜力。
• 结果表明，通过小波变换提取的能量分布特征在临床应用中对自动脑电信号分类具有高度有效性。