[论文解读] EEG Signal Classification using Variational Mode Decomposition

Akshith Ullal, Ram Bilas Pachori|arXiv (Cornell University)|Mar 28, 2020

EEG and Brain-Computer Interfaces参考文献 26被引用 10

一句话总结

本论文提出了一种新颖的EEG信号分类方法，通过变分模态分解（VMD）将信号分解为本征模态，随后利用Renyi熵、二阶差分图（SODP）和四阶差分图（FODP）以及平均振幅进行特征提取。采用反向传播的多层感知机分类器实现了高达98.3%的准确率，通过特征排序策略使多种测试场景下的平均准确率达到98.2%。

ABSTRACT

Epilepsy affects about 1% of the population every year, and is characterized by abnormal and sudden hyper-synchronous excitation of the neurons in the brain. The electroencephalogram(EEG) is the most widely used method to record brain signals and diagnose epilepsy and seizure cases. In this paper we use the method of Variational Mode Decomposition (VMD) in our analysis to classify seizure/seizure free signals. This technique uses variational non recursive mode decomposition, in comparison to other methods like Empirical Mode (EMD) and Hilbert-Huang transform which recursively decompose the signals, making them more susceptible to noise and sampling rate. VMD decomposes a signal into its components which are called principal modes. In our analysis, 4 features of the decomposed signals namely Renyi Entropy, second order difference plot (SODP), fourth order difference plot(FODP) and average amplitude are investigated, both individually and using a ranking methodology considering all 4 features at the same time. The SODP of decomposed signal modes is an elliptical structure. The 95% confidence ellipse area measured from the SODP of the decomposed signal modes has been used as a feature in order to discriminate seizure-free EEG signals from the epileptic seizure EEG signal. For the classification, a Multilayer Perceptron(MLP) with back propagation algorithm as the training method was used. A high percentage of accuracy was obtained when the features were used individually for classification and an even higher degree of accuracy was obtained when the ranking methodology was used.

研究动机与目标

• 通过用变分模态分解（VMD）替代传统分解方法，提升EEG信号分类在癫痫检测中的准确性。
• 解决EMD和小波变换等递归方法存在的噪声敏感性和数学严谨性不足的局限性。
• 探究从VMD分解模态中提取的多种特征（Renyi熵、SODP、FODP和平均振幅）的判别能力。
• 评估使用单个特征和特征排序融合策略的多层感知机（MLP）分类器的性能。
• 通过重复的随机采样训练与测试集，验证方法的鲁棒性，降低数据偏差。

提出的方法

• 将VMD应用于原始EEG信号，将其分解为一组本征模态函数（IMFs），具有自适应带宽和中心频率，避免递归分解。
• 从每个VMD模态中提取四种特征：Renyi熵用于衡量复杂性，SODP和FODP用于捕捉非线性动态特性，平均振幅用于表征能量变化。
• 利用每个模态SODP的95%置信椭圆面积作为关键判别特征，以捕捉发作期与非发作期信号之间的结构差异。
• 使用反向传播训练的多层感知机（MLP）分类器，基于单个特征和组合特征对EEG信号进行发作或非发作状态的分类。
• 采用特征排序融合策略：若排除Renyi熵（因性能较低）后的三个特征一致，则采纳该结果；否则采用多数投票法。
• 为确保泛化能力，执行24次随机训练-测试集划分，每次使用80%样本进行训练，20%用于测试。

实验结果

研究问题

• RQ1 与EMD和小波等传统方法相比，基于VMD的信号分解是否能提升EEG癫痫发作分类的准确性？
• RQ2 从VMD模态中提取的SODP和FODP特征在区分发作期（癫痫发作）与发作间期（无发作）EEG信号方面效果如何？
• RQ3 通过基于排序的融合策略组合多种特征，是否能提升分类性能，超越单一特征的使用？
• RQ4 该方法在不同数据划分及包含非癫痫性无发作信号（如N和F数据集）的情况下是否具有鲁棒性？
• RQ5 在Bonn EEG小样本数据集上，该方法是否能保持高准确率，尽管异常值显著影响性能？

主要发现

• 单独使用平均振幅作为特征时，Normal/Seizure分类的准确率最高，达到98.3%，Renyi熵的准确率同样为98.3%。
• 基于SODP的95%置信椭圆面积在Normal/Seizure分类中达到93.3%的准确率，Seizure/Seizure-free和Seizure/Non-Seizure分类的准确率分别为96.6%和96%。
• FODP在Seizure/Seizure-free分类中实现了100%的准确率，表明其对这一特定类别对具有极强的判别能力。
• 特征排序融合策略（排除Renyi熵）使整体准确率提升至：Normal/Seizure为98.3%，Seizure/Seizure-free为100%，Seizure/Non-Seizure为99%。
• 在24次随机训练-测试迭代中，平均准确率分别达到：Normal/Seizure为98.2%，Seizure/Seizure-free为96.4%，Seizure/Non-Seizure为97.9%，表现出良好鲁棒性。
• 该方法优于先前研究，包括[39]中的97.7%准确率以及[7]和[8]中的94–95%准确率，尽管Bonn数据集较小，仍展现出良好前景。