[论文解读] EEGsig: an open-source machine learning-based toolbox for EEG signal processing

Fardin Ghorbani, Javad Shabanpour+4 more|arXiv (Cornell University)|Oct 24, 2020

EEG and Brain-Computer Interfaces参考文献 37被引用 4

一句话总结

EEGsig 是一个开源的、基于 MATLAB 的工具箱，将 EEG 信号的预处理、特征提取和机器学习分类整合到一个用户友好的图形界面中。它使医生和非专家无需编程即可分析 EEG 数据，在心理任务数据集上使用 k-NN、SVM 和 ANN 实现了 97.5% 的分类准确率，并实时可视化所有通道的各个处理阶段。

ABSTRACT

In the quest to realize a comprehensive EEG signal processing framework, in this paper, we demonstrate a toolbox and graphic user interface, EEGsig, for the full process of EEG signals. Our goal is to provide a comprehensive suite, free and open-source framework for EEG signal processing where the users especially physicians who do not have programming experience can focus on their practical requirements to speed up the medical projects. Developed on MATLAB software, we have aggregated all the three EEG signal processing steps, including preprocessing, feature extraction, and classification into EEGsig. In addition to a varied list of useful features, in EEGsig, we have implemented three popular classification algorithms (K-NN, SVM, and ANN) to assess the performance of the features. Our experimental results demonstrate that our novel framework for EEG signal processing attained excellent classification results and feature extraction robustness under different machine learning classifier algorithms. Besides, in EEGsig, for selecting the best feature extracted, all EEG signal channels can be visible simultaneously; thus, the effect of each task on the signal can be visible. We believe that our user-centered MATLAB package is an encouraging platform for novice users as well as offering the highest level of control to expert users

研究动机与目标

• 开发一个全面的、开源的 EEG 信号处理框架，供非程序员使用，特别是医生。
• 将 EEG 处理的三个阶段——预处理、特征提取和分类——整合到一个统一的工具箱中。
• 在处理过程中同时可视化所有 EEG 通道，以评估与任务相关的信号变化。
• 评估多种机器学习分类器（k-NN、SVM、ANN）在提取的 EEG 特征上的性能。
• 通过降低 EEG 信号分析中的编程门槛，加速医学研究。

提出的方法

• 该工具箱基于 MATLAB 开发，配备图形用户界面（GUI），使非程序员无需编写代码即可使用系统。
• 预处理包括使用低通滤波器和独立成分分析（ICA）去除噪声和伪影。
• 特征提取包括统计参数（均值、标准差、熵）、FFT 和脑节律（delta、theta、alpha、beta、gamma）的功率谱分析。
• 分类模块实现了三种机器学习算法：k-最近邻（k-NN）、支持向量机（SVM）和人工神经网络（ANN）。
• 所有处理步骤——预处理、特征提取和分类——均在 GUI 中实时同步显示于所有 EEG 通道。
• 系统支持加载带标签的 EEG 数据，并输出分类指标，如准确率、敏感性、特异性和混淆矩阵。

实验结果

研究问题

• RQ1 一个统一的、开源的、基于 GUI 的工具箱能否简化非专业用户在整个 EEG 信号处理流程中的操作？
• RQ2 将预处理、特征提取和分类整合到单一框架中，如何提升可用性和性能？
• RQ3 EEGsig 在心理任务基准数据集上的分类准确率是多少？
• RQ4 同时进行的多通道可视化在识别与任务相关的信号变化方面有多有效？
• RQ5 在 EEGsig 框架内，不同机器学习分类器（k-NN、SVM、ANN）在相同 EEG 特征集上的表现如何？

主要发现

• EEGsig 在五种心理任务的基准数据集上，使用神经网络分类器实现了 97.5% 的分类准确率。
• 该工具箱通过低通滤波器和 ICA 有效去除了噪声和伪影，提升了信号质量。
• 在预处理、特征提取和分类过程中，对所有 EEG 通道的同步可视化使用户能够实时观察与任务相关的信号变化。
• 特征提取模块支持广泛的特征，包括统计特征、频谱特征（FFT、功率谱）以及节律特异性特征（如 alpha、theta）。
• GUI 使用户无需编写 MATLAB 代码即可与系统交互，显著降低了非程序员的使用门槛。
• 所有分类器的混淆矩阵和性能指标（敏感性、特异性、准确率）均自动生成并可视化，特别是通过 MATLAB 的神经网络工具箱对 ANN 的结果进行了详细展示。