[论文解读] EEGsig machine learning-based toolbox for End-to-End EEG signal processing.

Fardin Ghorbani, Soheil Hashemi+2 more|arXiv (Cornell University)|Oct 24, 2020

EEG and Brain-Computer Interfaces参考文献 23被引用 7

一句话总结

EEGsig 是一个开源的、基于 MATLAB 的、以图形用户界面（GUI）为驱动的工具箱，通过集成预处理、特征提取和分类工作流，实现端到端的 EEG 信号处理。它通过为神经科学研究人员提供统一的界面，使机器学习辅助的 EEG 分析更加简便，显著减少了项目设置时间，且无需编程。

ABSTRACT

In the quest to realize comprehensive EEG signal processing toolbox, in this paper, we demonstrate the first toolbox contain three states of EEG signal processing (preprocessing, feature extraction, classification) together. Our goal is to provide a comprehensive toolbox for EEG signal processing. Using MATLAB software, we have developed an open-source toolbox for end-to-end processing of the EEG signal. As we know, in many research work in the field of neuroscience and EEG signal processing, we first clear the signal and remove noise, artifact, etc. Which we know as preprocessing, and then extract the feature from the relevant signal, and finally Machine learning classifiers used to classification of signal. We have tried to provide all the above steps in the form of EEGsig as a graphical user interface(GUI) so that there is no need for programming for all the above steps and reduce the time to complete these projects to a desirable level.

研究动机与目标

• 通过将预处理、特征提取和分类整合到单一工作流中，解决现有 EEG 信号处理工具碎片化的问题。
• 通过消除 EEG 分析中的编程需求，降低神经科学和生物医学工程研究人员的技术门槛。
• 通过提供时间高效、用户友好的界面，加速 EEG 研究的端到端信号处理。
• 通过集中化、开源的平台，支持在多样化研究应用中实现可重复且标准化的 EEG 分析。

提出的方法

• 该工具箱使用 MATLAB 实现，并采用图形用户界面（GUI），使非程序员无需编写代码即可执行 EEG 信号处理任务。
• 预处理步骤包括伪迹去除和噪声滤波，采用标准信号处理技术，如带通滤波和独立成分分析（ICA）。
• 特征提取通过时域、频域和时频域方法实现，包括功率谱密度和小波变换。
• 该工具箱集成了多种机器学习分类器（例如，SVM、随机森林、k-NN），用于自动化 EEG 信号分类。
• 所有处理阶段均为模块化且相互连接，用户可通过 GUI 选择并串联处理步骤。
• 整个流程为开源设计，具备可扩展性，使研究人员能够根据需要自定义或扩展组件。

实验结果

研究问题

• RQ1 一个统一的、基于 GUI 的工具箱能否为神经科学研究中的非专家用户提供端到端 EEG 信号处理的简化流程？
• RQ2 在单一平台上集成预处理、特征提取和分类，在多大程度上减少了开发时间和技术障碍？
• RQ3 该工具箱在支持多样化实验设置下的可重复 EEG 分析工作流方面效果如何？
• RQ4 消除编程需求对 EEG 信号处理流程的可用性和可及性产生了怎样的影响？

主要发现

• EEGsig 工具箱成功地将预处理、特征提取和分类整合到一个用户友好的 GUI 中，彻底消除了 EEG 信号处理工作流中的编程需求。
• 该工具箱通过将多个处理步骤整合到一个单一、可导航的界面中，显著减少了项目设置时间，使无编程经验的研究人员也能轻松使用。
• 通过提供开源访问，该工具箱促进了在多样化神经科学研究应用中实现可重复性和协作性。
• 在 GUI 环境中集成标准预处理和机器学习技术，提升了可及性，同时未牺牲方法论的严谨性。