趋势在脑电图信号特征提取的应用程序gydF4y2Ba

1。介绍gydF4y2Ba

脑电图(EEG)信号发挥重要作用在理解电活动与大脑功能和大脑相关疾病有关。典型的脑电图信号分析管道如下:(1)数据采集、数据预处理(2),(3)特征提取,特征选择(4),(5)模型训练和分类,(6)绩效评估。信号分析应用于脑电图时,特别感兴趣的是整个身体的状况,以及大脑状态时往往被数字信号处理(DSP)和机器学习(ML)方法应用(gydF4y2BaSanei钱伯斯,2021gydF4y2Ba)。gydF4y2Ba

卡洛Matteucci和埃米尔Du Bois-Reymond个人率先建立神经生理学,首先记录和显示大脑活动。之后,汉斯伯格发现α波活动在大脑中,他是第一个使用头皮电极记录大脑活动以电信号的形式在1870年代。伯杰和测量方法最终发明的EEG信号。Kornmuller,通过他的研究,侧重于多通道记录,他们的重要性,并通过扩大覆盖的大脑区域使用更高程度的电极。自发现以来,脑电图分析带来了显著提高诊断和治疗各种神经大脑的研究条件和整体健康的中枢神经系统(CNS)。它也可以用于驱动以家庭为基础的技术(远程医疗),假肢甚至在虚拟现实和游戏的世界(gydF4y2BaSanei钱伯斯,2021gydF4y2Ba)。gydF4y2Ba

脑电图系统用于信号采集由电极、差动放大器、过滤器和笔式寄存器。一个10 - 20脑电图电极放置方法是常用的(参考gydF4y2Ba图1gydF4y2Ba)。脑电图信号采样,量化,编码将其转换成数字形式。由于EEG信号的有效带宽是~ 100 Hz,最低200赫兹的频率(满足奈奎斯特判据)通常是足够样本EEG对大多数应用程序(gydF4y2BaSanei钱伯斯,2021gydF4y2Ba)。gydF4y2Ba

1.1。挑战在脑电图的分析和应用gydF4y2Ba

有许多应用程序EEG信号分析支持;疾病诊断到甚至脑-机接口(bci)。一个受欢迎的障碍研究严重癫痫EEG信号分析。gydF4y2Ba

癫痫发作的特点是频繁的,列为慢性神经障碍。EEG用于识别癫痫的发作和癫痫的诊断,但是,这个过程是漫长而手册。由于人工自然,这也是主观的,因此可以从各种epileptologists导致非常不同的诊断。这导致了创新在技术领域发展自动化癫痫检测的方法(gydF4y2BaBourien et al ., 2021gydF4y2Ba)。gydF4y2Ba

EEG信号分析也被应用于BCI域,这是一个快速发展的研究领域;它是一个有趣的领域,因为它允许外部世界之间的沟通桥梁和人类的大脑。它已经应用于辅助设备已被用于对病人恢复运动,以及再培训病人恢复运动功能。BCI系统功能通过分析传入的脑电波脑电图和信号转换成适当的行动。然而,有许多挑战在这一领域在可用性方面,培训,信息传输速率,以及技术挑战(gydF4y2BaAbdulkader et al ., 2015gydF4y2Ba)。gydF4y2Ba

脑电图的其他应用程序包括,但不限于,运动图像分类,情感分类、药物影响诊断,诊断精神任务,分类和睡眠状态。因为大量的脑电图通道数据采集期间收集的这些应用程序,需要通道冗余。有算法开发协助EEG信号的通道选择。频道选择协助减少计算复杂度,减少过度拟合从冗余通道以提高性能,在某些应用程序中,减少设置时间。一些频道选择技术如下:(1)过滤方法的评价标准是用来“过滤器”频道,(2)包装方法的分类算法,(3)嵌入方法,基于标准选择渠道生成的分类器的学习过程期间,和(4)混合方法,结合过滤和包装技术(gydF4y2BaAlotaiby et al ., 2015gydF4y2Ba)。gydF4y2Ba

1.2。进化的脑电图特征提取方法gydF4y2Ba

特征提取是信号预处理后,下一步自然和生物医学信号分析是至关重要的一步。它已成为越来越普遍的处理大数据,特别是在医学领域由于几个小时采集多个通道,几天的脑电图信号一样。因此,特征提取的基本目标之一是维数降低及数据压缩。从本质上讲,这将允许他们代表一个数据与一个更小的子集的特征。这有助于有效地利用机器学习(毫升)和人工智能(AI)算法分类和诊断应用程序(gydF4y2BaSubasi 2019gydF4y2Ba)。请注意,并不是所有的功能都是有用的对于给定应用程序;“有用”的特性,从理论上讲,有能力代表底层信号准确(gydF4y2Ba克里希和Athavale, 2018gydF4y2Ba;gydF4y2Ba克里,2021gydF4y2Ba)。gydF4y2Ba

此外,重要的是要注意,脑电图信号携带的属性特征提取和信号分析过程复杂化。脑电图信号:(a)非平稳、非线性(b), (c)非高斯,(d)不在形式(gydF4y2BaAlotaiby et al ., 2015gydF4y2Ba;gydF4y2Ba克里,2021gydF4y2Ba)。这些属性特征提取过程中需要占了一个健壮的端到端管道。gydF4y2Ba

特征提取后进行特征选择。如前所述,请注意所有功能是有用的对于给定的应用程序,因此通过选择过程,说功能可以被删除。此外,管道特性的不同组合会产生不同的结果;它们可以影响以下毫升模型消极或积极的性能。例如,如果不合适/低效的特性选择火车模型,整体并不代表底层信号很好,模型的性能将会降低。一个好的经验法则是选择依赖于应用程序的特性来表示一个信号与通用功能;这将确保特性将捕获感兴趣的模式和行为(gydF4y2Ba克里希和Athavale, 2018gydF4y2Ba;gydF4y2BaSubasi 2019gydF4y2Ba)。gydF4y2Ba

总体而言,特征提取和特征选择可以节省硬件和软件资源,计算时间,并降低复杂性,所有这些都可以用来申请毫升和基于ai连接医疗和远程医疗的世界(gydF4y2Ba克里,2021gydF4y2Ba)。gydF4y2Ba

在本文中,我们将回顾共同特征提取方法已应用于多年来(参见脑电图信号gydF4y2Ba图2gydF4y2Ba)。这将是由一维的特征提取方法,对多维特征提取方法。在高级别上,我们会经历以下(参考gydF4y2Ba图2gydF4y2Ba):gydF4y2Ba

(一)一维特征提取技术gydF4y2Ba

(我)时域。gydF4y2Ba

(2)频率/光谱域。gydF4y2Ba

(3)分解域。gydF4y2Ba

(b)多维特征提取技术gydF4y2Ba

(我)联合时频域。gydF4y2Ba

(2)空间域。gydF4y2Ba

注意,技术综述绝不是一个详尽的清单;本文作为起点分析EEG信号,以及潜在的应用。评审工作的组织结构如下:在第二部分中,作者将讨论机器学习功能的重要性。第3部分将深入到应用程序的脑电图特征分析。第四节将讨论常见的一维特征提取技术的时间,频率,和分解域。第5部分将讨论多维特征提取方法的联合时频域和空间域。最后,在第六节,我们将与关键结论审查讨论,以及潜在的对未来工作的建议。gydF4y2Ba

2。机器学习功能的重要性gydF4y2Ba

特征提取和选择后,毫升的功能是输入和应用模型。这些毫升模型定制特定的应用程序,比如分类(疾病诊断)。毫升是整体人工智能领域的一个子集,可以帮助优化的功能选择。时这样做是由开发人员确定哪些功能有积极/消极的影响模型,并使用这些信息来优化整个管道(gydF4y2Ba克里希和Athavale, 2018gydF4y2Ba)。gydF4y2Ba

选择应用程序/问题必须考虑当选择一个适当的ML算法来实现。这是由于这样的事实:一些特定应用程序模型比别人表现得更好。一也必须占毫升可用模型固有的优点和缺点例如一些计算更广泛,这对实时设计可能不是可行的。有一些通用的标准选择时需要考虑的一个ML算法:(1)类型的生物信号,(2)特征矩阵的大小,和(3)标签的可用性数据,仅举几例(gydF4y2Ba克里希和Athavale, 2018gydF4y2Ba)。指gydF4y2Ba图2gydF4y2Ba一个简单的端到端特征提取毫升管道。gydF4y2Ba

开发人员可以选择有一个监督或无监督ML模式。通常对于医疗应用程序,监督模式选择。监督学习是指带安全标签的数据时由领域专家提供的可用性在田里,标签数据作为模型的地面实况向在培训过程中学习。gydF4y2Ba

无监督学习是指专家标注数据的缺乏,而不是算法研究数据发现模式来区分不同的类。这种类型的学习通常不用于生物医学信号数据。这是由于生物医学信号更好的分析了短期段;在监督学习,这允许标签被应用到各个领域。然而,在无监督学习,ML-predicted标签将被应用到时间信号;这并不可取,尤其是如果有区域(roi),需要当地的特征提取,而不是全局(gydF4y2Ba克里希和Athavale, 2018gydF4y2Ba)。gydF4y2Ba

正如前面提到的,不同的特性产生不同的性能结果,从而使ML选择和训练一个漫长的过程。读者应该知道适当的数量特性也是一个关键的考虑;这可能导致模型过度学习或under-fitting问题。gydF4y2Ba

3所示。应用程序:辅助技术和疾病诊断gydF4y2Ba

BCI系统可以应用于多种行业,包括医疗和娱乐。在本文中,我们将关注潜在的医学应用,特别的雨伞下辅助技术和疾病分类。这些应用程序可以跨越从BCI-based假肢,BCI-based轮椅控制,自动化的疾病诊断、辅助光标控制和可穿戴设备(gydF4y2Ba拉希德,2020gydF4y2Ba)。gydF4y2Ba

机械手臂是BCI-based假肢的更常见的形式之一。残疾人有挑战存在的个体,然而,他们的损失等运动能力会阻碍他们这些假肢的控制;研究正在进行中,以减轻这些挑战。在理想情况下,用户将能够控制臂在所有维度进行把握操作(gydF4y2Ba拉希德,2020gydF4y2Ba)。gydF4y2Ba

人脑控制轮椅neuro-rehabilitation下(BCWs)是先进的辅助技术,允许禁用用户来控制轮椅没有疲劳的面临的问题,并向他们提供独立通过各种环境。BCWs允许为这些用户生活质量的改善。这是通过脑电图信号的采集与分析(gydF4y2BaFernandez-Rodriguez et al ., 2016gydF4y2Ba)。gydF4y2Ba

的评估和诊断脑部疾病通过分析EEG信号的是另一个增长领域。癫痫是更常见的疾病分类,但还有其他神经系统疾病,EEG信号,结合正确的特性,已诊断的潜力。例如,脑部肿瘤被发现被诊断为脑电图信号的帮助下,分析anesthesia-induced病人,以及斯托克城的位置(gydF4y2Ba歌et al ., 2021gydF4y2Ba)。gydF4y2Ba

光标控制是另一个受欢迎的应用程序,允许用户很难使用传统模式的光标控制一个有效的选择。通常,汽车图像信号是用来传达左/右/上/下操作的游标。性能精度范围从95%到70使用不同的功能(gydF4y2Ba拉希德,2020gydF4y2Ba)。gydF4y2Ba

4所示。一维特性gydF4y2Ba

4.1。时域特征提取gydF4y2Ba

时域特征提取是一种更原始的技术,信号/数据分析的时间。这允许一个量化信号是如何改变随着时间的推移。这在一个脑电图信号尤为重要,因为他们通常在几个小时时间几天的记录。通常,窗口和分割的信号时域特征提取是可取的。这样,每个窗口都有当地的特征提取,研究人员将能够查看每个窗口的特性如何改变。生理信号的窗口和分割尤为重要,因为它们是非线性和非平稳(gydF4y2Ba克里希和Athavale, 2018gydF4y2Ba)。在本节中,特定于脑电图将探索各种时域技术。gydF4y2Ba

以下4.4.1。自回归建模gydF4y2Ba

先前的自回归(AR)模型使用创建一个线性回归模型(gydF4y2Ba算法1gydF4y2Ba)。使用AR模型进行特征提取时,信号是由AR系数,形成特征向量。这是一个最受欢迎的形式的特征提取time-dmain,因为它使得基于脑电图,也用于BCI系统。这是因为这项技术对数据压缩和低功耗的应用程序(非常有利gydF4y2BaLawhern et al ., 2012gydF4y2Ba;gydF4y2BaZhang et al ., 2015gydF4y2Ba;gydF4y2Ba拉希德,2020gydF4y2Ba)。此外,AR系数保持不变甚至在扩展的变化数据(gydF4y2BaLawhern et al ., 2012gydF4y2Ba)。有但是挑战确定模型阶;如果订单很低,它不代表数据准确,但是如果它太高了,噪音增加(gydF4y2Ba拉希德,2020gydF4y2Ba)。gydF4y2Ba

一个案例研究集中在分析EEG信号的AR建模评估司机的疲劳。脑电图描记器被广泛认为是一个可靠的疲劳检测方法。在这项研究中使用的数据集的数据来自年龄18-55 43个健康的参与者。基线脑电图和主观疲劳评估水平,紧随其后的是一个模拟驾驶任务,之后另一个脑电图测量和post-subjective水平的疲劳测定(gydF4y2Ba茶,2017gydF4y2Ba)。gydF4y2Ba

在哪里gydF4y2Ba$\stackrel{^gydF4y2Ba}{\mathrm{年代gydF4y2Ba}(gydF4y2Ba\mathrm{tgydF4y2Ba})gydF4y2Ba}$代表了分段脑电图数据,gydF4y2BaPgydF4y2Ba是最重要的模型,gydF4y2Bae (t)gydF4y2Ba是白噪声,gydF4y2Ba(k)gydF4y2Ba代表了AR系数估计(gydF4y2Ba茶,2017gydF4y2Ba)。gydF4y2Ba

4.1.2。通过Higuichi分形维数算法gydF4y2Ba

EEG信号分析的另一个有趣的应用是情感分类的BCI系统(gydF4y2Ba算法2gydF4y2Ba)。具体地说,在这项研究中,冷静,愤怒和快乐的情绪状态进行了研究。收集的数据来自10个科目。2分钟的视频拍摄,受试者接受不同的情绪。分形维数(FD)是一种通过数学手段指数测量信号的复杂性。下列方程中概述的Higuichi FD算法(gydF4y2BaKaur et al ., 2018gydF4y2Ba):gydF4y2Ba

在哪里gydF4y2Ba(1):X (N)gydF4y2Ba有限的时间序列样本,gydF4y2BajgydF4y2Ba=gydF4y2Ba1:tgydF4y2Ba表示初始时间间隔时间(gydF4y2BaKaur et al ., 2018gydF4y2Ba)。gydF4y2Ba

4.1.3。统计特性gydF4y2Ba

统计特征提取是目前的一个较小的复杂时域方法(gydF4y2Ba算法3gydF4y2Ba)。统计编程语言的日益流行,这变得更容易使用本机,内置函数。gydF4y2Ba

一个应用程序与EEG信号的统计特征提取是将情商嵌入机器智能人机交互(HCI)系统。一个这样的研究集中于情绪状态分类(科目),所以通过收集脑电图数据从单一学科在多个星期。因此,这是一个科目的分类,可以扩展人组成的独立分析。研究中提出的功能如下(gydF4y2Ba皮卡德et al ., 2001gydF4y2Ba):gydF4y2Ba

1。意思是(原始信号)gydF4y2Ba

在哪里gydF4y2BaXgydF4y2Ba_ngydF4y2Ba代表的价值gydF4y2BangydF4y2Ba原始信号和样本gydF4y2BangydF4y2Ba=gydF4y2Ba1:NgydF4y2Ba数据点的原始信号。gydF4y2Ba

2。标准偏差(STD)(原始信号)gydF4y2Ba

3所示。意味着第一个差异的绝对值(原始信号)gydF4y2Ba

4所示。意味着第一个差异的绝对值(归一化信号)gydF4y2Ba

在哪里gydF4y2Ba${\stackrel{~gydF4y2Ba}{\mathrm{XgydF4y2Ba}}}_{\mathrm{ngydF4y2Ba}}$是归一化的信号。gydF4y2Ba

5。的意思是第二个差异的绝对值(原始信号)gydF4y2Ba

6。意味着第二个差异的绝对值(归一化信号)gydF4y2Ba

4.1.4。去趋势波动分析gydF4y2Ba

疾病诊断是一个巨大的领域在信号分析领域(gydF4y2Ba算法4gydF4y2Ba)。普遍、癫痫研究使用EEG信号,但还有其他神经系统疾病,EEG信号分析为分析可以派上用场,重度抑郁症(MDD)就是其中之一(gydF4y2Ba泰姬et al ., 2015gydF4y2Ba)。gydF4y2Ba

获得的数据包括闭上眼睛(EC)和睁开了眼睛(EO)条件从健康和MDD病人从医院马来西亚理科大学(嗡嗡)。数据是由24个E放大器放大,采样率为256 Hz和带通滤波器用于0.5 -70 Hz。一个陷波滤波器也用来移除电力线干扰。去趋势波动分析(DFA)进行特征提取阶段获得的标度指数;指gydF4y2Ba图3gydF4y2Ba概述了DFA的过程。DFA是用来观察远程时间相关性的存在与否(LRTC)脑电图数据。DFA是计算如下(gydF4y2Ba泰姬et al ., 2015gydF4y2Ba):gydF4y2Ba

在哪里gydF4y2BaNgydF4y2Ba时间序列信号的长度,gydF4y2Bay (k)gydF4y2Ba是信号的累积求和,gydF4y2BaygydF4y2Ba_ngydF4y2Ba(gydF4y2BakgydF4y2Ba)是合成分段直线序列符合(gydF4y2Ba泰姬et al ., 2015gydF4y2Ba)。gydF4y2Ba

4.2。频域特征提取gydF4y2Ba

频域分析技术关注的特性,可以从正弦曲线中提取的数据。这通常是通过首先从时域转换到频域,在进一步分析可以做到的。请参考gydF4y2Ba图4gydF4y2Ba视觉的时域信号的频域。在本节中,特定于脑电图将探索各种频域技术。gydF4y2Ba

4.2.1。准备傅里叶变换gydF4y2Ba

它已经发现,α,三角洲,θ,和β乐队EEG信号的特定频带内操作(gydF4y2Ba算法5gydF4y2Ba)。因此,脑电图信号的频谱分析是很重要的,因为它可以帮助确定这些乐队,脑电波和分类。一种方法是通过快速傅里叶变换(FFT)的特征提取。本研究中使用的数据是取自Sleep-EDF数据集,它包含两个渠道的数据。3000 FFT特征提取(gydF4y2BaDelimayanti et al ., 2020gydF4y2Ba)。gydF4y2Ba

4.2.2。功率谱密度gydF4y2Ba

功率谱密度(PSD)是一个非常强大的工具在频域;从PSD和规范化PSD,各种各样的其他特性可以提取(gydF4y2Ba算法6gydF4y2Ba)。一些这些特性强度加权平均频率(选址工作),强度加权带宽(IWBW)光谱边缘频率(海基会)和(gydF4y2BaBoonyakitanont et al ., 2020gydF4y2Ba)。gydF4y2Ba

特征提取的一个案例研究使用这种方法是集中在光标移动在BCI系统的应用。结果表明:PSD技术导致增加精度相比前一光标移动的方法。在这项研究中所使用的一些数据是取自Kaggle从12个科目,包括数据的运动图像数据收集脑电图。32通道被使用,和信号采样在500赫兹(gydF4y2BaChakladar Chakraborty, 2018gydF4y2Ba)。gydF4y2Ba

4.2.3。乐队的力量gydF4y2Ba

另一个流行的轮椅EEG-BCI应用程序控制(gydF4y2Ba算法7gydF4y2Ba)。每一个系统需要一个功能特征提取阶段。一个研究小组研究了刺激频率的检测通过总带功率(BP)的稳态视觉诱发电位(ssvep)。每个刺激的频带能量频率估计如下(gydF4y2Ba曼德尔et al ., 2009gydF4y2Ba):gydF4y2Ba

在哪里gydF4y2BaXgydF4y2Ba是一个SSVEP的模型噪声排除在外,,gydF4y2Ba年代gydF4y2Ba_lgydF4y2Ba是gydF4y2BalgydF4y2Bath通道信号(gydF4y2Ba曼德尔et al ., 2009gydF4y2Ba)。gydF4y2Ba

后估计,线性分类器应用于分类的主题是关注的频率。的最低精度在轮椅运动实现的系统是93.61%。也发现压力这个话题没有阻碍性能显著(gydF4y2Ba曼德尔et al ., 2009gydF4y2Ba)。gydF4y2Ba

4.2.4。简要地变换gydF4y2Ba

虽然癫痫最常见疾病之一研究通过使用脑电图,有各种各样的其他承诺EEG-disease诊断领域的进一步发展(gydF4y2Ba算法8gydF4y2Ba)。精神分裂症是一种大脑功能紊乱,目前仍缺乏整体的理解,这也使得诊断困难。但是,它最近表明,精神分裂症患者,他们的大脑的左半球损伤。这成为了一个脑电图诊断研究地面开始(gydF4y2BaAzlan和低,2014年gydF4y2Ba)。gydF4y2Ba

一些特征提取技术研究了对于这个应用程序,但是本文将综述简要地变换(HHT)。本质上,输入信号的FFT。然后,FFT系数对应于负频率调到零位,然后逆FFT。希尔伯特变换的一般定义(HT)如下(gydF4y2BaAzlan和低,2014年gydF4y2Ba):gydF4y2Ba

在哪里gydF4y2Ba光伏gydF4y2Ba柯西主值(gydF4y2BaAzlan和低,2014年gydF4y2Ba)。gydF4y2Ba

本研究中使用的数据是来自UCI毫升库遗传易感性酗酒。五个受试者来自对照组和酒精组,总共10 (gydF4y2BaAzlan和低,2014年gydF4y2Ba)。gydF4y2Ba

4.3。Decomposition-domain特征提取gydF4y2Ba

分解特征提取是有用的,因为它允许同步信号的滤波。基本前提如下:(1)分解的信号使用方法的选择,(2)选择所需的组件,和(3)拒绝不良的组件。这也会导致数据压缩,使其适合更现代的应用程序。在本节中,各种分解方法特定于脑电图应用程序将被审查。gydF4y2Ba

4.3.1。自适应分解埃尔米特gydF4y2Ba

自适应海曼分解(和)使用埃尔米特函数找到信号的应用分析,在这种情况下,脑电图信号(gydF4y2Ba算法9gydF4y2Ba)。在这项研究中,埃尔米特函数(HFs)问题是EEG信号的自适应地选择使用进化优化算法(地址结束)。许多交通事故是由酒后驾驶引起的嗜睡。因此,一个快速和有效的睡意检测测试感兴趣的。这个案例研究着重于利用和ML睡意检测机制和埃尔米特函数(gydF4y2BaTaran Bajaj, 2018gydF4y2Ba)。gydF4y2Ba

数据来自麻省理工学院/波黑障碍来自16个主题数据库。采样率为250 Hz。监督学习是作为专家标注每个30年代的时代间隔(gydF4y2BaTaran Bajaj, 2018gydF4y2Ba)。gydF4y2Ba

扩张的因素,gydF4y2BapgydF4y2Ba,gydF4y2BakgydF4y2Ba高频,表示gydF4y2BafgydF4y2Ba_{k, pgydF4y2Ba}(gydF4y2BatgydF4y2Ba),定义如下(gydF4y2BaTaran Bajaj, 2018gydF4y2Ba):gydF4y2Ba

在哪里gydF4y2Ba${\mathrm{hgydF4y2Ba}}_{\mathrm{kgydF4y2Ba}}(gydF4y2Ba\frac{\mathrm{tgydF4y2Ba}}{\mathrm{pgydF4y2Ba}})gydF4y2Ba$的扩张形式吗gydF4y2BahgydF4y2Ba_kgydF4y2Ba(gydF4y2BatgydF4y2Ba)、埃尔米特多项式和gydF4y2BacgydF4y2Ba_kgydF4y2Ba埃尔米特系数(高碳钢)将被用作功能的基础。高碳钢,统计措施将被视为功能;第一四分位数、中位数、范围和能量提取的统计特性(gydF4y2BaTaran Bajaj, 2018gydF4y2Ba)。gydF4y2Ba

4.3.2。当地characteristic-scale分解gydF4y2Ba

本地characteristic-scale分解(LCSD)工作分解原始脑电图数据,并创建片段表达原始信号的属性(gydF4y2Ba拉希德,2020gydF4y2Ba)(gydF4y2Ba算法10gydF4y2Ba)。信号分解成各种内在规模组件(ISC),每个ISC的瞬时频率高的意义。执行分解如下(gydF4y2Ba刘et al ., 2017gydF4y2Ba):gydF4y2Ba

在哪里gydF4y2BaxgydF4y2Ba(gydF4y2BatgydF4y2Ba)是原始信号gydF4y2BaugydF4y2Ba_ngydF4y2Ba(gydF4y2BatgydF4y2Ba)是残渣(gydF4y2Ba刘et al ., 2017gydF4y2Ba)。gydF4y2Ba

在这个案例研究中数据来自格拉茨大学从2008年BCI竞争数据集。数据集包括想象运动的左手,右手,两只脚和舌头。采样率为250 Hz和信号带通滤波使用0.5和100赫兹之间。50赫兹陷波滤波器也用于删除电力线干扰。在这个案例研究中,在实时BCI系统测试中使用的可行性,展示其能力(gydF4y2Ba刘et al ., 2017gydF4y2Ba)。gydF4y2Ba

4.3.3。小波变换gydF4y2Ba

小波变换(WT)是一种流行的有效分解的方法,因为它允许使用非平稳的信号(gydF4y2BaIeracitano et al ., 2020gydF4y2Ba)。有两个版本的WT、连续和离散。以下部分将回顾两个版本的示例应用程序,以及它们的优缺点。gydF4y2Ba

4.3.3.1。连续小波变换gydF4y2Ba

连续小波变换(CWT)允许一个信号投射到时频域(gydF4y2Ba算法11gydF4y2Ba)。它是连续的,因为翻译和规模连续参数小波的不同。可以使用类是一种有效的特征提取技术EEG信号的分类。gydF4y2Ba

阿尔茨海默病(AD)约占60%的痴呆症的病例。健康老龄化和广告之间的中间阶段创造了遗忘轻度认知障碍(MCI)。通常,一个MCI病人发展广告也将在大约7年痴呆症的时间表。这个障碍发病的检测仍然是一个挑战性的任务,研究人员正在使用特征提取和ML技术自动化。在这项研究中,类特征用于分类广告和MCI患者与健康对照组(健康的老年人)。采样频率为1024赫兹是用于收集脑电图信号,和一个等级纳税人在50 Hz移除应用电力线干扰。带通滤波器也应用0.5和32赫兹之间。类是定义如下(gydF4y2BaIeracitano et al ., 2020gydF4y2Ba):gydF4y2Ba

在哪里gydF4y2Ba一个gydF4y2Ba是扩张的因素,gydF4y2BabgydF4y2Ba是转移因素,ψ是母小波函数,然后呢gydF4y2Ba类gydF4y2Ba(gydF4y2Baa、bgydF4y2Ba)表示小波系数(gydF4y2BaIeracitano et al ., 2020gydF4y2Ba)。gydF4y2Ba

4.3.3.2。离散小波变换gydF4y2Ba

另一个WT-based案例研究重点是BCI系统的开发,将允许用户所需的字符输出他们的电脑屏幕通过他们的P300与事件相关电位(ERP)的脑电图信号(gydF4y2Ba算法12gydF4y2Ba)。DWT的l能级系数,gydF4y2BadgydF4y2Ba^ksgydF4y2Ba的信号,gydF4y2BafgydF4y2Ba^ksgydF4y2Ba计算如下(gydF4y2Ba郭et al ., 2015gydF4y2Ba):gydF4y2Ba

在哪里gydF4y2BakgydF4y2Ba表示通道,gydF4y2Ba年代gydF4y2Ba代表试验数量,gydF4y2BaWgydF4y2Ba变换矩阵。本研究中的数据记录采样率为1000 Hz。800 ms长时期提取从刺激开始(gydF4y2Ba郭et al ., 2015gydF4y2Ba)。gydF4y2Ba

4.3.4。经验模态分解gydF4y2Ba

经验模态分解(EMD)方法分解信号允许有效的预处理和工件去除(gydF4y2Ba算法13gydF4y2Ba)。这是一个重要的步骤在EEG信号分析EEG信号被噪声严重影响来源如电力线噪声干扰和肌电图。EMD是理想的方法来做到这一点,因为它保留了原始信号的目标特征(gydF4y2BaZhang et al ., 2008gydF4y2Ba)。gydF4y2Ba

在EMD过程中,脑电图信号分为水平的固有模式函数(货币),这是与信号的频率分布有关。imf的计算通过“筛选”的过程(gydF4y2BaZhang et al ., 2008gydF4y2Ba)。gydF4y2Ba

国际货币基金组织划分为国际货币基金组织是否符合下列要求(gydF4y2BaZhang et al ., 2008gydF4y2Ba):gydF4y2Ba

1。数(局部极值)=(零交叉)±1计数。gydF4y2Ba

2。平均时间点(信封)= 0。gydF4y2Ba

5。多维特征提取gydF4y2Ba

5.1。联合时频域特征提取gydF4y2Ba

光谱和时间单独信号特征提取的特征通常无效是由于没有同行,因为他们忽视。为了克服单一领域的局限性,利用时频分析(gydF4y2Ba拉希德,2020gydF4y2Ba)。本节将回顾一些知名的脑电图分析时频特征提取技术。gydF4y2Ba

5.1.1。短时傅里叶变换gydF4y2Ba

有很多工作做,提高电机的性能基于图像bci (gydF4y2Ba算法14gydF4y2Ba)。这是困难的运动图像脑电图通常是不一致的和扭曲。这一项研究是提高使用短时傅里叶变换(STFT)脑电图信号转换成二维图像,然后利用图像训练和测试一个胶囊网络(gydF4y2Ba哈,2019gydF4y2Ba)。gydF4y2Ba

鼻中隔黏膜下切除术后感觉运动节奏()后观察到的脑电波未遂或执行任务,因此它是电动机的脑波最常用的神奇想象bci (gydF4y2Ba哈,2019gydF4y2Ba)。gydF4y2Ba

STFT算法将每个脑电图电极的一维运动图像信号在时频域二维图像。STFT定义如下(gydF4y2Ba哈达德1993gydF4y2Ba;gydF4y2Ba哈,2019gydF4y2Ba):gydF4y2Ba

在哪里gydF4y2Baw (t)gydF4y2Ba是窗口函数,gydF4y2Bax (t)gydF4y2Ba脑电图信号被转换。窗口等功能损害,可以使用高斯。这使得二维谱图图像提取(gydF4y2Ba哈,2019gydF4y2Ba)。gydF4y2Ba

本研究中使用的数据是取自BCI竞争第四2 b数据集,这是来自九个科目在左手和右手运动图像的任务。采样频率为250赫兹,和信号带通滤过0.5和100赫兹之间。一个陷波滤波器也应用于50赫兹。从这个研究结果优于标准基于卷积神经网络(CNN)的方法,并展示该方法用于分类的可行性运动图像脑电图信号(gydF4y2Ba哈,2019gydF4y2Ba)。gydF4y2Ba

5.1.2中。S-transformgydF4y2Ba

继续EEG信号分类的主题,人们已经发现,使用S-transform (ST)作为特征提取技术是有效的(gydF4y2Ba算法15gydF4y2Ba)。在这项研究中,数据从病房的省立医院神经病学和中风Zielona大山。他们获得了使用16通道,形成一个完整的neuro-disorders数据库。这项研究集中在癫痫和non-epileptic科目。采样频率为500赫兹和信号使用截止频率的低通滤波35赫兹。监督学习是作为专家标记每个记录癫痫或正常(gydF4y2Ba资助et al ., 2013gydF4y2Ba)。为gydF4y2Ba图6gydF4y2Ba一个时代的时频表示S-transform已经应用。gydF4y2Ba

S-transform可以被视为一个泛化的STFT,而是一个常数大小的窗口,一个可伸缩的高斯窗。S-transform计算如下(gydF4y2Ba资助et al ., 2013gydF4y2Ba):gydF4y2Ba

在哪里gydF4y2BaggydF4y2Ba(τ−gydF4y2BatgydF4y2Ba)是高斯函数在τ=gydF4y2BatgydF4y2Ba定义为(gydF4y2Ba资助et al ., 2013gydF4y2Ba):gydF4y2Ba

5.1.3。匹配的追求gydF4y2Ba

类似于S-transform案例研究中,本研究使用的数据来自神经学和中风的病房Zielona Gora省立医院(gydF4y2Ba算法16gydF4y2Ba)。获得使用16个通道的信号,形成一个完整的neuro-disorders数据库。这项研究集中在癫痫和non-epileptic科目。采样频率为500赫兹,和信号截止频率的低通滤波35赫兹。监督学习是作为专家标记每个记录癫痫或正常(gydF4y2Ba资助et al ., 2013gydF4y2Ba)。gydF4y2Ba

匹配的追求(MP)方法确定最佳匹配预测的数据到一个词典,gydF4y2BaDgydF4y2Ba。常用的词典是基于伽柏功能。然而,这种方法是很贪婪的,计算昂贵。议员的信号可以表示为组合加权金额如下(gydF4y2Ba资助et al ., 2013gydF4y2Ba):gydF4y2Ba

在哪里gydF4y2Ba一个gydF4y2Ba_ngydF4y2Ba的重量和gydF4y2BaggydF4y2Ba_ngydF4y2Ba(gydF4y2BatgydF4y2Ba)是原子的(gydF4y2Ba资助et al ., 2013gydF4y2Ba)。gydF4y2Ba

5.2。空间域特征提取gydF4y2Ba

空间域特征提取,即空间过滤,是一种最受欢迎的EEG信号的分类技术;具体来说,常见的空间模式(CSP),监督空间滤波器,使用。空间滤波方法将脑电波转换成一个独特的空间。在这个独特的空间中,一组的方差放大,降低方差在剩下的组。然而,与纯CSP技术有局限性;由于科目的最佳频段,它不能达到理想的性能。因此,研究人员一直在发展变化的CSP克服的局限性。本节将看一些变化已经提出和测试(gydF4y2BaReddy et al ., 2019gydF4y2Ba;gydF4y2Ba拉希德,2020gydF4y2Ba)。gydF4y2Ba

5.2.1。常见的spatio-spectral模式gydF4y2Ba

共同spatio-spectral模式(CSSP)方法建立在纯粹的CSP方法通过结合CSP的冷杉过滤算法(gydF4y2Ba算法17gydF4y2Ba)。它已被证明有改进性能和自己的钱包CSP (gydF4y2Ba拉希德,2020gydF4y2Ba)。gydF4y2Ba

这项研究调查了在CSP算法扩展到脑电图通过模糊时间延迟状态,是一种新颖的方法。本研究的数据收集在休战期间,应该由国立交通大学,台湾。这个方法被证明提高整体的信号质量。在这种方法中,应用了一个空间滤波器(gydF4y2BaReddy et al ., 2019gydF4y2Ba):gydF4y2Ba

在哪里gydF4y2Ba$\stackrel{¯gydF4y2Ba}{\mathrm{xgydF4y2Ba}}$EEG信号空间过滤后,gydF4y2BawgydF4y2Ba_我gydF4y2Ba空间滤波器权重,gydF4y2BaxgydF4y2Ba_我gydF4y2Ba是一个行向量,其中包含的EEG信号频道吗gydF4y2Ba我gydF4y2Ba之前空间滤波。CSSP算法定义如下(gydF4y2BaReddy et al ., 2019gydF4y2Ba):gydF4y2Ba

其中δgydF4y2Ba^τgydF4y2Ba是延迟操作符,μgydF4y2Ba_{(τ)gydF4y2Ba}是τ的模糊隶属度,gydF4y2BaWgydF4y2Ba^{(τ)gydF4y2Ba}是优化的模糊CSSP权重矩阵,gydF4y2BaXgydF4y2Ba^kgydF4y2Ba预处理的脑电图记录吗gydF4y2BakgydF4y2Bath试验(gydF4y2BaReddy et al ., 2019gydF4y2Ba)。gydF4y2Ba

CSSP算法后,特性可以进一步提取bci(因为它使得基于脑电图的回归问题gydF4y2BaReddy et al ., 2019gydF4y2Ba)。gydF4y2Ba

5.2.2。常用的稀疏spatio-spectral模式gydF4y2Ba

上述CSSP的扩展方法,常用的稀疏spatio-spectral模式(CSSSP)算法是一种相对的更高级的程序进行调查,常见的光谱模式在脑电图渠道所在地(gydF4y2Ba拉希德,2020gydF4y2Ba)(gydF4y2Ba算法18gydF4y2Ba)。gydF4y2Ba

这个案例研究小说的技术,允许优化空间和光谱过滤器,提高辨别力的多通道脑电图的试验。CSSSP算法将能够学习一门全球时空冷杉。每个类都有一个频率带通滤波器和一个模式。介绍了稀疏限制频率滤波器的复杂性。CSSSP算法似乎找到一个真正的价值序列gydF4y2BabgydF4y2Ba_1gydF4y2Ba,…gydF4y2Ba,gydF4y2Ba_TgydF4y2Ba与gydF4y2BabgydF4y2Ba(1)= 1 (gydF4y2BaDornhege et al ., 2006gydF4y2Ba):gydF4y2Ba

在哪里gydF4y2Ba年代gydF4y2Ba_我gydF4y2Ba是信号,gydF4y2Ba${\mathrm{年代gydF4y2Ba}}_{\mathrm{我gydF4y2Ba}}^{\mathrm{\tau gydF4y2Ba}}$是信号延迟τ时间点(gydF4y2BaDornhege et al ., 2006gydF4y2Ba)。gydF4y2Ba

5.2.3。副环带常见的空间模式gydF4y2Ba

副环带常见的空间模式(SBCSP)算法由第一过滤EEG信号在不同的分解,这是紧随其后的是传统CSP的计算功能的分解(gydF4y2Ba汗et al ., 2019gydF4y2Ba;gydF4y2Ba拉希德,2020gydF4y2Ba)(gydF4y2Ba算法19gydF4y2Ba)。gydF4y2Ba

本研究中的数据采样率为128 Hz。10 - 20电极系统被用来获取EEG信号。结果表明,SBCSP算法准确地显示一个7%的增长相比其他方法(gydF4y2Ba汗et al ., 2019gydF4y2Ba)。gydF4y2Ba

5.2.4。CSP正规化gydF4y2Ba

正规化CSP (RCSP)是引起另一个CSP方法,允许从选定的通道(特征提取gydF4y2Ba拉希德,2020gydF4y2Ba)(gydF4y2Ba算法20gydF4y2Ba)。这种方法还允许电动机的优化图像特征,并改善了分类精度(gydF4y2Ba金et al ., 2019gydF4y2Ba)。gydF4y2Ba

该算法与传统的CSP方法两个正则化参数的引入,α和β,用于创建正规化的平均空间协方差矩阵(gydF4y2Ba金et al ., 2019gydF4y2Ba):gydF4y2Ba

在哪里gydF4y2Ba${\mathrm{CgydF4y2Ba}}_{\mathrm{我gydF4y2Ba}}^{\mathrm{cgydF4y2Ba}\mathrm{lgydF4y2Ba}\mathrm{一个gydF4y2Ba}\mathrm{年代gydF4y2Ba}\mathrm{年代gydF4y2Ba}}$是标准化的协方差矩阵(gydF4y2Ba金et al ., 2019gydF4y2Ba)。gydF4y2Ba

在哪里gydF4y2Ba${\stackrel{︷gydF4y2Ba}{\mathrm{CgydF4y2Ba}}}_{\mathrm{我gydF4y2Ba}}^{\mathrm{cgydF4y2Ba}\mathrm{lgydF4y2Ba}\mathrm{一个gydF4y2Ba}\mathrm{年代gydF4y2Ba}\mathrm{年代gydF4y2Ba}}$是成对协方差矩阵(gydF4y2Ba金et al ., 2019gydF4y2Ba),gydF4y2Ba浸gydF4y2Ba是函数来计算每个通道的成对协方差(gydF4y2Ba金et al ., 2019gydF4y2Ba)。gydF4y2Ba

6。讨论和结论gydF4y2Ba

通过本文,我们研究和分析各种技术的脑电图特征提取时域,频域,分解领域,联合时频域和空间域。信号分解和表示是最好的联合时频域的结果相比,时域和频域独立;然而,各种论文最终得出这样的结论:空间域是最强大的脑电图分析和特征提取(时gydF4y2BaDornhege et al ., 2006gydF4y2Ba;gydF4y2Ba金et al ., 2019gydF4y2Ba;gydF4y2Ba汗et al ., 2019gydF4y2Ba;gydF4y2BaReddy et al ., 2019gydF4y2Ba;gydF4y2Ba拉希德,2020gydF4y2Ba)。gydF4y2Ba

在每一个应用程序审查,ML, bci技术、辅助技术、疾病诊断进行了讨论。它已经彻底表明从脑电图信号提取的特征可以使用和集成到ML-pipelines成功。然而,读者应该注意到,在开发一个健壮的特征提取,它必须生成健壮的特性和执行数据的降维与ML模型集成(之前gydF4y2Ba克里希和Athavale, 2018gydF4y2Ba)。gydF4y2Ba

审查开始通过分析一维特征提取领域。众所周知的方法在时域AR建模,FDgydF4y2Ba通过gydF4y2BaHiguchi算法技术,统计特征提取,去趋势波动分析综述。时域方法是常用的作为他们显示快速处理,gydF4y2Ba

然而他们并不总是产生最相关的和健壮的特性。大多数时域方法计算便宜的,像是从脑电图信号统计特征的提取。这意味着他们不典型优化底层EEG信号的表示。这也适用于大多数频域方法。这是因为在时域与频域无法获取足够的细节和信息的独立特性而忽略了其他领域。这回到脑电图的非线性和非平稳特征,和生理信号作为一个整体,携带(gydF4y2Ba克里,2021gydF4y2Ba)。gydF4y2Ba

PSD在频域中,英国《金融时报》,英国石油公司和遗传性出血性毛细血管扩张症的特征提取方法进行了研究和评估。高精度是实现这些方法,像频带能量分析,但是他们可以计算昂贵的(gydF4y2Ba曼德尔et al ., 2009gydF4y2Ba)。此外,这些方法变得不那么可靠有频率的突然变化时,脑电图信号的特征(gydF4y2BaAzlan和低,2014年gydF4y2Ba)。gydF4y2Ba

在分解域中,经典的小波变换和经验模态分解方法进行了研究,与其他不为人知的方法和和LCSD。这些方法更适应(gydF4y2BaTaran Bajaj, 2018gydF4y2Ba)、高效和精确的(gydF4y2Ba刘et al ., 2017gydF4y2Ba;gydF4y2BaIeracitano et al ., 2020gydF4y2Ba),但是可以计算较慢(gydF4y2Ba刘et al ., 2017gydF4y2Ba;gydF4y2BaIeracitano et al ., 2020gydF4y2Ba)。DWT被时变规模(频率成反比)表示,克服前面讨论限制在时域和频域独立。这是进一步克服联合时频域,多维特征提取时就开始了。gydF4y2Ba

联合时频域观察时域和频域的特性,因此从EEG信号中提取更多的细节和信息。这将导致更高的效率和STFT方法(gydF4y2Ba哈达德1993gydF4y2Ba)和精度更好的性能(gydF4y2Ba资助et al ., 2013gydF4y2Ba),就像在MP方法。然而,这些方法,必须找到一种平衡时间和频率分辨率,作为这两个之间有一个明显的权衡;作为一个增加,其他减少(gydF4y2Ba哈达德1993gydF4y2Ba;gydF4y2Ba资助et al ., 2013gydF4y2Ba;gydF4y2Ba哈,2019gydF4y2Ba)。gydF4y2Ba

空间域,认为是脑电图特征提取最相关的领域(gydF4y2Ba拉希德,2020gydF4y2Ba),允许脑电波转换为一个独特的空间差异分析(gydF4y2BaReddy et al ., 2019gydF4y2Ba;gydF4y2Ba拉希德,2020gydF4y2Ba)。更广泛的方法,CSP,有许多进步提出,本文综述了如CSSP CSSSP, SBCSP, RCSP方法。这些方法比传统的CSP方法,提高精度,克服CSP限制;然而,大多数这些方法计算昂贵(gydF4y2BaDornhege et al ., 2006gydF4y2Ba;gydF4y2Ba金et al ., 2019gydF4y2Ba;gydF4y2Ba汗et al ., 2019gydF4y2Ba;gydF4y2BaReddy et al ., 2019gydF4y2Ba)。所有方法中总结gydF4y2Ba图8gydF4y2Ba用于快速参考。gydF4y2Ba

每个方法中总结gydF4y2Ba图8gydF4y2Ba有自己的套利弊(指的是gydF4y2Ba表1gydF4y2Ba- - - - - -gydF4y2Ba5gydF4y2Ba),这需要读者在实现和测试。根据各种方法的分析,很明显,分解、时频,和空间域提供最好的表示平均EEG信号,但它仍然是重要的考虑在其他领域的方法取决于应用程序或你正试图解决的问题。gydF4y2Ba

7所示。未来的工作gydF4y2Ba

讨论的方法中有许多改进的空间。他们大部分只提供70%−80%的精度范围内根据应用程序并不总是足够的。因此,方法可以增强和扩展使用实时BCI的应用程序,包括辅助技术和疾病诊断系统。随着health-technological革命的继续,在这方面我们需要创新。实时系统需要改进,这样结果的准确性的竞争对手更健壮但计算昂贵的方法,这样他们可以被临床接受未来的方法。此外,EEG信号的多通道信号是由于收购(参考的方法gydF4y2Ba图1gydF4y2Ba)。这导致更高程度的数据。有一些方法探讨了进入优化通道选择。如果通道选择进一步引入讨论的方法,很好可能会增加系统的效率和准确性,同时减少计算时间和复杂性。这将大大受益的领域BCI系统,辅助技术和神经系统疾病的诊断。gydF4y2Ba

作者的贡献gydF4y2Ba

:原创作品草稿准备、方法、软件、数据管理和调查。SK:概念化、监督、验证和writing-reviewing和编辑。两位作者的文章和批准提交的版本。gydF4y2Ba

资金gydF4y2Ba

这项研究是由加拿大自然科学和工程研究理事会,格兰特号码2022 - 574488。gydF4y2Ba

确认gydF4y2Ba

这项工作是由多伦多城市大学(原瑞尔森大学)和自然科学和工程研究委员会。gydF4y2Ba

的利益冲突gydF4y2Ba

作者声明,这项研究是在没有进行任何商业或财务关系可能被视为一个潜在的利益冲突。gydF4y2Ba

出版商的注意gydF4y2Ba

本文表达的所有索赔仅代表作者,不一定代表的附属组织,或出版商、编辑和审稿人。任何产品,可以评估在这篇文章中,或声称,可能是由其制造商,不保证或认可的出版商。gydF4y2Ba

引用gydF4y2Ba