Time-Frequency Analysis of Electroencephalograph (EEG) for Feature Optimization
Dokument aus dem Jahr 2017 im Fachbereich Medizin - Biomedizinische Technik, Note: 3. 0, Sprache: Deutsch, Abstract: Die Elektroenzephalographie (EEG) ist aufgrund ihrer Nichtinvasivität und einfachen Implementierung für BCI-Anwendungen weit verbreitet: German, abstract: Die Elektroenzephalographie (EEG) wird aufgrund ihrer Nicht-Invasivität, einfachen Implementierung und Kosteneffizienz häufig für BCI-Anwendungen eingesetzt.
Das gesammelte EEG-Signal ist nicht stationär und enthält aufgabenbezogene Informationen, die in den Frequenz- und Zeitbereichen verborgen sind. In diesem Buch konzentrieren wir uns auf die Entwicklung von Zeit-Frequenz-Zerlegungsmethoden zur Verbesserung des Merkmalsextraktionsmoduls in BCI-Systemen. Die erhaltenen Merkmale werden dann durch die Identifizierung von subjektspezifischen reaktiven Bändern und die Anwendung von auf evolutionären Algorithmen basierenden Methoden zur Optimierung der erhaltenen Merkmale optimiert, wodurch die Leistung der BCI-Systeme verbessert wird.
Ein Signalmodell namens bandbegrenzter multipler Fourier-Linearkombinierer (BMFLC) wird verwendet, um die Nicht-Stationarität im EEG-Signal für die Merkmalsextraktion zu modellieren.
Die nicht-stationäre Amplitudenschwingung wird im Modell als adaptive Gewichte dargestellt und mit verschiedenen adaptiven Filtern wie Least-Mean-Square (LMS), Kalman-Filter (KF) oder Kalman-Smoother (KS) geschätzt. Die geschätzten Koeffizienten dienen als Merkmale für die Klassifizierung.
Unsere Ergebnisse deuten darauf hin, dass BMFLC-LMS, BMFLC-KF und BMFLC-KS bei der Modellierung des EEG-Signals im Band mit einer durchschnittlichen Schätzgenauigkeit von 93 %, 99 % bzw. 98 % ausreichend sind. Wir modellierten das bewegungsinduzierte EEG-Signal im Frequenzbereich.
Wir fanden heraus, dass die meisten Probanden bei Bewegungsaufgaben ein subjektspezifisches reaktives Band aufweisen. Wir haben dann Merkmale für einen Klassifikator konstruiert, der nur die Frequenzinformationen im subjektspezifischen reaktiven Band verwendet. Dadurch wird die Klassifizierungsgenauigkeit des BCI-Systems im Vergleich zu einem System, das die gesamte Bandinformation verwendet, verbessert.
Die aus mehreren EEG-Kanälen gewonnenen Merkmale müssen optimiert werden, um die Leistung der BCI-Systeme zu verbessern. Im Wesentlichen gilt es, zwei Probleme zu lösen: 1) Volumenleitung; 2) Dimensionalität.
Die Volumenleitung.
| ISBN: | 9783346584397 |
| Autor: | |
| Verlag: | |
| Sprache: | Englisch |
| Einband: | Taschenbuch |
Derzeit verfügbar, auf Lager.
