АДАПТИВНАЯ ФИЛЬТРАЦИЯ И ВЫДЕЛЕНИЕ ПРИЗНАКОВ ПОТОКОВЫХ СИГНАЛОВ ЭЛЕКТРОЭНЦЕФАЛОГРАММЫ

Статья в Elpub

Вопросы радиоэлектроники. 2016; : 120-127

АДАПТИВНАЯ ФИЛЬТРАЦИЯ И ВЫДЕЛЕНИЕ ПРИЗНАКОВ ПОТОКОВЫХ СИГНАЛОВ ЭЛЕКТРОЭНЦЕФАЛОГРАММЫ

Аннотация

Значительная часть алгоритмов обработки биологических сигналов, содержащих адаптивную фильтрацию электроэнцефалограммы, не дает желаемых результатов или фильтрует полезные данные. Одна из причин кроется в недостаточном понимании составляющих сигнала, другая - в недостатке инструментов для адаптации цифровых фильтров. В статье предлагается механизм для обработки артефактов и выделения интегрированных признаков, дающих возможность автоматизированного планирования функции преобразования данных. Адаптивный алгоритм опирается на усеченное вейвлет-преобразование, сегментирование блоков с активностью интегрированных признаков, корреляционную и пороговую диагностику данных для подбора фильтров. Результатом разработанной методики является удобное представление информации о типе сигнала (количестве артефактов, активности головного мозга, типе сенсоров) и адаптивная фильтрация с расширяющимся набором сложных модулей, улучшающая показатели конечной классификации в устройстве нейроинтерфейса.

Список литературы

1. [Электронный ресурс]. — Режим доступа: http://www.businesswire.com/news/home/20150727005820/en/Brain-toMachine-Interface-Market-Top-US200-Million-2020#.Vbhva1IuPPx (дата обращения 06.01.2016).

2. [Электронный ресурс]. — Режим доступа: https://www.abiresearch.com (дата обращения 07.01.2016).

3. R. Pamavathi, V. Ranganathan. Areview on EEG based brain computer interface systems // International Journal of Emerging Technology and Advanced Engineering, 2014, P. 683.

4. Zhou Shang-Ming. Classifying mental tasks based on features of higher-order statistics from EEG signals in brain-computer interface / Shang-Ming Zhou, John Q. Gan, Francisco Sepu // Information Sciences, 2008, pp. 1629—1640.

5. Hubert Cecotti and Axel Graser. Neural network pruning for feature selection Application to a P300 Brain-Computer Interface // European Symposium on Artificial Neural Networks. Advances in Computational Intelligence and Learning. Bruges (Belgium), 2008, pp. 473—478.

6. Damien Coyle, Girijesh Prasad and Thomas M. McGinnity. Extracting Features for a Brain-Computer Interface by SelfOrganising Fuzzy Neural Network-based Time Series Prediction // Proceedings of the 26th Annual International Conference of the IEEE Engineering in Medicine and Biology Society (San Francisco, CA), 2004, pp. 4371—4374.

7. Rakendu Rao and Reza Derakhshani. A Comparison of EEG Preprocessing Methods using Time Delay Neural Networks // Proceedings of the 2 International IEEE EMBS Conference on Neural Engineering Arlington, Virginia, March 16—19, 2005.

8. Guilherme A. Barreto, Rewbenio A. Frota and Fatima N. S. de Medeiros. The Classification Of Mental Tasks: A Performance Comparison Of Neural And Statistical Approaches // In Proceedings of the IEEE Workshop on Machine Learning for Signal Processing, 2004.

9. X. Yong, M. Fatourechi, R. K. Ward, and G. E. Birch. Automatic artefact removal in a self-paced hybrid brain-computer interface system // Journal of Neuro Engineering and Rehabilitation, vol. 9, article 50, 2012.

10. Huang N. E., Shen Z., Long S. R., Wu M. C., Shih H. H., Zheng Q., Yen N. — C., Tung С. C., and Liu H. H. The empirical mode decomposition and the Hilbert spectrum for nonlinear and non-stationary time series analysis // Proc. R. Soc. Lond. A., 1998, Т. 454, P. 903—995.

11. Buzsáki György. Rhythms of the Brain. — Oxford University Press, 2006.

12. Кривоногов Л. Ю., Папшев Д. В. Повышение эффективности подавления высокочастотных помех в электрокардиосигналах // Измерение. Мониторинг. Управление. Контроль. — 2014. — № 2 (8). — С. 17—24.

Issues of radio electronics. 2016; : 120-127

ADAPTIVE FILTRATION AND PATTERN RECOGNITION IN EEG DATA FLOW

Gusev A. , Andreev A.

Abstract

The main part of biological data processing algorithms, containing adaptive filtration of electroencephalography, does not have a better results or filtration of useful data. The one part of problem is about misunderstandings of signal semantic components; the other is about use ability of adaptive filtration tools. This article suggests mechanism of filtration of artefacts and integrative patterns, giving the ability to constract adapted filter. The algorithm based on wavelet transformation; active block segmentation; correlative and threshold diagnostic for parametrization of filter. The results of developed methodic gives useful data representation about signal type (artifacts, cerebral activity, type of sensors) and effective filtration with scaled set of modules, giving a better classification in neurointerface device.

References

1. [Elektronnyi resurs]. — Rezhim dostupa: http://www.businesswire.com/news/home/20150727005820/en/Brain-toMachine-Interface-Market-Top-US200-Million-2020#.Vbhva1IuPPx (data obrashcheniya 06.01.2016).

2. [Elektronnyi resurs]. — Rezhim dostupa: https://www.abiresearch.com (data obrashcheniya 07.01.2016).

3. R. Pamavathi, V. Ranganathan. Areview on EEG based brain computer interface systems // International Journal of Emerging Technology and Advanced Engineering, 2014, P. 683.

10. Huang N. E., Shen Z., Long S. R., Wu M. C., Shih H. H., Zheng Q., Yen N. — C., Tung S. C., and Liu H. H. The empirical mode decomposition and the Hilbert spectrum for nonlinear and non-stationary time series analysis // Proc. R. Soc. Lond. A., 1998, T. 454, P. 903—995.

11. Buzsáki György. Rhythms of the Brain. — Oxford University Press, 2006.

12. Krivonogov L. Yu., Papshev D. V. Povyshenie effektivnosti podavleniya vysokochastotnykh pomekh v elektrokardiosignalakh // Izmerenie. Monitoring. Upravlenie. Kontrol'. — 2014. — № 2 (8). — S. 17—24.