研究信| Ram Bilas Pachori利用经验模式分解鉴别发作期和非发作期脑电图信号
摘要
本文介绍了使用经验模态分解(EMD)和傅里叶贝塞尔(FB)扩展的脑电图(EEG)信号分析的新方法。EMD将EEG信号分解为有限一组带有限制信号,称为内部模式功能(IMF)。使用FB扩展计算了每个IMF的平均频率(MF)。IMFS的MF测量已被用作特征,以识别ICTAL和无癫痫发作的颅内EEG信号之间的差异。已经表明,IMF的MF特征在ICTAL和无癫痫发电信号之间提供了统计上显着的差异。包括仿真结果是为了说明所提出的方法的有效性。
1.介绍
癫痫发作是短暂的、意想不到的大脑电干扰的结果。脑电图(EEG)信号是临床评估脑活动最常用的信号。在脑电图信号中检测癫痫发作是癫痫诊断的重要组成部分[<一个href="#B1">1一个>]。
从EEG信号中提取的参数在诊断中非常有用。光谱分析是用于分析EEG信号的常用技术,因为它揭示了信号中存在的频率。然而,傅里叶变换的潜在假设是被分析的信号是静止的(即,信号的平均值,方差和频率内容不会随时间变化)。
最近,已经提出了非线性方法以提取与大脑电活动相关的新参数。在这些参数中,Lyapunov指数提供有关信号的临床有用信息[<一个href="#B2">2一个>];相关维技术可以包含关于大脑不同神经状态的信息[<一个href="#B3">3.一个>];分形维数(FD)和熵度量脑电图信号的复杂性或无序程度[<一个href="#B4">4一个>,<一个href="#B5">5一个>],而相关积分是一种对多种非线性敏感的测度,在[<一个href="#B6">6一个>]可用于在嵌入期间表征大脑的癫痫区域。但是,最近的工作表明,EEG信号表现出非子性行为[<一个href="#B7">7一个>,<一个href="#B8">8一个>]。
在本文中,提出了一种新的EEG信号分析技术,基于专门为非线性和非间断时间序列分析开发的经验模式分解(EMD)[<一个href="#B9">9一个>]和适用于非平稳信号表示的Fourier-Bessel (FB)展开式[<一个href="#B10">10一个>]。EMD提取构成信号的本地振荡,称为内在模式功能(IMF),以及代表本地趋势的残差。IMF可以被认为是一组窄带非标准信号。FB扩展的系数已被用于计算IMF的平均频率。对于给定信号,FB系数对于给定信号是对给定信号的唯一来说,FB系数对于给定信号是唯一的。然而,与傅里叶变换中的正弦基本函数不同,贝塞尔功能是非周期性的,并且随着时间的推移衰减。贝塞尔功能的这些特征使得FB系列扩展适用于与简单的傅里叶变换相比分析非间断信号[<一个href="#B11">11一个>,<一个href="#B12">12一个>]。IMFS的MF测量已被用作特征,以便在颅内EEG数据记录中从无癫痫发作间隔区分癫痫发作。
2.经验模态分解
经验模式分解(EMD)将任何时间信号表示为有限一组幅度和频率调制(AM-FM)振荡组件,它们是分解的基础。分解是一种直观和自适应的信号相关的分解。此外,分解不需要关于信号的具有平稳性和线性的任何条件。EMD技术的原理是分解信号 Matlab代码可在下面找到<一个href="http://perso.ens-lyon.fr/patrick.flandrin/emd.html" target="_blank">http://perso.ens-lyon.fr/patrick.flandrin/emd.html.一个>.在23.6秒的脑电图时间序列上应用EMD的一个例子如图所示<一个href="//www.newsama.com/journals/jece/2008/fig1/" target="_blank">1一个>.
(一)
(b)
(一)
(b)