Time-Frequency Analysis of Scalp EEG With Hilbert-Huang Transform and Deep Learning

脑电图 模式识别(心理学) 计算机科学 人工智能 希尔伯特变换 时频分析 语音识别 希尔伯特-黄变换 特征提取 小波变换 小波 光谱密度 计算机视觉 神经科学 心理学 电信 滤波器(信号处理)
作者
Jingyi Zheng,Mingli Liang,Sujata Sinha,Linqiang Ge,Wei Yu,Arne D. Ekstrom,Fushing Hsieh
出处
期刊:IEEE Journal of Biomedical and Health Informatics [Institute of Electrical and Electronics Engineers]
卷期号:26 (4): 1549-1559 被引量:18
标识
DOI:10.1109/jbhi.2021.3110267
摘要

Electroencephalography (EEG) is a brain imaging approach that has been widely used in neuroscience and clinical settings. The conventional EEG analyses usually require pre-defined frequency bands when characterizing neural oscillations and extracting features for classifying EEG signals. However, neural responses are naturally heterogeneous by showing variations in frequency bands of brainwaves and peak frequencies of oscillatory modes across individuals. Fail to account for such variations might result in information loss and classifiers with low accuracy but high variation across individuals. To address these issues, we present a systematic time-frequency analysis approach for analyzing scalp EEG signals. In particular, we propose a data-driven method to compute the subject-specific frequency bands for brain oscillations via Hilbert-Huang Transform, lifting the restriction of using fixed frequency bands for all subjects. Then, we propose two novel metrics to quantify the power and frequency aspects of brainwaves represented by sub-signals decomposed from the EEG signals. The effectiveness of the proposed metrics are tested on two scalp EEG datasets and compared with four commonly used features sets extracted from wavelet and Hilbert-Huang Transform. The validation results show that the proposed metrics are more discriminatory than other features leading to accuracies in the range of 94.93% to 99.84%. Besides classification, the proposed metrics show great potential in quantification of neural oscillations and serving as biomarkers in the neuroscience research.
最长约 10秒,即可获得该文献文件

科研通智能强力驱动
Strongly Powered by AbleSci AI
更新
大幅提高文件上传限制,最高150M (2024-4-1)

科研通是完全免费的文献互助平台,具备全网最快的应助速度,最高的求助完成率。 对每一个文献求助,科研通都将尽心尽力,给求助人一个满意的交代。
实时播报
王灿灿应助Zhiyang Lu采纳,获得50
1秒前
大个应助刻苦的猕猴桃采纳,获得10
1秒前
huhu完成签到 ,获得积分10
2秒前
6秒前
领导范儿应助科研通管家采纳,获得10
6秒前
小马甲应助科研通管家采纳,获得10
6秒前
Fred Guan应助精灵少女采纳,获得10
8秒前
eternal_dreams完成签到 ,获得积分10
8秒前
小哈完成签到 ,获得积分10
11秒前
likw23完成签到 ,获得积分10
13秒前
15秒前
义气凡阳发布了新的文献求助10
21秒前
精灵少女完成签到,获得积分10
21秒前
畅快城完成签到,获得积分10
22秒前
Jessie完成签到 ,获得积分10
26秒前
安详向薇完成签到,获得积分10
27秒前
粗心的惜梦完成签到 ,获得积分10
29秒前
yk完成签到 ,获得积分10
31秒前
123完成签到 ,获得积分10
31秒前
兔子不爱吃胡萝卜完成签到,获得积分10
33秒前
dl完成签到,获得积分10
37秒前
忧郁的寻冬完成签到,获得积分10
37秒前
妖哥完成签到,获得积分10
47秒前
叮叮当当完成签到,获得积分10
48秒前
dl发布了新的文献求助10
52秒前
义气凡阳完成签到,获得积分10
52秒前
Likz完成签到,获得积分10
53秒前
xxxx完成签到 ,获得积分10
56秒前
世上僅有的榮光之路完成签到,获得积分10
1分钟前
星丶完成签到 ,获得积分10
1分钟前
瑞曦完成签到 ,获得积分10
1分钟前
1分钟前
现实的曼安完成签到 ,获得积分10
1分钟前
Gorge完成签到 ,获得积分10
1分钟前
有人应助小雷采纳,获得10
1分钟前
Denmark完成签到 ,获得积分10
1分钟前
Ben完成签到,获得积分10
1分钟前
体贴的靖仇完成签到 ,获得积分20
1分钟前
云阿柔完成签到,获得积分10
1分钟前
YL完成签到,获得积分10
1分钟前
高分求助中
The Oxford Handbook of Social Cognition (Second Edition, 2024) 1050
Kinetics of the Esterification Between 2-[(4-hydroxybutoxy)carbonyl] Benzoic Acid with 1,4-Butanediol: Tetrabutyl Orthotitanate as Catalyst 1000
The Young builders of New china : the visit of the delegation of the WFDY to the Chinese People's Republic 1000
юрские динозавры восточного забайкалья 800
English Wealden Fossils 700
Handbook of Qualitative Cross-Cultural Research Methods 600
Chen Hansheng: China’s Last Romantic Revolutionary 500
热门求助领域 (近24小时)
化学 医学 生物 材料科学 工程类 有机化学 生物化学 物理 内科学 纳米技术 计算机科学 化学工程 复合材料 基因 遗传学 催化作用 物理化学 免疫学 量子力学 细胞生物学
热门帖子
关注 科研通微信公众号,转发送积分 3139665
求助须知:如何正确求助?哪些是违规求助? 2790602
关于积分的说明 7795670
捐赠科研通 2447017
什么是DOI,文献DOI怎么找? 1301553
科研通“疑难数据库(出版商)”最低求助积分说明 626264
版权声明 601176