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
小高完成签到 ,获得积分10
刚刚
1秒前
1秒前
刘晓楠完成签到 ,获得积分10
1秒前
1秒前
xnnnn发布了新的文献求助10
1秒前
somous完成签到,获得积分10
2秒前
sinlar完成签到,获得积分10
2秒前
4秒前
甜蜜代双完成签到 ,获得积分10
4秒前
罗静完成签到,获得积分10
4秒前
zxp发布了新的文献求助10
5秒前
fantexi113完成签到,获得积分0
5秒前
顺利如冰完成签到,获得积分10
6秒前
书源发布了新的文献求助10
7秒前
Nano-Su发布了新的文献求助10
7秒前
iiii完成签到 ,获得积分10
8秒前
8秒前
DDTT完成签到,获得积分10
8秒前
8秒前
jh发布了新的文献求助10
8秒前
神勇水杯完成签到,获得积分10
10秒前
超帅柚子完成签到 ,获得积分10
10秒前
mmm完成签到 ,获得积分10
10秒前
凌云完成签到,获得积分10
12秒前
莫道雪落奈何完成签到,获得积分10
12秒前
13秒前
qianyu完成签到,获得积分10
13秒前
瘾9完成签到,获得积分10
14秒前
华清引完成签到,获得积分10
14秒前
123关闭了123文献求助
14秒前
15秒前
15秒前
慕青应助jh采纳,获得10
15秒前
语安完成签到 ,获得积分10
15秒前
虚幻的冰真完成签到,获得积分10
15秒前
姜迟迟完成签到,获得积分10
16秒前
Eric完成签到,获得积分10
17秒前
xiaoming完成签到,获得积分0
17秒前
专注半烟完成签到 ,获得积分10
17秒前
高分求助中
Sustainability in Tides Chemistry 2000
Microlepidoptera Palaearctica, Volumes 1 and 3 - 13 (12-Volume Set) [German] 1122
Дружба 友好报 (1957-1958) 1000
The Data Economy: Tools and Applications 1000
Mantiden - Faszinierende Lauerjäger – Buch gebraucht kaufen 700
PraxisRatgeber Mantiden., faszinierende Lauerjäger. – Buch gebraucht kaufe 700
A Dissection Guide & Atlas to the Rabbit 600
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 3099895
求助须知:如何正确求助?哪些是违规求助? 2751334
关于积分的说明 7613172
捐赠科研通 2403314
什么是DOI,文献DOI怎么找? 1275235
科研通“疑难数据库(出版商)”最低求助积分说明 616318
版权声明 599053