Application of stochastic methods, wavelet transformations and support vectors for the study of electroencephalogram signals


Citar

Texto integral

Resumo

This study explores the application of modern data processing methods - wavelet transformation, stochastic methods, and Support Vector Machine (SVM) - on real electroencephalogram (EEG) signals from open databases. Analyzing EEG signals is crucial for medical diagnostics and neuroscience, requiring sophisticated techniques due to high dimensionality and noise. Wavelet transformation allows decomposition of signals into frequency components with varying temporal resolutions, facilitating time-frequency analysis. Stochastic methods utilize probabilistic models for modeling random processes and analyzing data statistics. Meanwhile, SVM is a machine learning algorithm that identifies the optimal hyperplane to separate classes, enhancing generalization, particularly with complex nonlinear data. When comparing these methods, the specific data type and task should be considered: wavelet transformation is ideal for signal processing, stochastic methods are used for random processes, and SVM excels in classification tasks. Thus, selecting the most suitable approach should be based on a comparative analysis of method effectiveness in a particular context. This study will discuss these concepts and present examples of applying these techniques to EEG data, contributing to the analysis and classification of brain activity and the identification of pathologies.

Sobre autores

Veronika Tolmanova

RUDN University

Email: 1042210065@pfur.ru
ORCID ID: 0000-0001-9433-7859

Postgraduate student of the Department of Mechanics and Control Processes, Academy of Engineering

6 Miklukho-Maklaya St, Moscow, 117198, Russian Federation

Denis Andrikov

RUDN University

Autor responsável pela correspondência
Email: andrikovdenis@mail.ru
ORCID ID: 0000-0003-0359-0897
Código SPIN: 8247-7310

Ph.D. in Technical Sciences, Associate Professor of the Department of Mechanics and Control Processes, Academy of Engineering

6 Miklukho-Maklaya St, Moscow, 117198, Russian Federation

Bibliografia

  1. Petrosian A, Prokhorov D, Homan R. Reccurent neural network based prediction of epileptic seizures in intra- and extracranial EEG. Neurocomputing. 2000;30(1):201-218. https://doi.org/10.1016/S0925-2312(99)00126-5
  2. Adeli H, Zhou Z, Dadmehr N. Analysis of EEG records in an epileptic patient using wavelet transform. Journal of Neuroscience Methods. 2003;123(1):69-87. https://doi.org/10.1016/S0165-0270(02)00340-0
  3. Albaqami H, Hassan G, Datta A. Automatic detection of abnormal EEG signals using wavelet feature extraction and gradient boosting decision tree. Biomedical Signal Processing and Control. 70, 2021;70(2):102957. https://doi.org/10.1016/j.bspc.2021.102957
  4. Nacpil E, Wang Z, Guan M. EEG-based Emergency Braking Prediction Using Data Ablation and SVM Classification. IEEE Sensors Journal. 2023;23(14):16013-16019. https://doi.org/10.1109/JSEN.2023.3283447
  5. Shanmugadass V, Suresh GR, Balakumaran T, Wise A. EEG Signal Analysis for Automated Epilepsy Seizure Detection Using Wavelet Transform and Artificial Neural Network. Journal of Medical Imaging and Health Informatics. 2019;9(6):1301-1306. https://doi.org/10.1166/jmihi.2019.2713
  6. Ullah I, Hussain M. An Automated System for Epilepsy Detection using EEG Brain Signals based on Deep Learning Approach. Expert systems with applications. 2018;107:61-71. https://doi.org/10.1016/j.eswa.2018.04.021
  7. Karpov OE, Andrikov DA, Maksimenko VA, Hramov AE. Explainable artificial intelligence for medicine. Medical doctor and information technology. 2022;(2):4-11. (In Russ.) https://doi.org/10.25881/18110193_2022_2_4
  8. Sharova DE, Mikhailova AA, Gusev AV, Garbuk SV, Vladzymyrskyy AV, Vasilev YA. Аn analysis of global experience in regulations on the use of medical data for artificial intelligence systems development based on machine learning. Medical doctor and information technology. 2022;(4):28-39. (In Russ.) https://doi.org/10.25881/18110193_2022_4_28
  9. Cortes C, Vapnik V. Support-vector networks. Machine learning. 1995;20(3):273-297. https://doi.org/10.1007/BF00994018
  10. Stam CJ. Nonlinear dynamical analysis of EEG and MEG: review of an emerging field. Clinical Neurophysiology. 2004;116(10):2266-2301. https://doi.org/10.1016/j.clinph.2005.06.011
  11. Thakor NV, Tong S. Advances in quantitative electroencephalogram analysis methods. Annual Review of Biomedical Engineering. 2004;6(1):453-95. https://doi.org/10.1146/annurev.bioeng.5.040202.121601
  12. Hramov AE, Koronovskii A, Makarov VA, Pavlov A, Sitnikova E. Wavelets in neuroscience. Springer Berlin Heidelberg; 2015. ISBN: 978-3-662-43850-3
  13. Hramov AE, Koronovskii AA, Makarov VA, Pavlov AN, Sitnikova E. Automatic Diagnostics and Process-ing of EEG. In: Wavelets in Neuroscience. Springer Series in Synergetics. Berlin, Heidelberg: Springer; 2014. https://doi.org/10.1007/978-3-662-43850-3_7
  14. Percival DB, Walden AT. Wavelet Methods for Time Series Analysis. Cambridge University Press; 2000. https://doi.org/10.1017/CBO9780511841040
  15. Hilarov VL. Epileptic seizures regularities, revealed from encephalograms time series by nonlinear mechanics methods. Journal of Physics Conference Series. 2019;1400(3):033011. https://doi.org/10.1088/1742-6596/1400/3/033011
  16. Peker M, Sen B, Delen D. A novel method for automated diagnosis of epilepsy using complex-valued classifiers and wavelet transform. Journal of Biomedical Informatics. 2016;20(1):108-118. https://doi.org/10.1109/JBHI.2014.2387795
  17. Meenakshi D, Singh A, Singh A. Frequency ana-lysis of healthy & epileptic seizure in EEG using fast fourier transform. Int. J. Eng. Res.Gen.Sci. 2014;2(4):683-691. Available from: https://oaji.net/articles/2014/786-1406216595.pdf (accessed: 17.07.2024).
  18. Sudalaimani C, Thomas TE, Sivakumaran N, Valsalam SR, Meethal SP, Sathish E. Seizure prediction using general regression neural network. 2017 Trends in Industrial Measurement and Automation (TIMA), Chennai, India, 2017. p. 1-7. https://doi.org/10.1109/TIMA.2017.8064810
  19. Savadkoohi M, Oladduni T. A machine learning approach to epileptic seizure prediction using electroencephalogram (EEG) signal. Journal of Applied Biomedicine. 2020;40(3): 1328-1341. https://doi.org/10.1016/j.bbe.2020. 07.004
  20. Devarajan K, Jyostna E, Jayasri K, Balasampath V. (2014). EEG-based epilepsy detection and prediction. Inter-national Journal of Engineering and Technology. 2014;6(3):212-216. https://doi.org/10.7763/IJET.2014.V6.698

Arquivos suplementares

Arquivos suplementares
Ação
1. JATS XML

Согласие на обработку персональных данных с помощью сервиса «Яндекс.Метрика»

1. Я (далее – «Пользователь» или «Субъект персональных данных»), осуществляя использование сайта https://journals.rcsi.science/ (далее – «Сайт»), подтверждая свою полную дееспособность даю согласие на обработку персональных данных с использованием средств автоматизации Оператору - федеральному государственному бюджетному учреждению «Российский центр научной информации» (РЦНИ), далее – «Оператор», расположенному по адресу: 119991, г. Москва, Ленинский просп., д.32А, со следующими условиями.

2. Категории обрабатываемых данных: файлы «cookies» (куки-файлы). Файлы «cookie» – это небольшой текстовый файл, который веб-сервер может хранить в браузере Пользователя. Данные файлы веб-сервер загружает на устройство Пользователя при посещении им Сайта. При каждом следующем посещении Пользователем Сайта «cookie» файлы отправляются на Сайт Оператора. Данные файлы позволяют Сайту распознавать устройство Пользователя. Содержимое такого файла может как относиться, так и не относиться к персональным данным, в зависимости от того, содержит ли такой файл персональные данные или содержит обезличенные технические данные.

3. Цель обработки персональных данных: анализ пользовательской активности с помощью сервиса «Яндекс.Метрика».

4. Категории субъектов персональных данных: все Пользователи Сайта, которые дали согласие на обработку файлов «cookie».

5. Способы обработки: сбор, запись, систематизация, накопление, хранение, уточнение (обновление, изменение), извлечение, использование, передача (доступ, предоставление), блокирование, удаление, уничтожение персональных данных.

6. Срок обработки и хранения: до получения от Субъекта персональных данных требования о прекращении обработки/отзыва согласия.

7. Способ отзыва: заявление об отзыве в письменном виде путём его направления на адрес электронной почты Оператора: info@rcsi.science или путем письменного обращения по юридическому адресу: 119991, г. Москва, Ленинский просп., д.32А

8. Субъект персональных данных вправе запретить своему оборудованию прием этих данных или ограничить прием этих данных. При отказе от получения таких данных или при ограничении приема данных некоторые функции Сайта могут работать некорректно. Субъект персональных данных обязуется сам настроить свое оборудование таким способом, чтобы оно обеспечивало адекватный его желаниям режим работы и уровень защиты данных файлов «cookie», Оператор не предоставляет технологических и правовых консультаций на темы подобного характера.

9. Порядок уничтожения персональных данных при достижении цели их обработки или при наступлении иных законных оснований определяется Оператором в соответствии с законодательством Российской Федерации.

10. Я согласен/согласна квалифицировать в качестве своей простой электронной подписи под настоящим Согласием и под Политикой обработки персональных данных выполнение мною следующего действия на сайте: https://journals.rcsi.science/ нажатие мною на интерфейсе с текстом: «Сайт использует сервис «Яндекс.Метрика» (который использует файлы «cookie») на элемент с текстом «Принять и продолжить».