对两种常见EEG参考点的分析
信号处理
2018-01-09 v1 机器学习
机器学习
摘要
临床脑电图（EEG）数据因若干操作条件（例如电极类型与放置、所用电气接地类型）而差异显著。本研究探讨两种不同参考 montage 中存在的统计差异：Linked Ear（LE，耳联）与 Averaged Reference（AR，平均参考）。二者各约占TUH EEG Corpus数据的45%。在本研究中，我们探讨该变异性对机器学习性能的影响。我们比较使用这两种montage生成特征的统计属性，并探讨对我们基于标准隐马尔可夫模型（HMM）分类系统的性能影响。我们表明，在LE数据上训练的系统显著优于仅在AR数据上训练的系统（77.2%对61.4%）。我们还证明，在两类数据集上训练的系统性能有所折损（71.4%对77.2%）。数据统计分析建议应考虑均值、方差与通道归一化。然而，倒谱均值减除未能产生性能提升，表明这些统计差异的影响更微妙。
引用
@article{arxiv.1801.02474,
title = {An Analysis of Two Common Reference Points for EEGs},
author = {Silvia Lopez and Aaron Gross and Scott Yang and Meysam Golmohammadi and Iyad Obeid and Joseph Picone},
journal= {arXiv preprint arXiv:1801.02474},
year = {2018}
}
备注
Published In IEEE Signal Processing in Medicine and Biology Symposium. Philadelphia, Pennsylvania, USA