基于脑区定位的脑电多元经验模态分解用于精神状态检测
信号处理
2022-06-03 v1
摘要
本研究应用多元经验模态分解（MEMD）方法从多通道 EEG 信号提取特征以进行精神状态分类。MEMD 是一种数据自适应分析方法，特别适用于像 EEG 这样的多维非线性信号。应用 MEMD 得到一组称为固有模态函数（IMFs）的振荡模态。由于分解过程依赖于数据，IMFs 随由脑功能活动引起的信号变化而变化。在提取的 IMFs 中，发现对应高振荡模态者最有助于检测不同精神状态。从最有助于精神状态检测的 IMFs 计算非线性特征。这些 MEMD 特征相较由傅里叶变换与小波变换获得的常规时频特征表现出显著性能提升。通过分析从相关 EEG 通道提取的 MEMD 特征，观察到特定脑区的主导性。发现额叶区域最为显著，分类准确率达 98.06%。这种多维分解方法保持了联合通道特性，并为基于 EEG 的精神状态检测生成最具判别力的特征。
引用
@article{arxiv.2206.00926,
title = {Multivariate Empirical Mode Decomposition of EEG for Mental State Detection at Localized Brain Lobes},
author = {Monira Islam and Tan Lee},
journal= {arXiv preprint arXiv:2206.00926},
year = {2022}
}
备注
Accepted in 44th International Engineering in Medicine and Biology Conference (EMBC 2022)