无监督的多变量基于特征的自适应集群分析性EEG信号

科学领域:

• 神经科学是一个神经科学.
• 生物医学工程 生物医学工程
• 信号处理 信号处理

背景情况:

• 性脑电图 (EEG) 信号分析的监督方法需要标记数据,限制它们与未标记数据集的使用.
• 传统的无监督集群算法通常需要预先定义的参数,并且容易产生主观错误,影响准确性.
• 精确分析未标记的性EEG信号对于推进预测和患者监测至关重要.

研究的目的:

• 为性脑电图信号提出一个无监督的多变量特征自适应集群分析算法.
• 克服监督方法和传统无监督算法的局限性,分析未标记的EEG数据.
• 为了提高性EEG信号分析的可靠性和准确性,用于临床应用.

主要方法:

• 使用CEEMDAN (辅助集体实证模式分解与自适应噪声) 和CWT (连续波纹转换) 进行性EEG信号的预处理和联合无声化.
• 提取和构建一个多变量特征集,包括非线性,时间,频率和时间频率特征.
• 应用t-SNE (t-分布式静态邻居嵌入) 来减少维度和优化DBSCAN (基于密度的应用程序的空间聚类与噪声) 算法,使用SSA (Salp Swarm算法) 进行自适应参数选择.

主要成果:

• 通过CEEMDAN和CWT无声化来提高信号质量.
• 成功地从EEG信号中提取了全面的多变量特征.
• 通过通过SSA通过自适应选择DBSCAN参数来提高集群性能和可靠性,避免主观错误.
• 已经证明了分析高维,未标记的EEG数据的潜力.

结论:

• 拟议的无监督自适应集群算法有效地分析未标记的性脑电图信号.
• 该方法提高了集群可靠性,避免了主观错误,为预测设备提供了基础.
• 这种方法在临床诊断和每日监测患者方面显著有前途.