短时间性EEG信号的多尺度分布分析
Dae Hyeon Kim1, Jin-Oh Park1, Dae-Young Lee1
1Department of Electronics and Communications Engineering, Kwangwoon University, Seoul 01897, South Korea.
Mathematical biosciences and engineering : MBE
|June 14, 2024
概括
这项研究引入了多尺度分布 (MDE) 来检测脑电图 (EEG) 记录中的模式. MDE有效地区分异常EEG,显示出实际发作检测的希望.
科学领域:
- 神经科学是一个神经科学.
- 信号处理 信号处理
- 信息理论 信息理论
背景情况:
- 电脑电图 (EEG) 信号表现出非线性和非静止性,使得复杂性量化对于分析病模式至关重要.
- 目前用于从短期记录中解读异常性EEG (ictal和interictal) 的现有方法面临信号长度可变性的挑战.
研究的目的:
- 提出一种新的信息理论措施,用于在短期EEG记录中区分病模式.
- 通过结合多尺度来增强对EEG信号动态复杂性的分析.
- 开发可用于临床环境的强大的发作检测方法.
主要方法:
- 使用分布 (DE) 是因为它对信号长度的稳定性.
- 使用粗粒度和移动平均线程序开发了两种多尺度分布 (MDE) 方法.
- 使用波恩和伯恩-巴塞罗那性EEG数据集验证了性能.
主要成果:
- 拟议的MDE方法证明了对EEG信号长度的稳定性和在不同短期段的一致性.
- 在多个时间尺度上,MDE有效地捕捉了复杂性,在歧视性脑电图方面超过了现有的方法.
- 与粗粒度方法相比,使用移动平均数程序的MDE显示出略高的性能.
结论:
- 开发的MDE方法是有效和可靠的,用于区分性EEG模式.
- 这些MDE方法为发作检测应用提供了更好的准确性和一致性.
- 这些发现表明,MDE是实用,实时发作检测系统的有希望的工具.
