Extrakce, redukce dimenze a klasifikace příznakového prostoru EEG

Abstract

Pomocí elektroencefalografu zaznamenáváme elektrickou aktivitu mozku. Aby nám EEG signál poskytl užitečné informace o funkci mozku, je nutné jej předzpracovat, segmentovat a u segmentů vypočítat příznaky. K analýze EEG signálu jsou používány různé příznaky. Počet vypočítaných příznaků odpovídá počtu dimenzí výsledného příznakového prostoru. Protože vysokodimenzionální prostory jsou náročné na počítačové zpracování, je vhodné dimenze příznakového prostoru redukovat. Analyzovala jsem vlastnosti reálného příznakového EEG prostoru pomocí boxplotových grafů a pravděpodobnostních hustotních funkcí. V programovém prostředí MATLAB byla vytvořena funkce k simulaci příznakového prostoru EEG. Reálný i simulovaný příznakový prostor jsem redukovala lineární technikou analýzy hlavních komponent (PCA), metodou kovariance a metodou singulárního rozkladu, a nelineární technikou t-distributed Stochastic Neighbor Embedding (t-SNE). Redukované prostory jsem klasifikovala shlukovacím algoritmem k-means a následně provedla statistické hodnocení této klasifikace ROC analýzou. Byla vytvořena metodika na simulaci příznakového prostoru na základě vlastností reálného prostoru, která je využitelná k testování klasifikačních algoritmů. Epileptickou aktivitu je vhodnější klasifikovat do dvou tříd. Algoritmus t-SNE dokáže lépe separovat jednotlivé třídy EEG signálu, můžeme tedy předpokládat, že v příznakovém prostoru mají segmenty nelineární vztahy. K-means se nejeví jako vhodný klasifikační algoritmus pro EEG příznakové prostory.

We record electrical activity of the brain using electroencephalograph. The preprocessing is necessary to provide useful information about brain function. We segment signal and calculate features. A variety of features are used to analyse the EEG signal. The number of computed features corresponds to the number of dimensions of the resulting feature space. It is advisable to reduce the size of the feature space because the large-dimensional spaces are difficult to computer processing. I analysed the properties of a real EEG feature space by using box-plot graphs and probability density functions. It has been created the function to simulation EEG feature space in the MATLAB. I reduced real and simulated feature space by linear techniques Principal Component Analysis (PCA), by method covariance and singular value decomposition, and nonlinear technique t-distributed Stochastic Neighbor Embedding (t-SNE). I have classified the reduced spaces with the k-means clustering algorithm and then performed a statistical evaluation of this classification by ROC analysis. A methodology has been developed to simulate the feature space based on the real space properties. It can be used to test the classification algorithms. Epileptic activity is more appropriate to classify into two classes. The t-SNE algorithm is better to separate the clusters. We can assume that segments have non-linear relationships in the feature space. K-means does not appear to be a suitable classification algorithm for EEG feature spaces.