Automatic feature extraction of eeg signals using neural networks and time-frequency analysis

Abstract

Elektroansefalografi (EEG), insanlarda bulunan birçok nörolojik bozukluğun teşhisinde kullanılan önemli bir araçtır. Görsel EEG analizi oldukça karmaşıktır ve doktorlar tarafından teslim edilmesi çok zaman gerektirmektedir. Bunun yanı sıra, manuel teşhis doktorun deneyimine ve bazı diğer faktörlere bağlı olarak bir doktordan diğer doktora farklılık göstermektedir. Zaman-frekans analizi ve Yapay Sinir Ağı (ANN) genellikle bu sinyallerin otomatik teşhisinde kullanılmaktadır. Bu çalışmada, Bonn Üniversitesi (UBonn) veri setine dayanılarak önişleme aşamasında EEG sinyallerinin ayrıştırılması için Kesikli Dalgacık Dönüşümü (DWT) kullanılmasını ve daha sonra sınıflandırma kararını vermek için yapay sinir ağının (ANN) 2 gizli katmanını kullanarak çıkarılmış özellikleri analiz edilmesini önermekteyiz. Önişleme analizi, Daubechies 4 (db4) ve Daubechies 8 (db8) olmak üzere iki dalgacık fonksiyonu kullanan MATLAB Dalgacık Araç Çubuğu üzerinden gerçekleştirilmiştir. Seçilen özelliklerin sınıflandırma doğruluğu üzerindeki etkisini incelemek için, özellik çıkarımı aşamasında 6 farklı durumu tartıştık. Nihai olarak, sonuçta ortaya çıkan vektörler Karar-Alma aşamasında Levenberg-Marquardt eğitim algoritması tarafından eğitilmiştir. Algoritmamızın performansı Karışıklık Matrisi eşitlikleri üzerinden değerlendirilmiştir. Db4 durumunda, önerilen en iyi senaryoların doğruluğu %98.50 olurken, db8 ise %98.75'lik bir doğruluk vermektedir.

Electroencephalography (EEG) is an important tool for the diagnosis of many human neurological disorders. The visual EEG analysis is very complex and requires a lot of time to be delivered by doctors. Moreover, the manual diagnosis is differing from one doctor to another depending on the doctor experience and some other factors. Time-frequency analysis & Artificial Neural Networks (ANN) is generally used in the automatic diagnosis of these signals. In this work, we propose to use Discrete Wavelet Transform (DWT) to decompose the EEG signals in preprocessing stage depending on Bonn University (UBonn) Dataset, then to analyze the extracted features using 2 hidden layers of ANN in order to deliver the classification decision. The preprocessing analysis was achieved via MATLAB Wavelet Toolbox using two wavelet functions: Daubechies 4 (db4) and Daubechies 8 (db8). In order to study the impact of selected features on the classification accuracy, we have discussed 6 different cases in Feature extraction stage. Finally, the resulted vectors are trained by Levenberg-Marquardt training algorithm in the Decision-Making stage. The performance of our algorithm is evaluated via Confusion Matrix equations. In case of db4, the accuracy of the best proposed scenarios is 98.50% whereas db8 gives an accuracy of 98.75%.