EEG sinyallerinin görgül kip ayrışım yöntemi ile analizi

Abstract

Görgül kip ayrışımı (GKA) doğrusal ve durağan olmayan sinyaller için önerilen yeni bir sinyal işleme yöntemidir. Sinyali kendi içinden elde ettiği özgül kip fonksiyonların (ÖKF) birleşimi olarak temsil eden, algoritma tabanlı ve sinyal uyarlamalı bir yöntemdir. Elde edilen ÖKF'lerin zaman ve frekans bölgesi özellikleri, sinyal hakkında önemli bilgiler vermektedir. Önerilen GKA tabanlı gürültü temizleme yöntemleri ile gürültülü elektroansefalogram (EEG) kayıtlarından ve çeşitli sentetik sinyallerden elde edilen ÖKF'lerin ortak bilgi (OB), Hilbert-Huang dönüşümü (HHD) ile hiyerarşik kümeleme ve eğimden arındırılmış dalgalanma analizi (EADA) ile yoğun olarak gürültü içeren bileşenlerin belirlenmesi hedeflenmiştir. Epileptik ve normal EEG sinyallerinin GKA tabanlı zaman ve frekans bölgesi ölçüleri ile analiz edilerek atakların tespit edilmesi ise GKA'nın diğer sinyal uyarlamalı yapısı neticesinde önerilen yöntemlerdendir. Çok değişkenli görgül kip ayrışımı (ÇDGKA) ile epileptik EEG analizi için geliştirilmiş yeni bir yöntem önerilmiştir. Normal ve epileptik EEG sinyallerinin sınıflandırması karmaşık yapay öğrenme algoritmaları ve çok boyutlu öznitelik vektörleri kullanmadan, önerilen yöntemle elde edilen sayısal parametreler yardımı ile mümkün olmaktadır. EEG sinyallerinden duygu durum tespiti için ÇDGKA yöntemine dayanan bir yaklaşım önerilmiştir. Bu yöntemde çok kanallı EEG sinyallerine ait ÖKF'lere çeşitli sinyal işleme yöntemleri uygulanarak elde edilen öznitelikler ile duygusal durumun belirlenebilmesi amaçlanmıştır. Sonuçlar iki boyutlu bilişsel duygulanım haritası referans alınarak test edilmiştir. Böylece yeni bir sinyal işleme yöntemi olan GKA tabanlı özgün ve yeni yöntemler EEG sinyallerinin analizi için önerilmiştir.

Empirical mode decomposition (EMD) has been recently suggested method to analyze non-linear and non-stationary signals. It is an algorithm based and adaptive decomposition method to represent the signal as the sum of the intrinsic mode functions (IMFs). Thus, time and frequency-domain properties of the extracted IMFs provide important properties about the signal. For EMD based denoising, mutual information (MI), Hilbert-Huang transform (HHT) with hierarchical clustering and detrended fluctuation analysis based metrics are evaluated for noise reduction from electroencephalogram (EEG) and various synthetic signals. Time and frequency domain metrics of the EMD for EEG analysis are the other proposed methods based on the data driven property of the EMD. Multivariate empirical mode decomposition (MEMD) is also suggested as an enhanced method for EEG analysis. The obtained scalar results from the metrics enable to analyze and detect epileptic seizure without using complex machine learning algorithms and feature vectors. For emotion recognition using multi-channel EEG signals, it is proposed that IMFs of the EEG signals decomposed using MEMD are analyzed deploying various signal processing methods. The results are evaluated based on the cognitive emotional state. Therefore, originally proposed EEG analysis methods are suggested using EMD.