Comparison of the EEG Signal Classifiers LDA, NBC and GNBC Based on Time-Frequency Features

eng Artykuł w języku angielskim DOI: 10.14313/PAR_224/39

wyślij Beata Szuflitowska, Przemysław Orłowski Zachodniopomorski Uniwersytet Technologiczny w Szczecinie

Pobierz Artykuł

Abstract

EEG signals are non-stationary and used to study the activities of the brain in pathology. Epilepsy belongs to the most common neurological diseases. In the paper, real EEG sequences described by a doctor as normal and epileptic (ictal and interictal) are used. In classification process these sequences are divided into training and testing subsets. The classification are performed using Short-Time Fourier Transform. Based on obtained spectrum four features have been extracted. The study presents experiments based on the analysis and classification of EEG signals using various methods, including Linear Discriminant Analysis, Naive Bayes Classifier and Gaussian Naive Bayes Classifier. The results indicated that used techniques a potential to be applied within an automatic neurologic diseases diagnosis system and could thus further increase the number of correct diagnoses.

Keywords

electroencephalograph classification, machine learning, short-time Fourier transform, time-frequency analysis

Porównanie klasyfikatorów LDA, NBC i GNBC sygnału EEG stosujących cechy czasowo-częstotliwościowe

Streszczenie

Sygnały EEG są z definicji niestacjonarne i stosowane do badania aktywności mózgu w patologii. Epilepsja należy do najczęstszych chorób neurologicznych. W pracy użyto rzeczywistych sekwencji EEG określonych przez lekarza jako stan normalny oraz padaczka (stany napadowe oraz międzynapadowe). W procesie klasyfikacji sygnały zostały podzielone na dwa podzbiory – uczący oraz testujący. Klasyfikacja została przeprowadzona za pomocą krótkotrwałej transformaty Fouriera. Na podstawie otrzymanego widma dokonano ekstrakcji czterech cech. Badanie przedstawia eksperymenty oparte na analizie i klasyfikacji sygnałów EEG za pomocą różnych metod, w tym Liniowej Analizy Dyskryminacyjnej, Naiwnego Klasyfikatora Bayesa oraz Naiwnego Klasyfikatora Bayesa dla rozkładu Gaussa. Wyniki pokazują, że użyty algorytm może być potencjalnie stosowany w automatycznej diagnostyce schorzeń neurologicznych i może w przyszłości zwiększyć liczbę poprawnie stawianych diagnoz.

Słowa kluczowe

analiza czasowo-częstotliwościowa, elektroencefalografia, klasyfikacja, krótkoczasowa transformata Fouriera, uczenie maszynowe

Bibliografia

  1. Oweis R.J., Abdulhay E.W., Seizure classification in EEG signals utilizing Hilbert-Huang transform, “Biomedical Engineering Online”, 2011; 10: 38, DOI: 10.1186/1475-925X-10-38.
  2. Dauwels J., Vialatte F., Cichocki A., Diagnosis of Alzheimer’s disease from EEG signals: where are we standing? “Current Alzheimer Research”, 6, 2010, 487–505.
  3. Gajic D., Djurovic Z., Di Gennaro S., Gustafsson F., Classification of EEG signals for detection of epileptic seizures based on wavelets and statistical pattern recognition. “Biomedical Engineering: Applications, Basis and Communications”, Vol. 26, Iss. 2, 2014, DOI: 10.4015/S1016237214500215.
  4. Solé-Casals J., Benoît V., An automatic detection of focal EEG signals using new class of time–frequency localized orthogonal wavelet filter banks, “Knowledge-Based Systems”, Vol. 118, 2017, 217–227, DOI: 10.1016/j.knosys.2016.11.024.
  5. Kołodziej M., Majkowski A., Rak R., Optymalizacja doboru okien czasowych do przetwarzania sygnału EEG w interfejsach mózg-komputer, „Przegląd Elektrotechniczny”, R. 87, Nr 9a, 2011, 142–144.
  6. Szuflitowska B., Orłowski P., Classification of electroencephalograph signals using time-frequency decomposition and linear discriminant analysis, paper no 10445-253, accepted for publication in SPIE (the International Society for Optics and Photonics), Vol. 1045, ISBN: 9781510613546.
  7. Durka P.J., Matching Pursuit and Unification in EEG Analysis, Artech House, 2007.
  8. Nguyen T., Khosravi A., Creighton D., Nahavandi S., EEG signal classification for BCI applications by wavelets and interval type-2 fuzzy logic systems, “Expert Systems with Applications”, Vol. 42, Iss. 9, 2015, 4370–4380, DOI: 10.1016/j.eswa.2015.01.036.
  9. Orłowski P., Simplified Design of Low-Pass, Linear Parameter-Varying, Finite Impulse Response Filters. “Information Technology and Control”, Vol. 39, No. 2, 2010, 130–137.
  10. Orłowski P., Fractional Indexes Impulse Responses Approximation for Discrete-Time Weyl Symbol Computation. “Elektronika ir Elektrotechnika”, Vol. 104, No. 8, 2010, 9–12.
  11. Sobolewski A., Kublik E., Świejkowski D.A., Łęski S., Kamiński J.K., Wróbel A., Cross-trial correlation analysis of evoked potentials reveals arousal related attenuation of thalamo-cortical coupling, “Journal of Computational Neuroscience”, Vol. 29, Iss. 3, 2010, 485–493, DOI: 10.1007/s10827-010-0220-0.
  12. Łęski S., Lindén H., Tetzlaff T., Pettersen K.H., Einevoll G.T., Frequency dependence of signal power and spatial reach of the local field potential, “PLoS Computational Biology”, Vol. 9, e1003137, 2013, DOI: 10.1371/journal.pcbi.1003137.
  13. Patan K., Rutkowski G., Analysis and classification of EEG data: an evaluation of methods, “Lecture Notes in Artificial Intelligence”, Vol. 7268, 2012, 310-317.
  14. Iscan Z., Dokur Z., Tamer D., Classification of electroencephalogram signals with combined time and frequency features, “Expert Systems with Applications”, Vol. 38, Iss. 8, 2011, 10499–10505, DOI: 10.1016/j.eswa.2011.02.11.
  15. Oliva J.T., Garcia Rosa J.L., How an epileptic EEG segment, used as reference, can influence a cross-correlation classifier? “Applied Intelligence”, Vol. 47, Iss. 1, 2017, 1–19, DOI: 10.1007/s10489-016-0891-y.
  16. Rak R., Majkowski A., Czasowo-częstotliwościowa analiza sygnałów, „Przegląd Elektrotechniczny”, R. 80, Nr 5, 2004, 515–520.
  17. Bhattacharyya S., Khasnobish A., Chatterjee A., Konar A., Performance analysis of LDA, QDA and KNN algorithms in left-right limb movement classification from EEG data, [in:] International Conference on Systems in Medicine and Biology (ICSMB), Kharagpur, India. 16–18, Dec. 2010, 126–131, DOI: 10.1109/ICSMB.2010.5735358.
  18. Vakludal V., Srinath S., Vijayapuriga S., Automated Detection of Epileptic EEG Using Approximate Entropy in Elman Networks, “International Journal on Recent Trends in Engineering and Technology”, Vol. 1, No. 1, 2009, 307–312, DOI: 01.IJRTET.2009.01.01.1501.
  19. Ocak H., Automatic detection of epileptic seizures in EEG using discrete wavelet transform and approximate entropy. “Expert Systems with Applications”, Vol. 36, Iss. 2, Part 1, 2009, 2027–2036, DOI: 10.1016/j.eswa.2007.12.065.
  20. Rajaguru V., Harikumar T., Prabhakar S.K., Kumar S., A Framework for Epilepsy Classification Using Modified Sparse Representation Classifiers and Naïve Bayesian Classifier from Electroencephalogram Signals, “Journal of Medical Imaging and Health Informatics”, Vol. 6, No. 8, 2016, 1829–1837, DOI: 10.1166/jmihi.2016.1935.
  21. Yayik A., Yildirim E., Kutlu Y., Yildirim S., Epileptic State Detection: Pre-ictal, Inter-ictal, Ictal, “International Journal of Intelligent Systems and Applications in Engineering”, Vol. 3, No. 1, 2015, 14–18.
  22. Solé-Casals J., Vialatte F.B., Towards Semi-Automatic Artifact Rejection for the Improvement of Alzheimer’s Disease Screening from EEG Signals, ”Sensors”, Vol. 15(8), 2015, 17963–17976, DOI: 10.3390/s150817963.
  23. Azami H., Abásolo D., Simons S., Escudero H., Univariate and Multivariate Generalized Multiscale Entropy to Characterise EEG Signals in Alzheimer’s Disease, “Entropy”, Vol. 19, Iss. 1, 2017, 31–47, DOI: 10.3390/e19010031.
  24. Andrzejak R.G., Lehnertz K., Rieke C., Mormann F., David P., Elger C.E., Indications of nonlinear deterministic and finite dimensional structures in time series of brain electrical activity: Dependence on recording region and brain state, “Physical Review E”, Vol. 64, 061907, 2001, DOI: 10.1103/PhysRevE.64.061907.
  25. Sharma A., Paliwal K.K., Linear discriminant analysis for the small sample size problem: an overview, “International Journal of Machine Learning and Cybernetics”, Vol. 6, Iss. 3, 2015, 443–454, DOI: 10.1007/s13042-013-0226-9.Zhang R., Xu P., Guo L., Zhang Y., Li P., Yao D., Z-Score Linear Discriminant Analysis for EEG Based Brain-Computer Interfaces, PloS One, 9, 2013, 1-7, DOI: 10.1371/journal.pone.0074433.
  26. Mitchel T., Machine Learning, McGraw-Hill Science: New York, NY, USA, 1997.
  27. Machado J., Balbinot A., Executed Movement Using EEG Signals through a Naive Bayes Classifier, “Micromachines”, Vol. 5, Iss. 4, 2014, 1082–1105, DOI: 10.3390/mi5041082.
  28. Bielza C., Larrañaga P., Bayesian networks in neuroscience: a survey, “Frontiers in Computational Neuroscience”, Vol. 8, 2014, 1–23, 10.3389/fncom.2014.00131.
  29. Srivastava S., Gupta M.R., Frigyik B.A., Bayesian Quadratic Discriminant Analysis, “Journal of Machine Learning Research”, Vol. 8, 2007, 1277–1305.