EEG 분석

EEG analysis

EEG 분석은 수학적 신호 분석 방법과 컴퓨터 기술을 이용하여 뇌파(EEG) 신호로부터 정보를 추출하고 있다. EEG 분석의 목표는 연구자들이 뇌에 대해 더 잘 이해할 수 있도록 돕고, 의사들이 진단과 치료 선택을 하도록 돕고, 뇌-컴퓨터 인터페이스(BCI) 기술을 향상시키는 것이다. EEG 분석 방법을 대략적으로 분류하는 방법은 많다. 수학적 모델을 이용하여 샘플 EEG 신호를 적합시키는 경우,[1] 이 방법은 파라메트릭으로 분류될 수 있으며, 그렇지 않으면 비모수 방법이다. 전통적으로 대부분의 EEG 분석 방법은 시간 영역, 주파수 영역, 시간 빈도 영역, 비선형 방법의 네 가지 범주로 나뉜다.[2] 심층신경망(DNN)을 포함한 나중의 방법들도 있다.

방법들

주파수 영역 메서드

스펙트럼 분석이라고도 알려진 주파수 영역 분석은 EEG 분석을 위한 가장 전통적인 방법이지만 가장 강력하고 표준적인 방법 중 하나이다. 통계 및 푸리에 변환 방법을 채택하여 EEG 파형의 주파수 영역에 포함된 정보에 대한 통찰력을 제공한다.[3] 모든 스펙트럼 방법 중에서 전력 스펙트럼 분석은 전력 스펙트럼이 신호의 '주파수 함량'이나 주파수 대비 신호 출력의 분포를 반영하기 때문에 가장 일반적으로 사용된다.[4]

시간 영역 메서드

시간 영역 EEG 분석에는 두 가지 중요한 방법이 있다. 선형 예측 및 성분 분석. 일반적으로 선형 예측은 과거 출력 값과 현재 및 과거 입력 값의 선형 결합과 동일한 추정 값을 제공한다. 그리고 성분 분석은 데이터 세트가 피쳐 세트에 매핑되는 감독되지 않은 방법이다.[5] 특히 시간 영역 방법의 매개변수는 전적으로 시간에 기초하지만 전력 스펙트럼의 통계적 모멘트에서도 추출할 수 있다. 그 결과, 시간 영역 방법은 물리적 시간 해석과 기존의 스펙트럼 분석 사이에 다리를 건설한다.[6] 또한 시간영역 방법은 시간 기반 계산을 통해 기본 신호 특성을 온라인에서 측정할 수 있는 방법을 제공하므로 기존 주파수 분석에 비해 복잡한 장비가 덜 필요하다.[7]

시간 빈도 영역 방법

대표적인 시간주파수 영역 방식인 웨이브릿트 변환은 과도 생물학적 신호에서 특성을 추출해 나타낼 수 있다. 구체적으로는 EEG 레코드의 파장 분해를 통해 시간 및 빈도 컨텍스트 모두에서 과도적 특징을 정확하게 포착하고 국부화할 수 있다.[8] 따라서 웨이브렛 변환은 다른 척도의 기여를 무시한 채 서로 다른 신경 리듬의 척도를 분석하고 뇌 신호의 작은 진동을 조사할 수 있는 수학적 현미경과도 같다.[9][10] Wavelet Transform과는 별도로 Hilbert-Huang Transform이라 불리는 또 다른 두드러진 시간 주파수 방법이 있는데, 이 방법은 순간 주파수 데이터를 포착하기 위해 EEG 신호를 Imperative Mode Function(IMF)이라는 진동 요소 집합으로 분해할 수 있다.[11][12]

비선형 방법

자연에서 많은 현상은 비선형적이고 역학적이지 않으며 EEG 신호도 마찬가지다. 이 속성은 EEG 신호 해석에 복잡성을 더하여 선형 방법(위에서 언급된 방법)을 제한적으로 렌더링한다. 비선형 EEG 분석의 두 선구자인 Rapp와 Bobloyantz가 첫 번째 결과를 발표한 1985년 이후, '차오스 이론'이라고도 불리는 비선형 동적 시스템 이론이 EEG 분석 분야에 폭넓게 적용되었다.[13] 비선형 EEG 분석을 수행하기 위해 연구자들은 Lyapunov 지수, 상관 치수, 근사 엔트로피, 표본 엔트로피와 같은 많은 유용한 비선형 매개변수를 채택했다.[14][15]

ANN 방법

인공신경망(ANN) 구현은 전자파(EEG) 신호의 분류를 위해 제시된다. 대부분의 경우, EEG 데이터는 신경망에 넣기 전에 웨이브렛 변환의 전처리 과정을 포함한다.[16][17] RNN(재순환 신경망)은 EEG 분석에서 ANN 구현 연구에 한때 상당히 적용되었다.[18][19] 딥러닝과 CNN(Convolutional Neural Networks)의 붐이 일 때까지 CNN 방식은 최근 딥러닝을 채용한 EEG 분석 연구에서 새로운 선호 사례가 되고 있다. 딥 CNN이 데이터 세트에서 경쟁적 정확도에 도달하기 위한 훈련으로, 딥 CNN은 뛰어난 디코딩 성능을 보여주었다.[20] 더욱이, ANN의 입력으로서, 큰 EEG 데이터는 실시간 처리를 위한 안전한 저장과 높은 계산 자원의 필요성을 요구한다. 이러한 과제를 해결하기 위해 클라우드 기반의 딥러닝이 제안되어 빅 EEG 데이터에 대한 실시간 분석을 제공한다.[21]

적용들

임상적

EEG 분석은 뇌질환 진단과 평가에 널리 사용된다. 간질 발작의 영역에서 EEG에서 간질균형 방전물의 검출은 간질 진단에 있어 중요한 요소다. EEG 기록에 대한 세심한 분석은 간질 질환을 유발하는 메커니즘에 대한 가치 있는 통찰력과 개선된 이해를 제공할 수 있다.[22] 게다가, EEG 분석은 알츠하이머병,[23] 떨림 등의 발견에도 많은 도움을 준다.

BCI(브레인-컴퓨터 인터페이스)

오른쪽과 왼쪽 모터 이미지 중 EEG 기록을 통해 새로운 통신 채널을 구축할 수 있다.[24] 주제별 공간 패턴이 있는 실시간 EEG 분석에 기초하여 뇌-컴퓨터 인터페이스(BCI)를 사용하여 기기 제어를 위한 간단한 이진 응답을 개발할 수 있다. 그러한 EEG 기반 BCI는 예를 들어 근위축성 측경화증 환자와 같은 일부 일상 활동을 도울 수 있다.

분석 도구

브레인스톰(Brainstorm)은 MEG, EEG, fNIRS, ECoG, 깊이 전극, 동물침습성 신경생리학 등 뇌 기록 분석을 전담하는 협업 오픈소스 애플리케이션이다.[25] 브레인스톰의 목적은 MEG/EEG를 실험 기법으로 사용하여 과학계와 사용자 친화적인 일련의 종합적인 도구를 공유하는 것이다. 브레인스톰은 어떤 프로그래밍 지식도 필요로 하지 않는 의사와 연구자에게 풍부하고 직관적인 그래픽 인터페이스를 제공한다. 다른 상대적 오픈소스 분석 소프트웨어로는 필드트립 등이 있다.

다른이들

EEG 분석은 얼굴 표정 분석과 결합해 연속적인 감정 감지 기능을 제공하며, 이를 통해 영상의 감정 흔적을 찾을 수 있다.[26] 다른 애플리케이션으로는 EEG 기반 두뇌 매핑, 개인화된 EEG 기반 암호화, EEG 기반 이미지 주석 시스템 등이 있다.

참고 항목

참조

  1. ^ Pardey, J.; Roberts, S.; Tarassenko, L. (January 1996). "A review of parametric modelling techniques for EEG analysis". Medical Engineering & Physics. 18 (1): 2–11. CiteSeerX 10.1.1.51.9271. doi:10.1016/1350-4533(95)00024-0. ISSN 1350-4533. PMID 8771033.
  2. ^ Acharya, U. Rajendra; Vinitha Sree, S.; Swapna, G.; Martis, Roshan Joy; Suri, Jasjit S. (June 2013). "Automated EEG analysis of epilepsy: A review". Knowledge-Based Systems. 45: 147–165. doi:10.1016/j.knosys.2013.02.014. ISSN 0950-7051.
  3. ^ Acharya, U. Rajendra; Vinitha Sree, S.; Swapna, G.; Martis, Roshan Joy; Suri, Jasjit S. (June 2013). "Automated EEG analysis of epilepsy: A review". Knowledge-Based Systems. 45: 147–165. doi:10.1016/j.knosys.2013.02.014. ISSN 0950-7051.
  4. ^ Dressler, O.; Schneider, G.; Stockmanns, G.; Kochs, E.F. (December 2004). "Awareness and the EEG power spectrum: analysis of frequencies". British Journal of Anaesthesia. 93 (6): 806–809. doi:10.1093/bja/aeh270. ISSN 0007-0912. PMID 15377585.
  5. ^ Acharya, U. Rajendra; Vinitha Sree, S.; Swapna, G.; Martis, Roshan Joy; Suri, Jasjit S. (June 2013). "Automated EEG analysis of epilepsy: A review". Knowledge-Based Systems. 45: 147–165. doi:10.1016/j.knosys.2013.02.014. ISSN 0950-7051.
  6. ^ Hjorth, Bo (September 1970). "EEG analysis based on time domain properties". Electroencephalography and Clinical Neurophysiology. 29 (3): 306–310. doi:10.1016/0013-4694(70)90143-4. ISSN 0013-4694. PMID 4195653.
  7. ^ Hjorth, Bo (September 1970). "EEG analysis based on time domain properties". Electroencephalography and Clinical Neurophysiology. 29 (3): 306–310. doi:10.1016/0013-4694(70)90143-4. ISSN 0013-4694. PMID 4195653.
  8. ^ Adeli, Hojjat; Zhou, Ziqin; Dadmehr, Nahid (February 2003). "Analysis of EEG records in an epileptic patient using wavelet transform". Journal of Neuroscience Methods. 123 (1): 69–87. doi:10.1016/s0165-0270(02)00340-0. ISSN 0165-0270. PMID 12581851.
  9. ^ Adeli, Hojjat; Zhou, Ziqin; Dadmehr, Nahid (February 2003). "Analysis of EEG records in an epileptic patient using wavelet transform". Journal of Neuroscience Methods. 123 (1): 69–87. doi:10.1016/s0165-0270(02)00340-0. ISSN 0165-0270. PMID 12581851.
  10. ^ Hazarika, N.; Chen, J.Z.; Ah Chung Tsoi; Sergejew, A. (1997). Classification of EEG signals using the wavelet transform. Proceedings of 13th International Conference on Digital Signal Processing. Vol. 1. IEEE. pp. 89–92. doi:10.1109/icdsp.1997.627975. ISBN 978-0780341371.
  11. ^ Acharya, U. Rajendra; Vinitha Sree, S.; Swapna, G.; Martis, Roshan Joy; Suri, Jasjit S. (June 2013). "Automated EEG analysis of epilepsy: A review". Knowledge-Based Systems. 45: 147–165. doi:10.1016/j.knosys.2013.02.014. ISSN 0950-7051.
  12. ^ Pigorini, Andrea; Casali, Adenauer G.; Casarotto, Silvia; Ferrarelli, Fabio; Baselli, Giuseppe; Mariotti, Maurizio; Massimini, Marcello; Rosanova, Mario (June 2011). "Time–frequency spectral analysis of TMS-evoked EEG oscillations by means of Hilbert–Huang transform". Journal of Neuroscience Methods. 198 (2): 236–245. doi:10.1016/j.jneumeth.2011.04.013. ISSN 0165-0270. PMID 21524665.
  13. ^ Stam, C.J. (October 2005). "Nonlinear dynamical analysis of EEG and MEG: Review of an emerging field". Clinical Neurophysiology. 116 (10): 2266–2301. CiteSeerX 10.1.1.126.4927. doi:10.1016/j.clinph.2005.06.011. ISSN 1388-2457. PMID 16115797.
  14. ^ Acharya, U. Rajendra; Vinitha Sree, S.; Swapna, G.; Martis, Roshan Joy; Suri, Jasjit S. (June 2013). "Automated EEG analysis of epilepsy: A review". Knowledge-Based Systems. 45: 147–165. doi:10.1016/j.knosys.2013.02.014. ISSN 0950-7051.
  15. ^ Stam, C.J. (October 2005). "Nonlinear dynamical analysis of EEG and MEG: Review of an emerging field". Clinical Neurophysiology. 116 (10): 2266–2301. CiteSeerX 10.1.1.126.4927. doi:10.1016/j.clinph.2005.06.011. ISSN 1388-2457. PMID 16115797.
  16. ^ Petrosian, Arthur; Prokhorov, Danil; Homan, Richard; Dasheiff, Richard; Wunsch, Donald (January 2000). "Recurrent neural network based prediction of epileptic seizures in intra- and extracranial EEG". Neurocomputing. 30 (1–4): 201–218. doi:10.1016/s0925-2312(99)00126-5. ISSN 0925-2312.
  17. ^ Subasi, Abdulhamit; Erçelebi, Ergun (May 2005). "Classification of EEG signals using neural network and logistic regression". Computer Methods and Programs in Biomedicine. 78 (2): 87–99. doi:10.1016/j.cmpb.2004.10.009. ISSN 0169-2607. PMID 15848265.
  18. ^ Subasi, Abdulhamit; Erçelebi, Ergun (May 2005). "Classification of EEG signals using neural network and logistic regression". Computer Methods and Programs in Biomedicine. 78 (2): 87–99. doi:10.1016/j.cmpb.2004.10.009. ISSN 0169-2607. PMID 15848265.
  19. ^ Übeyli, Elif Derya (January 2009). "Analysis of EEG signals by implementing eigenvector methods/recurrent neural networks". Digital Signal Processing. 19 (1): 134–143. doi:10.1016/j.dsp.2008.07.007. ISSN 1051-2004.
  20. ^ Schirrmeister, R.; Gemein, L.; Eggensperger, K.; Hutter, F.; Ball, T. (December 2017). Deep learning with convolutional neural networks for decoding and visualization of EEG pathology. 2017 IEEE Signal Processing in Medicine and Biology Symposium (SPMB). IEEE. arXiv:1708.08012. doi:10.1109/spmb.2017.8257015. ISBN 9781538648735.
  21. ^ Hosseini, Mohammad-Parsa; Soltanian-Zadeh, Hamid; Elisevich, Kost; Pompili, Dario (December 2016). Cloud-based deep learning of big EEG data for epileptic seizure prediction. 2016 IEEE Global Conference on Signal and Information Processing (GlobalSIP). IEEE. arXiv:1702.05192. doi:10.1109/globalsip.2016.7906022. ISBN 9781509045457.
  22. ^ Subasi, Abdulhamit; Erçelebi, Ergun (May 2005). "Classification of EEG signals using neural network and logistic regression". Computer Methods and Programs in Biomedicine. 78 (2): 87–99. doi:10.1016/j.cmpb.2004.10.009. ISSN 0169-2607. PMID 15848265.
  23. ^ Jeong, Jaeseung; Gore, John C; Peterson, Bradley S (May 2001). "Mutual information analysis of the EEG in patients with Alzheimer's disease". Clinical Neurophysiology. 112 (5): 827–835. doi:10.1016/s1388-2457(01)00513-2. ISSN 1388-2457. PMID 11336898.
  24. ^ Guger, C.; Ramoser, H.; Pfurtscheller, G. (2000). "Real-time EEG analysis with subject-specific spatial patterns for a brain-computer interface (BCI)". IEEE Transactions on Rehabilitation Engineering. 8 (4): 447–456. doi:10.1109/86.895947. ISSN 1063-6528. PMID 11204035. S2CID 9504054.
  25. ^ "Introduction - Brainstorm". neuroimage.usc.edu. Retrieved 2018-12-16.
  26. ^ Soleymani, Mohammad; Asghari-Esfeden, Sadjad; Pantic, Maja; Fu, Yun (July 2014). Continuous emotion detection using EEG signals and facial expressions. 2014 IEEE International Conference on Multimedia and Expo (ICME). IEEE. CiteSeerX 10.1.1.649.3590. doi:10.1109/icme.2014.6890301. ISBN 9781479947614.

외부 링크