//img.uscri.be/pth/ad71f3bdf3ff2045db271d02c3e3131ed29bed0e
Cet ouvrage fait partie de la bibliothèque YouScribe
Obtenez un accès à la bibliothèque pour le lire en ligne
En savoir plus

Modelling eliptic brain : feature extraction

De
78 pages

The purpose of this project is to detect when an epileptic seizure has happened. Epileptic electroencephalogram signals (EEG) have been analyzed using Short Time Fourier Transform (STFT) and Wavelet Transform (WT). When epileptic events occur, EEG signals are nonstationary. For this reason, STFT and WT have to be applied in this research to analyze these signals and to extract the most representative features of them. The aim is to process a set of signals from several pacients so that they can be classified by a classifier in order to find when a seizure has happened.
Ingeniería de Telecomunicación
Voir plus Voir moins
Modelling Epileptic Brain  
 
Laura Boto Espada  
UNIVERSIDAD CARLOS III DE MADRID Proyecto Fin de Carrera  
  UNIVERSITY OF READING  
  School of Systems Engineering Cybernetics  
FINAL PROJECT REPORT MODELLING EPILEPTIC BRAIN FEATURE EXTRACTION  Laura Boto Espada Erasmus student University of Reading Telecommunications Engineering Universidad Carlos III de Madrid
1
Modelling Epileptic Brain  
Laura Boto Espada  
Abstract    The purpose of this project is to detect when an epileptic seizure has happened. Epileptic electroencephalogram signals (EEG) have been analyzed using Short Time Fourier Transform (STFT) and Wavelet Transform (WT). When epileptic events occur, EEG signals are non-stationary. For this reason, STFT and WT have to be applied in this research to analyze these signals and to extract the most representative features of them. The aim is to process a set of signals from several pacients so that they can be classified by a classifier in order to find when a seizure has happened.                                  
2
Modelling Epileptic Brain  
Laura Boto Espada  
Agradecimientos  Me gustaría agradecer en primer lugar a la Dra. Virgine Ruiz y a el Dr. David Luego García por su contribución, guía y apoyo durante este proyecto.  También me gustaría agradecer muy especialmente a mis padres, German y MªAngeles su ayuda y apoyo durante toda la carrera y por mi educación y felicidad durante toda mi vida. También agradecimiento a mi hermana María que siempre me ha apoyado y aguantado. Uno muy especial a mi abuela Ángeles, que me ayudó a ser como soy y a crecer como persona y que lamentablemente no ha podido ver como he conseguido algo que ella simpre afirmaba que conseguiría a pesar de las dificultades. Otro agradecimiento a mi yaya Elisa, que siempre disfruta con las decisiones que tomo al disfrutar de las oportunidades de que me ofrece la vida.  Agredecer también a mi amiga desde la infancia Raquel y a mi amiga Laura que me han apoyado mucho y han tenido que sufrir todos los bajones que he sufrido estudiando esta carrera. También gracias a mis amigos y compañeros de batalla Carolina, Santi y Tere que siempre esperaban que consiguiera lo mejor durante la carrera. Un especial agradecimiento a Álvaro con quien compartí uno de los mejores años de mi vida y con quien estuve mientras redactaba este proyecto en Reading. También gracias a Pablo que me ayudó cuando no podía asistir a clase e intentaba que estudiara más tiempo obligándome ir a la biblioteca con él aunque finalmente nunca lo conseguía.  Gracias a todos.    Acknowledgements   The author wish to acknowledge Dra.Virginie Ruiz and Dr. David Luengo Garcia their contribution, guidance and support in the conduct of this work and in the preparation of this report.              
3
Modelling Epileptic Brain  
Laura Boto Espada  
Resumen  La actividad neuronal del cerebro puede ser grabada mediante electrones dando lugar al electroencefalograma, EEG. Estas señales son interpretadas basándose en la ausencia o presencia de ciertas frecuencias que indican ciertas condiciones psicológicas.  Un típico uso de estas señales es en la detección de epilepsia. Epilepsia es una enferemendad crónica que se caracteriza por irregulares ocasiones de incosciencia asociada, a veces, con violentas convulsiones.  Una vez que una señal es grabada y medida por un sensor, se procede a su filtración y procesado. Esto se realiza debido a que las señales normalmente van acompañadas de ruido que perjudica a la hora de ofrecer un diagnóstico. Este ruido puede ser ocasionado por la contracción de los músculos, el parpadeo, la temeperatura o por los electrodos con los que se miden estas señales. Para maximizar la información extraida de las señales EEG hay que definir una serie de características fundamentales y representativas de las señales.  Los métodos que van a ser usados para la extracción de caracteristicas son la transformada Corta de Fourier (STFT) y la transformada Wavelet Discreta (DWT).  La STFT consiste en particionar la secuencia completa de la señal en menores secuencias. El tamaño de estas secuencias queda marcado por el tamaño de ventana escogido para la extracción de las caracteristicas deseadas. A cada secuencia se le aplica la transformada Rápida de Fourier y el resultado complejo es añadido a una matriz, la cual graba la magnitud y la fase para cada punto en tiempo y frecuencia. El problema fundamental de este método es elegir un valor adecuado para el tamaño de ventana, ya que este marcará si la resolución en frecuencia es buena o si bien lo es en tiempo. Un alto valor de tamaño de ventana da una mejor resoñución en frecuencia pero pobre en tiempo y por el contrario, un bajo valor de ventana resulta mejor resolución en tiempo pero pobre en frecuencia.  La transformada Wavelet Discreta es cualquier tranformada wavelet para la cual las wavelets son discretamente muestreadas. La DWT de una señal x(t) es calculada pasando la señal a través de una serie de filtros. En primer lugar, las muestras son pasadas por un filtro paso bajo y la señal es descompuesta usando un filtro paso alto.  Una vez la señal ha sido procesada usando cualquiera de los métodos anteriores, se procede a extraer varias características fuertemente representativas de la señal como la densidad espectral de potencia, varianza, coeficientes, etc. El propósito de extraer varias caracteristicas es encontrar cual es la caracteristica más representitativa de la señal para detectar cuando un ataque epilépsico sucede en la señal analizada.  El último paso es la clasificación y el diagnótico. Aquí, las características extraidas son entregadas a un clasificador para clasificar las señales. Se proponen dos tipos de clasificadores, Support Vector Machine y Neural Network.  El primero, Support Vector Machine, consiste en un clasificador que construye una hipersuperficie que divide las muestras positivas y negativas. El procedimiento
4
Modelling Epileptic Brain  
Laura Boto Espada  
consiste en elegir un parametro de ajsute en la regresión no paramétrica. Para el cálculo de este estimador se usa Cross-Validation que perimite que todos los datos sean usados tanto para test como para entrenemamiento.  El clasificador, Neural Network, consiste en metodos directamente basados en la formación y función de estructuras neuronales. Debido a su naturaleza no lineal, las redes neuronales son capaces de resolver problemas de clasificación no lineal que no pueden ser conseguidos por simples métodos estadísticos. Neural Network esta compuesto por un número de neuronas que estan conectadas a través de pesos. La estructura y la funcion de cada neurona es conocida, luego para entrenar a la red neuronal se necesitan usar ejemplos de entrenamiento dados para encontrar los mejores valores de los pesos. Una vez los pesos son encontrados, la red neuronal es únicamente definida y se puede usar para la clasificación y modelado.  Una vez conocidas las posibilidades consideradas para obtener una buena detección de ataques epilepticos mediante el uso de señales EEG, fueron realizadas distintas pruebas aplicando combinaciones de ellas. Se obtuvo para cada paciente una precision de acierto mayor del 95% y aplicandolo a todos los pacientes en conjunto, la precision disminuye solo al 86%, siendo también un excelente resultado. Los resultados mostrados durante este resumen serán considerando que el clasificador usado es Support Vector Machine, ya que después de realizar pruebas con ambos, los resultados obtenidos con este clasificador fueron mejores.   Los datos utilizados fueron suministrados por la Clínica Universitaria de la universidad de Navarra, Pamplona [5] y consisten en:   ·  Tiempo: Vector de datos de tiempo que son incrementados cada 0.005s.  Tiempo original: Vector con el tiempo exacto cuando el dato fue capturado. · ·  Cananles: Vector con el numero de canales que fueron usados para la captura. ·  Dos numeros: crisis_min que es principio de la crisis y crisis max que marca el _ final de la crisis. ·  Canales de crisis: Vestor que contiene el número de canales donde la crisis es mayor. ·  Canales originales: Matriz que contiene las muestras que capturadas cada 0.005s. Las columnas son los canales y las filas los tiempos. ·  Canal 20Hz: Matriz como la de arriba pero con reduccion de ruido (artefactos) _ usando un flitro lienal paso bajo. ·  Canal_ICA: Esta matriz es la misma que la de canales originales pero con la reduccion de artefactos como movimiento de ojos, parpadeo, muscular y cardiaca actividad. ·  Canal 20ICA: Esta matriz es igual que la matriz superior pero con reduccion de _ altas frecuencias.  Las señales EEG muestran que las alteraciones comienzan en una parte del hemisferio del cerebro o en ambos hemisferios simultaneamente.  La medida de las señales EEG son realizadas mediante electrodos situados en el cuero cabelludo y son representadas en papel frente a tiempo. Dependiendo del paciente se tiene, veintitrés, veinticuatro o veinticinco canales de los que se graba simultaneamente.  
5
Modelling Epileptic Brain  
Laura Boto Espada  
Las señales EEG son pasadas por un filtro paso banda entre 0 y 20Hz, muestradas a 200Hz, eliminados los artefactos con ICA ( Independence Components Analysis ) y digitalizadas. ICA es usado para detectar artefactos (movimiento de ojos, parpadeo, etc) en un suceso epiléptico. El software utilizado para analizar las señales ha sido implementado en MATLAB. Para realizar el estudio se consideran 6 pacientes con conocidos sucesos de epilepsia.  Una señal puede ser analizada de diferentes maneras para conseguir extraer la mejor característica de la señal. Cada forma de análisis supone un intento de buscar la más adecuada para el estudio de la señal. Una técnica posible sería el uso de un umbral para manipular la señal de forma que concediese altas propiedades.    
Original EEG signal
50 100 150 200 250 300 350 Time (s) EEG signal processed and filtered
400 200 0 -200 -400 0 200 100 0 -100 -200 0 50 100 150 200 250 300 350 Time (s)  Figura1. (1) Señal EEG original de un paciente.(2) Señal EEG fltrada (20Hz) y sin artefactos. En ambos casos la linea roja indica cuando un suceso epiléptico ha sucedido.  Se puede observar que las señales EEG son señales no estacionarias por lo que los compoenentes en frecuencia son extraídos usando STFT o WT. Cuando una señal no cambia mucho en el tiempo, se dice que es estacionaria. En ese caso, se puede aplicar para su análisis la transformada de Fourier. Sin embargo, hay muchas señales, como las EEG, que tienen no estacionarias o transitorias características y la tranformada de Fourier no es apropiada para estos casos.  Para superar esta deficiencia, Dennis Gabor (1946), adaptó la transformada de Fourier para analizar solo pequeñas secciones de una señal en el tiempo, dando lugar a la transformada Corta de Fourier (STFT).  
6
Modelling Epileptic Brain  Laura Boto Espada  La STFT se basa en dividr la señal en pequeños segmentos y realizar un análisis de cada uno de ellos usando la transformada de Fourier. Una ventana es aplicada a la señal completa para aislar un segmento del resto y aplicarle la transformada.  La ecuación básica en tiempo continuo es:  υ X ( t , f ) 1 x ( Ν ) w ( t % Ν ) e % j ϑ f Ν d Ν   Donde w ( t ) es la ventana aplicada y τ es la variable que mueve la ventana a lo largo de la señal.  Existen dos problemas importantes: a) el compromiso tiempo-frecuencia: un valor pequeño de la ventana, M, para mejorar la resolución en tiempo reducirá la resolución en frecuencia. Incluso puede provocar la pérdida de bajas frecuencias y dejarían de estar incluidas en los datos. Y lo mismo ocurre al revés, un valor grande de ventana mejora la resolución en frecuencia pero empeora la resolución en tiempo. Luego para conseguir un valor óptimo para ambas resoluciones se usa el principio de incertidumbre donde el producto de la resolucion en frecuencia y tiempo debe ser mayor que un mínimo (1/4 п ) y b) selccionar un óptimo valor de ventana para que los segmentos de los datos contengan varias y diferentes características puede no ser posible.  Para conseguir un óptimo valor de ventana se hicieron varias pruebas y los resultados obtenidos se exponen más adelante.  El principal método en la extracción de características en el dominio de Fourier es la evaluación de la potencia para específicas frecuencias en el espectro de potencia de la señal.  El espectro de frecuencia es definido como la transformada de Fourier de la funcion de autocorrelacion,  T ϑ Ν PS 1 r xx ( Ν ) e % 2 f T d Ν  0  La energía contenida en una señal analógica, x(t), es relaccionada como,  υ E 1 x ( t ) 2 dt   Y por Parseval es fácil demostrar lo siguiente,  υ υ x ( t ) 2 dt 1 X ( f ) 2 df  %υ %υ   7