Skip to main content
Fachgebiete
Automobil + Motoren Bauwesen + Immobilien Business IT + Informatik Elektrotechnik + Elektronik Energie + Nachhaltigkeit Finance + Banking Management + Führung Marketing + Vertrieb Maschinenbau + Werkstoffe Versicherung + Risiko
DE
EN
Themenseiten
Organisationspsychologie Projektmanagement Marketing Smart Manufacturing
Bücher
Zeitschriften
Weitere Formate
Podcasts Webinare Technik Webinare Wirtschaft Kongresse Veranstaltungskalender Awards
Jetzt Einzelzugang starten
Zugang für Unternehmen
Referenzkunden
MTZ-Fachkongress

Antriebe und Energiesysteme von morgen


Austausch von Automobil- und Energiewirtschaft

Am 14./15. Mai geht es in Chemnitz um die Mobilitätswende durch Elektro- und Wasserstofffahrzeuge.
Erweiterte Suche
Anmelden
nach oben
Erschienen in:
An In-Silico Structural Analysis of the Interactions of SoxY and SoxZ from Moderately Thermophilic Betaproteobacterium, Hydrogenophilus thermoluteolus in the Global Sulfur Oxidation Cycle Kapitel lesen Erstes Kapitel lesen

2015 | OriginalPaper | Buchkapitel

EMD Based Features for Discrimination of Focal and Non-focal EEG Signals

verfasst von : Manish Gehlot, Yogit Kumar, Harshita Meena, Varun Bajaj, Anil Kumar

Erschienen in: Information Systems Design and Intelligent Applications

Verlag: Springer India

Einloggen

Aktivieren Sie unsere intelligente Suche, um passende Fachinhalte oder Patente zu finden.

search-config
loading …

Abstract

In this paper, a new method based on empirical mode decomposition (EMD) for discrimination of focal and non-focal electroencephalogram (EEG) signals is proposed. The EMD method decomposes the EEG signal into a set of narrow-band amplitude and frequency modulated (AM-FM) components known as intrinsic mode functions (IMFs). The IMFs obtained by EMD of EEG signals are plotted in a 3-D phase space diagram using phase space reconstruction (PSR). The average mean of Euclidean distances (AMED) and average standard deviation of Euclidean distances (ASED) are computed from 3-D phase space diagram. These features has been used as a feature in order to discriminate focal and non-focal EEG signals. The AMED and ASED measurement of IMFs has provided better discrimination performance. The class discriminating ability of these features are quantified using Kruskal-Wallis statistical test.

Sie haben noch keine Lizenz? Dann Informieren Sie sich jetzt über unsere Produkte:

Springer Professional "Wirtschaft+Technik"

Online-Abonnement

Mit Springer Professional "Wirtschaft+Technik" erhalten Sie Zugriff auf:

  • über 102.000 Bücher
  • über 537 Zeitschriften

aus folgenden Fachgebieten:

  • Automobil + Motoren
  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Elektrotechnik + Elektronik
  • Energie + Nachhaltigkeit
  • Finance + Banking
  • Management + Führung
  • Marketing + Vertrieb
  • Maschinenbau + Werkstoffe
  • Versicherung + Risiko

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Technik"

Online-Abonnement

Mit Springer Professional "Technik" erhalten Sie Zugriff auf:

  • über 67.000 Bücher
  • über 390 Zeitschriften

aus folgenden Fachgebieten:

  • Automobil + Motoren
  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Elektrotechnik + Elektronik
  • Energie + Nachhaltigkeit
  • Maschinenbau + Werkstoffe




 

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Wirtschaft"

Online-Abonnement

Mit Springer Professional "Wirtschaft" erhalten Sie Zugriff auf:

  • über 67.000 Bücher
  • über 340 Zeitschriften

aus folgenden Fachgebieten:

  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Finance + Banking
  • Management + Führung
  • Marketing + Vertrieb
  • Versicherung + Risiko




Jetzt Wissensvorsprung sichern!

Jetzt informieren
Vorheriges Kapitel Fractal Image Compression with Adaptive Quadtree Partitioning and Lossless Encoding on the Parameters of Affine Transformations
Nächstes Kapitel HHT Based Features for Discrimination of EMG Signals
Literatur
1.
Andrzejak, R.G., Schindler, K., Rummel, C.: Nonrandomness, nonlinear dependence, and nonstationarity of electroencephalographic recordings from epilepsy patients. Phys. Rev. E. 86, 046206 (2012)
2.
Pati, S., Alexopoulos, A.V.: Pharmacoresistant epilepsy: from pathogenesis to current and emerging therapies. Cleveland Clin. J. Med. 77, 457–467 (2010)CrossRef
3.
Chen, G.: Automatic EEG seizure detection using dual-tree complex wavelet-Fourier features. Expert Syst. Appl. 41, 2391–2394 (2014)CrossRef
4.
Kumar, Y., Dewal, M.L., Anand, R.S.: Epileptic seizure detection using DWT based fuzzy approximate entropy and support vector machine. Neurocomputing 133, 271–279 (2014)CrossRef
5.
Naghsh-Nilchi, A.R., Aghashahi, M.: Epilepsy seizure detection using eigen-system spectral estimation and multiple layer perceptron neural network. Biomed. Signal Process. Control 5, 147–157 (2010)CrossRef
6.
Hocepied, G., Legros, B., Bogaert, P.V., Grenez, F., Nonclercq, A.: Early detection of epileptic seizures based on parameter identification of neural mass model. Comput. Biol. Med. 43, 1773–1782 (2013)CrossRef
7.
Pachori, R.B.: Discrimination between ictal and seizure-free EEG signals using empirical mode decomposition. Res. Lett. Signal Process. 2008, 293056 (2008)
8.
Oweis, R.J., Abdulhey, E.W.: Seizure classification in EEG signals utilizing Hilbert-Huang transform. Biomed. Eng. Online 10, 38 (2011)CrossRef
9.
Pachori, R.B., Bajaj, V.: Analysis of normal and epileptic seizure EEG signals using empirical mode decomposition. Comput. Methods Progr. Biomed. 104(3), 373–381 (2011)
10.
Bajaj, V., Pachori, R.B.: Epileptic seizure detection based on the instantaneous area of analytic intrinsic mode functions of EEG signals. Biomed. Eng. Lett. 3(1), 17–21 (2013)CrossRef
11.
Bajaj, V., Pachori, R.B.: Classification of seizure and non-seizure EEG signals using empirical mode decomposition. IEEE Trans. Inf. Technol. Biomed. 16(6), 1135–1142 (2012)CrossRef
12.
Bajaj, V., Pachori, R.B.: EEG signal classification using empirical mode decomposition and support vector machine. In: International Conference on Soft Computing for Problem Solving, AISC 131, pp. 623–635 (2011)
13.
Bajaj, V., Pachori, R.B.: Application of the sample entropy for discrimination between seizure and seizure-free EEG signals. In: 5th Indian International Conference on Artificial Intelligence, pp. 1232–1247 (2011)
14.
Huang, N.E., et. al.: The empirical mode decomposition and Hilbert spectrum for nonlinear and non-stationary time series analysis. Proc. R. Soc. Lon. A 454, 903–995 (1998)
15.
Zhu, G., Li., Y., Wen, P.P., Wang, S., Xi, M.: Epileptogenic focus detection in intracranial EEG based on delay permutation entropy. Am. Inst. Phys. Conf. Proc. 1559, 31–36 (2013)
16.
Sharma, R., Pachori, R.B., Gautam, S.: Empirical mode decomposition based classification of focal and non-focal EEG signals. In: International Conference on Medical Biometrics, pp. 135–140 (2014)
17.
Flandrin, P., Rilling, G., Goncalves, P.: Empirical mode decomposition as a filter bank. IEEE Signal Process. Lett. 11, 112–114 (2004)CrossRef
18.
Taken, F.: Detecting strange attractors in turbulence. In: Proceedings of Dynamics System and Turbulence, pp. 366–381 (1980)
19.
Kantz, H., Schreiber, T.: Nonlinear Time Series Analysis. Cambridge University Press, Cambridge (1997)
20.
Bajaj, V., Pachori, R.B.: Human emotion classification from EEG signals using multiwavelet transform. In: IEEE International Conference on Medical Biometrics, pp. 125–130 (2014)
Metadaten
Titel
EMD Based Features for Discrimination of Focal and Non-focal EEG Signals
verfasst von
Manish Gehlot
Yogit Kumar
Harshita Meena
Varun Bajaj
Anil Kumar
Copyright-Jahr
2015
Verlag
Springer India
Buch
Information Systems Design and Intelligent Applications

Print ISBN: 978-81-322-2246-0

Electronic ISBN: 978-81-322-2247-7

Copyright-Jahr: 2015

DOI
https://doi.org/10.1007/978-81-322-2247-7_10

Premium Partner

    Bildnachweise