Application of Empirical Mode Decomposition and Teager energy operator to EEG signals for mental task classification
Notice bibliographique
Résumé
This paper presents a novel method for mental task classification from EEG signals using Empirical Mode Decomposition and Teager energy operator techniques on EEG data. The efficacy of these techniques for non-stationary and non-linear data has already been demonstrated, which therefore lend themselves well to EEG signals, which are also non-stationary and non-linear in nature. The method described in this paper decomposed the EEG signals (6 EEG signals per task per subject, for a total of 5 tasks over multiple trials) into their constituent oscillatory modes, called intrinsic mode functions, and separated out the trend from the signal. Teager energy operator was used to calculate the average energy of both the detrended signal and the trend. The average energy was used to construct separate feature vectors with a small number of parameters for the detrended signal and the trend. Based on these parameters, one-versus-one classification of mental tasks was performed using Linear Discriminant Analysis. Using both feature vectors, an average correct classification rate of more than 85% was achieved, demonstrating the effectiveness of the method used. Furthermore, this method used all the intrinsic mode functions, as opposed to similar studies, demonstrating that the trend of the EEG signal also contains important discriminatory information.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».