scholarly journals Application of Empirical Mode Decomposition for Decoding Perception of Faces Using Magnetoencephalography

Sensors ◽  
2021 ◽  
Vol 21 (18) ◽  
pp. 6235
Author(s):  
Chun-Hsien Hsu ◽  
Ya-Ning Wu
Keyword(s):  
Empirical Mode Decomposition ◽  
Recognition Task ◽  
Signal Decomposition ◽  
Hemispheric Dominance ◽  
Neural Decoding ◽  
Nonstationary Signal ◽  
Identity Information ◽  
Mode Decomposition ◽  
Distinguishing Features ◽  
The Brain

Neural decoding is useful to explore the timing and source location in which the brain encodes information. Higher classification accuracy means that an analysis is more likely to succeed in extracting useful information from noises. In this paper, we present the application of a nonlinear, nonstationary signal decomposition technique—the empirical mode decomposition (EMD), on MEG data. We discuss the fundamental concepts and importance of nonlinear methods when it comes to analyzing brainwave signals and demonstrate the procedure on a set of open-source MEG facial recognition task dataset. The improved clarity of data allowed further decoding analysis to capture distinguishing features between conditions that were formerly over-looked in the existing literature, while raising interesting questions concerning hemispheric dominance to the encoding process of facial and identity information.

Flight dynamics modeling of elastic aircraft using signal decomposition methods

2019 ◽  
Vol 233 (12) ◽  
pp. 4380-4395 ◽  
Author(s):  
Seyed Amin Bagherzadeh
Keyword(s):  
Empirical Mode Decomposition ◽  
Test Data ◽  
Spectrum Analysis ◽  
Singular Spectrum Analysis ◽  
Flight Dynamics ◽  
Flight Test ◽  
Signal Decomposition ◽  
Identification Process ◽  
Mode Decomposition ◽  
Flight Parameters

To improve the precision and accuracy of the flight dynamic models for elastic aircraft, this paper provides a novel method that extracts observable flight modes from flight test data and uses them in the identification process. For this purpose, a gray-box time-domain method is employed with the nonlinear ARX structure and the Levenberg–Marquardt parameter estimation technique. In the proposed method, the components of the flight parameters are extracted by two signal decomposition techniques, namely the singular spectrum analysis and empirical mode decomposition. These components are inputted into the identification process. Flight test data of the active aeroelastic wing is examined by the proposed method. The results indicate that both the singular spectrum analysis-based and empirical mode decomposition-based identification processes have desired performances in dealing with nontrained flight conditions. Thus, these methods may be utilized as an interpolation method to estimate the aircraft flight dynamics within the flight envelope. However, the empirical mode decomposition outperforms the singular mode decomposition because it is more significant in decomposing flight parameters based on the frequency content. Hence, the empirical mode decomposition may be a better tool to be employed for the aeroelastic aircraft system identification.

scholarly journals MONO-COMPONENTS VS IMFs IN SIGNAL DECOMPOSITION

2008 ◽  
Vol 06 (03) ◽  
pp. 353-374 ◽  
Author(s):  
TAO QIAN ◽  
LIMING ZHANG ◽  
HONG LI
Keyword(s):  
Empirical Mode Decomposition ◽  
Instantaneous Frequency ◽  
Signal Decomposition ◽  
Intrinsic Mode Functions ◽  
Mode Decomposition ◽  
Adaptive Decomposition

The concepts of intrinsic mode functions and mono-components are investigated in relation to the empirical mode decomposition. Mono-components are defined to be the functions for which non-negative analytic instantaneous frequency is well defined. We show that a great variety of functions are mono-components based on which adaptive decomposition of signals are theoretically possible. We justify the role of empirical mode decomposition in signal decomposition in relation to mono-components.

EMPIRICAL MODE DECOMPOSITION-BASED PROCESSING FOR AUTOMATED DETECTION OF EPILEPSY

2019 ◽  
Vol 19 (01) ◽  
pp. 1940003 ◽  
Author(s):  
G. MURALIDHAR BAIRY ◽  
YUKI HAGIWARA
Keyword(s):  
Empirical Mode Decomposition ◽  
Epileptic Seizures ◽  
Automated Detection ◽  
Learning Approaches ◽  
Eeg Signals ◽  
Small Magnitude ◽  
Cad System ◽  
Mode Decomposition ◽  
Non Linear ◽  
The Brain

Epilepsy is a chronic illness of the brain characterized by recurring seizure attacks. Electroencephalogram (EEG) can record the electrical activity of the brain and is extensively used to analyze and diagnose epileptic seizures. However, the EEG signals are highly non-linear and chaotic and are difficult to analyze due to their small magnitude. Hence, empirical mode decomposition (EMD), a non-linear technique, has been widely adopted to capture the subtle changes present in the EEG signals. Hence, it is an added advantage to develop an automated computer-aided diagnostic (CAD) system to detect the different brain activities from the EEG signals using machine learning approaches. In this paper, we focus on the previous works which have used the EMD technique in the automated detection of normal or epileptic EEG signals.

scholarly journals Motor Imagery Recognition of EEG Signal using Cuckoo-Search Masking Empirical Mode Decomposition

2019 ◽  
Vol 8 (11) ◽  
pp. 2717-2720
Keyword(s):  
Empirical Mode Decomposition ◽  
Motor Imagery ◽  
Search Algorithm ◽  
Cuckoo Search ◽  
Cuckoo Search Algorithm ◽  
Disable Person ◽  
Mode Decomposition ◽  
Wheel Chair ◽  
Non Stationary Signal ◽  
The Brain

Brain Computer Interface (BCI) is a collaboration between a brain and device that enables the signals from the brain to done the external activity, i.e. Cursor, Prosthetic control or Wheel chair movement. The brain and object have the direct communication control by using BCI systems. Mostly the current research should be focused on non-invasive method. The array of neurons should be read by using the computer chips and programs then translate the signals in to action i.e., Motor Imagery (MI). The main objective is used to help the disable person without someone help. Mainly the BCI System should be very helpful for the people those who are affect from paralysis to write something and control the motorized wheel chair through thought alone. In Brain Computer Interfacing BCI) the Electroencephalogram (EEG) is a very challenging non-stationary signal. In this paper the preprocessing should be done by Least Mean Square (LMS) algorithm and Empirical mode decomposition (EMD) is a new method to extract the non-stationary signal should be apply on motor imagery recognition task. The features of EEG such as energy, fuzzy approximate entropy, Morphological features and AR coefficients are extracted using Masking empirical mode decomposition. The extracted features are selected by using the cuckoo search algorithm (CSA). In this paper the extracted features should be compare, with cuckoo search or without cuckoo search algorithm analyzed. After the feature selection features are classified by using the linear discriminant analysis (LDA) with respect to some parameters like Accuracy, Precision, Recall, Maximal (MI).

scholarly journals Instantaneous EEG Signal Analysis Based on Empirical Mode Decomposition Applied to Burst-Suppression in Propofol Anaesthesia

2021 ◽  
Vol 17 (5) ◽  
pp. 65-79
Author(s):  
G. Sobolova ◽  
M. S. Fabus ◽  
M. Fischer ◽  
M. Drobny ◽  
B. Drobna-Saniova
Keyword(s):  
Spectral Analysis ◽  
General Anaesthesia ◽  
Empirical Mode Decomposition ◽  
Brain Activity ◽  
Low Frequency ◽  
Burst Suppression ◽  
Intrinsic Mode Functions ◽  
Mode Decomposition ◽  
Cyclic Changes ◽  
The Brain

The human electroencephalogram (EEG) constitutes a nonstationary, nonlinear electrophysiological signal resulting from synchronous firing of neurons in thalamocortical structures of the brain. Due to the complexity of the brain's physiological structures and its rhythmic oscillations, analysis of EEG often utilises spectral analysis methods.Aim: to improve clinical monitoring of neurophysiological signals and to further explain basic principles of functional mechanisms in the brain during anaesthesia.Material and methods. In this paper we used Empirical Mode decomposition (EMD), a novel spectral analysis method especially suited for nonstationary and nonlinear signals. EMD and the related Hilbert-Huang Transform (HHT) decompose signal into constituent Intrinsic Mode Functions (IMFs). In this study we applied EMD to analyse burst-suppression (BS) in the human EEG during induction of general anaesthesia (GA) with propofol. BS is a state characterised by cyclic changes between significant depression of brain activity and hyper-active bursts with variable duration, amplitude, and waveform shape. BS arises after induction into deep general anaesthesia after an intravenous bolus of general anaesthetics. Here we studied the behaviour of BS using the burst-suppression ratio (BSR).Results. Comparing correlations between EEG and IMF BSRs, we determined BSR was driven mainly by alpha activity. BSRs for different spectral components (IMFs 1-4) showed differing rates of return to baseline after the end of BS in EEG, indicating BS might differentially impair neural generators of low-frequency EEG oscillations and thalamocortical functional connectivity.Conclusion. Studying BS using EMD represents a novel form of analysis with the potential to elucidate neurophysiological mechanisms of this state and its impact on post-operative patient prognosis.

scholarly journals A Fast Approach to Removing Muscle Artifacts for EEG with Signal Serialization Based Ensemble Empirical Mode Decomposition

Entropy ◽  
2021 ◽  
Vol 23 (9) ◽  
pp. 1170
Author(s):  
Yangyang Dai ◽  
Feng Duan ◽  
Fan Feng ◽  
Zhe Sun ◽  
Yu Zhang ◽  
...  
Keyword(s):  
Real Time ◽  
Empirical Mode Decomposition ◽  
Mean Squared Error ◽  
Simulated Data ◽  
Ensemble Empirical Mode Decomposition ◽  
Intrinsic Mode Functions ◽  
Eeg Signals ◽  
Mode Decomposition ◽  
Significant Difference ◽  
The Brain

An electroencephalogram (EEG) is an electrophysiological signal reflecting the functional state of the brain. As the control signal of the brain–computer interface (BCI), EEG may build a bridge between humans and computers to improve the life quality for patients with movement disorders. The collected EEG signals are extremely susceptible to the contamination of electromyography (EMG) artifacts, affecting their original characteristics. Therefore, EEG denoising is an essential preprocessing step in any BCI system. Previous studies have confirmed that the combination of ensemble empirical mode decomposition (EEMD) and canonical correlation analysis (CCA) can effectively suppress EMG artifacts. However, the time-consuming iterative process of EEMD may limit the application of the EEMD-CCA method in real-time monitoring of BCI. Compared with the existing EEMD, the recently proposed signal serialization based EEMD (sEEMD) is a good choice to provide effective signal analysis and fast mode decomposition. In this study, an EMG denoising method based on sEEMD and CCA is discussed. All of the analyses are carried out on semi-simulated data. The results show that, in terms of frequency and amplitude, the intrinsic mode functions (IMFs) decomposed by sEEMD are consistent with the IMFs obtained by EEMD. There is no significant difference in the ability to separate EMG artifacts from EEG signals between the sEEMD-CCA method and the EEMD-CCA method (p > 0.05). Even in the case of heavy contamination (signal-to-noise ratio is less than 2 dB), the relative root mean squared error is about 0.3, and the average correlation coefficient remains above 0.9. The running speed of the sEEMD-CCA method to remove EMG artifacts is significantly improved in comparison with that of EEMD-CCA method (p < 0.05). The running time of the sEEMD-CCA method for three lengths of semi-simulated data is shortened by more than 50%. This indicates that sEEMD-CCA is a promising tool for EMG artifact removal in real-time BCI systems.

scholarly journals Neural decoding schemes for BCIs in Neuroergonomics

2021 ◽  
Author(s):  
Φώτιος Καλαγάνης
Keyword(s):  
Empirical Mode Decomposition ◽  
Phase Locking ◽  
Neural Decoding ◽  
Mode Decomposition ◽  
Phase Locking Value

Η διατριβή αυτή διαπραγματεύεται δύο κατηγορίες Διεπαφών Εγκεφάλου-Υπολογιστή (ΔΕΥ) που βασίζονται στο ηλεκτροεγκεφαλογράφημα και βρίσκουν εφαρμογή στο πεδίο της Νευροεργονομίας. Η πρώτη κατηγορία αφορά συστήματα με δυνατότητα ανίχνευσης εσφαλμένων αποκρίσεων και αυτοδιόρθωσης ενώ η δεύτερη διαπραγματεύεται συστήματα που σχετίζονται με την παρακολούθηση της ανθρώπινης συμπεριφοράς κατά τη διάρκεια οδήγησης ενός οχήματος.Σχετικά με τις ΔΕΥ που ενσωματώνουν λειτουργίες αυτοδιόρθωσης, αρχικά εξετάζεται η δυνατότητα για εκμετάλλευση της αυθόρμητης απόκρισης του ανθρώπινου εγκεφάλου κατά τη διαδικασία παρατήρησης ενός λάθους. Η απόκριση αυτή αναφέρεται συχνά με τον αγγλικό όρο Error-Related Potential (ErrP). Προκειμένου να αυξηθεί η ικανότητα του συστήματος να αναγνωρίζει αυτές τις αποκρίσεις, παρουσιάζεται μια μεθοδολογία για τον σχεδιασμό χωρικών φίλτρων η οποία βασίζεται στο κριτήριο διαχωρισιμότητας του Fisher και είναι κατάλληλη για την ανάλυση προκλητών δυναμικών. Επιπλέον, αποδεικνύεται ότι τα προτεινόμενα χωρικά φίλτρα αποτελούν μια προέκταση του κριτηρίου μεγιστοποίησης του λόγου σήματος προς θόρυβο. Τέλος, προκειμένου να διαπιστωθεί η αποδοτικότητα ενός συστήματος που ενσωματώνει δυνατότητες αυτοδιόρθωσης εισάγεται μια καινούρια μετρική αξιολόγησης που αποτελεί επέκταση της Utility Metric.Στο δεύτερο σκέλος, που εστιάζουμε στις ΔΕΥ για την παρακολούθηση της ανθρώπινης συμπεριφοράς κατά τη διάρκεια οδήγησης ενός οχήματος, ακολουθείται μια διαφορετική στρατηγική βασισμένη σε τεχνικές μη Ευκλείδειας γεωμετρίας. Καθώς οι πίνακες χωρικής συνδιακύμανσης αποτελούν υπολογιστικά αποδοτικούς εκτιμητές της λειτουργικής συνδεσιμότητας του ανθρώπινου εγκεφάλου ενώ ταυτόχρονα ανήκουν στην πολλαπλότητα των συμμετρικών και θετικά (ημι)ορισμένων πινάκων οδηγούμαστε σε νέες και πιο ακριβείς τεχνικές αποκωδικοποίησης της εγκεφαλικής δραστηριότητας κάνοντας χρήση εργαλείων της Ριμάννειας γεωμετρίας. Ένα σημαντικό πρόβλημα που διέπει τους πίνακες χωρικής συνδιακύμασης αφορά την υψηλή διάσταση των δεδομένων σε αυτή τη μορφή αναπαράστασης. Δεδομένου ότι η διάσταση των δεδομένων είναι τετραγωνική ως προς το πλήθος των διαθέσιμων ηλεκτροδίων γίνεται αντιληπτό ότι το πρόβλημα αυτό γίνεται ιδιαίτερα έντονο σε καταγραφές με μεγάλο πλήθος αισθητήρων ή όταν πρόκειται για εφαρμογές που απαιτείται να εκτελούνται σε πραγματικό χρόνο. Συνεπώς, παρουσιάζεται μια καινούρια μεθοδολογία, βασισμένη στη Ριμάννεια γεωμετρία, για τη μείωση της διάστασης των πινάκων χωρικής συνδιακύμανσης που αυξάνει τη διαχωρισιμότητα των δεδομένων ενώ ταυτόχρονα διατηρεί τη νευροεπιστημονική ερμηνεία των αποτελεσμάτων. Η αξιοπιστία της μεθοδολογίας αυτής διαπιστώνεται σε δύο δημόσια σύνολα δεδομένων του τομέα των ΔΕΥ. Ιδιαίτερη έμφαση δίνεται στη βάση δεδομένων που αφορά την πρόβλεψη φρεναρίσματος αποκλειστικά από τη νευρωνική απόκριση κατά τη διάρκεια προσομοίωσης οδήγησης.Παρόλο που οι πίνακες χωρικής συνδιακύμανσης χαρακτηρίζονται από υψηλή υπολογιστική αποδοτικότητα, η περιγραφική τους ικανότητα σε ό,τι αφορά τη δικτύωση του ανθρώπινου εγκεφάλου είναι περιορισμένη. Συνεπώς, εισάγεται μια νέα αναπαράσταση της λειτουργικής δικτύωσης του εγκεφάλου που κληρονομεί όλα τα πλεονεκτήματα των αναπαραστάσεων που βασίζονται στον συγχρονισμό φάσης. Ταυτόχρονα, η νέα αυτή αναπαράσταση είναι σε θέση να εκφράσει τόσο την ισχύ του συγχρονισμού όσο και τη χρονοκαθυστέρηση ανάμεσα σε δύο ταλαντώσεις που προέρχονται από διακριτές περιοχές του εγκεφάλου. Η προτεινόμενη αναπαράσταση αποτελεί μια επέκταση του κλασικού περιγραφέα "συγχρονισμού φάσης" (Phase Locking Value; PLV) ενώ ταυτόχρονα ανήκει στην πολλαπλότητα των Ερμιτιανών θετικά (ημι)ορισμένων πινάκων. Η ιδιότητa αυτή επιτρέπει χειρισμούς με εργαλεία δανεισμένα από τον τομέα της Ριμάννειας γεωμετρίας. Η εγκυρότητα αυτής της αναπαράστασης διαπιστώνεται σε δεδομένα πολυκαναλικού ηλεκτροεγκεφαλογραφήματος με στόχο τον διαχωρισμό ενεργητικής και παθητικής αντίληψης (δηλαδή αν οι χρήστες έπρεπε να αντιδράσουν στο ερέθισμα ή όχι) κατά τη διάρκεια διεκπεραίωσης μιας άσκησης που σχετίζεται με την οδήγηση.Τέλος, διερευνάται η πιθανότητα χρήσης Γεωμετρικών Τεχνικών Βαθιάς Μάθησης με σκοπό την αποκωδικοποίηση νευρωνικών αποκρίσεων στο πλαίσιο των ΔΕΥ. Καθώς η διαθεσιμότητα νευροαπεικονιστικών δεδομένων είναι πολύ περιορισμένη, προτείνεται μια μέθοδος επαύξησης δεδομένων κατάλληλα διαμορφωμένη να εκμεταλλευτεί τις ιδιαιτερότητες που τα διέπουν. Το βασικό πλεονέκτημα αυτής της μεθόδου έγκειται στο γεγονός ότι εκμεταλλεύεται τόσο τα χωρικά όσο και τα χρονικά χαρακτηριστικά του ηλεκτροεγκεφαλογραφήματος τα οποία αποτυπώνονται μέσω ενός αραιού γράφου που λαμβάνει υπόψιν τόσο τη χωρική θέση των ηλεκτροδίων όσο και τη χρονική αλληλουχία των δειγμάτων. Στη συνέχεια, τα σήματα που ορίζονται βάσει του αραιού αυτού γράφου αποσυντίθενται κάνοντας χρήση της "γραφοθεωρητικής εμπειρικής αποσύνθεσης τρόπου" (Graph Empirical Mode Decomposition; GEMD) με σκοπό να οδηγήσουν σε μια νεοεισαχθείσα μέθοδο για επαύξηση των δεδομένων, εστιασμένη σε συνελικτικά νευρωνικά δίκτυα για την κατηγοριοποίηση γραφοσημάτων. Η αποδοτικότητα της μεθόδου εξετάζεται σε δημοσίως διαθέσιμα νευροαπεικονιστικά σύνολα δεδομένων που σχετίζονται με την παρακολούθηση της ανθρώπινης εγκεφαλικής δραστηριότητας κατά τη διάρκεια της οδήγησης.

Sign in / Sign up

Export Citation Format

Share Document