Bio-inspired methods applied to real-time analysis of biomedical signals
Méthodes bio-inspirées appliquées à l’analyse temps réel des signaux biomédicaux
Résumé
Brain computer Interfaces (BCI) give, through Electroencephalographic (EEG) signals, an opportunity for communication between the brain and the environment around a person with severe motor disability. Also, the electrocardiogram (ECG) is a graphic recording of the electrical activities of the heart. It provides important and useful information about the functional aspects of the heart. However, the implementation of BCI interfaces and the treatment of ECG signals need a good signal processing system, hows performance of depends mainly on the technique used to select the best characteristics, and the classification technique used to perform discrimination between different categories.
We first apply a parameter extraction method based on the Discrete Wavelet Transform (DWT) and then we have extracted some statistical parameters. To avoid the overtraining and the curse-of-dimensionality in EEG signals application, we propose a new variable selection method based on Self Organizing Map (SOM) algorithm, which allows to group redundant and irrelevant parameters and select the better descriptors.
Then, in the classification stage, we introduce the use of direct approach of probabilistic Multi-Class Support vector machines (M-SVM) in the problematic of EEG and ECG signals classification. Direct M-SVM are compared with two decomposition methods involving binary SVM based on approaches: one-against-one and one-against-all. Also, we post-processed the outputs of the M-SVM in terms of probabilities, to provide them with a calibrated reliability measure; and we investigated the possibility of implementing direct M-SVM in real-time systems.
The proposed approach is validated on the EEG and ECG signals taken from the databases: "Keirn and Aunon" and "Mit-Bih" respectively. The results demonstrated that direct M-SVM achieve better average precision than indirect M-SVM. In addition, the results demonstrated that direct M-SVMs can be embedded in real-time systems.
Les interfaces cerveaux machines (BCI) offrent par le biais des signaux Electroencéphalographiques (EEG), une opportunité de communication entre le cerveau et l'environnement autour d'une personne ayant un handicap moteur sévère. Aussi, L'électrocardiogramme (ECG) est un enregistrement graphique des activités électriques du cœur. Il fournit des informations importantes et utiles sur les aspects fonctionnels du cœur. Cependant, la mise en œuvre des interfaces BCI et le traitement des signaux ECG ont besoin d'un bon système de traitement du signal, dont les performances dépendent principalement de la technique utilisée pour sélectionner les meilleures caractéristiques, et la technique de classification utilisée pour effectuer la discrimination entre les différentes catégories.
Nous appliquons tout d'abord une méthode d'extraction de paramètres basée sur la Transformée en Ondelettes Discrètes (DWT) puis nous avons extrait certains paramètres statistiques. Pour éviter le problème du fléau de la dimension dans l'application des signaux EEG, nous proposons une nouvelle méthode de sélection de variables basée sur les cartes de Kohonen (SOM), qui permet de regrouper les paramètres redondants et non pertinents et de sélectionner les meilleurs descripteurs.
Ensuite, dans la phase de classification, nous introduisons l'utilisation de l'approche directe des Supports à Vecteurs Machines Multi-Classes (M-SVM) probabilistes dans la problématique de la classification des Signaux EEG et ECG. Les M-SVM directes sont comparées avec deux méthodes de décomposition impliquant les SVM binaires basées sur les approches: un-contre-un et un-contre-tous. De même, nous avons post-traité les sorties des M-SVM en termes de probabilités, afin de les munir d’une mesure de fiabilité calibrée; et nous avons étudié la possibilité d’implémenter les M-SVM directes dans des systèmes temps réel.
L'approche proposée est validée sur les signaux EEG et ECG prélevés des bases de données: "Keirn et Aunon" et "Mit-Bih" respectivement. Les résultats ont démontré, que les M-SVM directes atteignent une précision moyenne meilleure que celle des M-SVM indirectes. De plus, les résultat ont démontré que les M-SVM directes peuvent être embarquées dans des systèmes temps réel.
Origine : Fichiers produits par l'(les) auteur(s)