Verfahren zur Merkmalsextraktion und Klassifizierung bei chronischem Alkoholismus

In dieser Studie wurden die Größenordnung und räumliche Verteilung des Frequenzspektrums im Ruhe-Elektroenzephalogramm (EEG) untersucht, um die Auswirkungen von Alkoholismus auf die motorische Kortexregion zu untersuchen. Die EEG-Signale für chronische Alkoholiker wurden aus der motorischen Kortexregion gewonnen und die Hilbert-Huang-Transformation wurde zur Merkmalsextraktion der EEG-Signale angewendet. Die EEG-Signale wurden in fünf Teilfrequenzbänder unterteilt. Es wurde beobachtet, dass das extrahierte Merkmal eine große Datendimension enthielt, sodass es mithilfe der linearen Diskriminanzanalyse reduziert wurde. In der vorliegenden Studie wurde die Support-Vector-Machine zur Klassifizierung von Alkoholikern verwendet. Die maximale Klassifizierungsgenauigkeit (>75 %) wurde mit den EEG-Spektralmerkmalen des maximalen Spektralkoeffizienten im C3- und Cz-Kanal mit der Kombination von Beta-1- und Beta-2-Bändern erreicht. Aber auch mit den EEG-Merkmalen der mittleren Bandleistung wurde in den meisten Kanälen eine mehr oder weniger hohe Klassifizierungsgenauigkeit berechnet. Die ungefähre Entropie, ein nichtlineares Merkmal, wurde in der Studie ebenfalls als Unterscheidungsparameter für Alkoholiker angesehen. Momentane Amplitude und momentane Frequenz, die aus den Hilbert-Spektren gewonnen wurden

Autorentext
Dr. Surendra Kumar, Assistenzprofessor am Fachbereich Bioingenieurwesen. Birla-Institut für Technologie, Mesra Ranchi, INDIEN. Sein Interessengebiet: Biosignalverarbeitung und biomedizinische Instrumentierung. Pillutla Soma Sunder hat einen Abschluss vom Birla-Institut für Technologie, Mesra Ranchi, INDIEN. Sein Interessengebiet: biomedizinische Instrumentierung