Características para la detección de parpadeo en EEG de un solo canal en tiempo real

Estoy buscando detectar eventos de parpadeo en EEG de un solo canal en tiempo real. La clasificación de una ventana móvil de muestras para determinar si existe un artefacto de parpadeo requiere la extracción de características (excepto cuando uso el aprendizaje profundo, no tengo suficiente experiencia para esto). ¿Qué características sería útil extraer de una ventana de aprox. 50-200 muestras de datos de series temporales para detectar un evento de parpadeo. El evento de parpadeo se puede ver fácilmente en la siguiente imagen:Evento de parpadeo en datos de EEG

Respuestas (1)

La firma EEG de los parpadeos de los ojos suele ser visible durante unos 200 ms de datos. Cuando desee mover una ventana de 50 a 200 muestras, supongo que su frecuencia de muestreo es de 1000 Hz (debe especificar esto en su próxima pregunta).

Una característica clásica para la detección de parpadeo es la amplitud de pico a pico , que es la diferencia absoluta de la amplitud máxima y la amplitud mínima del EEG dentro de su ventana. Otra característica podría ser la variación dentro de su ventana de EEG.

Pseudocódigo:

peak_to_peak_amp = abs(window.max() - window.min())
variance = var(window)

Tenga en cuenta que estas dos características no son específicas de los parpadeos y tendrán dificultades para distinguir los parpadeos de otros picos en los datos. Por esta razón, los métodos a menudo se combinan con el filtrado de los datos y la conversión de las amplitudes en microvoltios a puntajes z .

Para leer, sugiero el capítulo 6 del libro canónico de Steven Luck: Introducción a la técnica del potencial relacionado con eventos.

Características para la detección de parpadeo en EEG de un solo canal en tiempo real
RespuestasAquíPolítica de privacidad1y, 2v