Segmentacja sygnału EEG w celu wykrycia odpowiedzi człowieka

Sygnał EEG ma charakter niestacjonarny. By określić jego lokalne własności, poszukuje się metod dzielenia go na quasi-stacjonarne segmenty. W tej pracy zastosowano istniejący algorytm oparty na teście Kołmogorowa-Smirnowa. Jego użyteczność sprawdzono dla sztucznych szeregów gaussowskich i dla szeregów używanych do modelowania sygnału EEG: szumów 1/f^alfa i szeregów autoregresywnych. Jakość segmentacji oceniono na dwa sposoby: przy użyciu znormalizowanej informacji wzajemnej i liczby znalezionych segmentów. Pokazano, że algorytm poprawnie segmentuje szeregi gaussowskie w szerokim zakresie parametrów, natomiast szumy 1/f^alfa i szeregi autoregresywne segmentuje nadmiernie. Następnie algorytm zastosowano do segmentacji sygnału EEG badanych wykonujących zadanie flankerów.

The non-stationarity of the human EEG signal has been well-established. It is of interest to find a method of dividing the EEG signal into quasi-stationary spells to determine its local properties. In this work, an existing algorithm utilizing the Kolmogorov-Smirnov test is applied. Its performance is evaluated for artificial Gaussian series and for series that have been used as models of the EEG: 1/f-like noise and autoregressive series. Normalized mutual information and number of segments identified are used to assess segmentation quality. It is found that the algorithm accurately segments Gaussian series in a wide range of parameters. For the 1/f-like and AR series oversegmentation occurs. The algorithm is then applied to the EEG of subjects participating in the Eriksen Flanker Task.