[DAIV] 프로젝트 준비 : EEG Classification & 관련 논문 목록

내 티스토리와 일상 블로그를 모두 아는 친구들이 ㅋㅎㅋ 추천해 줬던 딥다이브(team.daiv) 활동! medical AI 쪽으로 진로를 많이 튼 상황이라 Med.AI 쪽 프로젝트를 준비하고 있는데 금융 공부하다 넘어와서 그런가 어렵기도 하지만 낯설다🥲 여튼.. 그래서 본격적인 프로젝트 전까지 신호처리(EEG) 관련한 공부를 좀더 하려고 한다 :)

---

EEG란

: EEG는 "전자뇌파"를 나타내는 영어 약자로, "Electroencephalogram"의 줄임말.

: 이는 뇌의 활동을 측정하는 데 사용되는 검사 및 기술을 통칭하며,  뇌의 전기적 활동을 기록하여 뇌파를 분석하고 해석하는 데 사용된다. 

 

메인으로 활용할 EEG 신호 분석 방법은 Entropy를 활용한 classification 중에서도 Differential Entropy를 활용한 방법.

 

: 엔트로피는 시스템의 무질서도를 나타내는 개념으로, 다양한 변종이 있다. EEG 신호에서 엔트로피를 사용하는 방법은 시간 도메인 엔트로피와 주파수 도메인 엔트로피 2가지!

 

시간 도메인 엔트로피 - Sample Entropy

: EEG 신호의 무질서도를 나타내는 측정 방법 중 하나

:시간 도메인에서의 신호의 불규칙성을 측정하고,뇌파의 복잡성을 파악하여 뇌 활동의 변화나 이상을 감지하는 데 사용된다.

 

주파수 도메인 엔트로피 - Spectral Entropy (스펙트럼 엔트로피)

: 주파수 도메인에서의 뇌파의 분포를 고려하여 엔트로피를 계산

: 높은 스펙트럼 엔트로피는 뇌파의 다양성이나 변동이 크다는 것을 의미한다. 

 

그 외 ) ChatGPT한테 물어본 답변이다. 1,2(푸리에/웨이블릿 변환)는 https://nowolver.tistory.com/234 에서 잠시 다룬 내용!

[논문읽기] Detection of alcoholic EEG signals based on whole brain connectivity and convolution neural networks

1. 푸리에 변환 (Fourier Transform):
   • 주파수 도메인에서 EEG 신호를 분석하는 기법으로, 시간 도메인의 신호를 주파수 성분으로 분해합니다. 이를 통해 주파수 영역에서의 뇌파 활동을 시각화하고 이해할 수 있습니다.
2. 웨이블릿 변환 (Wavelet Transform):
   • 시간-주파수 도메인에서 뇌파를 분석하는 데 사용되는 기법으로, 주파수의 변화가 시간에 따라 어떻게 일어나는지를 파악할 수 있습니다.
3. 평균 근접 피크 농도 (Average Peak Amplitude):
   • EEG 신호의 특정 주기성을 나타내는 피크를 찾고 이들의 평균을 계산하여 뇌 활동의 특징을 추출합니다.
4. 상호상관 분석 (Cross-Correlation Analysis):
   • 두 개 이상의 뇌 영역 간의 시간적 상호관계를 분석하여, 서로 다른 뇌 영역 간의 연결성을 평가합니다.
5. 상태 전이 분석 (State Transition Analysis):
   • 뇌파 패턴이 특정 상태로 전이되는 것을 분석하여, 특정 뇌 상태나 활동에 대한 통찰을 얻습니다.
6. 복잡 네트워크 분석 (Complex Network Analysis):
   • 뇌 영역 간의 네트워크 구조를 분석하여, 뇌의 연결성과 정보 전달 패턴을 이해합니다.
7. 임펄스 응답 함수 (Impulse Response Function):
   • 외부 자극에 대한 뇌의 반응을 분석하여, 뇌의 처리 속도와 반응 패턴을 이해합니다.
8. 상호 정보량 (Mutual Information):
   • 두 신호 간의 정보 교환 정도를 측정하여, 뇌 영역 간의 상호작용을 평가합니다.
9. 시간-주파수-공간 분석 (Time-Frequency-Space Analysis):
   • 뇌파 신호의 시간적, 주파수적, 그리고 공간적 특성을 동시에 고려하여 분석합니다.
10. 복원 엔트로피 (Renewal Entropy):
    • 신호의 무질서도를 측정하는데 사용되는 엔트로피의 변형 중 하나로, 뇌 활동의 동적인 특성을 반영합니다.

그리고 여기에 Differential Entropy를 추가해보자. 

1. 신호 특징 추출:
   • Differential Entropy는 신호의 변동성을 측정하는데 사용됩니다. EEG 신호의 Differential Entropy를 계산하면, 해당 신호의 뇌 활동에 대한 불확실성이나 예측의 어려움을 나타낼 수 있습니다.
2. 패턴 인식:
   • Differential Entropy는 신호의 형태나 분포에 대한 정보를 제공하므로, EEG 신호의 패턴을 인식하는데 활용됩니다. 뇌의 다양한 상태에서 Differential Entropy의 변화를 분석하여 특정 뇌 상태를 식별하는 데 사용될 수 있습니다.
3. 분류 작업:
   • Differential Entropy는 특정 뇌 상태 또는 활동에 대한 특징으로 사용될 수 있습니다. EEG 신호의 Differential Entropy를 계산한 후, 이를 머신 러닝이나 패턴 분류 알고리즘에 입력으로 사용하여 다양한 뇌 상태를 분류하고 식별할 수 있습니다.
4. 뇌 상태 감지:
   • Differential Entropy를 사용하면 정상적인 뇌 활동과 비정상적인 활동 간의 차이를 감지할 수 있습니다. 이를 통해 발작이나 다른 뇌 이상 상태를 식별하고 분류하는데 도움이 됩니다.
5. 임상 응용:
   • Differential Entropy는 임상 응용에서 뇌 활동의 특징을 추출하는 데 유용합니다. 예를 들어, 정상 상태와 뇌 질환 상태 간의 차이를 파악하여 의사들이 뇌 상태를 판단하는 데 도움을 줄 수 있습니다.

---

아마도 부딪혀보면서 공부하기에는 프로젝트만으로도 조금 빠듯한 시간인지라 시험기간 전후로 해서 논문 5편 정도 읽을 예정이다. 너무 버거운 시간이 아니었으면 좋겠다 ...

---

1. 논문 제목: "EEG signal classification using wavelet feature extraction and support vector machine"
   • 저자: U. Rajendra Acharya, et al.
   • 인용수: 881 (Google Scholar 기준, 2023년 3월)
   • 링크: 논문 링크
2. 논문 제목: "Feature Extraction and Classification of Electroencephalography (EEG) Signals: An Extended Review"
   • 저자: K. Polat, S. Güneş
   • 인용수: 830 (Google Scholar 기준, 2023년 3월)
   • 링크: 논문 링크
3. 논문 제목: "Application of wavelet analysis in the improvement of classification of transient signals in electroencephalograms"
   • 저자: L. Sweeney-Reed, et al.
   • 인용수: 301 (Google Scholar 기준, 2023년 3월)
   • 링크: 논문 링크
4. 논문 제목: "EEG Signal Classification using PCA, ICA, LDA and support vector machines"
   • 저자: G. Jayadeva, et al.
   • 인용수: 289 (Google Scholar 기준, 2023년 3월)
   • 링크: 논문 링크
5. 논문 제목: "EEG signal classification using K-means clustering algorithm and support vector machines"
   • 저자: R. O. Arroyo, et al.
   • 인용수: 228 (Google Scholar 기준, 2023년 3월)
   • 링크: 논문 링크