Анализ ЭЭГ

Анализ электроэнцефалограмм основан на применении методов математического анализа и компьютерных технологий для извлечения информации из полученных сигналов. 

Цели анализа ЭЭГ: 

  • обеспечить более глубокое понимание при исследованиях мозга; 
  • помощь врачам при диагностике заболеваний и выборе методов лечения;
  • развитие технологий нейро-компьютерного интерфейса (НКИ). 

Существуют различные классификации методов анализа ЭЭГ. Если для анализа сигналов используется математическая модель, то данный метод классифицируется как параметрический, в противном случае – как непараметрический.

Традиционно большинство методов анализа ЭЭГ делятся на четыре категории:1

  • временные методы,
  • частотные методы, 
  • частотно-временные методы,
  • нелинейные методы. 

Существуют также более поздние методы, включающие использование нейронных сетей глубокого обучения.

Этапы компьютерного (автоматического) анализа ЭЭГ


С целью структуризации процесс анализа ЭЭГ условно разделен на ряд этапов, каждый из которых сопряжен с определенными целями и задачами:

  • Предобработка;
    • Изменение формата данных;
    • Понижение частоты дескритизации;
    • Сегментация;
    • Удаление шума и артефактов;
      • Фильтрация;
      • Удаление плохих каналов и интерполяция;
      • Коррекция артефактов.
    • Ремонтаж.
  • Выделение признаков;
  • Отбор признаков;
  • Классификация;
  • Визуализация;
  • Коннективность.

Предобработка

Основная статья: Предобработка ЭЭГ

На этапе предварительной  обработки (англ. preprocessing) с полученным сигналом проводится ряд манипуляций, которые помогают преобразовать необработанные данные в формат, более подходящий для дальнейшей обработки и анализа.  При этом следует учитывать, что подходы к предварительной обработке ЭЭГ не стандартизированы и вы можете сами выбирать способы преобразования в зависимости от целей вашего исследования.

Изменение формата данных

Для предобработки можно изменять формат данных или импортировать данные (англ. importing data), например, если вы собираетесь анализировать сигнал с помощью программного обеспечения на основе Python, а ваш изначальный формат EDF, то для работы с данным ПО будет необходимо конвертировать его в формат ACII.

Понижение частоты дискретизации

Понижение частоты дискретизации (англ. downsampling) обычно выполняется, когда вы хотите сэкономить память и время обработки сигнала. Выбор частоты дискретизации должен определяться целью вашего исследования. Если цель – это охарактеризовать компоненты потенциала, связанного с событием (ERP), то частота дискретизации 250 Гц может быть более чем достаточной. Если ваше исследование направлено на характеристику высокочастотных колебаний в диапазоне 30–100 Гц, то желательно использовать частоту дискретизации 1000 Гц или даже 2000 Гц.

Cегментация

Под сегментацией (англ. segmentation) понимается процедура, при которой из непрерывного сигнала ЭЭГ извлекаются определенные временные промежутки. Эти временные окна называются “эпохами” и обычно фиксируются во времени в отношении интересующего вас события, например, визуального стимула.

Удаление шумов и артефактов
  1. Производить удаление шумов и артефактов можно, применяя для этого фильтры, такие как фильтр верхних частот, для удаления составляющих постоянного тока сигналов (нижних частот), а также дрейфов (обычно достаточно частоты среза  1 Гц). Фильтр нижних частот также может применяться для удаления высокочастотных компонентов. 
  2. Во время записи ЭЭГ мы можем получить артефакты, вызванные электродами: их плохим контактом с кожей головы, повреждением, наличием высокого импеданса. Данную проблему можно решить удалением плохого канала (англ. removing bad channels)  и последующей интерполяцией (англ. interpolation) (т.е. заменой плохих фрагментов хорошими за счет данных с других каналов).
  3. Для очистки сигналов можно использовать коррекцию артефактов (англ. artifact correction), например, электроокулограммы (EOG), что можно сделать применяя такие методы как метод главных компонент (PCA),2 линейного дискриминантного анализа (LDA), метод независимых компонент (ICA)34 и др. Применение этих методов также снижает размерность сигнала, что позволяет уменьшить количество переменных, необходимых для анализа, отсекая лишние данные.
Ремонтаж

Ремонтаж (англ. remonage, re-referencing, reformatting) – изменение референса в оффлайн режиме после проведения записи. Идея ремонтажа заключается в том, чтобы выразить напряжение в каналах скальпа ЭЭГ по отношению к другому, новому эталону. Цифровые системы позволяют переформатировать монтажи, что может способствовать, например, уменьшению шума или увеличению амплитуды для оптимального отображения активности мозга в момент интерпретации сигнала. 56

Выделение признаков

Выделение признаков

Временная область (слева): односекундное окно тета-диапазона отфильтрованного ЭЭГ-сигнала, которое имеет определнный набор признаков. К ней применили функцию спектральной плотности мощности (СПМ) (допустим, преобразование Фурье) и получили частотную область сигнала (справа) из которой выделили другой набор признаков

Технически, признак представляет собой отличительное свойство, узнаваемое измерение и функциональную компоненту, полученную из фрагмента паттерна. Извлечение признаков (англ. feature extraction) предназначено для минимизации потерь важной информации, заложенной в сигнал, что позволяет выделить все данные, которые могут иметь значение для постановки диагноза или вынесения заключения. То есть мы создаем новый набор признаков, который фиксирует большую часть полезной информации. Кроме того, на этом этапе сокращают объем информации, необходимой для точного описания огромного набора данных т.е. снижается размерность, что позволяет уменьшить время проведения анализа, не искажая конечный результат. 

Сегодня, благодаря компьютерам, мы можем применять сложные алгоритмы автоматической обработки, которые позволяют извлекать «скрытую» информацию из сигналов ЭЭГ. Для этого мы можем применять несколько методов, таких как функции временной области (среднее значение, стандартное отклонение, энтропия),78 функции частотной и частотно-временной области (преобразование Фурье, вейвлет-преобразование и т. д.)910 статистические методы, такие как PCA, LDA, ICA.1112

Отбор признаков

Отбор признаков

Следующий шаг, называемый отбор признаков (англ. feature selection), обычно, выделяется как необязательный и используется в случае, когда мы имеем большое количество признаков, и хотим изучить те, которые более актуальны для нашего исследования. 

Выбор признаков предназначен для фильтрации нерелевантных или избыточных признаков из вашего набора данных. Ключевое различие между отбором признаков и извлечением состоит в том, что при отборе сохраняется подмножество исходных признаков, а при извлечении признаков создаются новые.

Представьте, что мы хотим найти возможные различия на ЭЭГ в двух разных состояниях: расслабленном и напряженном. Мы можем применить этап выбора признаков, чтобы найти среди нашего большого количества признаков те, которые наиболее различают эти два условия. Для реализации этого этапа применяют, например, генетический алгоритм (англ. genetic algorithm),1314 квантование вектора обучения (англ. learning vector quantization) или его расширенную версию distinction sensitive learning vector quantization (DSLVQ).1516

Классификация

Стоит отметить, что конечной целью обработки ЭЭГ-сигналов является их классификация (англ. сlassification) в соответствии с их свойствами. Используя методы машинного обучения, мы можем обучить классификатор распознавать среди наших признаков, какие из них принадлежат к одному классу (или состоянию, т. е. расслабленному) или к другому (т. е. напряженному).  Для этого возможно применение  искусственных нейронных сетей,17 линейный дискриминантный анализ, метод опорных векторов и метод k-ближайших соседей.

Выбор метода классификации напрямую зависит от свойств анализируемых данных и имеющихся вычислительных мощностей. Так, например, нейронные сети обладают высокой скоростью работы и просты в использовании, но их производительность напрямую зависит от количества нейронов в скрытом слое, т.е. высокопроизводительные нейронные сети достаточно сложны в создании.

Классификация воображаемых движений по сигналам ЭЭГ

Визуализация

Визуализация (англ. visualization) направлена на удобное и понятное для специалиста представление результатов. Это облегчает постановку диагноза, упрощает и уточняет работу аналитика. При работе на данном этапе применяется картирование ЭЭГ.

Стандартное представление ЭЭГ

Измеренные напряжения (в мкВ) показаны в зависимости от времени (в секундах) для пяти электродов (обозначенных метками T3, C3, Cz, C4 и T4)

Самым основным методом визуализации данных ЭЭГ является простой график временных рядов. Время устанавливается по горизонтальной оси, а напряжение по вертикальной оси. Слева обычно в столбик отображены задействованные электроды. 

Спектр ЭЭГ сигнала

Еще одним распространенным методом является постороение спектральных графиков (спектрограмм), основанных на преобразовании Фурье, либо вейвлет преобразовании. Если по нативной ЭЭГ можно лишь констатировать факт изменчивости основного ритма, то на спектрограммах и визуально, и количественно доступно определить за счет каких частотных компонентов это происходит.18

Визуализация изменений активности мозга, также полезна во время выполнения когнитивной работы для обнаружения и отслеживания динамики и сложности функций мозга, понимания скрытых, новых и сложных нейронных паттернов и тенденций в условиях нормальной и когнитивной нагрузки. Что можно сделать при помощи построения 2D топографических круговых  карт  поля данных, записанных со скальпа, или сферической карты поля ЭЭГ на полуреалистичной 3D модели головы.19

Двумерная визуализация часто используется для установления точных взаимосвязей, позволяющих анализировать детали и проводить точные навигационные и дистанционные измерения.

Трехмерная визуализация используется для получения качественной интерпретации, облегчения исследования трехмерного пространства и лучшего понимания функциональной динамики мозговых сетей. 

2D визуализация
3D визуализация

Коннективность

Основаная статья: Коннективность мозга

Используя результаты корреляционного, когерентного и др. методов анализа можно отражать коннективность (англ. connectivity) или связанность,20 что позволяет выстраивать структуру связей в головном мозге.2122 Это можно применить в изучении коннективности и построении коннектома, т.е. исследованиях, связанных с построением структуры связей в нервной системе организма.

Коннективность мозга

Методы анализа ЭЭГ


Временные методы

Данные методы позволяют динамически оценивать и прогнозировать основные свойства сигнала, связанные с его развитием (изменением) во времени.

Существует два основных временных метода анализа ЭЭГ: линейное предсказание и анализ компонент. 

Линейное предсказание – это математическая операция, в которой будущие значения сигнала на дискретной временной шкале рассчитываются как линейная функция от предыдущих результатов.

Анализ компонент – это метод анализа, в котором набор данных сопоставляется с набором функций. Полученные данные заносятся в таблицу (матрицу), строки и столбцы которой нумеруются. После этого производится понижение размерности посредством замены изначальной матрицы двумя новыми, размерность которых ниже, чем у изначальной. Это достигается путем уменьшения количества столбцов (при сохранении количества строк) до определенной величины. Если данная величина выбрана верно, итоговая матрица несет в себе столько же информации, сколько и исходная.

Необходимо отметить, что при временном методе параметры целиком основываются на времени, но они так же могут быть получены из статистических показателей спектральной плотности мощности. СПМ – функция, описывающая распределение мощности сигнала в зависимости от частоты, то есть мощность, приходящаяся на единичный интервал частоты.

В результате данная группа методов устанавливает связь между интерпретацией физического времени и традиционным спектральным анализом.23 Кроме того, описанные методы предлагают способ оперативного измерения основных свойств сигнала посредством расчета на основе времени, который требует менее сложного оборудования по сравнению с обычным частотным анализом.24

Частотные методы

Основная статья: Спектральный анализ

Частотный анализ (спектральный анализ) – наиболее распространенный метод анализа ЭЭГ и является стандартным и одним из самых простых и эффективных методов. Он позволяет трактовать информацию, содержащуюся в частотных характеристиках сигналов ЭЭГ. Это достигается путем применения статистических методов и методов преобразования Фурье.25 Среди всех спектральных методов наиболее часто используется анализ спектральной плотности мощности, поскольку спектр мощности отражает «частотное содержание» сигнала или распределение мощности сигнала в зависимости от частоты.26

Частотно-временные методы

Вейвлет-преобразование или вейвлет-анализ – является типичным методом частотно-временного анализа. С помощью данного метода возможно выделять свойства биологических сигналов во временной и частотной областях.27 Т.е. посредством вейвлет-преобразования записей ЭЭГ переходные характеристики могут быть точно зафиксированы и локализованы как во временном, так и в частотном контексте.

Таким образом, вейвлет-преобразование позволяет анализировать нервные ритмы в разных масштабах, в т.ч. и микромасштабные, игнорируя влияние других уровней.2829 

Основная статья: Вейвлет анализ ЭЭГ

Помимо вейвлет-преобразования, существует еще один известный частотно-временной метод, называемый преобразованием Гильберта-Хуанга, который может раскладывать сигналы ЭЭГ на эмпирические моды или внутренние колебания (англ. intrinsic mode functions, IMF) для сбора мгновенных частотных данных.3031

Нелинейные методы

Многие явления в природе являются нелинейными и нестационарными, в т.ч. и сигналы ЭЭГ. Эта особенность увеличивает сложность их интерпретации, делая применение линейных методов (перечисленных выше) ограниченным. С 1985 года, когда два пионера в нелинейном анализе ЭЭГ, Рапп и Боблоянц, опубликовали свои первые работы, теория нелинейных динамических систем, также называемая «теорией хаоса», широко применяется в области анализа ЭЭГ.32 Для проведения нелинейного анализа ЭЭГ исследователи использовали такие нелинейные параметры, как: показатель Ляпунова, размерность корреляции, приблизительная энтропия и выборочная энтропия.35

В данном случае теория хаоса – это математический аппарат, описывающий поведение некоторых нелинейных динамических систем. Математические системы с хаотическим поведением, хотя и выглядят случайными, являются детерминированными, то есть подчиняются некоторому строгому закону, и, в некотором смысле, являются упорядоченными. Теория хаоса гласит, что сложные системы чрезвычайно зависимы от первоначальных условий, и небольшие изменения в окружающей среде могут привести к непредсказуемым последствиям.

Показатель Ляпунова – величина, характеризующая скорость удаления друг от друга траекторий в системе с хаотическим поведением. Положительность показателя Ляпунова обычно свидетельствует о хаотическом поведении системы.

Корреляционная размерность (сorrelation dimension) – мера размерности пространства, занимаемого набором точек, входящих в хаотическую систему.

Энтропия подобия (аппроксимированная энтропия, approximate entropy) – это показатель регулярности временного ряда данных. Например, возьмем последовательность чисел [10,20,10,20,10,20…], в которой чередуются числа 10 и 20, и [10,10,20,10,20,20…], где каждое последующее значение выбирается случайно с вероятностью 50%. Различить их с помощью среднего значения, дисперсии или ранговых порядков не представляется возможным. Однако с точки зрения энтропии первый ряд совершенно регулярен – т.е. знание того, что один член имеет значение 20, позволяет с уверенностью предсказать, что следующий член будет иметь значение 10. В то же время второй ряд – совершенно нерегулярен – т.е. знание того, что один член имеет значение 20, не дает представления о том, какое значение будет иметь следующий член. Применительно к ЭЭГ это позволяет достоверно определять на графике приступы эпилепсии,36 факт употребления наркотических веществ37 и шизофрению.38

Энтропия шаблонов (sample entropy) – модификация показателя приблизительной энтропии. Суть улучшения состоит в том, что при вычислении приблизительной энтропии производится сравнение шаблонов не только с остальными показателями, но и с самими собой, что приводит к занижению показателей энтропии и завышению показателей регулярности. Выборочная энтропия этот недостаток исключает путем отсутствия операции сравнения шаблона с самим собой.

Методы с применением нейронных сетей

Применение нейронных сетей возможно для классификации электроэнцефалографических сигналов. В большинстве случаев данные ЭЭГ подвергаются предварительной обработке по методу вейвлет-преобразования до помещения в нейронные сети.3940 

После прорыва в технологиях глубокого обучения и сверточных нейронных сетей (СНС), именно метод СНС стал основным в анализе ЭЭГ с применением глубокого обучения.4142 

Низкоуровневые СНС даже при ограниченном обучении продемонстрировали конкурентоспособную точность работы с базами данных и достигли высокой производительности декодирования. 

Кроме того, данные ЭЭГ, используемые как входные данные для нейронных сетей, требуют безопасного хранения и больших вычислительных ресурсов для обработки в реальном времени. Для решения этих проблем было предложено глубокое обучение на основе облачных технологий, которое было представлено для анализа больших данных ЭЭГ в реальном времени.43

Применение


Клиническое

ЭЭГ-анализ широко используется в диагностике и оценке заболеваний головного мозга. В области эпилептических припадков обнаружение эпилептиформных разрядов в ЭЭГ является важным компонентом в диагностике эпилепсии. Тщательный анализ записей ЭЭГ может дать ценную информацию и улучшить понимание механизмов, вызывающих эпилептические расстройства.44 Кроме того, анализ ЭЭГ полезен в выявлении болезни Альцгеймера, тремора45 и т. д.

Нейро-компьютерный интерфейс (НКИ)

Основная статья: Нейро-компьютерный интерфейс

Считывание ЭЭГ с моторной коры, расположенной в обоих полушариях, позволяет установить новый канал связи мозг-компьютер.46 Основанный на анализе ЭЭГ в реальном времени с пространственно- и объектно-ориентированными структурами интерфейс может использоваться для разработки простого двоичного ответа устройства, что позволит использовать его для непосредственного управления. Подобный НКИ может помочь пациентам с боковым амиотрофическим склерозом с некоторыми ежедневными действиями.

Инструмент анализа

Brainstorm – это коллаборативное приложение с открытым исходным кодом, предназначенное для анализа записей активности мозга, включая МЭГ, ЭЭГ, функциональную ближнюю инфракрасную спектроскопию, электрокортикографию, микроэлектродные методы и инвазивную нейрофизиологию животных.47 Задача Brainstorm – предоставить научному сообществу набором инструментов, используя MEG / EEG в качестве экспериментальной техники. Кроме того, существуют и другие программы для анализа, например, FieldTrip.

Прочее

В сочетании с анализом выражений лица анализ ЭЭГ позволяет распознавать отдельные эмоции из общего континуума, которую можно использовать для поиска эмоциональных следов видео.48 Некоторые другие приложения включают картографирование мозга на основе ЭЭГ, персонализированный шифратор на основе ЭЭГ, систему аннотаций изображений на основе ЭЭГ и т. д.

Footnotes

  1. Acharya, U. Rajendra; Vinitha Sree, S.; Swapna, G.; Martis, Roshan Joy; Suri, Jasjit S. (June 2013). “Automated EEG analysis of epilepsy: A review”. Knowledge-Based Systems45: 147–165. doi:10.1016/j.knosys.2013.02.014. ISSN 0950-7051.
  2. Berg P, Scherg M. Dipole modelling of eye activity and its application to the removal of eye artefacts from the EEG and MEG. Clin Phys Physiol Meas. 1991;12 Suppl A:49-54. doi:10.1088/0143-0815/12/a/010.
  3. Jung TP, Makeig S, Humphries C, Lee TW, McKeown MJ, Iragui V, Sejnowski TJ. Removing electroencephalographic artifacts by blind source separationPsychophysiology 37: 163–178, 2000. [PubMed[Google Scholar]
  4. igário, R. Extraction of ocular artifacts from EEG using independent component analysis. Electroencephalogr.Clin. Neurophysiol. 1997,103, 395–404. [CrossRef]
  5.  Kyle Q. Lepagea, Mark  A. Kramera, Catherine J. Chu.”A statistically robust EEG re-referencing procedure to mitigate reference effect”. Journal of Neuroscience Methods Volume 235, 30 September 2014, Pages 101-116. doi:10.1016/j.jneumeth.2014.05.008.
  6. Saurabh R. Sinha, Lucy Sullivan, Dragos Sabau, Daniel San-Juan, Keith E. Dombrowski,k Jonathan J. Halford, Abeer J. Hani, Frank W. Drislane  and Mark M. Stecker. ”American Clinical Neurophysiology Society Guideline 1: Minimum Technical Requirements for Performing Clinical Electroencephalography”. J Clin Neurophysiol 2016;33: 303–307.
  7. Pfurtscheller, G., Neuper, C., Strein, T., Pichler-Zalaudek, K., Röthl, W., Radl, W., Passl, R., Spanudakis, S., 1999. Event-related desynchronization (ERD) during movement and imagination of movement in patients with amputated limbs or spinal cord lesions compared to healthy control subjects. Klinische Neurophysiol. 30 (3), 176–183.
  8. Bin, G., Gao, X., Yan, Z., Hong, B., Gao, S., 2009. An online multi-channel SSVEP-based brain–computer interface using a canonical correlation analysis method. J. Neural Eng. 6046002, 6. doi:10.1088/1741-2560/6/4/046002.
  9. Semmlow, J., 2004. Biosignal and Biomedical Image Processing. Marcel Dekker, New York.
  10. Bassani, T., Nievola, J., 2010. Brain-computer interface using wavelet transformation and naïve Bayes classifier. Adv. Exp. Med. Biol. 657, 147–165. doi:10.1007/978-0-387-79100-5_8.
  11. Selim, A., Wahed, M., Kadah, Y., 2014. Electrode reduction using ICA and PCA in P300 visual speller brain-computer interface system. Conference on Biomedical Engineering (MECBME), Middle East.
  12. Khan, O., Farooq, F., Akram, F., Choi, M., Han, S., Kim, T., 2012. Robust extraction of P300 using constrained ICA for BCI applications. Med. Biol. Eng. Comp. 50 (3), 231–241. doi:10.1007/s11517-012-0861-4.
  13. Samira Vafay Eslahi, Nader Jafarnia Dabanloo, Keivan Maghooli. “A GA-based feature selection of the EEG signals by classification evaluation: Application in BCI systems”. Submitted on 16 Jan 2019
  14. Nicolas-Alonso, L., Gomez-Gil, J., 2012. Brain computer interfaces: a review. Sensors 12 (2), 1211–1279.
  15. Jamaloo, F., Mikaeili, M., 2015. Discriminative common spatial pattern sub-bands weighting based on distinction sensitive learning vector quantization method in motor imagery based brain- computer interface. J. Med. Signal. Sens. 5 (3), 156–161.
  16. Bruno Direito, João Duarte, César Teixeira, Björn Schelter, Michel Le Van Quyen, Andreas Schulze-Bonhage, Francisco Sales, António Dourado. Feature selection in high dimensional EEG features spaces for epileptic seizure prediction. IFAC Proceedings Volumes, Volume 44, Issue 1, 2011. Pages 6206-6211. doi:10.3182/20110828-6-IT-1002.03331.
  17. Hazrati, M., Erfanian, A., 2010. An online EEG-based brain-computer interface for controlling hand grasp using an adaptive probabilistic neural network. Med. Eng. Phys. 32, 730–739.
  18. Kristjan Korjus, Ilja Kuzovkin. “Visualization of intracranial EEG data”.  Project in Data Mining course, pp. 6-8, pp. 10-11, Tartu 2011.
  19. R. Vijayalakshmi, Naga Dasari, D. Nandagopal, R. Subhiksha, Bernie Cocks, Nabaraj Dahal, M. Thilaga. Change Detection and Visualization of Functional Brain Networks using EEG Data. Procedia Computer Science, Volume 29, 2014, Pages 672-682. doi:10.1016/j.procs.2014.05.060.
  20.  E. Pereda, R. Q. Quiroga, and J. Bhattacharya, “Nonlinear multivariate analysis of neurophysiological signals,” Progress in neurobiology, vol. 77, pp. 1-37, 2005.
  21. Незнамов Г.Г., Бочкарев В.К., Реутова М.А., Сюняков С.А. Межзональные связи на ЭЭГ и их соотношение с субъективной оценкой действия однократной дозы феназепама у больных с тревожными расстройствами // Журнал неврологии и психиатрии. – 2012. – №3. – С. 50-56.
  22. F. Wendling, K. Ansari-Asl, F. Bartolomei, and L. Senhadji, “From EEG signals to brain connectivity: a model-based evaluation of interdependence measures,” Journal of neuroscience methods, vol. 183, pp. 9-18, 2009.
  23. Hjorth, Bo (September 1970). “EEG analysis based on time domain properties”. Electroencephalography and Clinical Neurophysiology29 (3): 306–310. doi:10.1016/0013-4694(70)90143-4. ISSN 0013-4694. PMID 4195653.
  24. Hjorth, Bo (September 1970). “EEG analysis based on time domain properties”. Electroencephalography and Clinical Neurophysiology29 (3): 306–310. doi:10.1016/0013-4694(70)90143-4. ISSN 0013-4694. PMID 4195653.
  25. Acharya, U. Rajendra; Vinitha Sree, S.; Swapna, G.; Martis, Roshan Joy; Suri, Jasjit S. (June 2013). “Automated EEG analysis of epilepsy: A review”. Knowledge-Based Systems45: 147–165. doi:10.1016/j.knosys.2013.02.014ISSN 0950-7051.
  26. Dressler, O.; Schneider, G.; Stockmanns, G.; Kochs, E.F. (December 2004). “Awareness and the EEG power spectrum: analysis of frequencies”British Journal of Anaesthesia93 (6): 806–809. doi:10.1093/bja/aeh270. ISSN 0007-0912. PMID 15377585.
  27. Adeli, Hojjat; Zhou, Ziqin; Dadmehr, Nahid (February 2003). “Analysis of EEG records in an epileptic patient using wavelet transform”. Journal of Neuroscience Methods123 (1): 69–87. doi:10.1016/s0165-0270(02)00340-0. ISSN 0165-0270. PMID 12581851.
  28. Adeli, Hojjat; Zhou, Ziqin; Dadmehr, Nahid (February 2003). “Analysis of EEG records in an epileptic patient using wavelet transform”. Journal of Neuroscience Methods123 (1): 69–87. doi:10.1016/s0165-0270(02)00340-0. ISSN 0165-0270. PMID 12581851.
  29. Hazarika, N.; Chen, J.Z.; Ah Chung Tsoi; Sergejew, A. (1997). Classification of EEG signals using the wavelet transformProceedings of 13th International Conference on Digital Signal Processing1. IEEE. pp. 89–92. doi:10.1109/icdsp.1997.627975. ISBN 978-0780341371.
  30. Acharya, U. Rajendra; Vinitha Sree, S.; Swapna, G.; Martis, Roshan Joy; Suri, Jasjit S. (June 2013). “Automated EEG analysis of epilepsy: A review”. Knowledge-Based Systems45: 147–165. doi:10.1016/j.knosys.2013.02.014. ISSN 0950-7051.
  31. Pigorini, Andrea; Casali, Adenauer G.; Casarotto, Silvia; Ferrarelli, Fabio; Baselli, Giuseppe; Mariotti, Maurizio; Massimini, Marcello; Rosanova, Mario (June 2011). “Time–frequency spectral analysis of TMS-evoked EEG oscillations by means of Hilbert–Huang transform”. Journal of Neuroscience Methods198 (2): 236–245. doi:10.1016/j.jneumeth.2011.04.013. ISSN 0165-0270. PMID 21524665.
  32. Stam, C.J. (October 2005). “Nonlinear dynamical analysis of EEG and MEG: Review of an emerging field”. Clinical Neurophysiology116 (10): 2266–2301. CiteSeerX 10.1.1.126.4927. doi:10.1016/j.clinph.2005.06.011. ISSN 1388-2457. PMID 16115797.
  33. Acharya, U. Rajendra; Vinitha Sree, S.; Swapna, G.; Martis, Roshan Joy; Suri, Jasjit S. (June 2013). “Automated EEG analysis of epilepsy: A review”. Knowledge-Based Systems45: 147–165. doi:10.1016/j.knosys.2013.02.014. ISSN 0950-7051.3334Stam, C.J. (October 2005). “Nonlinear dynamical analysis of EEG and MEG: Review of an emerging field”. Clinical Neurophysiology116 (10): 2266–2301. CiteSeerX 10.1.1.126.4927. doi:10.1016/j.clinph.2005.06.011. ISSN 1388-2457. PMID 16115797.
  34. Author links open overlay panelQi Yuan, Weidong Zhou, Shufang Li, Dongmei Cai. “Epileptic EEG classification based on extreme learning machine and nonlinear features“. Epilepsy Research Volume 96, Issues 1–2, September 2011, Pages 29-38. doi: 10.1016/j.eplepsyres.2011.04.013
  35. Kyongsik Yun, Hee-Kwon Park, Do-Hoon Kwon, Yang-Tae Kim, Sung-Nam Cho, Hyun-JinCho, Bradley S.Peterson, Jaeseung Jeong. “Decreased cortical complexity in methamphetamine abusers“. Psychiatry Research: Neuroimaging Volume 201, Issue 3, 31 March 2012, Pages 226-232. doi: 10.1016/j.pscychresns.2011.07.009
  36. Author links open overlay panelMalihe Sabeti, Serajeddin Katebi, Reza Boostani. “Entropy and complexity measures for EEG signal classification of schizophrenic and control participants“. Artificial Intelligence in Medicine Volume 47, Issue 3, November 2009, Pages 263-274. doi: 10.1016/j.artmed.2009.03.003
  37. Petrosian, Arthur; Prokhorov, Danil; Homan, Richard; Dasheiff, Richard; Wunsch, Donald (January 2000). “Recurrent neural network based prediction of epileptic seizures in intra- and extracranial EEG”. Neurocomputing30 (1–4): 201–218. doi:10.1016/s0925-2312(99)00126-5. ISSN 0925-2312.
  38. Subasi, Abdulhamit; Erçelebi, Ergun (May 2005). “Classification of EEG signals using neural network and logistic regression”. Computer Methods and Programs in Biomedicine78 (2): 87–99. doi:10.1016/j.cmpb.2004.10.009. ISSN 0169-2607. PMID 15848265.
  39. Subasi, Abdulhamit; Erçelebi, Ergun (May 2005). “Classification of EEG signals using neural network and logistic regression”. Computer Methods and Programs in Biomedicine78 (2): 87–99. doi:10.1016/j.cmpb.2004.10.009. ISSN 0169-2607. PMID 15848265.
  40. Übeyli, Elif Derya (January 2009). “Analysis of EEG signals by implementing eigenvector methods/recurrent neural networks”. Digital Signal Processing19 (1): 134–143. doi:10.1016/j.dsp.2008.07.007. ISSN 1051-2004.
  41. Hosseini, Mohammad-Parsa; Soltanian-Zadeh, Hamid; Elisevich, Kost; Pompili, Dario (December 2016). Cloud-based deep learning of big EEG data for epileptic seizure prediction2016 IEEE Global Conference on Signal and Information Processing (GlobalSIP). IEEE. arXiv:1702.05192. doi:10.1109/globalsip.2016.7906022. ISBN 9781509045457.
  42. Subasi, Abdulhamit; Erçelebi, Ergun (May 2005). “Classification of EEG signals using neural network and logistic regression”. Computer Methods and Programs in Biomedicine78 (2): 87–99. doi:10.1016/j.cmpb.2004.10.009. ISSN 0169-2607. PMID 15848265.
  43. Jeong, Jaeseung; Gore, John C; Peterson, Bradley S (May 2001). “Mutual information analysis of the EEG in patients with Alzheimer’s disease”. Clinical Neurophysiology112 (5): 827–835. doi:10.1016/s1388-2457(01)00513-2. ISSN 1388-2457. PMID 11336898.
  44. Guger, C.; Ramoser, H.; Pfurtscheller, G. (2000). “Real-time EEG analysis with subject-specific spatial patterns for a brain-computer interface (BCI)”. IEEE Transactions on Rehabilitation Engineering8 (4): 447–456. doi:10.1109/86.895947. ISSN 1063-6528. PMID 11204035. S2CID 9504054.
  45. “Introduction – Brainstorm”neuroimage.usc.edu. Retrieved 2018-12-16.
  46. Soleymani, Mohammad; Asghari-Esfeden, Sadjad; Pantic, Maja; Fu, Yun (July 2014). Continuous emotion detection using EEG signals and facial expressions2014 IEEE International Conference on Multimedia and Expo (ICME). IEEE. CiteSeerX 10.1.1.649.3590. doi:10.1109/icme.2014.6890301. ISBN 9781479947614.