Electroencephalography (EEG) is a brain imaging approach that has been widely used in neuroscience and clinical settings. The conventional EEG analyses usually require pre-defined frequency bands when characterizing neural oscillations and extracting features for classifying EEG signals. However, neural responses are naturally heterogeneous by showing variations in frequency bands of brainwaves and peak frequencies of oscillatory modes across individuals. Fail to account for such variations might result in information loss and classifiers with low accuracy but high variation across individuals. To address these issues, we present a systematic time-frequency analysis approach for analyzing scalp EEG signals. In particular, we propose a data-driven method to compute the subject-specific frequency bands for brain oscillations via Hilbert-Huang Transform, lifting the restriction of using fixed frequency bands for all subjects. Then, we propose two novel metrics to quantify the power and frequency aspects of brainwaves represented by sub-signals decomposed from the EEG signals. The effectiveness of the proposed metrics are tested on two scalp EEG datasets and compared with four commonly used features sets extracted from wavelet and Hilbert-Huang Transform. The validation results show that the proposed metrics are more discriminatory than other features leading to accuracies in the range of 94.93% to 99.84%. Besides classification, the proposed metrics show great potential in quantification of neural oscillations and serving as biomarkers in the neuroscience research.

中文翻译：

---

用 Hilbert-Huang 变换和深度学习对头皮脑电图进行时频分析

脑电图 (EEG) 是一种脑成像方法，已广泛用于神经科学和临床环境。在表征神经振荡和提取特征以对 EEG 信号进行分类时，传统的 EEG 分析通常需要预定义的频带。然而，通过显示个体间脑电波频带和振荡模式峰值频率的变化，神经反应自然是异质的。未能考虑这种变化可能会导致信息丢失和分类器的准确性低但个体间差异很大。为了解决这些问题，我们提出了一种用于分析头皮 EEG 信号的系统时频分析方法。尤其是，我们提出了一种数据驱动的方法，通过 Hilbert-Huang 变换计算特定受试者的大脑振荡频带，从而解除了对所有受试者使用固定频带的限制。然后，我们提出了两个新的指标来量化由 EEG 信号分解的子信号所代表的脑电波的功率和频率方面。所提出的指标的有效性在两个头皮脑电图数据集上进行了测试，并与从小波和希尔伯特-黄变换中提取的四个常用特征集进行了比较。验证结果表明，所提出的指标比其他特征更具区分性，导致准确率在 94.93% 到 99.84% 之间。除了分类之外，所提出的指标在神经振荡的量化和作为神经科学研究中的生物标志物方面显示出巨大的潜力。取消所有科目使用固定频段的限制。然后，我们提出了两个新的指标来量化由 EEG 信号分解的子信号所代表的脑电波的功率和频率方面。所提出的指标的有效性在两个头皮脑电图数据集上进行了测试，并与从小波和希尔伯特-黄变换中提取的四个常用特征集进行了比较。验证结果表明，所提出的指标比其他特征更具区分性，导致准确率在 94.93% 到 99.84% 之间。除了分类之外，所提出的指标在神经振荡的量化和作为神经科学研究中的生物标志物方面显示出巨大的潜力。取消所有科目使用固定频段的限制。然后，我们提出了两个新的指标来量化由 EEG 信号分解的子信号所代表的脑电波的功率和频率方面。所提出的指标的有效性在两个头皮脑电图数据集上进行了测试，并与从小波和希尔伯特-黄变换中提取的四个常用特征集进行了比较。验证结果表明，所提出的指标比其他特征更具区分性，导致准确率在 94.93% 到 99.84% 之间。除了分类之外，所提出的指标在神经振荡的量化和作为神经科学研究中的生物标志物方面显示出巨大的潜力。我们提出了两个新的指标来量化由 EEG 信号分解的子信号所代表的脑电波的功率和频率方面。所提出的指标的有效性在两个头皮脑电图数据集上进行了测试，并与从小波和希尔伯特-黄变换中提取的四个常用特征集进行了比较。验证结果表明，所提出的指标比其他特征更具区分性，导致准确率在 94.93% 到 99.84% 之间。除了分类之外，所提出的指标在神经振荡的量化和作为神经科学研究中的生物标志物方面显示出巨大的潜力。我们提出了两个新的指标来量化由 EEG 信号分解的子信号所代表的脑电波的功率和频率方面。所提出的指标的有效性在两个头皮脑电图数据集上进行了测试，并与从小波和希尔伯特-黄变换中提取的四个常用特征集进行了比较。验证结果表明，所提出的指标比其他特征更具区分性，导致准确率在 94.93% 到 99.84% 之间。除了分类之外，所提出的指标在神经振荡的量化和作为神经科学研究中的生物标志物方面显示出巨大的潜力。所提出的指标的有效性在两个头皮脑电图数据集上进行了测试，并与从小波和希尔伯特-黄变换中提取的四个常用特征集进行了比较。验证结果表明，所提出的指标比其他特征更具区分性，导致准确率在 94.93% 到 99.84% 之间。除了分类之外，所提出的指标在神经振荡的量化和作为神经科学研究中的生物标志物方面显示出巨大的潜力。所提出的指标的有效性在两个头皮脑电图数据集上进行了测试，并与从小波和希尔伯特-黄变换中提取的四个常用特征集进行了比较。验证结果表明，所提出的指标比其他特征更具区分性，导致准确率在 94.93% 到 99.84% 之间。除了分类之外，所提出的指标在神经振荡的量化和作为神经科学研究中的生物标志物方面显示出巨大的潜力。