Classification of EEG signals using the wavelet transform

The electroencephalogram (EEG) is widely used clinically to investigate brain disorders. However, abnormalities in the EEG in serious psychiatric disorders are at times too subtle to be detected using conventional techniques. This paper describes the application of an artificial neural network (ANN) technique together with a feature extraction technique, viz., the wavelet transform, for the classification of EEG signals. The data reduction and preprocessing operations of signals are performed using the wavelet transform. Three classes of EEG signals were used: Normal, Schizophrenia (SCH), and Obsessive Compulsive Disorder (OCD). The architecture of the artificial neural network used in the classification is a three-layered feedforward network which implements the backpropagation of error learning algorithm. After training, the network with wavelet coefficients was able to correctly classify over 66% of the normal class and 71% of the schizophrenia class of EEGs, respectively. The wavelet transform thus provides a potentially powerful technique for preprocessing EEG signals prior to classification. Das Elektroenzephalogram (EEG) wird im klinischen Bereich häufig zur Untersuchung von Gehirnerkrankungen eingesetzt. Jedoch sind Abnormitäten im EEG bei ernsthaften psychiatrischen Erkrankungen gelegentlich zu subtil, um mit herkömmlichen Methoden delektiert werden zu können. Dieser Artikel beschreibt die Anwendung eines artifiziellen neuralen Netzes (ANN) in Verbindung mit einer Methode zur Merkmalsextraktion (der Wavelet-Transformation) zur Klassifizierung von EEG-Signalen. Mittels der Wavelet-Transformation wird eine Datenreduktion und Vorverarbeitung der Signale durchgeführt. Drei Klassen von EEG-Signalen wurden verwendet: von Gesunden, von Schizophrenen (SCH) und von Zwangsneurotikern (OCD). Die Architektur des zur Klassifizierung eingesetzten artifiziellen neuralen Netzes ist ein Feedforward-Netz mit drei Schichten, welches den Backpropagation-Lernalgorithmus implementiert. Nach dem Training erzielte das Netz mit Wavelet-Koeffizienten eine korrekte Klassifizierung von über 66% der EEGs von Gesunden und 71 % der EEGs von Schizophrenen. Die Wavelet-Transformation ist somit eine potentiell leistungsfähige Methode für die Vorverarbeitung von EEG-Signalen vor einer Klassifizierung. L'électroencéphalogramme (EEG) est utilisé fréquemment en médecine clinique pour étudier les dysfonctionnements du cerveau. Néanmoins, les anomalies dans l'EEG dans des cas de désordr