Loading...

A New Coupled-HMM Framework with Applications in Multichannel Brain Signal Processing

Karimi, Sajjad | 2022

177 Viewed
  1. Type of Document: Ph.D. Dissertation
  2. Language: Farsi
  3. Document No: 55915 (05)
  4. University: Sharif University of Technology
  5. Department: Electrical Engineering
  6. Advisor(s): Shamsollahi, Mohammad Bagher
  7. Abstract:
  8. The human brain can be described as a dynamic system with multiple subsystems interacting with one another and multi-channel observations of these subsystems are available. The modeling of a system from its observations allows us to gain insight into how its various components interact with one another and also provides intuition about the desired system. Hidden Markov Model (HMM) is a probabilistic model with hidden states that is suitable for modeling these types of systems. Multi-channel observations are available from several subsystems interacting with each other within a general system. In this case, it may be necessary to develop more comprehensive models incorporating multi-channel structure and behavior. Coupled Hidden Markov Model (CHMM) is an appropriate model for multi-channel observations with spatio-temporal interactions between channels. The computational complexity and number of parameters for inference and learning problems in CHMM increase exponentially and rapidly as the number of channels increases. This research focuses on a particular type of CHMM model called the hidden structure influence model (LSIM), which does not suffer from the exponential growth of parameters. Despite this, existing algorithms for solving LSIM problems, such as inference and learning, are not accurate and lack theoretical and mathematical support. The current study proposes and develops a new framework for solving Markov problems in LSIM that can be applied and implemented in a large number of channels and limited samples of observations. The first proposed theory is related to the development of a new approximate inference algorithm with computational complexity instead of which has less error in approximations than existing approximation methods. In the second proposed theory, a new learning algorithm with convergence analysis and reestimation algorithms is presented, which has a strong theoretical and mathematical support similar to HMM Therefore, in the new framework, it is possible to implement LSIM for datasets with more than 100 channels, and the performance improvement of LSIM with the proposed framework is statistically significant compared to HMM and CHMM in conventional applications of modeling and classification based on the results. In the continuation of this research, two new applications for LSIM in the processing of multi-channel brain signals are presented. The first application of combining multi-channel information is in the problem of sleep stage detection. In this application, LSIM achieves 87.3% accuracy on Sleep-EDF data with integrated three-channel integration, which is one of the best results. The second application is related to the determination of effective brain connections, which is proposed using LSIM and Monte-Carlo method, a new estimator for multivariate transfer entropy. The simulation results of the neural mass model show that the proposed method increases AUCPR values by 3.7% on average in the range of zero to five dB
  9. Keywords:
  10. Hidden Markov Model ; Coupled Hidden Markov Model ; Brain Connectivity ; Multivariate Transfer Entropy ; Latent Structure Influence Model ; Multi-Channel Information Fusion ; Multi-Channel Brain Signals

 Digital Object List

 Bookmark

  • مقدمه
    • پیش‌درآمد
    • تعریف مسئله
    • چالش‌ها
    • اهداف پروژه
    • نوآوری
      • نوآوری در حوزه تئوری
      • نوآوری در کاربردهای پردازشی
    • ساختار رساله
  • مروری بر پردازش EEG و مدل‌های مخفی مارکوف
    • مقدمه
    • سیگنال‌های فعالیت الکتریکی مغز و دینامیک چندکانالی
      • سیگنال ECoG
      • سیگنال EEG
      • دینامیک سیگنال‌های مغزی
    • مدل‌های مخفی مارکوف
      • مدل‌های HMM
      • تعیین اتوماتیک فراپارامترهای HMM
    • شبکه‌های دینامیکی بیزین و انواع HMM
      • مدل AR-HMM
      • مدل Factorial-HMM
      • مدل IO-HMM
      • مدل CHMM
    • رویکردهای استنتاج در DBN
      • استنتاج دقیق
      • استنتاج تقریبی یقینی
      • استنتاج تقریبی تصادفی
    • حوزه‌های پردازش EEG با HMM
      • پردازش آنلاین EEG با HMM
      • طبقه‌بندی EEG با IO-HMM
      • تشخیص مراحل خواب با HMM
      • طبقه‌بندی تصورات ذهنی با ارتباطات عملکردی و HMM
      • تخمین عمق بیهوشی با HMM
    • جمع‌بندی
  • مدل مخفی مارکوف کوپل شده و کاربردهای آن
    • مقدمه
    • ریاضیات مدل‌های CHMM
      • الگوریتم استنتاج دقیق
    • مروری بر انواع CHMM
      • رویکرد برند و الگوریتم N-heads
      • رویکرد ریزک و تخمین بیزین پارامترها
      • رویکرد ژانگ و مدل تأثیر
      • رویکرد چوی با قید تنکی ارتباطات
      • رویکرد منتظری با تقریب فرمولاسیون و فرض برند
    • مدل تأثیر ساختار مخفی (LSIM)
      • الگوریتم‌های استنتاج تقریبی
      • الگوریتم‌ یادگیری
    • کاربردها در پردازش سیگنال
      • پیش‌بینی وضعیت ترافیک
      • تشخیص ایست تنفسی با پردازش ECG
    • کاربردها در پردازش EEG و ECoG
      • پردازش توأم سیگنال EEG و تنفس
      • پردازش مراحل خواب با EEG
      • طبقه‌بندی دو کلاسی با سیگنال EEG
      • مدل‌سازی و تشخیص تشنج صرعی مبتنی بر EEG
      • سیستم BCI مبتنی بر ECoG
    • جمع‌بندی
  • تئوری‌های پیشنهادی
    • مقدمه
    • تعاریف و علائم
    • الگوریتم استنتاج و حل مسئله ارزیابی
      • پارامتر پیشرو حاشیه‌ای
      • پارامتر پسرو حاشیه‌ای
      • مسئله اول: ارزیابی
    • مسئله سوم: یادگیری
      • چگالی احتمالی توأم و تابع کمکی
      • تابع کمکی و تبدیل بازتخمین
      • الگوریتم بازتخمین پیشنهادی
    • تلفیق چند کانالی در حوزه تشخیص مراحل خواب
      • سیستم‌های انتخابی تشخیص مراحل خواب
      • روش پس‌پردازش پیشنهادی
    • برآورد آنتروپی انتقالی چندمتغیری
      • جنبه‌های تئوری و عملی آنتروپی انتقالی چند متغیری
      • برآوردگر پیشنهادی بر مبنای LSIM
    • جمع‌بندی
  • پیاده‌سازی و نتایج
    • مقدمه
    • الگوریتم استنتاج پیشنهادی
      • مجموعه دادگان و معیارهای ارزیابی
      • نتایج ارزیابی الگوریتم استنتاج
      • بررسی مسئله ارزیابی
      • مقایسه مسیر همگرایی الگوریتم یادگیری
    • الگوریتم بازتخمین LSIM
      • مجموعه دادگان شبیه‌سازی و واقعی
      • تست همگرایی عملی الگوریتم بازتخمین
      • مدل‌سازی آماری سیگنال‌های چندکانالی
      • طبقه‌بندی و سیستم بیومتریک
      • تحلیل بایاس استنتاج تقریبی
    • تلفیق چند کانالی اطلاعات
      • مجموعه دادگان خواب و معیارهای ارزیابی
      • الگوریتم تلفیق استاندارد
      • الگوریتم تلفیق یکپارچه
      • تحلیل و بحث در نتایج الگوریتم تلفیق
    • تخمین ارتباطات مؤثر و آنتروپی چند متغیری
      • مدل توده عصبی و معیارهای ارزیابی
      • تأثیر اندازه شبکه، SNR و طول سیگنال‌
      • بهبود عملکرد محاسبه MTE
    • جمع‌بندی
  • جمع‌بندی، نتیجه‌گیری و پیشنهادات
    • جمع‌بندی
    • نتیجه‌گیری
    • پیشنهادات
...see more