软件影响8（2021）100062原始软件出版物EBAPy：用于分析影响基于EEG的应用程序性能的因素的Python框架Dustin Carrión-Ojedaa，Paola Martínez-Ariasa，Rigoberto Fonseca-Delgadob，以色列Pinedaa，a厄瓜多尔，乌尔库基，Yachay Tech大学，数学和计算科学学院b墨西哥墨西哥城伊斯塔帕拉帕自治城市大学电气工程系自动清洁装置保留字：基于EEG的应用记录时间离散小波变换A B标准EBAPy是一个易于使用的Python框架，旨在帮助开发基于EEG的应用程序。它允许对影响系统性能及其计算成本的因素进行深入分析。这些因素包括记录时间、离散小波变换的分解级数、 和分类算法。所提出的框架的易用性和灵活性允许减少开发时间和评估新的想法，在开发生物识别系统使用脑电图。此外，由于其功能的通用性，对EEG信号进行分类的不同应用可以使用EBAPy。这些 新的应用程序将在不久的将来影响代码元数据当前代码版本v1.1用于此代码版本的代码/存储库的永久链接https://github.com/SoftwareImpacts/SIMPAC-2021-2可再生胶囊的永久链接https://codeocean.com/capsule/4497139/tree/v1法律代码许可证MIT使用git的代码版本控制系统使用Python的软件代码语言、工具和服务编译要求、操作环境依赖性（如有）开发人员文档/手册问题支持电子邮件dustin. gmail.com1. 介绍大多数生物电信号传统上用于医学诊断。然而，近年来，研究人员专注于在不同的应用中使用这些信号，例如生物识别系统[1]。从生物信号中，脑电图（EEG）是特别感兴趣的，因为它们具有可用于不同应用的特定特征。这些特征包括[2，3]：普遍性，独特性，持久性和规避性。建议对EEG信号进行预处理，以消除人为因素和由人类头部层产生的噪声[4]，应用基于它们。离散小波变换是一种常用和推荐的EEG预处理技术[5，6]。然而，该变换的分解级别可能是影响系统性能的因素。此外，该水平对总体计算成本有直接影响因此，使用Python的基于EEG的应用程序（EBAPy）能够进行分析，为特定应用程序选择最佳DWT分解它还允许评估实现高系统性能所需的记录时间。此外，在五个分类器中选择最佳分类算法用于信号的分类本文中的代码（和数据）已由Code Ocean认证为可复制：（https://codeocean.com/）。更多关于生殖器的信息徽章倡议可在https://www.elsevier.com/physical-sciences-and-engineering/computer-science/journals上查阅。*通讯作者。电子邮件地址：dustin. yachaytech.edu.ec（D. Carrión-Ojeda），paola. yachaytech.edu.ec（P. Martínez-Arias），rfonseca@izt.uam.mx（R.Fonseca-Delgado），ipineda@yachaytech.edu.ec（I.Pineda）。https://doi.org/10.1016/j.simpa.2021.100062接收日期：2021年1月5日;接收日期：2021年2月7日;接受日期：2021年2月8日2665-9638/©2021作者。由Elsevier B.V.出版。这是一篇开放获取的文章，使用CC BY许可证（http://creativecommons.org/licenses/by/4.0/）。可在ScienceDirect上获得目录列表软件影响杂志 首页：www.journals.elsevier.com/software-impactsD. Carrión-Ojeda，P. Martínez-Arias，R. Fonseca-Delgado等人软件影响8（2021）1000622Fig. 1. EBAPy深入分析流程图支持向量机（SVM）、K-最近邻（KNN）、AdaBoost（AB）、随机森林（RF）和多层感知器（MLP）。2. 影响概述由于EEG信号具有从医学到生物识别的广泛应用[7然而，据我们所知，没有一个软件包提供了一个框架的EEG信号的分析。出于这个原因，所有目前在这一领域的研究人员被迫使自己的代码。但是，有一个框架来执行对可能影响系统性能的因素的初步分析，可以减少这些系统的开发时间，并允许进行更多的研究。这就是为什么EBAPy的主要目标是提供一种简单的方法来分析前面提到的影响系统性能的因素，即，记录时间，小波分解层次，最佳分类算法，使研究人员不必花费时间在这项任务上。此外，目前基于EEG的应用程序主要是由研究人员开发的预处理方法和人工智能的广泛知识。然而，由于EBAPy的易用性，更多的用户将能够开始在这一领域的研究。这个框架的优点之一是它完全用Python编写，Python是一种语法易于理解的编程语言，近年来这种语言的用户数量大幅增加。因此，EBAPy对于研究人员和开发人员来说很容易理解。此外，它也很容易修改或扩展尚未实现的功能。此外，Python的灵活性促进了与其他编程语言编写的模块的集成。由于EBAPy是一个最近开发的框架，它只用于两项研究，重点是开发生物识别系统的基础上，脑电图[13，14]。尽管如此，在这两项工作中，使用该框架获得的结果已经超过了大多数国家的最先进的系统，这要归功于对影响系统性能的因素的深入分析。此外，尽管EBAPy到目前为止仅应用于生物识别开发，但该框架足够灵活，可以应用于使用EEG信号的任何其他应用2.1. 预期影响EBAPy将缩短基于EEG的应用程序的开发时间。由于其处理EEG的能力，该框架将大大减少使用这些EEG进行研究所需的时间信号.此外，当该框架开始用于不同的调查时，可以将其中使用的特定功能集成到EBAPy的源代码中，以创建该框架的更健壮和通用的版本。除此之外，EBAPy的使用可以帮助标准化未来基于EEG的应用研究。3. 软件功能EBAPy目前有五个主要功能：在时间窗口中分割EEG信号，用DWT对信号进行预处理，提取基于小波的特征，优化分类器参数，以及评估分类器的性能。该框架可以使用.edf、.csv、.sav或.dat格式的EEG矩阵。在时间窗中的EEG的分割可以可以考虑记录的开始、指定的点或随机选择的点来执行。使用DWT进行预处理， 母小波的选择和分解层数。可以从信号中提取的特征是[15]中提出的那些：最小值、最大值、平均值、标准差、方差、中值、偏度、能量、相对能量和熵。分类器的优化是通过网格搜索优化来完成的，其中用户指定用于分类的参数集和标签。最后，对于分类器对于二元分类，我们可以获得准确度，精确度，召回率，特异性和AUC。该框架可以与平均准确率，错误率，宏观和微观平均精度，宏观和微观平均召回多类分类。图1说明了对影响系统性能的因素进行完整分析首先，EEG被分割成时间窗口。然后，几个分解层次的小波变换，使它们之间的利用DWT的系数，提取一个或多个特征使用特征矩阵优化分类器，并且在最后一步中，计算时间窗口和分解级别之间的每个组合的结果可以对所获得的结果进行不同的统计分析，以找到最佳组合，并以最低的计算成本获得最佳结果在EBAPy代码[17]中，您可以找到所描述过程的一个小示例4. 结论和进一步发展EBAPy提供了一个易于使用的框架来分析开发基于EEG的应用程序时需要考虑的基本因素。研究人员和开发人员可以利用EBAPy，D. Carrión-Ojeda，P. Martínez-Arias，R. Fonseca-Delgado等人软件影响8（2021）1000623它的简单性。由于这是一个新的框架，它将不断增长。在未来的版本中，将包括更多的预处理技术，如此外，我们计划包括更多的EEG信号特征（例如，熵、功率谱密度、相对功率和复杂度的不同度量）。此外，还将实现更多功能，例如伪影消除和通道选择。最后，它将很快被上传到PyPI，以方便其分发和使用。竞合利益作者声明，他们没有已知的竞争性财务利益或个人关系，可能会影响本文报告的工作引用[1]A.帕尔A. Gautam，Y. Singh，用于人类识别的生物电信号的评估，ProcediaComput。Sci.48（2015）746http://dx.doi.org/10。1016/j.procs.2015.04.211。[2] H.- L. Chan，P.- C.郭角y.郑玉- S. Chen，Challenges and future perspectives onelectroencephalogram based biometrics in person recognition，Front. 神经信息学12（2018）66，http://dx.doi.org/10.3389/fninf.2018.00066。[3] Z. Rui ， Z. Yan ， A survey on biometric authentication ： Toward secure andprivacy-preservingidentification，IEEEAccess7（2019）5994http://dx.doi.org/10. 1109/ACCESS.2018.2889996。[4] S. Sanei，EEG信号处理的基础，在：脑信号的自适应处理，John Wiley Sons，Ltd，2013，pp. 37http://dx.doi.org/10.1002/[5] M.阿兹姆，M。阿明，S。哈克，M。 安比亚湾 Shoeb，使用小波变换和傅立叶变换的人类睡眠EEG信号的特征提取，在：第二届信号处理系统国际会议，3，IEEE，2010年，pp.701http://dx.doi.org/10.1109/ICSPS.2010.5555506[6] S.斯威湖你，快速傅立叶分析和脑电分类脑波控制轮椅，在：第二届控制科学与系统工程国际会议，IEEE，2016年，pp。20 http://dx.doi.org/10.1109/CCSSE.2016。7784344。[7] H. Gauba，P. Kumar，P. Roy，P. Singh，D.多格拉湾王志华，李志华，李志华。92（2017）77http://dx.doi.org/10.1016/j.neunet.2017.01.013[8] M. Vanegas，M.Ghilardi，S.凯利，A.Blangero，EEG的机器学习基于帕金森病的生物标志物，在：IEEE生物信息学和生物医学国际会议，IEEE，2018年，pp. 2661http://dx.doi.org/[9] A. Masruroh，E.Imah，E.Rahmawati，基于情绪状态的分类使用AMGLVQ，ProcediaComput.Sci.157（2019）552http://dx.doi.org/10.1016/j.procs.2019.09.013[10] J. Oliva，J. Rosa，EEG报告生成和癫痫检测的分类，神经计算335（2019）81-95。[11]X.唐，W。Li，X. Li，W.妈，X。 Dang，基于条件优化经验模式分解和多尺度卷 积神 经 网络 的 运 动想 象 EEG 识 别， 专 家 系统 应 用149 （ 2020 ） 113285，http://dx.doi.org/10.1016/j.eswa.2020.113285。[12] J. Jin，S.李岛Daly，Y.苗角，澳-地Liu，X.Wang，中国山核桃A.Ciclovski，研究用于减少基于P300的脑机接口中的校准时间的通用模型集，IEEE Trans.神经系统康复中心Eng. 28（1）（2020）3//dx.doi.org/10.1109/TNSRE.2019.2956488网站。[13] D.卡里翁-奥赫达湾梅希亚-瓦列霍河Fonseca-Delgado，P. Ramírez-Cortés，一种研究需要多长时间的EEG记录才能有良好的用户识别的方法，在：IEEE拉丁美洲计算智能会议，IEEE，2019年，pp.1http://dx.doi.org/10.1109/LA-[14] D. 卡里翁奥赫达河丰塞卡德尔加多岛Pineda，影响因素分析基于EEG信号的生物识别系统的性能，专家系统应用165（2021）113967，http://dx.doi.org/10.1016/j.eswa.2020.113967。[15] A.哈马德，E. Houssein，A. Hassanien，A. Fahmy，使用离散小波变换的癫痫EEG特 征 提 取 ， 在 ： 第 12 届 国 际 计 算 机 工 程 师 会 议 ， IEEE ， 2016 年 ， pp. 190http://dx.doi.org/10.1109/ICENCO。2016.7856467。[16] M. Sokolova，G.Lapalme，《绩效衡量系统分析》，分 类 任 务 、 信 息 处 理 。 经 理 。 45 （ 4 ） （ 2009 ） 427 http://dx.doi 。org/10.1016/j.ipm.2009.03.002。[17]D. Carrión-Ojeda ， P. Martínez-Arias ， R. 丰 塞 卡 德 尔 加 多 岛 Pineda ， EBAPyrepository，2021，https://github.com/DustinCarrion/EBAPy.
我的内容管理
展开
