Généralisation des micro-états EEG par apprentissage régularisé temporellement de dictionnaires topographiques
Résumé
The microstate model describes EEG signals as series of topographies remaining stable during several tens of milliseconds and associated to brain states. The proposed generalization in this paper is based on an overcomplete model allowing several states to be active simultaneously. A dictionary learning algorithm with a temporal regularization is proposed to extract these states. The representation effectiveness of both models is compared on artificial and real signals for the extraction of the evoked potential P300.
Le modèle des micro-états décrit les signaux EEG par des suites de topographies associées à des états cérébraux demeurant stables durant quelques dizaines de millisecondes. La généralisation proposée dans cet article considère un modèle redondant autorisant plusieurs états à être actifs simultanément. Un apprentissage de dictionnaire régularisé temporellement est proposé afin d'extraire ces états. L'efficacité de représentation des deux modèles est comparée sur des signaux de synthèse ainsi que sur des signaux réels pour l'étude du potentiel évoqué P300.
Origine | Fichiers produits par l'(les) auteur(s) |
---|
Loading...