A digitized EEG can be reduced to a few parameters (< 15) if an autoregressive model
is introduced. These parameters can be stored very economically.
With the aid of autoregressive parameters a recursive digital filter is realized which
generates the EEG if a random number sequence is given to the filter input. Furthermore,
the autoregressive parameters can be used for estimating power density distribution
and for building up a non-recursive digital filter based on the inverse autoregressive
model which will filter the EEG and detect spikes and other instationarities in the
EEG.
After decomposition of the recursive filter into a series of filters of second order
it is possible to calculate parameters such as peak frequency, bandwidth and amplitude,
which describe the second order filter and thus characterize the frequency components
of the EEG.
Ein digitalisiertes EEG kann durch Erstellung eines autoregressiven Modells auf eine
kleine Zahl von Parametern (< 15) reduziert werden, die im weiteren mit einem Minimum
an Platz gespeichert werden können.
Mit Hilfe der autoregressiven Parameter kann ein rekursives Digitalfilter realisiert
werden, das aus einer Zufallszahlenfolge das EEG simuliert. Weiter ist es möglich,
über diese Parameter das Leistungs-spektrum zu schätzen und über ein nichtrekursives
Filter, das auf dem inversen autoregressiven Modell beruht, Spikes und ähnliche Instationaritäten
im EEG aufzudecken.
Eine Zerlegung des rekursiven Filters in mehrere Filter 2. Ordnung erlaubt es, aus
den autoregressiven Parametern filterbeschreibende Kenngrößen, wie Mittenfrequenzen,
Bandbreite und Amplituden zu berechnen. Diese Kenngrößen können für die Kennzeichnung
einzelner Frequenzkomponenten im EEG verwendet werden.
Keywords
EEG Analysis - EEG Simulation - Spike Detection - Autoregressive Model - Parameter
Estimation - Power Spectrum
Schlüsselwörter
EEG-Analyse - EEG-Simulation - Spike-Detektion - autoregressives Modell - Parameterschätzung
- Leistungsspektrum