前言

脑电图(EEG)信号在理解与脑功能和脑相关疾病的电活动方面发挥着重要作用。典型的脑电信号分析流程如下：(1)数据采集；(2)数据预处理；(3)特征提取；(4)特征选择；(5)模型训练与分类；(6)性能评估。当信号分析应用于EEG时，由于应用数字信号处理(DSP)和机器学习(ML)方法通常可以识别整个身体的状态以及大脑状态，因此特别有意义。

Carlo Matteucci和Emil Du Bois-Reymond是最先建立神经生理学的人，也是最先记录和显示大脑活动的人。后来，Hans Berger发现了大脑中的alpha波活动，他是19世纪70年代第一个使用头皮电极以电信号的形式记录大脑活动的人。Berger最终被认为是发明和测量EEG信号的人。Kornmüller关注多通道记录及其重要性，并通过使用更多的电极来扩大脑区覆盖范围。EEG分析自发现以来，为各种神经系统疾病的诊断和治疗以及中枢神经系统整体健康状况的研究带来了重大进展。

用于信号采集的EEG系统由电极、差分放大器、滤波器和寄存器组成。常用的EEG电极放置方法为10-20标准导联(见图1)。对EEG信号进行采样、量化和编码，将其转换为数字形式。由于EEG信号的有效带宽为~100Hz，因此对于大多数应用来说，200Hz的最小频率(以满足Nyquist标准)足以采集EEG信号。

图1.10-20系统电极放置。

脑电分析与应用的挑战

脑电信号分析的应用比较广泛：从疾病诊断到脑机接口(BCIs)。癫痫是脑电信号分析中研究较多的一种疾病。癫痫的特点是频繁发作，被归类为慢性神经系统疾病。EEG可用于识别癫痫发作以及癫痫的诊断，但这一过程耗时长且需要手动操作。由于手动操作存在主观性，因此可能导致诊断存在差异。这同时也促进了技术领域的创新，以开发癫痫检测的自动化方法。

脑电信号分析也被应用于脑机接口领域，这是一个快速发展的研究领域，也是一个有趣的领域，因为它为外部世界和人类大脑之间的沟通提供了桥梁。目前已被应用于辅助设备，用于恢复患者的运动，以及再训练患者以恢复运动功能。脑机接口系统的作用是分析从脑电图传入的脑电波，并将信号转换为适当的动作。然而，该领域在可用性、训练、信息传输率以及技术方面仍然存在许多挑战。

EEG的其他应用包括但不限于运动想象分类、情绪分类、心理诊断和睡眠状态分类。由于这些应用在数据采集过程中需要采集大量的EEG通道，因此需要通道冗余。已经开发了一些算法来辅助脑电信号的通道选择。通道选择有助于降低计算复杂度，减少冗余通道的过拟合以提高性能，并减少某些应用程序的设置时间。通道选择技术包括：(1)使用评估标准“过滤”通道的过滤法；(2)使用分类算法的包装法；(3)基于分类器学习过程中生成的标准来选择通道的嵌入法；以及(4)结合过滤和包装技术的混合方法。

脑电特征提取方法的发展

特征提取是信号预处理后的下一步，是生物医学信号分析的重要步骤。使用大数据已经变得越来越普遍，特别是在医疗领域，因为大数据需要多个小时的采集以及多个通道，就像EEG信号采集一样。因此，特征提取的基本目标之一是降维和数据压缩。从本质上讲，这将允许人们用更小的特征子集来表示他们的数据。这促进了机器学习(ML)和人工智能(AI)算法在分类和诊断应用中的高效使用。注意，并非所有特征都适用于给定的应用程序；理论上，“有用的”特征应该具有准确表示潜在信号的能力。

此外，需要注意的是，脑电信号携带的特性会使特征提取和信号分析过程复杂化。脑电信号具有：(a)非平稳，(b)非线性，(c)非高斯，和(d)非短形式。为了实现稳健的端到端管道，需要在特征提取过程中对这些特性加以考虑。

特征提取后进行特征选择。不同的特征组合会对管道产生不同的结果；它们可能会对以下机器学习(ML)模型的性能产生消极或积极影响。例如，如果选择不合适/低效的特征来训练模型，总体上不能很好地表示潜在信号，那么模型的性能就会下降。一个好的经验法则是选择与应用程序相关的特征来表示信号，而不是一般特征，这将确保特征能够捕获感兴趣的模式和行为。

总之，特征提取和特征选择节省了硬件和软件资源、计算时间，并降低了复杂性，所有这些都可应用于ML和基于AI的连接医疗和远程医疗领域。本文回顾了近年来应用于脑电信号的常见特征提取方法(见图2)。接下来将按一维特征提取方法和多维特征提取方法进行阐述。

图2.基本特征提取和机器学习管道展示了生物医学信号特征提取技术的发展历程。

(一)一维特征提取技术

①时域。

②频域/谱域。

③分解域。

(二)多维特征提取技术

①时频联合域。

②空间域。

特征对机器学习的重要性

在进行特征提取和特征选择之后，将特征输入到机器学习(ML)模型中。这些ML模型是为特定应用定制的，例如用于分类(疾病诊断)。ML是整个AI领域的一个子集，可以帮助优化所选择的特征。这是由开发人员在确定哪些特征对模型有积极/消极影响时完成的，并使用这些信息来优化整个管道。

在选择合适的ML算法来实现时，必须考虑所选择的应用程序/问题。这是因为对于特定的应用程序，某些模型的表现比其他模型更好。人们还必须考虑现有ML模型固有的优缺点，例如，有些模型的计算量更大，这对于实时设计来说可能不可行。在选择ML算法时，有一些一般标准需要考虑：(1)生物信号的类型，(2)特征矩阵的大小，和(3)标记数据的可用性等等。请参考图2了解简单的端到端特征提取ML管道。

开发人员可以选择有监督或无监督的ML模型。通常在医疗应用中，会选择有监督的模型。监督学习是指领域专家提供的标记数据的可用性；标记的数据作为训练过程中模型学习的基础。

无监督学习是指缺乏专家标记的数据，取而代之的是算法研究数据以找到模式来区分不同类别。然而，这种类型的学习通常不用于生物医学信号数据。这是因为生物医学信号在短时段中可以得到更好的分析；在监督学习中，可以将标签应用于单个片段。然而，在无监督学习中，ML预测标签将应用于全程信号，这是不可取的，特别是当存在需要局部特征提取而不是全局特征提取的感兴趣区域(ROI)时。

如前所述，不同的特征集产生不同的性能结果，从而使机器学习的选择和训练成为一个漫长的过程。我们应该意识到，适当特征的数量也是一个关键考虑因素，因为这可能会导致模型过拟合或欠拟合问题。

一维特征

时域特征提取

时域特征提取是一种较为原始的技术，它根据时间对信号/数据进行分析。这使得我们可以量化信号是如何随时间变化的。这在EEG信号中尤其重要，因为它们通常是在多个小时的时间范围内记录的。通常，信号的加窗和分割是时域特征提取所需的。这样，每个窗口都将提取一个局部特征，研究人员将能够查看这些特征在每个窗口上的变化情况。由于生理信号本质上是非线性和非平稳的，因此加窗和分割对于生理信号的处理尤其重要。常见的脑电时域技术包括自回归建模、基于Higuchi算法的分形维数、统计特征、去趋势波动分析。(相关推荐：时域、频域、时频特征提取技术)

频域特征提取

频域分析技术侧重于从构成数据的正弦波信号中提取特征。这通常是先从时域转换到频域，然后再做进一步的分析。时域信号及其频域对应信号的可视化如图3所示。常见的脑电频域技术包括傅里叶变换(FT)、功率谱密度(PSD)、频带功率(BP)、希尔伯特-黄变换(Hilbert-Huang transform，HHT)。

图3.脑电信号的时域和频域。

分解域特征提取

分解特征提取是有用的，因为它允许同时对信号进行滤波。其基本前提是：(1)使用选择的方法对信号进行分解；(2)选择需要的分量；(3)剔除不需要的分量。这也会导致数据压缩，使其成为更现代应用程序的理想选择。常见的脑电分解域技术包括自适应Hermite分解、局部特征尺度分解、小波变换(又包括连续小波变换(CWT)和离散小波变换(DWT))、经验模态分解(EMD)。

多维特征提取

时频域特征提取

单独使用信号的频谱和时间特征进行特征提取通常是无效的，因为它们的信号没有对应起来。为了克服单一域的局限性，时频分析技术很好地将两者进行结合。常见的脑电时频特征提取技术包括短时傅里叶变换、S-变换(morlet小波变换的延伸)、匹配追踪。

空间域特征提取

空间域特征提取，又称空间滤波，是最常用的脑电信号分类技术之一。具体来说，该技术使用了共空间模式(common spatial pattern，CSP)，即一种有监督的空间滤波器。空间滤波方法将脑电波转换到一个独特的空间。在这个独特的空间中，一组的方差被放大，而另一组的方差较小。然而，纯CSP技术存在局限性；由于受限于特定被试的最优频带，而无法达到理想的性能。因此，研究人员一直在开发CSP的变体，以克服这些局限性。基于CSP改进的方法有共空谱模式(CSSP)、共稀疏空谱模式(CSSSP)、子带共空间模式(SBCSP)、正则化共空间模式(RCSP)。

结论

本文从时域、频域、分解域、时频域和空间域等方面分析和阐述了各种脑电特征提取技术。与单独的时域和频域结果相比，分解域和时频域中的信号表征效果最好；然而，许多研究得出结论，在脑电分析和特征提取方面，空间域是最强大的。从脑电信号中提取的特征可以集成到ML管道中。然而，应该注意的是，在开发一个稳健的特征提取管道时，它必须在与ML模型集成之前生成稳健的特征并对数据进行降维。

本文首先分析了一维特征提取域。例如，自回归(AR)建模、Higuchi分形维数、统计特征提取和去趋势波动分析等常用的时域方法因其处理速度快而被广泛使用，但是它们并不总是产生最相关和最稳健的特征。大多数时域方法的计算成本较低，比如从脑电信号中提取统计特征。这意味着它们通常不会优化潜在脑电信号的表征。对于大多数频域方法亦是如此。这是因为单独的时域和频域技术无法捕获足够的细节和信息。

在频域上，FT、PSD、BP和HHT四种特征提取方法与频带功率分析一样，可以实现高精度，但计算成本较高。此外，当频率突变是脑电图信号的特征时，这些方法的可靠性会降低。

在分解域上，有小波变换和经验模态分解等经典方法，以及其他鲜为人知的方法，如AHD和LCSD。这些方法更具适应性、高效和准确，但计算速度较慢。离散小波变换(DWT)具有时变尺度(与频率呈负相关)表征，克服了之前讨论的单一域的局限性。当进行多维特征提取时，联合时频域进一步克服了这一问题。

时频联合域同时观察时域和频域的特征，从而从脑电信号中提取更多的细节和信息。这将有更高的效率(如STFT方法)和更好的性能精度(如MP方法)。但是，使用这些方法，必须找到时间和频率分辨率的平衡，因为两者之间存在明显的权衡；即随着一个增加，另一个将减少。

空间域被认为是脑电特征提取最相关的域，它允许将脑电波转换到一个独特的空间进行方差分析。共空间模式(CSP)方法具有广泛的应用前景，而且基于CSP改进的方法包括CSSP、CSSSP、SBCSP和RCSP等，这些方法都优于传统的CSP方法，精度更高，并克服了CSP的局限性。然而，这些方法中的大多数计算成本很高。为了便于参考，图4中总结了所有方法。

图4.脑电特征提取技术概览图。

图4中总结的每一种方法都有其优点和缺点(参见表1-5)，在执行和测试期间，研究人员需要权衡这些优缺点。虽然分解域、时频域和空间域能够提供脑电信号平均的最佳表征，但其他域的方法仍然很重要，根据研究应用或要解决的问题而具体分析。

表1.脑电时域特征提取方法总结。

方法	示例应用	优点	缺点
自回归(AR)建模	脑电伪迹分类； 心理任务分类； 驾驶员疲劳分级	对脑电信号的特征峰谱(高频谱分辨率)进行建模； 全极点模型，这意味着它可以有效地解决频谱的急剧变化	模型阶数的选择具有挑战性；如果太低，它将不能很好地表示数据，如果太高，将会包含噪声
基于Higuchi算法的分形维数	情绪识别	非平稳、非线性数据特征提取的有效方法	该方法的精度尚未优化
统计特征	增强BCI-机器智能系统的情绪智力	实现简单，计算成本低	统计特征可以用于多种类型的数据，但可能并不总是生理信号的最佳选择
去趋势波动分析法	重度抑郁症患者(MDD)的分类	能够有效区分MDD患者和健康对照组，允许仅基于脑电数据进行诊断	由于样本量小，结果不能推广到更广泛的人群

表2.脑电信号频域特征提取方法总结。

方法	示例应用	优点	缺点
傅里叶变换	睡眠阶段/脑电波分类	易于实现，计算成本低，速度快	频谱估计不理想，不能用于短时脑电信号的分析
功率谱密度	BCI系统中的光标移动	计算成本低； 具有多用途的功能，可提高精度	非平稳信号检测困难
频带功率	BCI轮椅控制	精度高	由于对脑电信号每0.1s进行一次特征提取和分类，计算量很大
Hilbert-Huang变换/Hilbert变换	精神分裂症检测	能够确定信号的瞬时频率和功率； 具有分析非线性和非平稳信号的能力； 保留了时频分析中的时间信息	当时间序列信号出现频率突变时，会产生不确定结果的倾向

表3.脑电分解域特征提取方法总结。

方法	示例应用	优点	缺点
自适应Hermite分解	睡意/疲劳检测	自适应方法，允许更准确的检测	寻找最优的阶数和膨胀因子是一个挑战
局部特征尺度分解	运动想象脑电信号分类	有效地减少冗余特征	耗时
连续小波变换	脑电痴呆患者的自动分类	高分类精度； 提供有关频率内容如何随时间变化的信息	计算速度比离散小波变换(DWT)慢
离散小波变换	BCIs的P300事件相关电位(ERP)检测	能够同时实现时域和频域的最佳分辨率； 提高了计算速度	自适应母小波识别需要被试间分析
经验模态分解	脑电信号去噪与预处理	自适应和高效率的结果提高了频谱分辨率； 非常适合于非平稳和非线性信号	从IMFs中提取正确的特征具有挑战性，需要更多的数据驱动研究

表4.脑电时频域特征提取方法总结。

方法	示例应用	优点	缺点
短时傅里叶变换	BCIs的运动想象脑电信号分类	能够有效地检测线性时不变系统及其时域局部化模态频率	由于窗长固定，无法表示各种分辨率； 时频分辨率差
S-变换	脑电信号的分类——癫痫	采用可变高斯窗作为相位校正小波变换	计算复杂度高； 与其他分布函数相比，清晰度较低
匹配追踪	脑电信号的分类——癫痫和其他神经系统疾病	与其他主要方法相比，该方法具有灵活性； 高分辨性能	贪婪且计算成本较高

表5.脑电空间域特征提取方法总结。

方法	示例应用	优点	缺点
共空间模式	基于振荡活动的BCIs	有助于改善振荡活动(OA)-BCI性能	忽略了OA所需的频率信息； 由于受限于特定被试的最优频带，而无法达到理想的高效性能； 同频重叠覆盖会导致两个或多个信号下行互相干扰，性能会受到影响
共空谱模式	BCIs中基于EEG的回归问题	克服了纯CSP算法所面临的局限性	计算耗时
共稀疏空谱模式	改进BCI	在大多数情况下，CSSSP算法优于它的前身CSSP算法	随着转置运算T的增加，(频率滤波器的)复杂度必须保持在可控范围内，以避免过拟合
子带共空间模式	多类脑电运动想象分类	提高了精度	最佳通道选择需要进一步的研究
正则化共空间模式	基于运动想象的BCI系统通道选择	通过选择相关通道来提高分类精度； 最小化时间复杂度，最大化特征提取效率	计算耗时

参考文献（上下滑动查看）：

Abdulkader, S. N., Atia, A., and Mostafa, M. M. (2015). Brain computer interfacing: applications and challenges. Egypt. Inform. J. 16, 213–230. doi: 10.1016/j.eij.2015.06.002

Alotaiby, T., El-Samie, F. E. A., Alshebeili, S. A., and Ahmad, I. (2015). A review of channel selection algorithms for EEG signal processing. EURASIP J. Adv. Signal Process. 1, 2015. doi: 10.1186/s13634-015-0251-9

Azlan, W. A. W., and Low, Y. F. (2014). “Feature extraction of electroencephalogram (EEG) signal - a review,” in 2014 IEEE Conference on Biomedical Engineering and Sciences (IECBES) (Kuala Lumpur: IEEE), 801–806. doi: 10.1109/IECBES.2014.7047620

Boonyakitanont, P., Lek-uthai, A., Chomtho, K., Songsiri, J. (2020). A review of feature extraction and performance evaluation in epileptic seizure detection using EEG. Biomed. Signal Process. Control 57, 101702. doi: 10.1016/j.bspc.2019.101702

Bourien, J., Bellanger, J. J., Bartolomei, F., Chauvel, P., and Wendling, F. (2021). EEG signal analysis for epileptic seizures detection by applying Data Mining techniques. Internet Things 14, 100048. doi: 10.1016/j.iot.2019.03.002

Chai, R, Naik, G. R, Nguyen, T. N, Ling, S. H, Tran, Y, Craig, A, et al. (2017). Driver fatigue classification with independent component by entropy rate bound minimization analysis in an EEG-based system. IEEE J. Biomed. Health Inform. 21, 715–724. doi: 10.1109/JBHI.2016.2532354

Chakladar, D. D., Chakraborty, S. (2018). Multi-target way of cursor movement in brain computer interface using unsupervised learning. Biol. Inspired Cogn. Arch. 25, 88–100. doi: 10.1016/j.bica.2018.06.001

Delimayanti, M. K., Purnama, B., Giang, N. N., Mahmudah, K. R., et al. (2020). Classification of brainwaves for sleep stages by high-dimensional FFT features from EEG signals. Appl. Sci. 10, 1797. doi: 10.3390/app10051797

Dornhege, G., Blankertz, B., Krauledat, M., Losch, F., Curio, G., Müller, K.- R., et al. (2006). Combined optimization of spatial and temporal filters for improving brain-computer interfacing. IEEE Trans. Biomed. Eng. 53, 2274–2281. doi: 10.1109/TBME.2006.883649

Fernández-Rodríguez, Á., Velasco-Álvarez, F., and Ron-Angevin, R. (2016). Review of real brain-controlled wheelchairs. J. Neural Eng. 13, 061001. doi: 10.1088/1741-2560/13/6/061001

Guo, S., Lin, S., and Huang, Z. (2015). “Feature extraction of P300s in EEG signal with discrete wavelet transform and fisher criterion,” in 2015 8th International Conference on Biomedical Engineering and Informatics (BMEI) (Shenyang: IEEE), 200−204. doi: 10.1109/BMEI.2015.7401500

Ha, K.-W. and Jeong, J.-W. (2019). Motor imagery EEG classification using capsule networks. Sensors 19, 2854. doi: 10.3390/s19132854

Haddad, R. A. and Akansu, A. N. (1993). Time-frequency localization in transforms, subbands, and wavelets: a critical review. Opt. Eng. 32, 1411. doi: 10.1117/12.138550

Ieracitano, C., Mammone, N., Hussain, A., and Morabito, F. C. (2020). A novel multimodal machine learning based approach for automatic classification of EEG recordings in dementia. Neural Netw. 123, 176–190. doi: 10.1016/j.neunet.2019.12.006

Jin, J., Miao, Y., Daly, I., Zuo, C., Hu, D., Cichocki, A., et al. (2019). Correlation-based channel selection and regularized feature optimization for MI-based BCI. Neural Netw. 118, 262–270. doi: 10.1016/j.neunet.2019.07.008

Kaur, B., Singh, D., and Roy, P. P. (2018). EEG based emotion classification mechanism in BCI. Procedia Comput. Sci. 132, 752–758. doi: 10.1016/j.procs.2018.05.087

Khan, J., Bhatti, M. H., Khan, U. G., and Iqbal, R. (2019). Multiclass EEG motorimagery classification with sub-band common spatial patterns. EURASIP J. Wirel. Commun. Netw. 2019, 174. doi: 10.1186/s13638-019-1497-y

Krishnan, S. (2021). Signal Analysis for Connected Healthcare. Cambridge, MA: Academic Press. doi: 10.1016/B978-0-12-813086-5.00005-0

Krishnan, S., and Athavale, Y. (2018). Trends in biomedical signal feature extraction. Biomed. Signal Process. Control 43, 41–63. doi: 10.1016/j.bspc.2018.02.008

Lawhern, V., Hairston, W. D., McDowell, K., Westerfield, M., and Robbins, K. (2012). Detection and classification of subject-generated artifacts in EEG signals using autoregressive models. J. Neurosci. Methods 208, 181–189. doi: 10.1016/j.jneumeth.2012.05.017

Liu, A., Chen, K., Liu, Q., Ai, Q., Xie, Y., Chen, A., et al. (2017). Feature selection for motor imagery EEG classification based on firefly algorithm and learning automata. Sensors 17, 2576. doi: 10.3390/s17112576

Mandel, C., Luth, T., Laue, T., Rofer, T., Graser, A., Krieg-Bruckner, B., et al. (2009). “Navigating a smart wheelchair with a brain-computer interface interpreting steady-state visual evoked potentials,” in 2009 IEEE/RSJ International Conference on Intelligent Robots and Systems (St. Louis, MO: IEEE), 1118–1125. doi: 10.1109/IROS.2009.5354534

Mumtaz, W., Malik, A. S., Ali, S. S. A., Yasin, M. A. M., and Amin, H. (2015). Detrended fluctuation analysis for major depressive disorder. Annu. Int. Conf. IEEE Eng. Med. Biol. Soc. 2015, 4162–4165. doi: 10.1109/EMBC.2015.7319311

Picard, R. W., Vyzas, E., and Healey, J. (2001). Toward machine emotional intelligence: analysis of affective physiological state. IEEE Trans. Pattern Anal. Mach. Intell. 23, 1175–1191. doi: 10.1109/34.954607

Rashid, M, Sulaiman, N, Majeed, A. P. P. A, Musa, R. M, Nasir, A. F. A, Bari, B. S, et al. (2020). Current status, challenges, and possible solutions of EEGbased brain-Computer Interface: a comprehensive review. Front. Neurorobot. 14, 25. doi: 10.3389/fnbot.2020.00025

Reddy, T. K., Arora, V., Behera, L., Wang, Y.-K., and Lin, C.-T. (2019). Multiclass fuzzy time-delay common spatio-spectral patterns with fuzzy information theoretic optimization for EEG-based regression problems in brain–computer interface (BCI). IEEE Trans. Fuzzy Syst. 27, 1943–1951. doi: 10.1109/TFUZZ.2019.2892921

Rutkowski, G., Patan, K., and Le´sniak, P. (2013). “Comparison of timefrequency feature extraction methods for EEG signals classification,” in Artificial Intelligence and Soft Computing, eds L. Rutkowski, M. Korytkowski, R. Scherer, R.Tadeusiewicz, L. A. Zadeh, and J. M. Zurada (Berlin; Heidelberg: Springer), 320–329. doi: 10.1007/978-3-642-38610-7_30

Sanei, S., and Chambers, J. A. (2021). EEG Signal Processing and Machine Learning, 2nd ed. Hoboken, NJ: John Wiley & Sons Inc. doi: 10.1002/9781119386957

Song, Z., Fang, T., Ma, J., Zhang, Y., Le, S., Gege, Z., et al. (2021). Evaluation and diagnosis of brain diseases based on non-invasive BCI,” in 2021 9th International Winter Conference on Brain-Computer Interface (BCI) (Gangwon: IEEE), 1–6. doi: 10.1109/BCI51272.2021.9385291

Subasi, A. (2019). “Feature extraction and dimension reduction,” in Practical Guide for Biomedical Signals Analysis Using Machine Learning Techniques, ed A. Subasi (San Diego, CA: Elsevier), 193–275. doi: 10.1016/B978-0-12-817444-9.00004-0

Taran, S., and Bajaj, V. (2018). Drowsiness detection using adaptive Hermite decomposition and extreme learning machine for electroencephalogram signals. IEEE Sens. J. 18, 8855–8862. doi: 10.1109/JSEN.2018.2869775

Zhang, D.-X., Wu, X.-P., and Guo, X.-J. (2008). “The EEG signal preprocessing based on empirical mode decomposition,” in 2008 2nd International Conference on Bioinformatics and Biomedical Engineering (Shanghai: IEEE), 2131–2134. doi: 10.1109/ICBBE.2008.862

Zhang, Y., Ji, X., and Zhang, Y. (2015). “Classification of EEG signals based on AR model and approximate entropy,” in 2015 International Joint Conference on Neural Networks (IJCNN) (Killarney: IEEE), 1–6. doi: 10.1109/IJCNN.2015.7280840