Доступ открыт Открытый доступ  Доступ закрыт Только для подписчиков

Математическая модель выделения паттернов сложных многоканальных сигналов в применении к обработке электроэнцефалографических данных


https://doi.org/10.31799/1684-8853-2018-4-39-44

Полный текст:


Аннотация

Введение: в настоящее время исследование реальных систем опирается на обработку больших объeмов экспериментальных данных. Распознавание коротких колебательных паттернов, соответствующих различным состояниям сложных нестационарных систем, требует новых методов обработки.

Цель: разработка математической модели для объективного и независимого от экспертных оценок распознавания паттернов, соответствующих различным состояниям реальных систем.

Результаты: предложен новый метод моделирования коротких колебательных событий (паттернов) для сложных нестационарных многоканальных данных. Описано применение модели на основе подхода непрерывного вейвлет-преобразования. В автоматическом режиме может осуществляться поиск искомых состояний активности мозга человека для анализа длительных ЭЭГ-регистраций. Применение представленной математической модели демонстрируется на примере обработки человеческих ЭЭГ-сигналов, регистрируемых неинвазивным методом в затылочной зоне скальпа. Показано успешное распознавание различных состояний человека, основанное на анализе электроэнцефалографических данных проекции зрительного анализатора. Описан анализ различных паттернов в экспериментальных данных, соответствующих активному состоянию зрительного распознавания объектов.

Практическое применение: использование описанной математической модели может быть рекомендовано для обработки нейрофизиологических данных. 


Об авторе

Е. А. Руннова
Саратовский государственный технический университет им. Гагарина Ю. А.
Россия

канд. физ.-мат. наук, доцент.

Политехническая ул., 77, Саратов, 410054.



Список литературы

1. Maksimenko V. A., Lüttjohann Annika, Makarov V. V., Goremyko M. V., Koronovskii A. A., Nedaivozov V., Runnova A. E., van Luijtelaar Gilles, Hramov A. E., Boccaletti S. Macroscopic and Microscopic Spectral Properties of Brain Networks During Local and Global Synchronization. Physical Review E, 2017, vol. 96, 012316. doi:10.1103/PhysRevE.96.012316

2. Hramov A. E., Koronovskii A. A., Ponomarenko V. I., and Prokhorov M. D. Detecting Synchronization of Self-sustained Oscillators by External Driving with Varying Frequency. Phys. Rev. E, 2006, vol. 73, iss. 2, 026208.

3. Sitnikova E., Hramov A. E., Grubov V., and Koronovsky A. A. Time-frequency Characteristics and Dynamics of Sleep Spindles in WAG/Rij Rats with Absence Epilepsy. Brain Research, 2014, vol. 1543, pp. 290–299.

4. Kobayashi K., James C. J., Nakahori T., Akiyama T., Gotman J. Isolation of Epileptiform Discharges from Unaveraged EEG by Independent Component Analysis. Journal of Clinical Neurophysiology, 1999, no. 10 (110), pp. 1755–1763.

5. Hramov A. E., Kharchenko A. A., Makarov V. V., Khramova M. V., Koronovskii A. A., Pavlov A. N., and Dana S. K. Analysis of the Characteristics of the Synchronous Clusters in the Adaptive Kuramoto Network and Neural Network of the Epileptic Brain. Proc. SPIE, 2016, vol. 9917, 991725.

6. Gotman J., Skuce D. R., Thompson C. J., Gloor P., Ives J. R., Ray W. F. Clinical Applications of Spectral Analysis and Extraction of Features from Electroencephalograms with Slow Waves in Adult Patients. Electroencephalography and Clinical Neurophysiology, 1973, no. 35, pp. 225–235.

7. Hramov A. E., Koronovskii A. A., Makarov V. A., Pavlov A. N., and Sitnikova E. Wavelets in Neuroscience. Springer Series in Synergetics. Springer-Verlag Berlin Heidelberg, 2015. 318 p.

8. Nunez P. L. and Srinivasan R. Electric Fields of the Brain: the Neurophysics of EEG. Oxford Univ. Press, 2006.

9. Ebersole J. S., Husain A. M., and Nordli D. R. Current Practice of Clinical Electroencephalography. Wolters Kluwer, 2014. 661 p.

10. Luders H. and Noachtar S. Atlas and Classification of Electroencephalography. W. B. Saunders, Philadelphia, 2000.

11. Blake R., Logothetis N. K. Visual Competition. Nature Reviews Neuroscience, 2002, no. 3(1), pp. 13–21.

12. Necker L. A. Observations on Some Remarkable Phenomena Seen in Switzerland; and an Optical Phenomenon which Occurs on Viewing of a Crystal or Geometrical Solid. Philos. Mag., 1832, no. 3, pp. 329– 343.

13. Schwartz J.-L., Grimault N., Hupe J.-M., Moore B. C. J., Pressnitzer D. Multistability in Perception: Binding Sensory Modalities, an Overview. Philos. Trans. R Soc. B, 2012, vol. 367, pp. 896–905.

14. Cao R., Braun J., Mattia M. Stochastic Accumulation by Cortical Columns May Explain the Scalar Property of Multistable Perception. Phys. Rev. Lett., 2014, vol. 113, 098103-1–5.

15. Leopold D. A., Logothetis N. K. Multistable Phenomena: Changing Views in Perception. Trends Cognit. Sci., 1999, no. 3(7), pp. 254–264.

16. Zeki S. The Neurology of Ambiguity. Conscious. Cogn., 2004, vol. 13(1), pp. 173–196.

17. World Medical Association (2000) Declaration of Helsinki: Ethical Principles for Medical Research Involving Human Subjects. The Journal of the American Medical Association, 2000, vol. 284, no. 23, pp. 3043–3045.

18. Jasper H. H. The Ten-twenty Electrode System of the International Federation. Electroencephalography and Clinical Neurophysiology, 1958, no. 10, pp. 371–375.

19. Sterzer P., Kleinschmidt A., Rees G. The Neural bases of Multistable Perception. Trends in Cognitive Sciences, 2009, no. 13, pp. 310–318.

20. Maksimenko V. A., Runnova A. E., Zhuravlev M. O., Makarov V. V., Nedayvozov V. O., Grubov V. V., Pchelintceva S. V., Hramov A. E., Pisarchik A. N. Visual Perception Affected by Motivation and Alertness Controlled by a Noninvasive Brain-Computer Interface. PLOS ONE, 2017, vol. 12, 12 Article 0188700.

21. Hramov A. E., Maksimenko V. A., Pchelintseva S. V., Runnova A. E., Grubov V. V., Musatov V. Yu., Zhuravlev M. O., Koronovskii A. A., Pisarchik A. N. Classifying the Perceptual Interpretations of a Bistable Image using EEG and Artificial Neural Networks. Frontiers in Neuroscience, 2017, vol. 11, no. 674, pp. 1–18.

22. Klimesch W. Alpha-band Oscillations, Attention, and Controlled Access to Stored Information. Trends Cogn Sci., 2012, vol. 16(12), pp. 606–617.

23. Sacchet M. D., et al. Attention Drives Synchronization of Alpha and Beta Rhythms between Right Inferior Frontal and Primary Sensory Neocortex. J Neurosci, 2015, vol. 35(5), pp. 2074–2082.

24. Pressnitzer D., Hupe´ J. M. Temporal Dynamics of Auditory and Visual Bistability Reveal Common Principles of Perceptual Organization. Curr. Biol., 2006, vol. 16, pp. 1351–1357.

25. Ikkai A., Dandekar S., Curtis C. E. Lateralization in Alpha-band Oscillations Predicts the Locus and Spatial Distribution of Attention. PLOS ONE, 2016, vol. 11(5), p. e0154796.

26. Gola M., et al. EEG Beta Band Activity is Related to Attention and Attentional Deficits in the Visual Performance of Elderly Subjects. International Journal of Psychophysiology, 2013, vol. 89(3), pp. 334–341.


Дополнительные файлы

Для цитирования: Руннова Е.А. Математическая модель выделения паттернов сложных многоканальных сигналов в применении к обработке электроэнцефалографических данных. Информационно-управляющие системы. 2018;(4):39-44. https://doi.org/10.31799/1684-8853-2018-4-39-44

For citation: Runnova A.E. Mathematical model of pattern selection for complex multichannel data in EEG processing. Information and Control Systems. 2018;(4):39-44. https://doi.org/10.31799/1684-8853-2018-4-39-44

Просмотров: 108


Creative Commons License
Контент доступен под лицензией Creative Commons Attribution 4.0 License.


ISSN 1684-8853 (Print)
ISSN 2541-8610 (Online)