✖


Jump to content

ЭЭГ-анализ

В анализе ЭЭГ используются методы математического анализа сигналов и компьютерные технологии для извлечения информации из сигналов электроэнцефалографии (ЭЭГ). Цель анализа ЭЭГ – помочь исследователям лучше понять работу мозга ; помогать врачам в постановке диагноза и выборе лечения ; и развивать технологию интерфейса «мозг-компьютер» (BCI). Существует много способов грубо классифицировать методы анализа ЭЭГ. Если математическая модель используется для соответствия выбранным сигналам ЭЭГ, [1] метод можно отнести к категории параметрических , в противном случае это непараметрический метод. Традиционно большинство методов анализа ЭЭГ делятся на четыре категории: временная область , частотная область , частотно-временная область и нелинейные методы. [2] Существуют и более поздние методы, включая глубокие нейронные сети (DNN).

Хотя для исследователей чрезвычайно важно выбрать подходящие методы анализа ЭЭГ в соответствии с целями их исследования и результатами, которые они хотят получить, завершенные исследования обеспечивают основу для будущих исследований, помогают решить существующие проблемы и подготавливают почву для будущих исследований. 

Методы

[ редактировать ]

Методы частотной области

[ редактировать ]

Анализ частотной области, также известный как спектральный анализ, является наиболее традиционным, но одним из самых мощных и стандартных методов анализа ЭЭГ. Он дает представление об информации, содержащейся в частотной области сигналов ЭЭГ, путем применения статистических методов и методов преобразования Фурье . [3] Среди всех спектральных методов наиболее часто используется спектральный анализ мощности, поскольку спектр мощности отражает «частотный состав» сигнала или распределение мощности сигнала по частоте. [4] Этот метод можно использовать для исследования энергетических изменений различных частотных компонентов сигналов ЭЭГ во время анализа ЭЭГ. Его целесообразно использовать при изучении неврологических заболеваний и в науке о мозге, поскольку эти состояния могут вызывать изменения энергии ЭЭГ во время изменений состояния, таких как изменения фазы сна, судорог и эмоциональных состояний. [5]

Методы временной области

[ редактировать ]

Существует два важных метода анализа ЭЭГ во временной области: линейное прогнозирование и компонентный анализ . Как правило, линейное прогнозирование дает расчетное значение, равное линейной комбинации прошлого выходного значения с текущим и прошлым входным значением. А анализ компонентов — это неконтролируемый метод, в котором набор данных сопоставляется с набором функций. [6] Примечательно, что параметры методов во временной области полностью основаны на времени, но их также можно извлечь из статистических моментов спектра мощности. В результате метод временной области строит мост между интерпретацией физического времени и традиционным спектральным анализом. [7] Кроме того, методы во временной области предлагают способ оперативного измерения основных свойств сигнала посредством расчета на основе времени, что требует менее сложного оборудования по сравнению с традиционным частотным анализом. [8]

Методы частотно-временной области

[ редактировать ]

Частотно-временной анализ обычно выполняется с использованием вейвлет-преобразования (WT) , эмпирического модового разложения (EMD), распределения Вигнера-Вилля (WVD) и кратковременного преобразования Фурье (STFT). [9]

WT , типичный метод частотно-временной области, может извлекать и представлять свойства переходных биологических сигналов. В частности, посредством вейвлет-разложения записей ЭЭГ можно точно зафиксировать и локализовать переходные характеристики как во временном, так и в частотном контексте. [10] Таким образом, WT подобен математическому микроскопу, который может анализировать различные масштабы нейронных ритмов и исследовать мелкомасштабные колебания сигналов мозга, игнорируя вклад других масштабов. [11] [12] Помимо WT , существует еще один известный частотно-временной метод, называемый преобразованием Гильберта-Хуанга , который может разлагать сигналы ЭЭГ на набор колебательных компонентов, называемых функцией внутреннего режима (IMF), для сбора данных о мгновенной частоте. [13] [14]

Нелинейные методы

[ редактировать ]

Многие явления в природе нелинейны и нестационарны, как и сигналы ЭЭГ. Этот атрибут усложняет интерпретацию сигналов ЭЭГ, ограничивая линейные методы (упомянутые выше). С 1985 года, когда два пионера нелинейного анализа ЭЭГ, Рапп и Боблоянц, опубликовали свои первые результаты, теория нелинейных динамических систем, также называемая « теорией хаоса », стала широко применяться в области анализа ЭЭГ. [15] Для проведения нелинейного анализа ЭЭГ исследователи использовали множество полезных нелинейных параметров, таких как показатель Ляпунова , размерность корреляции и энтропии, такие как приблизительная энтропия и выборочная энтропия . [16] [17]

методы ИНС

[ редактировать ]

​​реализация искусственных нейронных сетей Представлена (ИНС) для классификации сигналов электроэнцефалограммы (ЭЭГ). В большинстве случаев данные ЭЭГ включают предварительную обработку вейвлет-преобразования перед передачей в нейронные сети. [18] [19] RNN ( рекуррентные нейронные сети ) когда-то широко применялись в исследованиях реализации ИНС в анализе ЭЭГ. [20] [21] До бума глубокого обучения и CNN ( сверточных нейронных сетей ) метод CNN становится новым фаворитом в недавних исследованиях анализа ЭЭГ с использованием глубокого обучения. Благодаря сокращенному обучению глубокой CNN для достижения конкурентоспособной точности набора данных глубокая CNN продемонстрировала превосходную производительность декодирования. [22] Более того, большие данные ЭЭГ, поступающие в ИНС, требуют безопасного хранения и высоких вычислительных ресурсов для обработки в реальном времени. Для решения этих проблем было предложено и представлено облачное глубокое обучение для анализа больших данных ЭЭГ в реальном времени. [23]

Приложения

[ редактировать ]

ЭЭГ, неинвазивная процедура, используется для регистрации активности мозга в когнитивных исследованиях, различных клинических приложениях и интерфейсах мозг-компьютер (BCI). Запись ЭЭГ — это легко переносимый метод для различных клинических применений, а также открытый для применения в различных областях, поскольку он напрямую измеряет коллективную нейронную активность. [24]

С точки зрения стоимости запись ЭЭГ считается менее дорогой, чем другие неинвазивные технологии записи сигналов мозга, такие как функциональная магнитно-резонансная томография (фМРТ), магнитоэнцефалография (МЭГ) и спектроскопия ближнего инфракрасного диапазона (NIRS). [25]

Клинический

[ редактировать ]

Анализ ЭЭГ широко используется в диагностике и оценке заболеваний головного мозга. В области эпилептических припадков выявление эпилептиформных разрядов на ЭЭГ является важным компонентом диагностики эпилепсии. Тщательный анализ записей ЭЭГ может дать ценную информацию и улучшить понимание механизмов, вызывающих эпилептические расстройства. [26] Кроме того, анализ ЭЭГ также очень помогает в выявлении болезни Альцгеймера . [27] тремор и т. д.

BCI (интерфейс мозг-компьютер)

[ редактировать ]

Записи ЭЭГ во время правого и левого воображения движений позволяют установить новый канал связи. [28] На основе анализа ЭЭГ в реальном времени с пространственными паттернами, специфичными для субъекта, интерфейс мозг-компьютер (BCI) можно использовать для разработки простого двоичного ответа для управления устройством.

Подходы BCI на основе ЭЭГ, а также достижения в области машинного обучения и других технологий, таких как беспроводная запись, направлены на то, чтобы внести вклад в повседневную жизнь людей с ограниченными возможностями и значительно улучшить их качество жизни. [29] Такой BCI на основе ЭЭГ может помочь, например, пациентам с боковым амиотрофическим склерозом при выполнении некоторых повседневных действий.

Инструмент анализа

[ редактировать ]

Brainstorm — это совместное приложение с открытым исходным кодом, предназначенное для анализа записей мозга, включая МЭГ, ЭЭГ, fNIRS , ECoG , глубинные электроды и инвазивную нейрофизиологию животных. [30] Цель Brainstorm — поделиться с научным сообществом полным набором удобных в использовании инструментов, использующих МЭГ/ЭЭГ в качестве экспериментального метода. Brainstorm предлагает богатый и интуитивно понятный графический интерфейс для врачей и исследователей, не требующий каких-либо знаний программирования. Некоторые другие программы для анализа с открытым исходным кодом включают FieldTrip и т. д.

Другие

[ редактировать ]

В сочетании с анализом мимики анализ ЭЭГ предлагает функцию непрерывного обнаружения эмоций, которую можно использовать для поиска эмоциональных следов видео. [31] Некоторые другие приложения включают в себя картирование мозга на основе ЭЭГ, персонализированный шифратор на основе ЭЭГ, систему аннотаций изображений на основе ЭЭГ и т. д.

См. также

[ редактировать ]

Ссылки

[ редактировать ]
  1. ^ Парди, Дж.; Робертс, С.; Тарасенко, Л. (январь 1996 г.). «Обзор методов параметрического моделирования для анализа ЭЭГ». Медицинская инженерия и физика . 18 (1): 2–11. CiteSeerX   10.1.1.51.9271 . дои : 10.1016/1350-4533(95)00024-0 . ISSN   1350-4533 . ПМИД   8771033 .
  2. ^ Ачарья, У. Раджендра; Винита Шри, С.; Свапна, Г.; Мартис, Рошан Джой; Сури, Джасджит С. (июнь 2013 г.). «Автоматизированный ЭЭГ-анализ эпилепсии: обзор». Системы, основанные на знаниях . 45 : 147–165. дои : 10.1016/j.knosys.2013.02.014 . ISSN   0950-7051 .
  3. ^ Ачарья, У. Раджендра; Винита Шри, С.; Свапна, Г.; Мартис, Рошан Джой; Сури, Джасджит С. (июнь 2013 г.). «Автоматизированный ЭЭГ-анализ эпилепсии: обзор». Системы, основанные на знаниях . 45 : 147–165. дои : 10.1016/j.knosys.2013.02.014 . ISSN   0950-7051 .
  4. ^ Дресслер, О.; Шнайдер, Г.; Стокманнс, Г.; Кохс, EF (декабрь 2004 г.). «Осознание и спектр мощности ЭЭГ: анализ частот» . Британский журнал анестезии . 93 (6): 806–809. дои : 10.1093/bja/aeh270 . ISSN   0007-0912 . ПМИД   15377585 .
  5. ^ Огилви, Роберт Д.; Саймонс, Иэн А.; Кудерян, Роксана Х.; Макдональд, Томас; Рустенбург, Джон (январь 1991 г.). «Поведенческий, связанный с событиями потенциал и изменения ЭЭГ/БПФ в начале сна». Психофизиология . 28 (1): 54–64. дои : 10.1111/j.1469-8986.1991.tb03386.x . ISSN   0048-5772 . ПМИД   1886964 .
  6. ^ Ачарья, У. Раджендра; Винита Шри, С.; Свапна, Г.; Мартис, Рошан Джой; Сури, Джасджит С. (июнь 2013 г.). «Автоматизированный ЭЭГ-анализ эпилепсии: обзор». Системы, основанные на знаниях . 45 : 147–165. дои : 10.1016/j.knosys.2013.02.014 . ISSN   0950-7051 .
  7. ^ Хьёрт, Бо (сентябрь 1970 г.). «Анализ ЭЭГ на основе свойств временной области». Электроэнцефалография и клиническая нейрофизиология . 29 (3): 306–310. дои : 10.1016/0013-4694(70)90143-4 . ISSN   0013-4694 . ПМИД   4195653 .
  8. ^ Хьёрт, Бо (сентябрь 1970 г.). «Анализ ЭЭГ на основе свойств временной области». Электроэнцефалография и клиническая нейрофизиология . 29 (3): 306–310. дои : 10.1016/0013-4694(70)90143-4 . ISSN   0013-4694 . ПМИД   4195653 .
  9. ^ Чжан, Юн; Лю, Бо; Цзи, Сяоминь; Хуан, Дэн (апрель 2017 г.). «Классификация сигналов ЭЭГ на основе авторегрессионной модели и вейвлет-пакетного разложения» . Нейронная обработка писем . 45 (2): 365–378. дои : 10.1007/s11063-016-9530-1 . ISSN   1370-4621 .
  10. ^ Адели, Ходжат; Чжоу, Цзыцинь; Дадмер, Нахид (февраль 2003 г.). «Анализ записей ЭЭГ у больного эпилепсией с использованием вейвлет-преобразования». Журнал методов нейробиологии . 123 (1): 69–87. дои : 10.1016/s0165-0270(02)00340-0 . ISSN   0165-0270 . ПМИД   12581851 . S2CID   30980416 .
  11. ^ Адели, Ходжат; Чжоу, Цзыцинь; Дадмер, Нахид (февраль 2003 г.). «Анализ записей ЭЭГ у больного эпилепсией с использованием вейвлет-преобразования». Журнал методов нейробиологии . 123 (1): 69–87. дои : 10.1016/s0165-0270(02)00340-0 . ISSN   0165-0270 . ПМИД   12581851 . S2CID   30980416 .
  12. ^ Хазарика, Н.; Чен, JZ; А Чунг Цой; Сергеев А. (1997). «Классификация сигналов ЭЭГ с использованием вейвлет-преобразования». Материалы 13-й Международной конференции по цифровой обработке сигналов . Том. 1. ИИЭР. стр. 89–92. дои : 10.1109/icdsp.1997.627975 . ISBN  978-0780341371 .
  13. ^ Ачарья, У. Раджендра; Винита Шри, С.; Свапна, Г.; Мартис, Рошан Джой; Сури, Джасджит С. (июнь 2013 г.). «Автоматизированный ЭЭГ-анализ эпилепсии: обзор». Системы, основанные на знаниях . 45 : 147–165. дои : 10.1016/j.knosys.2013.02.014 . ISSN   0950-7051 .
  14. ^ Пигорини, Андреа; Казали, Аденауэр Г.; Казаротто, Сильвия; Феррарелли, Фабио; Базелли, Джузеппе; Мариотти, Маурицио; Массимини, Марчелло; Розанова, Марио (июнь 2011 г.). «Временно-частотный спектральный анализ колебаний ЭЭГ, вызванных ТМС, с помощью преобразования Гильберта – Хуанга». Журнал методов нейробиологии . 198 (2): 236–245. doi : 10.1016/j.jneumeth.2011.04.013 . ISSN   0165-0270 . ПМИД   21524665 . S2CID   11151845 .
  15. ^ Стэм, CJ (октябрь 2005 г.). «Нелинейный динамический анализ ЭЭГ и МЭГ: обзор новой области». Клиническая нейрофизиология . 116 (10): 2266–2301. CiteSeerX   10.1.1.126.4927 . дои : 10.1016/j.clinph.2005.06.011 . ISSN   1388-2457 . ПМИД   16115797 . S2CID   15359405 .
  16. ^ Ачарья, У. Раджендра; Винита Шри, С.; Свапна, Г.; Мартис, Рошан Джой; Сури, Джасджит С. (июнь 2013 г.). «Автоматизированный ЭЭГ-анализ эпилепсии: обзор». Системы, основанные на знаниях . 45 : 147–165. дои : 10.1016/j.knosys.2013.02.014 . ISSN   0950-7051 .
  17. ^ Стэм, CJ (октябрь 2005 г.). «Нелинейный динамический анализ ЭЭГ и МЭГ: обзор новой области». Клиническая нейрофизиология . 116 (10): 2266–2301. CiteSeerX   10.1.1.126.4927 . дои : 10.1016/j.clinph.2005.06.011 . ISSN   1388-2457 . ПМИД   16115797 . S2CID   15359405 .
  18. ^ Петросян, Артур; Прохоров Данил; Хоман, Ричард; Дашейф, Ричард; Вунш, Дональд (январь 2000 г.). «Прогнозирование эпилептических припадков на основе рекуррентной нейронной сети на интра- и экстракраниальной ЭЭГ». Нейрокомпьютинг . 30 (1–4): 201–218. дои : 10.1016/s0925-2312(99)00126-5 . ISSN   0925-2312 .
  19. ^ Субаси, Абдулхамит; Эрчелеби, Эргун (май 2005 г.). «Классификация сигналов ЭЭГ с использованием нейронной сети и логистической регрессии». Компьютерные методы и программы в биомедицине . 78 (2): 87–99. дои : 10.1016/j.cmpb.2004.10.009 . ISSN   0169-2607 . ПМИД   15848265 .
  20. ^ Субаси, Абдулхамит; Эрчелеби, Эргун (май 2005 г.). «Классификация сигналов ЭЭГ с использованием нейронной сети и логистической регрессии». Компьютерные методы и программы в биомедицине . 78 (2): 87–99. дои : 10.1016/j.cmpb.2004.10.009 . ISSN   0169-2607 . ПМИД   15848265 .
  21. ^ Убейли, Элиф Дерья (январь 2009 г.). «Анализ сигналов ЭЭГ с использованием методов собственных векторов/рекуррентных нейронных сетей». Цифровая обработка сигналов . 19 (1): 134–143. Бибкод : 2009DSP....19..134U . дои : 10.1016/j.dsp.2008.07.007 . ISSN   1051-2004 .
  22. ^ Ширмейстер Р.; Гемейн, Л.; Эггенспергер, К.; Хаттер, Ф.; Болл, Т. (декабрь 2017 г.). «Глубокое обучение с помощью сверточных нейронных сетей для декодирования и визуализации патологии ЭЭГ». Симпозиум IEEE по обработке сигналов в медицине и биологии (SPMB) , 2017 г. IEEE. стр. 1–7. arXiv : 1708.08012 . дои : 10.1109/spmb.2017.8257015 . ISBN  9781538648735 . S2CID   5692066 .
  23. ^ Хоссейни, Мохаммад-Парса; Солтаниан-Заде, Хамид; Елисевич, Кость; Помпили, Дарио (декабрь 2016 г.). «Облачное глубокое изучение больших данных ЭЭГ для прогнозирования эпилептических припадков». Глобальная конференция IEEE по обработке сигналов и информации (GlobalSIP) 2016 г. IEEE. стр. 1151–1155. arXiv : 1702.05192 . дои : 10.1109/globalsip.2016.7906022 . ISBN  9781509045457 . S2CID   2675362 .
  24. ^ Бьязиуччи, Андреа; Франческиелло, Бенедетта; Мюррей, Мика М. (февраль 2019 г.). «Электроэнцефалография» . Современная биология . 29 (3): Р80–Р85. Бибкод : 2019CBio...29..R80B . дои : 10.1016/j.cub.2018.11.052 . ISSN   0960-9822 . ПМИД   30721678 .
  25. ^ МакФарланд, диджей; Уолпоу, младший (01 декабря 2017 г.). «Интерфейсы мозг-компьютер на основе ЭЭГ» . Текущее мнение в области биомедицинской инженерии . Синтетическая биология и биомедицинская инженерия / Нейронная инженерия. 4 : 194–200. дои : 10.1016/j.cobme.2017.11.004 . ISSN   2468-4511 . ПМЦ   5839510 . ПМИД   29527584 .
  26. ^ Субаси, Абдулхамит; Эрчелеби, Эргун (май 2005 г.). «Классификация сигналов ЭЭГ с использованием нейронной сети и логистической регрессии». Компьютерные методы и программы в биомедицине . 78 (2): 87–99. дои : 10.1016/j.cmpb.2004.10.009 . ISSN   0169-2607 . ПМИД   15848265 .
  27. ^ Чон, Джесон; Гор, Джон С; Петерсон, Брэдли С. (май 2001 г.). «Взаимоинформационный анализ ЭЭГ у больных болезнью Альцгеймера». Клиническая нейрофизиология . 112 (5): 827–835. дои : 10.1016/s1388-2457(01)00513-2 . ISSN   1388-2457 . ПМИД   11336898 . S2CID   9851741 .
  28. ^ Гугер, К.; Рамозер, Х.; Пфурчеллер, Г. (2000). «Анализ ЭЭГ в реальном времени с пространственными паттернами для конкретного субъекта для интерфейса мозг-компьютер (BCI)». Транзакции IEEE по реабилитационной технике . 8 (4): 447–456. дои : 10.1109/86.895947 . ISSN   1063-6528 . ПМИД   11204035 . S2CID   9504054 .
  29. ^ Бьязиуччи, Андреа; Франческиелло, Бенедетта; Мюррей, Мика М. (февраль 2019 г.). «Электроэнцефалография» . Современная биология . 29 (3): Р80–Р85. Бибкод : 2019CBio...29..R80B . дои : 10.1016/j.cub.2018.11.052 . ISSN   0960-9822 . ПМИД   30721678 .
  30. ^ «Введение – Мозговой штурм» . Neuroimage.usc.edu . Проверено 16 декабря 2018 г.
  31. ^ Сулеймани, Мохаммед; Асгари-Эсфеден, Саджад; Пантич, Майя; Фу, Юн (июль 2014 г.). «Непрерывное обнаружение эмоций с помощью сигналов ЭЭГ и мимики». Международная конференция IEEE по мультимедиа и выставкам (ICME) , 2014 г. IEEE. стр. 1–6. CiteSeerX   10.1.1.649.3590 . дои : 10.1109/icme.2014.6890301 . ISBN  9781479947614 . S2CID   16028962 .

Дальнейшее чтение

[ редактировать ]
Retrieved from "https://en.wikipedia.org/w/index.php?title=EEG_analysis&oldid=1236268651"
Arc.Ask3.Ru: конец переведенного документа.
Arc.Ask3.Ru
Номер скриншота №: b5be3c2cfa5e1c68fc2d9bcafa7277c6__1721753640
URL1:https://arc.ask3.ru/arc/aa/b5/c6/b5be3c2cfa5e1c68fc2d9bcafa7277c6.html
Заголовок, (Title) документа по адресу, URL1:
EEG analysis - Wikipedia
Данный printscreen веб страницы (снимок веб страницы, скриншот веб страницы), визуально-программная копия документа расположенного по адресу URL1 и сохраненная в файл, имеет: квалифицированную, усовершенствованную (подтверждены: метки времени, валидность сертификата), открепленную ЭЦП (приложена к данному файлу), что может быть использовано для подтверждения содержания и факта существования документа в этот момент времени. Права на данный скриншот принадлежат администрации Ask3.ru, использование в качестве доказательства только с письменного разрешения правообладателя скриншота. Администрация Ask3.ru не несет ответственности за информацию размещенную на данном скриншоте. Права на прочие зарегистрированные элементы любого права, изображенные на снимках принадлежат их владельцам. Качество перевода предоставляется как есть. Любые претензии, иски не могут быть предъявлены. Если вы не согласны с любым пунктом перечисленным выше, вы не можете использовать данный сайт и информация размещенную на нем (сайте/странице), немедленно покиньте данный сайт. В случае нарушения любого пункта перечисленного выше, штраф 55! (Пятьдесят пять факториал, Денежную единицу (имеющую самостоятельную стоимость) можете выбрать самостоятельно, выплаичвается товарами в течение 7 дней с момента нарушения.)