Analiza EEG

Analiza EEG wykorzystuje matematyczne metody analizy sygnałów i technologię komputerową do wydobywania informacji z sygnałów elektroencefalograficznych (EEG). Celem analizy EEG jest pomoc naukowcom w lepszym zrozumieniu mózgu ; pomagać lekarzom w diagnozie i wyborze leczenia ; oraz usprawnienie technologii interfejsu mózg-komputer (BCI). Istnieje wiele sposobów, aby z grubsza sklasyfikować metody analizy EEG. Jeśli model matematyczny jest wykorzystywany do dopasowania próbkowanych sygnałów EEG, metodę można sklasyfikować jako parametryczną , w przeciwnym razie jest to metoda nieparametryczna. Tradycyjnie większość metod analizy EEG można podzielić na cztery kategorie: dziedzina czasu , dziedzina częstotliwości , dziedzina czasu i częstotliwości oraz metody nieliniowe . Istnieją również późniejsze metody, w tym głębokie sieci neuronowe (DNN).

Metody

Metody w dziedzinie częstotliwości

Analiza domeny częstotliwości, znana również jako analiza spektralna, jest najbardziej konwencjonalną, ale jedną z najpotężniejszych i standardowych metod analizy EEG. Daje wgląd w informacje zawarte w dziedzinie częstotliwości przebiegów EEG poprzez przyjęcie metod statystycznych i transformacji Fouriera . Spośród wszystkich metod spektralnych najczęściej stosowana jest analiza spektralna mocy, ponieważ widmo mocy odzwierciedla „zawartość częstotliwościową” sygnału lub rozkład mocy sygnału w funkcji częstotliwości.

Metody dziedziny czasu

Istnieją dwie ważne metody analizy EEG w dziedzinie czasu: predykcja liniowa i analiza składowa . Ogólnie rzecz biorąc, predykcja liniowa daje szacunkową wartość równą liniowej kombinacji przeszłej wartości wyjściowej z obecną i przeszłą wartością wejściową. Analiza komponentów to nienadzorowana metoda, w której zestaw danych jest mapowany na zestaw funkcji. Warto zauważyć, że parametry w metodach dziedziny czasu są całkowicie oparte na czasie, ale można je również wydobyć ze statystycznych momentów widma mocy. W rezultacie metoda dziedziny czasu buduje pomost między fizyczną interpretacją czasu a konwencjonalną analizą spektralną. Poza tym metody w dziedzinie czasu oferują sposób na pomiar on-line podstawowych właściwości sygnału za pomocą obliczeń opartych na czasie, co wymaga mniej złożonego sprzętu w porównaniu z konwencjonalną analizą częstotliwości.

Metody dziedziny czasu i częstotliwości

Transformacja falkowa , typowa metoda w dziedzinie czasu i częstotliwości, może wyodrębnić i przedstawić właściwości przejściowych sygnałów biologicznych. W szczególności, dzięki dekompozycji falkowej zapisów EEG, cechy przejściowe można dokładnie uchwycić i zlokalizować zarówno w kontekście czasu, jak i częstotliwości. Tak więc transformata Wavelet jest jak mikroskop matematyczny, który może analizować różne skale rytmów neuronowych i badać oscylacje sygnałów mózgowych na małą skalę, ignorując wkład innych skal. Oprócz transformacji falkowej istnieje inna znana metoda analizy czasowo-częstotliwościowej, zwana transformacją Hilberta-Huanga , która może rozłożyć sygnały EEG na zestaw składowych oscylacyjnych zwanych funkcją trybu wewnętrznego (IMF) w celu przechwytywania chwilowych danych dotyczących częstotliwości.

Metody nieliniowe

Wiele zjawisk w przyrodzie ma charakter nieliniowy i niestacjonarny, podobnie jak sygnały EEG. Ta cecha zwiększa złożoność interpretacji sygnałów EEG, ograniczając metody liniowe (metody wymienione powyżej). Od 1985 r., kiedy dwaj pionierzy nieliniowej analizy EEG, Rapp i Bobloyantz, opublikowali swoje pierwsze wyniki, teoria nieliniowych układów dynamicznych, zwana także „teorią chaosu ”, jest szeroko stosowana w dziedzinie analizy EEG. Aby przeprowadzić nieliniową analizę EEG, badacze przyjęli wiele przydatnych parametrów nieliniowych, takich jak wykładnik Lapunowa , wymiar korelacji oraz entropie, takie jak entropia przybliżona i entropia próbki .

metody SSN

Przedstawiono implementację sztucznych sieci neuronowych (ANN) do klasyfikacji sygnałów elektroencefalograficznych (EEG). W większości przypadków dane EEG obejmują wstępne przetwarzanie transformacji falkowej przed wprowadzeniem do sieci neuronowych. RNN ( rekurencyjne sieci neuronowe ) były kiedyś szeroko stosowane w badaniach implementacji SSN w analizie EEG. Do czasu rozkwitu głębokiego uczenia i CNN ( Convolutional Neural Networks ), metoda CNN staje się nowym faworytem w ostatnich badaniach analizy EEG z wykorzystaniem głębokiego uczenia. Dzięki skróconemu treningowi głębokiego CNN w celu osiągnięcia konkurencyjnych dokładności w zbiorze danych, głęboki CNN zaprezentował doskonałą wydajność dekodowania. Co więcej, duże dane EEG, jako dane wejściowe SSN, wymagają bezpiecznego przechowywania i dużych zasobów obliczeniowych do przetwarzania w czasie rzeczywistym. Aby sprostać tym wyzwaniom, zaproponowano i zaprezentowano głębokie uczenie oparte na chmurze do analizy dużych danych EEG w czasie rzeczywistym.

Aplikacje

Kliniczny

Analiza EEG jest szeroko stosowana w diagnostyce i ocenie chorób mózgu. W dziedzinie napadów padaczkowych wykrycie wyładowań padaczkopodobnych w EEG jest ważnym elementem diagnostyki padaczki. Dokładna analiza zapisów EEG może dostarczyć cennych informacji i lepszego zrozumienia mechanizmów powodujących zaburzenia padaczkowe. Poza tym analiza EEG bardzo pomaga w wykrywaniu choroby Alzheimera , drżenia itp.

BCI (interfejs mózg-komputer)

Zapisy EEG podczas obrazowania motorycznego prawego i lewego pozwalają na ustanowienie nowego kanału komunikacji. W oparciu o analizę EEG w czasie rzeczywistym z wzorcami przestrzennymi specyficznymi dla podmiotu, interfejs mózg-komputer (BCI) można wykorzystać do opracowania prostej odpowiedzi binarnej do sterowania urządzeniem. Taki BCI oparty na EEG może pomóc np. pacjentom ze stwardnieniem zanikowym bocznym w niektórych codziennych czynnościach.

Narzędzie analizy

Brainstorm to współpracująca aplikacja typu open source przeznaczona do analizy zapisów mózgowych, w tym MEG , EEG, fNIRS , ECoG , elektrod głębokich i inwazyjnej neurofizjologii zwierząt. Celem Brainstorm jest udostępnienie społeczności naukowej wszechstronnego zestawu przyjaznych dla użytkownika narzędzi wykorzystujących MEG/EEG jako technikę eksperymentalną. Brainstorm oferuje bogaty i intuicyjny interfejs graficzny dla lekarzy i naukowców, który nie wymaga żadnej wiedzy programistycznej. Niektóre inne względne oprogramowanie do analizy typu open source obejmują FieldTrip itp.

Inni

W połączeniu z analizą mimiki twarzy, analiza EEG oferuje funkcję ciągłej detekcji emocji, która może być wykorzystana do odnalezienia śladów emocjonalnych w filmach. Niektóre inne aplikacje obejmują mapowanie mózgu oparte na EEG, spersonalizowane szyfrowanie oparte na EEG, system adnotacji obrazu oparty na EEG itp.

Zobacz też

Linki zewnętrzne

Pobrano z „ https://en.wikipedia.org/w/index.php?title=EEG_analysis&oldid=1129507280 ”