В анализе ЭЭГ используются математические методы анализа сигналов и компьютерные технологии для извлечения информации из сигналов электроэнцефалографии (ЭЭГ). Цели анализа ЭЭГ - помочь исследователям лучше понять работу мозга ; помогать врачам в выборе диагноза и лечения ; и развитие технологии интерфейса мозг-компьютер (BCI). Есть много способов примерно разделить методы анализа ЭЭГ. Если математическая модель используется для подбора дискретизированных сигналов 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 также более поздние методы, включая глубокие нейронные сети (DNN).
Методы
Методы частотной области
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, за счет 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]
Методы временной области
Существует два важных метода анализа ЭЭГ во временной области: линейное прогнозирование и компонентный анализ . Как правило, линейное прогнозирование дает оценочное значение, равное линейной комбинации прошлого выходного значения с настоящим и прошлым входным значением. А анализ компонентов - это неконтролируемый метод, при котором набор данных сопоставляется с набором функций. [5] Примечательно, что параметры в методах временной области полностью основаны на времени, но они также могут быть извлечены из статистических моментов спектра мощности. В результате метод временной области наводит мост между интерпретацией физического времени и традиционным спектральным анализом. [6] Кроме того, методы во временной области предлагают способ оперативного измерения основных свойств сигнала с помощью расчета во времени, что требует менее сложного оборудования по сравнению с традиционным частотным анализом. [7]
Методы частотно-временной области
Вейвлет-преобразование , типичный метод частотно-временной области, может извлекать и представлять свойства временных биологических сигналов. В частности, с помощью вейвлет-разложения записей ЭЭГ переходные характеристики могут быть точно захвачены и локализованы как во временном, так и в частотном контексте. [8] Таким образом, вейвлет-преобразование похоже на математический микроскоп, который может анализировать различные масштабы нейронных ритмов и исследовать мелкомасштабные колебания сигналов мозга, игнорируя вклад других масштабов. [9] [10] Помимо вейвлет-преобразования , 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 захвата мгновенных частотных данных. . [11] [12]
Нелинейные методы
Многие явления в природе нелинейны и нестационарны, как и сигналы ЭЭГ. Этот атрибут усложняет интерпретацию сигналов ЭЭГ, делая линейные методы (упомянутые выше) ограниченными. 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. [13] Для проведения нелинейного анализа ЭЭГ исследователи использовали множество полезных нелинейных параметров, таких как экспонента Ляпунова , корреляционная размерность и энтропии, такие как приблизительная энтропия и выборочная энтропия . [14] [15]
ИНС методы
Представлена реализация искусственных нейронных сетей (ИНС) для классификации сигналов электроэнцефалограммы (ЭЭГ). В большинстве случаев данные ЭЭГ включают предварительную обработку вейвлет-преобразования перед их вводом в нейронные сети. [16] [17] РНС ( рекуррентные нейронные сети ) когда-то широко применялись в исследованиях реализации ИНС в анализе ЭЭГ. [18] [19] До бума глубокого изучения и CNN ( сверточных нейронных сетей ) метод CNN становится новым фаворитом в недавних исследованиях анализа ЭЭГ с использованием глубокого наклона. Благодаря обрезанному обучению глубокой CNN для достижения конкурентной точности набора данных глубокая CNN продемонстрировала превосходную производительность декодирования. [20] Более того, большие данные ЭЭГ, входящие в ИНС, требуют безопасного хранения и больших вычислительных ресурсов для обработки в реальном времени. Для решения этих проблем было предложено и представлено глубокое обучение на основе облака для анализа больших данных ЭЭГ в реальном времени. [21]
Приложения
Клинический
Анализ ЭЭГ широко используется для диагностики и оценки заболеваний головного мозга. В области эпилептических припадков обнаружение эпилептиформных разрядов на ЭЭГ является важным компонентом диагностики эпилепсии. Тщательный анализ записей ЭЭГ может дать ценную информацию и лучшее понимание механизмов, вызывающих эпилептические расстройства. [22] Кроме того, анализ ЭЭГ также очень помогает в обнаружении болезни Альцгеймера , [23] тремора и т. Д.
BCI (интерфейс мозг-компьютер)
Записи ЭЭГ при воображении правого и левого движения позволяют установить новый канал связи. [24] На основе анализа ЭЭГ в реальном времени с пространственными паттернами, зависящими от предмета, интерфейс мозг-компьютер (BCI) может использоваться для разработки простого двоичного ответа для управления устройством. Такой ИМК на основе ЭЭГ может помочь, например, пациентам с боковым амиотрофическим склерозом в некоторых повседневных делах.
Инструмент анализа
Brainstorm - это совместное приложение с открытым исходным кодом, предназначенное для анализа записей мозга, включая МЭГ , ЭЭГ, fNIRS , ЭКоГ , глубинные электроды и инвазивную нейрофизиологию животных. [25] Цель Brainstorm - поделиться исчерпывающим набором удобных инструментов с научным сообществом, используя МЭГ / ЭЭГ в качестве экспериментальной техники. Brainstorm предлагает богатый и интуитивно понятный графический интерфейс для врачей и исследователей, не требующий каких-либо знаний в области программирования. Некоторые другие относительные программы анализа с открытым исходным кодом включают FieldTrip и т. Д.
Другие
В сочетании с анализом мимики, анализ ЭЭГ предлагает функцию непрерывного обнаружения эмоций, которую можно использовать для поиска эмоциональных следов в видеороликах. [26] Некоторые другие приложения включают картирование мозга на основе ЭЭГ, персонализированный шифровальщик на основе ЭЭГ, систему аннотации изображений на основе ЭЭГ и т. Д.
Смотрите также
- Спектральная плотность
- преобразование Фурье
- Вейвлет-преобразование
- Преобразование Гильберта – Хуанга
- Динамическая система
- Теория хаоса
- Искусственная нейронная сеть
- Глубокое обучение
- Сверточная нейронная сеть
- Рекуррентная нейронная сеть
- Машинное обучение
- Искусственный интеллект
- Эпилепсия
- Болезнь Альцгеймера
- Тремор
- Эпилептический припадок
Рекомендации
- ^ Pardey, J .; 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 . DOI : 10.1016 / 1350-4533 (95) 00024-0 . ISSN 1350-4533 . PMID 8771033 .
- ^ Ачарья, У. Раджендра; Vinitha Sree, S .; Swapna, G .; Мартис, Рошан Джой; Сури, Джасджит С. (июнь 2013 г.). «Автоматизированный анализ ЭЭГ эпилепсии: обзор». Системы, основанные на знаниях . 45 : 147–165. DOI : 10.1016 / j.knosys.2013.02.014 . ISSN 0950-7051 .
- ^ Ачарья, У. Раджендра; Vinitha Sree, S .; Swapna, G .; Мартис, Рошан Джой; Сури, Джасджит С. (июнь 2013 г.). «Автоматизированный анализ ЭЭГ эпилепсии: обзор». Системы, основанные на знаниях . 45 : 147–165. DOI : 10.1016 / j.knosys.2013.02.014 . ISSN 0950-7051 .
- ^ Dressler, O .; Schneider, G .; Stockmanns, G .; Кохс, EF (декабрь 2004 г.). «Осведомленность и спектр мощности ЭЭГ: анализ частот» . Британский журнал анестезии . 93 (6): 806–809. DOI : 10.1093 / ВпМ / aeh270 . ISSN 0007-0912 . PMID 15377585 .
- ^ Ачарья, У. Раджендра; Vinitha Sree, S .; Swapna, G .; Мартис, Рошан Джой; Сури, Джасджит С. (июнь 2013 г.). «Автоматизированный анализ ЭЭГ эпилепсии: обзор». Системы, основанные на знаниях . 45 : 147–165. DOI : 10.1016 / j.knosys.2013.02.014 . ISSN 0950-7051 .
- ^ Хьорт, Бо (сентябрь 1970 г.). «Анализ ЭЭГ на основе свойств временной области». Электроэнцефалография и клиническая нейрофизиология . 29 (3): 306–310. DOI : 10.1016 / 0013-4694 (70) 90143-4 . ISSN 0013-4694 . PMID 4195653 .
- ^ Хьорт, Бо (сентябрь 1970 г.). «Анализ ЭЭГ на основе свойств временной области». Электроэнцефалография и клиническая нейрофизиология . 29 (3): 306–310. DOI : 10.1016 / 0013-4694 (70) 90143-4 . ISSN 0013-4694 . PMID 4195653 .
- ^ Адели, Ходжат; Чжоу, Цзыцинь; Дадмехр, Нахид (февраль 2003 г.). «Анализ записей ЭЭГ больного эпилепсией с использованием вейвлет-преобразования». Журнал методов неврологии . 123 (1): 69–87. DOI : 10.1016 / s0165-0270 (02) 00340-0 . ISSN 0165-0270 . PMID 12581851 .
- ^ Адели, Ходжат; Чжоу, Цзыцинь; Дадмехр, Нахид (февраль 2003 г.). «Анализ записей ЭЭГ больного эпилепсией с использованием вейвлет-преобразования». Журнал методов неврологии . 123 (1): 69–87. DOI : 10.1016 / s0165-0270 (02) 00340-0 . ISSN 0165-0270 . PMID 12581851 .
- ^ Hazarika, N .; Чен, JZ; А Чунг Цой; Сергеев, А. (1997). Классификация сигналов ЭЭГ с помощью вейвлет-преобразования . Материалы 13-й Международной конференции по цифровой обработке сигналов . 1 . IEEE. С. 89–92. DOI : 10.1109 / icdsp.1997.627975 . ISBN 978-0780341371.
- ^ Ачарья, У. Раджендра; Vinitha Sree, S .; Swapna, G .; Мартис, Рошан Джой; Сури, Джасджит С. (июнь 2013 г.). «Автоматизированный анализ ЭЭГ эпилепсии: обзор». Системы, основанные на знаниях . 45 : 147–165. DOI : 10.1016 / j.knosys.2013.02.014 . ISSN 0950-7051 .
- ^ Пигорини, Андреа; Casali, Adenauer G .; Казаротто, Сильвия; Феррарелли, Фабио; Базелли, Джузеппе; Мариотти, Маурицио; Массимини, Марчелло; Розанова, Марио (июнь 2011 г.). «Частотно-временной спектральный анализ ТМС-вызванных колебаний ЭЭГ с помощью преобразования Гильберта – Хуанга». Журнал методов неврологии . 198 (2): 236–245. DOI : 10.1016 / j.jneumeth.2011.04.013 . ISSN 0165-0270 . PMID 21524665 .
- ^ Стам, CJ (октябрь 2005 г.). «Нелинейный динамический анализ ЭЭГ и МЭГ: обзор развивающейся области». Клиническая нейрофизиология . 116 (10): 2266–2301. CiteSeerX 10.1.1.126.4927 . DOI : 10.1016 / j.clinph.2005.06.011 . ISSN 1388-2457 . PMID 16115797 .
- ^ Ачарья, У. Раджендра; Vinitha Sree, S .; Swapna, G .; Мартис, Рошан Джой; Сури, Джасджит С. (июнь 2013 г.). «Автоматизированный анализ ЭЭГ эпилепсии: обзор». Системы, основанные на знаниях . 45 : 147–165. DOI : 10.1016 / j.knosys.2013.02.014 . ISSN 0950-7051 .
- ^ Стам, CJ (октябрь 2005 г.). «Нелинейный динамический анализ ЭЭГ и МЭГ: обзор развивающейся области». Клиническая нейрофизиология . 116 (10): 2266–2301. CiteSeerX 10.1.1.126.4927 . DOI : 10.1016 / j.clinph.2005.06.011 . ISSN 1388-2457 . PMID 16115797 .
- ^ Петросян, Артур; Прохоров, Данил; Хоман, Ричард; Дашейфф, Ричард; Вунш, Дональд (январь 2000 г.). «Прогнозирование эпилептических припадков на основе рекуррентной нейронной сети в интра- и экстракраниальной ЭЭГ». Нейрокомпьютеры . 30 (1–4): 201–218. DOI : 10.1016 / s0925-2312 (99) 00126-5 . ISSN 0925-2312 .
- ^ 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. DOI : 10.1016 / j.cmpb.2004.10.009 . ISSN 0169-2607 . PMID 15848265 .
- ^ 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. DOI : 10.1016 / j.cmpb.2004.10.009 . ISSN 0169-2607 . PMID 15848265 .
- ^ Убейли, Элиф Деря (январь 2009 г.). «Анализ сигналов ЭЭГ с использованием методов собственных векторов / рекуррентных нейронных сетей». Цифровая обработка сигналов . 19 (1): 134–143. DOI : 10.1016 / j.dsp.2008.07.007 . ISSN 1051-2004 .
- ^ Schirrmeister, R .; Gemein, L .; Eggensperger, K .; Hutter, F .; Болл, Т. (декабрь 2017 г.). Глубокое обучение со сверточными нейронными сетями для декодирования и визуализации патологии ЭЭГ . Симпозиум IEEE Signal Processing in Medicine and Biology 2017 (SPMB) . IEEE. arXiv : 1708.08012 . DOI : 10,1109 / spmb.2017.8257015 . ISBN 9781538648735.
- ^ Хоссейни, Мохаммад-Парса; Солтанян-Заде, Хамид; Елисевич, Кост; Помпили, Дарио (декабрь 2016 г.). Облачное глубокое обучение больших данных ЭЭГ для прогнозирования эпилептических припадков . 2016 IEEE Глобальная конференция по обработке сигнала и обработки информации (GlobalSIP) . IEEE. arXiv : 1702.05192 . DOI : 10,1109 / globalsip.2016.7906022 . ISBN 9781509045457.
- ^ 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. DOI : 10.1016 / j.cmpb.2004.10.009 . ISSN 0169-2607 . PMID 15848265 .
- ^ Чон, Джэсон; Гор, Джон К; Петерсон, Брэдли S (май 2001 г.). «Взаимный информационный анализ ЭЭГ у больных болезнью Альцгеймера». Клиническая нейрофизиология . 112 (5): 827–835. DOI : 10.1016 / s1388-2457 (01) 00513-2 . ISSN 1388-2457 . PMID 11336898 .
- ^ Guger, C .; Ramoser, H .; Пфурчеллер, Г. (2000). «Анализ ЭЭГ в реальном времени с предметными пространственными паттернами для интерфейса мозг-компьютер (BCI)». IEEE Transactions по реабилитационной инженерии . 8 (4): 447–456. DOI : 10.1109 / 86.895947 . ISSN 1063-6528 . PMID 11204035 . S2CID 9504054 .
- ^ «Введение - мозговой штурм» . neuroimage.usc.edu . Проверено 16 декабря 2018 .
- ^ Солеймани, Мохаммад; Асгари-Эсфеден, Саджад; Пантик, Майя; Фу, Юнь (июль 2014 г.). Непрерывное обнаружение эмоций с помощью сигналов ЭЭГ и мимики . 2014 Международная конференция IEEE по мультимедиа и выставкам (ICME) . IEEE. CiteSeerX 10.1.1.649.3590 . DOI : 10.1109 / icme.2014.6890301 . ISBN 9781479947614.