Анализ ЭЭГ - EEG analysis

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 диагностике и выборе 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, метод может быть отнесен 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. 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 . Среди всех спектральных методов наиболее часто используется спектральный анализ мощности, поскольку спектр мощности отражает «частотный состав» сигнала или распределение мощности сигнала по частоте.

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, в котором набор данных сопоставляется с набором функций. 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. 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.

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. Таким образом, вейвлет-преобразование похоже на математический микроскоп, который может анализировать различные шкалы нейронных ритмов и исследовать мелкомасштабные колебания сигналов мозга, игнорируя вклад других шкал. 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 данных мгновенной частоты.

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. 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 .

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. РНС ( рекуррентные нейронные сети ) когда-то широко применялись в исследованиях реализации ИНС в анализе ЭЭГ. До бума глубокого обучения и CNN ( сверточных нейронных сетей ) метод CNN становится новым фаворитом в недавних исследованиях анализа ЭЭГ с использованием глубокого обучения. Благодаря обрезанному обучению глубокой CNN для достижения конкурентной точности набора данных, глубокая CNN продемонстрировала превосходную производительность декодирования. 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.

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. Кроме того, анализ ЭЭГ также очень помогает в выявлении болезни Альцгеймера , тремора и т. Д.

BCI (интерфейс мозг-компьютер)

Записи ЭЭГ при воображении правого и левого движения позволяют установить новый канал связи. На основе анализа ЭЭГ в реальном времени с пространственными моделями, 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. 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. Некоторое другое относительное программное обеспечение для анализа с открытым исходным кодом, включая 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. 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

использованная литература

внешние ссылки