Analiza EEG - EEG analysis

Analiza EEG wykorzystuje matematyczne metody analizy sygnałów i technologię komputerową do wyodrębniania informacji z sygnałów elektroencefalografii (EEG). Celem analizy EEG jest pomoc naukowcom w lepszym zrozumieniu mózgu ; pomagać lekarzom w diagnozowaniu i wyborze leczenia ; oraz usprawnić technologię interfejsu mózg-komputer (BCI). Istnieje wiele sposobów na przybliżoną kategoryzację metod analizy EEG. Jeżeli wykorzystuje się model matematyczny 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: domeny czas , w dziedzinie częstotliwości , domeny czasowo-częstotliwościowej , i nieliniowych metod. Istnieją również późniejsze metody, w tym głębokie sieci neuronowe (DNN).

Metody

Metody w dziedzinie częstotliwości

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

Metody w dziedzinie czasu

Istnieją dwie ważne metody analizy EEG w dziedzinie czasu: Predykcja Liniowa i Analiza Składowa . Ogólnie, przewidywanie liniowe daje szacunkową wartość równą liniowej kombinacji przeszłej wartości wyjściowej z obecną i przeszłą wartością wejściową. A Komponent Analiza jest bez nadzoru metoda, w której zbiór danych jest mapowany na zestaw funkcji. Warto zauważyć, że parametry w metodach w dziedzinie czasu są całkowicie oparte na czasie, ale można je również wyodrębnić z momentów statystycznych widma mocy. W rezultacie metoda w dziedzinie czasu buduje pomost między fizyczną interpretacją czasu a konwencjonalną analizą spektralną. Poza tym, metody w dziedzinie czasu umożliwiają pomiar on-line podstawowych właściwości sygnału za pomocą obliczeń opartych na czasie, co wymaga mniej skomplikowanego sprzętu w porównaniu z konwencjonalną analizą częstotliwości.

Metody w dziedzinie czasu i częstotliwości

Transformacja falkowa , typowa metoda w dziedzinie czasu i częstotliwości, może wyodrębniać i przedstawiać właściwości z przejściowych sygnałów biologicznych. W szczególności, poprzez dekompozycję falkową zapisów EEG, cechy przejściowe mogą być dokładnie uchwycone i zlokalizowane zarówno w kontekście czasu, jak i częstotliwości. Zatem transformacja falkowa jest jak mikroskop matematyczny, który może analizować różne skale rytmów nerwowych i badać oscylacje sygnałów mózgowych na małą skalę, ignorując udział innych skal. Oprócz transformacji falkowej istnieje inna ważna metoda czasowo-częstotliwościowa zwana transformacją Hilberta-Huanga , która może rozkładać sygnały EEG na zestaw elementów oscylacyjnych zwanych funkcją trybu wewnętrznego (IMF) w celu przechwytywania chwilowych danych częstotliwości.

Metody nieliniowe

Wiele zjawisk w przyrodzie jest nieliniowych i niestacjonarnych, podobnie jak sygnały EEG. Atrybut ten zwiększa złożoność interpretacji sygnałów EEG, ograniczając metody liniowe (wymienione powyżej). Od 1985 roku, kiedy dwaj pionierzy nieliniowej analizy EEG, Rapp i Bobloyantz, opublikowali swoje pierwsze wyniki, teoria nieliniowych systemów dynamicznych, zwana także „ teorią chaosu ”, została szeroko zastosowana w dziedzinie analizy EEG. Aby przeprowadzić nieliniową analizę EEG, badacze przyjęli wiele przydatnych parametrów nieliniowych, takich jak wykładnik Lapunowa , wymiar korelacji i entropie, takie jak przybliżona entropia i entropia próbki .

Metody SSN

Przedstawiono implementację sztucznych sieci neuronowych (ANN) do klasyfikacji sygnałów elektroencefalogramu (EEG). W większości przypadków dane EEG obejmują wstępny proces transformacji falkowej przed wprowadzeniem do sieci neuronowych. RNN ( rekurencyjne sieci neuronowe ) był kiedyś szeroko stosowany w badaniach implementacji ANN w analizie EEG. Do czasu boomu deep learningu i CNN ( Convolutional Neural Networks ) metoda CNN staje się nowym faworytem w ostatnich badaniach nad analizą EEG wykorzystującą głębokie uczenie. Dzięki skróconemu szkoleniu dla głębokiej CNN, aby osiągnąć konkurencyjne dokładności w zestawie danych, głębokie CNN zaprezentowało doskonałą wydajność dekodowania. Co więcej, duże dane EEG, jako dane wejściowe do ANN, wymagają bezpiecznego przechowywania i dużych zasobów obliczeniowych do przetwarzania w czasie rzeczywistym. Aby sprostać tym wyzwaniom, zaproponowano i zaprezentowano oparte na chmurze głębokie uczenie 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 padaczkowych w zapisie EEG jest ważnym elementem diagnostyki padaczki. Dokładne analizy zapisów EEG mogą zapewnić cenny wgląd i lepsze zrozumienie mechanizmów powodujących zaburzenia padaczkowe. Poza tym analiza EEG bardzo pomaga również w wykrywaniu choroby Alzheimera , drżenia itp.

BCI (interfejs komputer-mózg)

Zapisy EEG podczas obrazowania prawej i lewej motoryki pozwalają na ustanowienie nowego kanału komunikacji. W oparciu o analizę EEG w czasie rzeczywistym z wzorcami przestrzennymi specyficznymi dla pacjenta, 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 do analizy

Brainstorm jest wspólnym, aplikacja open source poświęcona analizie nagrań mózgu tym MEG , EEG, fNIRS , ECOG , elektrod głębokość i zwierząt inwazyjnej neurofizjologii. Celem Brainstorm jest udostępnienie społeczności naukowej kompleksowego zestawu przyjaznych dla użytkownika narzędzi wykorzystujących MEG/EEG jako technikę eksperymentalną. Brainstorm oferuje bogaty i intuicyjny interfejs graficzny dla lekarzy i badaczy, który nie wymaga znajomości programowania. Niektóre inne względne oprogramowanie do analizy open source obejmują FieldTrip itp.

Inni

W połączeniu z analizą mimiki, analiza EEG oferuje funkcję ciągłego wykrywania emocji, która może być wykorzystana do znalezienia emocjonalnych śladów filmów. Niektóre inne zastosowania obejmują mapowanie mózgu oparte na EEG, spersonalizowany szyfrator oparty na EEG, system adnotacji obrazu oparty na EEG itp.

Zobacz też

Bibliografia

Zewnętrzne linki