Анализ ЭЭГ - EEG analysis

Анализ ЭЭГ использует математические методы анализа сигналов и компьютерные технологии для извлечения информации из электроэнцефалография (ЭЭГ) сигналы. Цели анализа ЭЭГ - помочь исследователям лучше понять мозг; помогать врачи в диагноз и лечение выбор; и повысить интерфейс мозг-компьютер (BCI) технология. Есть много способов приблизительно разделить методы анализа ЭЭГ. Если математическая модель используется для подбора дискретизированных сигналов ЭЭГ,[1] метод можно разделить на параметрический в противном случае это непараметрический метод. Традиционно большинство методов анализа ЭЭГ делятся на четыре категории: область времени, частотная область, частотно-временная область, и нелинейный 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. Это дает представление о информации, содержащейся в частотной области форм волны ЭЭГ, путем принятия статистических и Преобразование Фурье методы.[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 предсказание и Компонентный анализ. В общем, Линейное предсказание дает оценочное значение, равное линейной комбинации прошлого выходного значения с настоящим и прошлым входным значением. И Компонентный анализ - это неконтролируемый метод, в 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 отображать 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 подобен математическому микроскопу, который может анализировать различные шкалы нейронных ритмов и исследовать мелкомасштабные колебания сигналов мозга, игнорируя вклад других шкал.[9][10] Помимо Вейвлет-преобразование, есть еще один известный частотно-временной метод, называемый Преобразование Гильберта-Хуанга, который может разлагать сигналы ЭЭГ на набор колебательных компонентов, называемых функцией внутреннего режима (IMF), для сбора данных мгновенной частоты.[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, теорию нелинейных динамических систем, также называемую «теория хаоса ', широко применяется в области анализа ЭЭГ.[13] Для проведения нелинейного анализа ЭЭГ исследователи приняли множество полезных нелинейных параметров, таких как Показатель Ляпунова, Измерение корреляции и энтропии вроде Приблизительная энтропия и Пример энтропии.[14][15]

ИНС методы

Реализация Искусственные нейронные сети (ИНС) представлена ​​для классификации сигналов электроэнцефалограммы (ЭЭГ). В большинстве случаев данные ЭЭГ включают предварительную обработку вейвлет-преобразования перед их вводом в нейронные сети.[16][17] РНН (повторяющиеся нейронные сети ) когда-то широко применялся в исследованиях реализации ИНС в анализе ЭЭГ.[18][19] До бума глубоких наклонностей и CNN (Сверточные нейронные сети ), Метод CNN становится новым фаворитом в недавних исследованиях анализа ЭЭГ с использованием глубокого анализа. Благодаря обрезанному обучению для 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 Эпилептические припадки, 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 Болезнь Альцгеймера,[23] тремор, так далее.

BCI (интерфейс мозг-компьютер)

Запись ЭЭГ во время воображения правого и левого движения позволяет установить новый канал связи.[24] На основе анализа ЭЭГ в реальном времени с пространственными паттернами для конкретных субъектов интерфейс мозг-компьютер (BCI) можно использовать 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 инвазивная нейрофизиология 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 для 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 видео.[26] Некоторые другие приложения включают картирование мозга на основе ЭЭГ, персонализированный шифратор на основе ЭЭГ, систему аннотации изображений на основе ЭЭГ и т. Д.

Смотрите также

Рекомендации

  1. ^ 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. Дои:10.1016/1350-4533(95)00024-0. ISSN  1350-4533. PMID  8771033.
  2. ^ 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. Дои:10.1016 / j.knosys.2013.02.014. ISSN  0950-7051.
  3. ^ 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. Дои:10.1016 / j.knosys.2013.02.014. ISSN  0950-7051.
  4. ^ Dressler, O .; Schneider, G .; Stockmanns, G .; Кохс, Э.Ф. (декабрь 2004 г.). «Осведомленность и спектр мощности ЭЭГ: анализ частот». Британский журнал анестезии. 93 (6): 806–809. Дои:10.1093 / bja / aeh270. ISSN  0007-0912. PMID  15377585.
  5. ^ 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. Дои:10.1016 / j.knosys.2013.02.014. ISSN  0950-7051.
  6. ^ Хьорт, 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. PMID  4195653.
  7. ^ Хьорт, 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. PMID  4195653.
  8. ^ 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. Дои:10.1016 / s0165-0270 (02) 00340-0. ISSN  0165-0270. PMID  12581851.
  9. ^ 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. Дои:10.1016 / s0165-0270 (02) 00340-0. ISSN  0165-0270. PMID  12581851.
  10. ^ Hazarika, N .; Chen, J.Z .; А Чунг Цой; Сергеев, А. (1997). Классификация сигналов ЭЭГ с использованием вейвлет-преобразования. Материалы 13-й Международной конференции по цифровой обработке сигналов.. 1. IEEE. С. 89–92. Дои:10.1109 / icdsp.1997.627975. ISBN  978-0780341371.
  11. ^ 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. Дои:10.1016 / j.knosys.2013.02.014. ISSN  0950-7051.
  12. ^ Пигорини, Андреа; Casali, Adenauer G .; Касаротто, Сильвия; Феррарелли, Фабио; Базелли, Джузеппе; Мариотти, Маурицио; Массимини, Марчелло; Розанова, Марио (июнь 2011 г.). «Частотно-частотный спектральный анализ ТМС-вызванных колебаний ЭЭГ с помощью преобразования Гильберта – Хуанга». Журнал методов неврологии. 198 (2): 236–245. Дои:10.1016 / j.jneumeth.2011.04.013. ISSN  0165-0270. PMID  21524665.
  13. ^ Стам, Си-Джей (октябрь 2005 г.). «Нелинейный динамический анализ ЭЭГ и МЭГ: обзор развивающейся области». Клиническая нейрофизиология. 116 (10): 2266–2301. CiteSeerX  10.1.1.126.4927. Дои:10.1016 / j.clinph.2005.06.011. ISSN  1388-2457. PMID  16115797.
  14. ^ 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. Дои:10.1016 / j.knosys.2013.02.014. ISSN  0950-7051.
  15. ^ Стам, Си-Джей (октябрь 2005 г.). «Нелинейный динамический анализ ЭЭГ и МЭГ: обзор развивающейся области». Клиническая нейрофизиология. 116 (10): 2266–2301. CiteSeerX  10.1.1.126.4927. Дои:10.1016 / j.clinph.2005.06.011. ISSN  1388-2457. PMID  16115797.
  16. ^ 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». Нейрокомпьютинг. 30 (1–4): 201–218. Дои:10.1016 / s0925-2312 (99) 00126-5. ISSN  0925-2312.
  17. ^ 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. PMID  15848265.
  18. ^ 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. PMID  15848265.
  19. ^ Убейли, Элиф Деря (январь 2009 г.). «Анализ сигналов ЭЭГ с использованием методов собственных векторов / рекуррентных нейронных сетей». Цифровая обработка сигналов. 19 (1): 134–143. Дои:10.1016 / j.dsp.2008.07.007. ISSN  1051-2004.
  20. ^ Schirrmeister, R .; Gemein, L .; Eggensperger, K .; Hutter, F .; Болл, Т. (декабрь 2017 г.). Глубокое обучение с использованием сверточных нейронных сетей для декодирования и визуализации патологии ЭЭГ. Симпозиум по обработке сигналов в медицине и биологии IEEE 2017 (SPMB). IEEE. arXiv:1708.08012. Дои:10.1109 / spmb.2017.8257015. ISBN  9781538648735.
  21. ^ Хоссейни, Мохаммад-Парса; Солтанян-Заде, Хамид; Елисевич, Кост; Помпили, Дарио (декабрь 2016 г.). Облачное глубокое обучение больших данных ЭЭГ для прогнозирования эпилептических припадков. Глобальная конференция IEEE по обработке сигналов и информации (GlobalSIP), 2016 г.. IEEE. arXiv:1702.05192. Дои:10.1109 / globalsip.2016.7906022. ISBN  9781509045457.
  22. ^ 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. PMID  15848265.
  23. ^ Чон, Джэсон; Гор, Джон С; Петерсон, Брэдли S (май 2001 г.). «Взаимный информационный анализ ЭЭГ у больных болезнью Альцгеймера». Клиническая нейрофизиология. 112 (5): 827–835. Дои:10.1016 / с 1388-2457 (01) 00513-2. ISSN  1388-2457. PMID  11336898.
  24. ^ 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. Дои:10.1109/86.895947. ISSN  1063-6528. PMID  11204035. S2CID  9504054.
  25. ^ «Введение - мозговой штурм». neuroimage.usc.edu. Получено 2018-12-16.
  26. ^ 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. Дои:10.1109 / icme.2014.6890301. ISBN  9781479947614.

внешняя ссылка