НАУКА и ОБРАЗОВАНИЕ

Файл статьи: Trofimov_A.pdf (1171.55Кб)

Предложен метод построения пространства характерных признаков для классификации электроэнцефалограмм (ЭЭГ), основанный на выделении источников электрической активности мозга.
Цель работы – показать, что модельно-ориентированный подход к построению пространства характерных признаков ЭЭГ для классификации сравним по точности с существующими классическими подходами, при этом открывая ряд возможностей к её дальнейшему увеличению и обладая понятной нейрофизиологической интерпретацией.
В результате экспериментальных исследований на реальных данных показано, что точность предложенного метода сравнима с точностью классического метода классификации в интерфейсах "мозг-компьютер". При этом в качестве характерных признаков для классификации выбраны простейшие статистические характеристики дипольных моментов эквивалентных токовых диполей, а для классификации в построенном пространстве признаков использован метод ближайших соседей.
Область применения предложенного алгоритма – диагностика заболеваний головного мозга и интерфейсы "мозг-компьютер".
В первом разделе приводится описание метода моделирования ЭЭГ с помощью эквивалентных токовых диполей.
Во втором разделе формулируется постановка задачи классификации сигналов ЭЭГ.
В третьем разделе предлагается метод формирования вектора характерных признаков ЭЭГ для классификации, основанный на моделировании эквивалентных токовых диполей.
Четвёртый раздел посвящён экспериментальному исследованию предложенного метода на реальных данных и обсуждению полученных результатов.

1. Жадин М.Н. Биофизические механизмы формирования электроэнцефалограммы. М.: Наука, 1984. 197 с.
2. Гусельников В.И. Электрофизиология головного мозга. М.: Высшая школа, 1976. 423 с.
3. Зенков Л.Р. Клиническая электроэнцефалография (с элементами эпилептологии). Руководстводляврачей. М.: МЕДпресс-информ, 2004. 368 с.
4. Wolpaw J.R., Birbaumer N., McFarland D.J., Pfurtscheller G., Vaughan T.M. Brain–computer interfaces for communication and control // Clinical Neurophysiology. 2002. Vol.113. P. 767-791.
5. Wolpaw J.R. Brain–computer interfaces as new brain output pathways // The Journal of Physiology. 2007. Vol. 579. P. 613-619.
6. McLachlan G. Discriminant Analysis and Statistical Pattern Recognition. New York: John Wiley&Sons, 1992.
7. Осовский С. Нейронные сети для обработки информации: пер. с польск. М.: Финансы и статистика, 2004. 344 с.
8. Kaper M., Meinicke P., Grossekathoefer U., Lingner T., Ritter H. BCI competition 2003-data set IIb: support vector machines for the P300 speller paradigm // IEEE Transactions on Biomedical Engineering. 2004. Vol. 51, no. 6. P. 1073-1076. DOI:10.1109/TBME.2004.826698
9. Perez J.L.M., Cruz A.B. Linear Discriminant Analysis on Brain Computer Interface // WISP 2007. IEEE International Symposium on Intelligent Signal Processing, 2007. IEEE, 2007. P. 1-6. DOI:10.1109/WISP.2007.4447590
10. Subasi A., Erçelebi E. Classification of EEG signals using neural network and logistic regression // Computer Methods and Programs in Biomedicine. 2005. Vol. 78, no. 2. P. 87-99.
11. Трофимов А.Г., Скругин В.И. Адаптивный классификатор многомерных нестационарных сигналов на основе анализа динамических паттернов // Наука и образование. МГТУ им. Н.Э. Баумана. Электрон. журн. 2010. № 8. Режим доступа: http://technomag.bmstu.ru/doc/151934.html (дата обращения 01.03.2014).
12. Трофимов А.Г., Скругин В.И. Метод выделения динамических паттернов в задаче классификации многомерных временных рядов // Информационные технологии. 2011. № 4. С. 65-71.
13. Ramoser H., Muller-Gerking J., Pfurtscheller G. Optimal spatial filtering of single trial EEG during imagined hand movement // IEEE Transactions on Rehabilitation Engineering. 2000. Vol. 8, no. 4. P. 441-446. DOI:10.1109/86.895946
14. Kamousi B., Liu Z., He B. Classification of motor imagery tasks for brain-computer interface applications by means of two equivalent dipoles analysis // IEEE Transactions on Neural Systems and Rehabilitation Engineering. 2005. Vol. 13, no. 2. P. 166-171. DOI:10.1109/TNSRE.2005.847386
15. Qin L., Ding L., He B. Motor imagery classification by means of source analysis for brain–computer interface applications // Journal of Neural Engineering. 2004. Vol. 1, no. 3. P. 135-141.
16. Luck S.J. An introduction to the event-related potential technique. Cambridge, MA: MIT Press, 2005. 388 p.
17. Niedermeyer E. Dipole theory and electroencephalography // Clinical EEG (electroencephalography). 1996. Vol. 27, no. 3. P. 121-131.
18. Hallez H., Vanrumste B., Grech R., Muscat J., De Clercq W., Vergult A., D'Asseler Y., Camilleri K.P., Fabri SD.G., Van Huffel S., Lemahieu I. Review on solving the forward problem in EEG source analysis // Journal of NeuroEngineering and Rehabilitation. 2007. Vol. 4, no. 1. Art. no. 46. DOI: 10.1186/1743-0003-4-46
19. Ferree T.C., Nunez P.L. Primer on electroencephalography for functional connectivity // Handbook of Brain Connectivity. Springer Berlin Heidelberg, 2007. P. 169-200. DOI: 10.1007/978-3-540-71512-2_6
20. Mosher J.C., Leahy R.M., Lewis P.S. EEG and MEG: forward solutions for inverse methods // IEEE Transactions on Biomedical Engineering. 1999. Vol. 46, no. 3. P. 245-259. DOI:10.1109/10.748978
21. Банди Б. Методы оптимизации. Вводный курс : пер. с англ. М.: Радио и связь, 1988. 128 с.
22. Неробкова Л.Н., Филатова Ю.Б., Воронина Т.А., Авакян Г.Г., Хромых Е.А., Гайдуков И.О., Авакян Г.Н. Изучение электрофизиологических механизмов регресса патологиче-ской системы у больных эпилепсией с использованием спектрально-когерентного анализа и метода дипольных источников // Эпилепсия и пароксизмальные состояния. 2013. № 1. С. 22-30.
23. Айвазян С.А., Бухштабер В.М., Енюков И.С., Мешалкин Л.Д. Прикладная статистика: Классификация и снижение размерности. М.: Финансы и статистика, 1989. 607 с.
24. Hastie T., Tibshirani R., Friedman J. The Elements of Statistical Learning. Springer New York, 2001. 536 p. (Springer Series in Statistics). DOI: 10.1007/978-0-387-21606-5
25. Oostenveld R., Fries P., Maris E., Schoffelen J.-M. FieldTrip: open source software for advanced analysis of MEG, EEG, and invasive electrophysiological data // Computational Intelligence and Neuroscience. 2011. Vol. 2011. Art. ID 156869. DOI: 10.1155/2011/156869