БЕСПЛАТНАЯ БИБЛИОТЕКА РОССИИ

НАУЧНО-ПРАКТИЧЕСКИЕ КОНФЕРЕНЦИИ

<< ГЛАВНАЯ
АСТРОНОМИЯ
БЕЗОПАСНОСТЬ
БИОЛОГИЯ
ЗЕМЛЯ
ИНФОРМАТИКА
ИСКУССТВОВЕДЕНИЕ
ИСТОРИЯ
КУЛЬТУРОЛОГИЯ
МАШИНОСТРОЕНИЕ
МЕДИЦИНА
МЕТАЛЛУРГИЯ
МЕХАНИКА
ПЕДАГОГИКА
ПОЛИТИКА
ПРИБОРОСТРОЕНИЕ
ПРОДОВОЛЬСТВИЕ
ПСИХОЛОГИЯ
РАДИОТЕХНИКА
СЕЛЬСКОЕ ХОЗЯЙСТВО
СОЦИОЛОГИЯ
СТРОИТЕЛЬСТВО
ТЕХНИЧЕСКИЕ НАУКИ
ТРАНСПОРТ
ФАРМАЦЕВТИКА
ФИЗИКА
ФИЗИОЛОГИЯ
ФИЛОЛОГИЯ
ФИЛОСОФИЯ
ХИМИЯ
ЭКОНОМИКА
ЭЛЕКТРОТЕХНИКА
ЭНЕРГЕТИКА
ЮРИСПРУДЕНЦИЯ
ЯЗЫКОЗНАНИЕ
РАЗНОЕ
КОНТАКТЫ


Pages:     | 1 || 3 | 4 |   ...   | 34 |

«XVI ВСЕРОССИЙСКАЯ НАУЧНО-ТЕХНИЧЕСКАЯ КОНФЕРЕНЦИЯ с международным участием СБОРНИК НАУЧНЫХ ТРУДОВ ЧАСТЬ 2 РОССИЙСКАЯ АКАДЕМИЯ НАУК М ИНИСТЕРСТВО ОБРАЗОВАНИЯ И НАУКИ РОССИЙСКО Й ...»

-- [ Страница 2 ] --
The problem o f imaginary and real movements recognition on the EEG data is examined. The study on real and imaginary movements of one hand fingers discrimination is implemented. Spatial localization and duration of the interval for analysis are determined for the EEG signals used for classification. Neural network classifier with the preliminary regression analysis is implemented. The accuracy of the pattern recognition of real and imaginary thumb and forefinger presses is evaluated.

Keywords: brain-computer interface, EEG pattern recognition, imaginary movements, neural networks.

В последние годы наблюдается рост интереса к разработкам «интерфей­ са мозг-компьютер» (ИМК). Актуальность разработки применимых на практике систем ИМК не вызывает сомнений: использование их сущест­ венно повысит качество жизни больных с тяжелыми поражениями ЦНС, сопровождающихся частичным или полным параличом: больных с послед­ ствиями инсульта, тяжелых черепно-мозговых травм и др., а также может быть использовано для управления протезами конечностей, инвалидными креслами и пр. Разработки таких систем для применения в клинике ведутся разными исследовательскими группами по всему миру [1-5]. За последние 10 лет в базе данных Национальной медицинской библиотеки США (ww.pubmed.com) индексируется более 1500 статей, посвященных разра­ ботке ИМК, из них около 300 работ посвящено разработке ИМК на основе воображаемых движений. Разрабатываются системы ИМК, основанные на распознавании сигналов ЭЭГ, функциональной МРТ, магнитоэнцефалографии, электрокортикографии и др. [1-3]. Вместе с тем, ни одна из них не получила на данный момент широкого клинического применения. Приме­ нение неинвазивных способов регистрации активности мозга, в том числе ЭЭГ, целесообразно в плане безопасности для пациента, простоты и ком­ пактности устройства, а также в экономическом отношении.

ИМК на основе воображаемых и реальных движений. Для класси­ фикации паттернов ЭЭГ при создании неинвазивных ИМК, основанных на совершении воображаемых движений, используются показатели вы­ званной синхронизации/десинхронизации ЭЭГ в частотных диапазонах INI IN 0 /0 -5 -7 2 6 2 -1 899-1 НЕЙРОИНФ ОРМ АТИКА-2014. Часть мю-ритма и бета-ритма ЭЭГ (в моторных и сенсомоторных областях), а Iлюкс параметры вызванных потенциалов [6]. При создании ИМК на ос­ нове г)ЭГ-сигналов при совершении воображаемых движений одной из задач исследований является выделение сигнала для классификации, по­ зволяющего с большей точностью разделить паттерны различных мотор­ ных команд [7]. В качестве таких сигналов рассматриваются, например, амплитуды мю- и бета-ритмов [1].

Большинство исследований последних лет сконцентрировано на раз­ личении воображаемых движений отдельными частями тела - руками (правой и левой), ногами, разных типов движений запястья [8], движений в локтевых и плечевых суставах [3] и др. Вместе с тем, использование воображаемых движений мелкой моторики (воображаемые движения от­ дельных пальцев) представляет перспективу для реализации системы ИМК с большим количеством степеней свободы.

Использованию паттернов ЭЭГ, соответствующих воображаемым и ре­ альным‘«мелким» движениям в качестве управляющего сигнала для ИМК, посвящено небольшое количество работ. Xiao, Ding (2013) предприняли попытку различения реальных движений пяти пальцев одной руки, исполь­ зуя для этого спектральные и временные характеристики ЭЭГ, при этом средняя точность различения составила 45 % (при выборе 1 из 5 возможных паттернов). Наилучший результат был получен при анализе сигнала во вре­ менной области (сравнение временного ряда амплитуд) и при использова­ нии метода главных компонент в частотной области [9].

В работе Quandt et al. (2012) [10] проводилась сравнительная оценка возможности распознавания реальных движений (нажатие на кнопку) пальцев одной руки (большого, указательного, среднего и мизинца) с ис­ пользованием сигнала МЭГ и ЭЭГ. В результате классификации времен­ ных рядов МЭГ-сигнала точность различения нажатий составила 57 % (наилучшее значение - 70 %). При классификации временных рядов ЭЭГсигнала - 43 % (лучшее значение 54 %) при эмпирической вероятности 25,1 %. Различия сигналов наблюдались в сенсомоторной коре полуша­ рия, контрлатерального движущейся конечности. Наилучшая точность (36%) была получена для мощности в низких частотах (6-11 Гц). Таким образом, в работе была показана принципиальная возможность классифи­ кации реальных движений пальцев одной руки как при помощи сигналов МЭГ, так и ЭЭГ.

Одной из рассматриваемых и нерешенных проблем в области разра­ ботки систем ИМК, наряду с поиском алгоритма классификации паттер­ нов ЭЭГ, является проблема нестационарности сигнала [11]. Нестационарность ЭЭГ сигнала наблюдается при переходе от «калибровочной»

ISBN 978-5-7262-1899-1 НЕЙРОИНФ ОРМ АТИКА-2014. Часть фазы к использованию в режиме реального времени и в процессе исполь­ зования под влиянием «усталости» и других неконтролируемых факторов.

Причинами нестационарности сигнала могут быть внешние «шумы», вы­ сокая размерность ЭЭГ сигнала, изменения регистрируемой фоновой ЭЭГ активности пользователя, в том числе из-за усталости или увеличения количества артефактов.

Цель данной работы состояла в анализе возможности различения пат­ тернов ЭЭГ, сопряженных с выполнением реальных и воображаемых движений пальцами правой руки и возможностей их распознавания с ис­ пользованием нейросетевого подхода с предварительным регрессионным анализом данных.

ЭЭГ исследование проводилось в парадигме изучения связанных с со­ бытием потенциалов. Для регистрации связанных с событием потенциа­ лов необходимым условием является четкая временная связь регистри­ руемой активности с конкретным событием, будь то движение или появ­ ление стимула. В нашем случае в ответ на многократно предъявляемый зрительный стимул происходило многократно повторяемое действие: ре­ альное или воображаемое нажатие. Метод предполагает, что в результате накопления сигнал связанного с событием потенциала возрастает быстрее, чем шум спонтанной ЭЭГ, который не связан со значимым для исследо­ вания событием.

Испытуемые. В исследовании приняли участие 7 испытуемых ( мужчин, 5 женщин, средний возраст - 34±4.3[SD]). В работе приводятся данные по двум испытуемым (женщины, 33 и 35 лет), принимавшим уча­ стие в исследовании дважды с интервалом в 5 дней. Испытуемые были здоровы на момент проведения исследования, без хронических заболева­ ний и текущего медикаментозного лечения. Участие в исследовании было добровольным (согласно Хельсинкской декларации (1964) и ее после­ дующим дополнениям о проведении исследований с участием доброволь­ цев) и подтверждалось информированным согласием.

Задания. Испытуемые выполняли четыре задания: реальные нажатия указательным и большим пальцами правой руки на левую кнопку мыши, воображаемые нажатия указательным и большим пальцем правой руки на левую кнопку мыши. Нажатия производились испытуемыми в индивиду­ альном темпе (без задачи нажать как можно быстрее) после предъявления на мониторе компьютера в центре поля зрения испытуемого разрешающе­ го стимула - «cross». Задания имели блоковую схему - каждый тип заIM IN U/U-b-7262-1899-1 НЕЙРОИНФ ОРМ АТИКА-2014. Часть tii'i состоял из выполнения 100 проб на реальные или воображаемые на­ поим».

.Длительность одного блока проб составляла не менее 8 минут. Все за­ дания выполнялись молча, в это время проводилась регистрация ЭЭГ. До выполнения заданий испытуемый совершал пробные - реальные и вооб­ ражаемые нажатия с целью тренировки и снижения эффекта новизны от выполняемых задач. Блоки заданий были рандомизированы между испы­ туемыми, чтобы избежать эффекта утомления при выполнении заданий в одной и той же последовательности.

Регистрация ЭЭГ и анализ данных. Регистрация ЭЭГ проводилась с помощью 32-канального цифрового электроэнцефалографа «Мицар»

(производство ООО «Мицар», С.-Петербург) от 19 хлорсеребряных чашечковых электродов, установленных в позициях - Fpl, Fp2, F7, F3, Fz, F4, F8, ТЗ, СЗ, Cz, С4, Т4, Т5, РЗ, Pz, Р4, Тб, 0 1, 0 2 (10-20). В качестве референтного использовали объединенный ушной электрод. Заземляю­ щий электрод располагался на запястье левой руки. Сопротивление элек­ тродов не превышало 5 кОМ. Частота дискретизации составила 2000 Гц на канал. Параметры ФВЧ и ФНЧ 0.3-50 Гц соответственно, режекторный фильтр 45-55 Гц. Для контроля отсутствия реальных движений в заданиях на воображение движений на тыльную поверхность указательного и большого пальца правой руки устанавливались специальные электроды.

Исходные сигналы ЭЭГ преобразовывались к среднему взвешенному референту для уменьшения влияния общего референта. На данном этапе ISBN 978-5-7262-1899-1 НЕЙРОИНФ ОРМ АТИКА-2014. Часть исследования оцифрованный сигнал приводился к 500 отсчетам в секун­ ду. Далее из записей ЭЭГ испытуемых удалялись артефакты: а) связанные с движением глаз, б) фрагменты ЭЭГ, содержащие медленные волны (в диапазоне 0-1 Гц с амплитудой больше 50 мкВ) и быстрые волны (в диа­ пазоне 20-35 Гц с амплитудой выше 35 мкВ), фрагменты ЭЭГ с амплиту­ дой сигнала больше 100 мкВ.

Далее были проанализированы связанные с событием потенциалы ис­ пытуемых в двух сессиях:

А) при усреднении биоэлектрического сигнала по нажатию на кнопку (было возможно только для реальных движений с целью определения среднего времени нажатия разными пальцами на кнопку в разные сессии исследования и для выбора индивидуального временного окна дальней­ шего поиска коррелят воображаемых движений).

Б) при усреднении биоэлектрического сигнала по моменту предъявле­ ния разрешающего реальное или воображаемое нажатие стимулу.

Для анализа ЭЭГ сигнала, связанного с реальными и воображаемыми нажатиями, прежде всего, была проанализирована биоэлектрическая ак­ тивность в сенсомоторных зонах коры контрлатерального нажатиям по­ лушария. Из литературы известно, что, в том числе, произвольное нажа­ тие сопровождается реакцией десинхронизации в сенсомоторных зонах коры контрлатерального полушария на частоте более 10 Hz [12,13] и за 800-500 мс ему предшествует медленная негативная волна [14, 15]. В диа­ пазоне медленных частот также возможно возникновение реакции ЭЭГ по центральным отведениям [14]. Таким образом, на данном этапе работы исследование было сконцентрировано на рассмотрении динамики био­ электрического сигнала в зонах СЗ, Cz. Сигнал в этих отведениях был отфильтрован в полосе 1.5-15 Гц.

На первом этапе анализа данных было определено среднее время реак­ ции для обеих испытуемых в двух сессиях.

При рассмотрении иллюстраций в табл. 1 и времени нажатий испы­ туемых можно отметить, что присутствует индивидуальный (для испы­ туемых) рисунок связанных с нажатием потенциалов и выбор временного интервала для нажатия. При этом между потенциалами одного испытуе­ мого в разных сессиях присутствует некоторое сходство (условие для оп­ ределения возможности классификации паттернов реальных и вообра­ жаемых движений без повторяющегося в каждой сессии обучения нейро­ сети). На основе физиологических данных по сопоставлению времени IM IN ОA) 5-7262-1899-1 НЕЙРОИНФ ОРМ АТИКА-2014. Часть реакции и потенциалов подготовки и совершения реального нажатия, был выбран временной интервал 400 мс после зрительного предъявления раз­ решающего стимула «cross» длительностью 1600 мс для дальнейшей классификации динамики биоэлектрической активности при реальных (и воображаемых) нажатиях.

Таблица 1. Среднее время произвольного нажатия испытуемыми кнопки мыши большим и указательным пальцем правой руки с иллюстрацией потенциалов, Сессия Примечание: вертикальная пунктирная линия на рисунках - нажатие кнопки (интервал - 600 мс д о нажатия на кнопку и 400 мс после нажатия). Ось ординат амплитуда сигнала, ось абсцисс - время (мс).

В случае реальных нажатий, этот интервал включает в себя подготовку к нажатию, выполнение движения и последующую синхронизацию рит­ мов после нажатия. Несмотря на то, что зрительные потенциалы имеют преимущественную локализацию в затылочных областях коры, интервал 400 мс сразу после предъявления стимула нами не рассматривался, чтобы минимизировать возможные влияния зрительного предъявления на иссле­ дуемый сигнал в интересующих нас зонах. Выбор данного интервала (1600 мс) для анализа сигнала базировался на представлениях о том, что для воображения движения необходимо то же самое время, что и для вы­ ISBN 978-5-7262-1899-1 НЕЙРОИНФ ОРМ АТИКА-2014. Часть полнения его реального двигательного образца [16,17]. Для анализа пат­ тернов воображаемых движений зонами интереса оставались сенсомоторпые зоны коры (Cz, СЗ), в том числе, в связи с возникновением у испы­ туемых кинестетических ощущений во время воображения нажатий.

На втором этапе очищенный от артефактов и отфильтрованный сигнал ЭЭГ на выделенном для анализа временном интервале (1600 мс) подлежал последующему анализу с целью выявления характерных признаков каж­ дого из типов движений для распознавания с помощью нейросетевого классификатора. Математические методы анализа были выбраны на осно­ вании результатов ранее проведенных исследований [18]. Анализ произ­ водился во временной области с применением методов символьной и по­ линомиальной регрессии и нейросети в качестве классификатора (рис.2).

Анализ данных: символьная и полиномиальная регрессия Расчет площади под кривой регрессионной модели в окне 160 мс Регрессионный анализ существенно снизил размерность данных. Не­ обходимо отметить, что метод символьной регрессии, основанный на по­ строении регрессионных моделей путем перебора произвольных суперпо­ зиций функций из некоторого заданного набора с помощью генетического программирования, показал лучшую точность восстановления сигнала по сравнению с классическим полиномиальным подходом. Однако преиму­ ществом последнего является высокая скорость нахождения регрессион­ ной модели, что является важнейшим критерием при построении систем управления в реальном времени. Анализируемый сигнал и полученная символьная регрессионная модель на рис. 3.

ISBN 978-5-7262-1899-1 НЕЙРОИНФ ОРМ АТИКА-2014. Часть На базе полученных регрессионных моделей генерируется вектор при­ знаков, путем подсчета площади под кривой в скользящем окне размером 160 мс. Таким образом, для каждого распознаваемого паттерна создается набор из 38 характерных признаков (по 19 признаков для каналов СЗ и Cz). Данный вектор подается на вход многослойного нейросетевого клас­ сификатора с двумя скрытыми слоями.

Рис. 3. Сигнал ЭЭГ, соответствующ ий воображ аемому движ ению указательным пальцем (сплош ная линия) и полученная символьная регрессионная модель (пунктирная линия). Ось абсцисс - отсчеты сигнала (каждый отсчет = 4 мс), Обучение нейросети производилось для каждого из испытуемых на выборке из паттернов ЭЭГ, соответствующим четырем типам выполняе­ мых движений: реальные и воображаемые нажатия большим и указатель­ ным пальцами правой руки.

Результат распознавания предъявляемых паттернов составил 62 % в среднем по тестовой выборке. Необходимо отметить, что большая часть (в среднем 70%) ошибочных классификаций вызвана трудностью разли­ чения реальных и воображаемых движений одного и того же пальца.

Данная работа была направлена на исследование сигналов ЭЭГ, соот­ ветствующих воображаемым и реальным движениям пальцев одной руки, с целью выявления их характерных признаков и классификации. Для классификации паттернов ЭЭГ были проанализированы фрагменты свя­ занных с событием потенциалов с проекций сенсомоторных зон коры.

Произведен анализ данных во временной области с применением ме­ тодов регрессионного анализа и нейросетевой классификации.

В работе показана принципиальная возможность различения паттернов ЭЭГ воображаемых движений пальцев одной руки. Результат распознава­ ния предъявляемых паттернов, соответствующих четырем типам выпол­ няемых движений, составил в среднем 62 %.

Программа дальнейших исследований будет включать в себя расшире­ ние количества моделей для исследования воображаемых движений и ме­ тодов извлечения признаков, соответствующих воображаемым движени­ ям, переход к многоканальному пространственному анализу с целью по­ вышения точности классификации и определения наиболее значимых по­ вторяемых паттернов ЭЭГ воображаемых движений «мелкой моторики».

1. W olpaw J.R., Birbaumer N., McFarland D.J., Pfurtscheller G., Vaughan T.M., Drain-computer interfaces For com m unication and control // Clin. N europhysiol, 2002.

V. 113. P. 767-791.

2. A ng K.K., Guan C„ Chua K.S., A ng B.T., Kuah C.W., W ang C„ Phua K.S., Chin Z.Y., Zhang H. A Large Clinical Study on the Ability o f Stroke Patients in U sing KEG-Based Motor Imagery Brain-Computer Interface // Clinical EEG and Neurosci­ ence, 2011. V. 42. № 4. P. 253-258.



Pages:     | 1 || 3 | 4 |   ...   | 34 |
 


Похожие материалы:

«ПРОБА ПЕРА ЕСТЕСТВЕННЫЕ И МАТЕМАТИЧЕСКИЕ НАУКИ Новосибирск, 2012 г. УДК 50 ББК 2 П78 П78 Проба пера Естественные и математические науки: материалы II школьной международной заочной научно-исследовательской конференции. (29 ноября 2012 г.) — Новосибирск: Изд. СибАК, 2012. — 346 с. ISBN 978-5-4379-0177-9 Сборник трудов II школьной международной заочной научно-исследова- тельской конференции. Проба пера Естественные и математические науки это прекрасная возможность для школьников сделать рывок в ...»






 
© 2013 www.kon.libed.ru - «Бесплатная библиотека научно-практических конференций»