Способ классификации сигналов ЭЭГ при воображении двигательной активности у нетренированного оператора Российский патент 2019 года по МПК A61B5/476 

Описание патента на изобретение RU2682492C1

Изобретение относится к области цифровой обработки и анализа данных и предназначено для обработки многоканальных электроэнцефалограмм (ЭЭГ) с целью выделения в режиме реального времени характерных паттернов электрической активности головного мозга, связанных с воображением двигательной активности у нетренированных операторов. Изобретение может быть эффективно использовано при разработке интерфейсов мозг-компьютер (ИМК). В частности, на основании изобретения возможна реализация алгоритмов управления ИМК, разрабатываемых специально для нетренированных операторов. Кроме того, возможно применение изобретения для создания методик обучения оператора ИМК.

Разработка интерфейсов «мозг-компьютер» (ИМК) (англ. brain-computer interface, BCI) является актуальной задачей нейрофизиологии, физики и техники. Подобная технология востребована в различных прикладных областях, включая медицину, робототехнику и другие высокотехнологичные отрасли [Т. Kawase et al. J Neural Eng, 14, 016015 (2017); M. PLoS ONE, 12, 2 (2017); K. Bowsher et al. J Neural Eng, 13, 023001 (2016); X. Chen et al. Proceedings of the National Academy of Sciences, 112, 44 (2015); J.E. et al. Nature, 479, 228 (2011); W.C. Stacey et al Nature Rewievs, 4, 4 (2008)].

Известно, что в основе ИМК лежит детектирование в реальном времени характерных форм электрической (или магнитной) активности головного мозга и преобразовании полученной информации в компьютерные команды для управления оборудованием.

Функционирование ИМК во многом определяется возможностью оператора генерировать устойчивые и воспроизводимые паттерны когнитивной активности, которые затем могут быть переведены на команды управления. В этом контексте наиболее перспективным подходом является использование характерных паттернов электрической активности мозга, ассоциирующихся с воображением двигательной активности [A. Vasilyev et al. Neuropsychologia, 97, 56(2017)].

Для обученных операторов существует множество методов анализа нейрофизиологических особенностей воображения моторной активности, при помощи которых возможно их преобразования в команды управления компьютерными системами. Среди таких методов можно выделить методики, основанные на анализе вызванных потенциалов [I.A. Basyul et al. Neuroscience and Behavioral Physiology, 45, 9, 1038 (2015)], методики, основанные на использовании методов искусственного интеллекта, таких как машинное обучение [Т. Ma et al. Journal of Neuroscience Methods, 275, 80 (2017)], машины опорных векторов [L.R. Quitadamo et al. A Review, J Neural Eng, 14, 011001 (2017)], методики, основанные на частотно-временном анализе [Y. Wang et al. J Neuroeng Rehabil, 10, 109 (2013)], методики, основанные на выявлении связей между отделами мозга [М. Hamedi et al., Neural Comput, 28, 6, 999 (2016)].

Описанные выше методики не позволяют детектировать активность мозга, отвечающую за воображаемые движения у нетренированных субъектов [В. Blankertz, G. Dornhege, М. Krauledat, K.R. G. Curio. Neurolmage 37, 539 550 (2007)].

Техническая проблема заключается в необходимости разработки универсального способа, позволяющего в режиме реального времени достоверно детектировать характерные паттерны электрической активности головного мозга, связанные с воображением двигательной активности у нетренированных операторов.

Техническим результатом изобретения является возможность достоверного детектирования паттернов электрической активности головного мозга, связанных с воображением двигательной активности, у нетренированных операторов в режиме реального времени.

Предлагаемое изобретение поясняется чертежами: на Фиг. 1. - изображены частотно-временные зависимости, иллюстрирующие увеличение (или уменьшение) энергии вейвлетных спектров, рассчитанных для фоновой ЭЭГ и ЭЭГ, регистрируемых во время воображения двигательной активности из различных участком коры головного мозга. Положения частотно-временных диаграмм соответствуют положению регистрирующих электродов. Зависимости построены в частотном диапазоне - от 1 Гц до 30 Гц на интервале времени 4 секунды и усреднены по большому числу событий. Выделенные области А и В соответствуют областям коры мозга в которых наблюдается значительное увеличение энергии α - ритма и уменьшение энергии δ - ритма, соответственно. На Фиг. 2 - представлен пример реализации способа. На Фиг. 2, (а) - продемонстрированы характерные сигналы ЭЭГ, регистрируемые в областях А и В, на Фиг. 2, (б) - показаны зависимости от времени значения энергии вейвлетного спектра и усредненные по записям ЭЭГ, регистрируемым из областей А, В, и по частотным диапазонам 8-12 Гц и 1-5 Гц, соответственно, на Фиг. 2, (в) - показаны эмпирические моды и четвертого порядка, рассчитанные для зависимостей и на Фиг. 2, (г) - показаны значения производных и , вычисленных по времени для полученных эмпирических мод. На Фиг. 2, (д) - показана бинарная последовательности, принимающая значение 1, в случае выполнения условия и значения 0 в остальных случаях.

При исследовании процессов нейронной динамики, ассоциирующих с воображением двигательной активности, проводят частотно-временной анализ многоканальных записей ЭЭГ с помощью применения процедуры вейвлетного преобразования (см. фиг 1) [Hramov А.Е., Koronovskii A.A., Makarov V.A., Pavlov A.N., Sitnikova E. Yu. Wavelets in Neuroscience. Springer Heidelberg New York Dordrecht London, 2015]. Затем проводят анализ амплитуд наиболее ярко выраженных компонент вейвлетного спектра (см. фиг 2.).

Пусть Xi(t) - набор сигналов ЭЭГ, регистрируемых с помощью датчиков с поверхности головы испытуемого при воображении движения. К каждому из рассматриваемых сигналов Xi(t) в блоке частотно-временного анализа применяется процедура непрерывного вейвлетного преобразования:

где Xi(t) - исходный сигнал, "*" обозначает комплексное сопряжение, a ψ(s, τ) - вейвлетная функция, определенная для временного масштаба s как

Здесь ψ0 - материнская вейвлетная функция, τ - параметр временного сдвига, s=1/ƒ - временной масштаб, определяющий ширину вейвлетной функции. В рамках заявленного способа в качестве материнской вейвлетной функции выбран Морле вейвлет, наиболее эффективный для задач частотно-временного анализа и выделения паттернов во временных рядах. Морле вейвлет представляется в форме:

где ω0 - центральная частота, которая была выбрана равной 2π.

Далее производят анализ модуля комплексной величины |W(s, τ)|, которая пропорциональна энергии сигнала. Анализ проводится в двух частотных диапазонах для двух областей коры головного мозга. В области А, содержащей ЭЭГ, регистрируемые в затылочной, центральной и лобной областях рассчитывается энергия колебаний, усредненная в частотной области α - ритма (8-12 Гц) В области В, содержащей ЭЭГ, регистрируемые в лобной области, рассчитывается энергия колебаний, усредненная в частотной области δ - ритма (1-5 Гц) Для расчета коэффициентов и используются соотношения

где суммирование проводится по ЭЭГ каналам, попадающим в области А и В, соответственно (Фиг. 2(б)).

Для полученных зависимостей и в блоке адаптивной фильтрации рассчитывают эмпирические моды и четвертого порядка (Фиг. 2(в)), при помощи разложения Гильберта-Хуанга [Huang, N.E., Shen, Z., Long, S.R. at al. "The empirical mode decomposition and the Hilbert spectrum for nonlinear and non-stationary time series analysis," Proc. R. Soc. A. 454, 903 (1998)]. Для полученных эмпирических мод в блоке классификации анализируются производные и (Фиг. 2(г)).

В итоге, момент времени, связанный с воображением двигательной активности регистрирует при помощи условия (Фиг. 2(д)):

Заявляемый способ был апробирован на данных ЭЭГ 4х нетренированных операторах, регистрируемых во время сессии воображаемых движений (10 повторений). Запись электрической активности осуществлялось при помощи электроэнцефалографа-регистратора «Энцефалан-ЭЭГР-19/26» (фирма "Медиком-MTD", Таганрог), при регистрации использовалась стандартная расстановка электродов 10-20.

Согласно способу, был проведен анализ двух наборов сигналов ЭЭГ, регистрируемых в областях А и В: Область А включала ЭЭГ каналы O1, Oz, O2, Р3, Pz, Р4, С3, Cz, С4, F3, Fz, F4, Fp1, Fpz, Fp2; Область В - F3, Fz, F4, Fp1, Fpz, Fp2. Использование заявляемого способа позволило идентифицировать в среднем 9 из 10 воображаемых движений в каждой сессии.

Похожие патенты RU2682492C1

название год авторы номер документа
Способ классификации двигательной активности человека 2020
  • Пицик Елена Николаевна
  • Фролов Никита Сергеевич
  • Куркин Семен Андреевич
  • Храмов Александр Евгеньевич
RU2751816C1
СПОСОБ ОПРЕДЕЛЕНИЯ ОТНОСИТЕЛЬНОГО РАЗМЕРА СИНХРОННОГО КЛАСТЕРА В СЕТИ ПО ЕЕ МАКРОПАРАМЕТРАМ 2017
  • Храмов Александр Евгеньевич
  • Горемыко Михаил Владимирович
  • Фролов Никита Сергеевич
  • Максименко Владимир Александрович
  • Макаров Владимир Владимирович
RU2647677C1
Способ определения уровня концентрации внимания по временным данным электроэнцефалограмм 2018
  • Бадарин Артем Александрович
  • Максименко Владимир Александрович
  • Руннова Анастасия Евгеньевна
  • Храмов Александр Евгеньевич
  • Писарчик Александр Николаевич
RU2675340C1
СПОСОБ ВЫДЕЛЕНИЯ ВЕРЕТЕНОПОДОБНЫХ ПАТТЕРНОВ ПО ВРЕМЕННЫМ ДАННЫМ ЭЛЕКТРОЭНЦЕФАЛОГРАММ 2014
  • Храмов Александр Евгеньевич
  • Грубов Вадим Валерьевич
  • Москаленко Ольга Игоревна
  • Короновский Алексей Александрович
  • Ситникова Евгения Юрьевна
RU2565993C1
СПОСОБ АВТОМАТИЧЕСКОГО ВЫДЕЛЕНИЯ ФИЗИОЛОГИЧЕСКИХ СОСТОЯНИЙ МЕЛКИХ ЛАБОРАТОРНЫХ ЖИВОТНЫХ 2020
  • Руннова Анастасия Евгеньевна
  • Журавлев Максим Олегович
  • Уколов Родион Владимирович
  • Киселев Антон Робертович
  • Ситникова Евгения Юрьевна
RU2751744C1
СПОСОБ УДАЛЕНИЯ ГЛАЗО-ДВИГАТЕЛЬНЫХ АРТЕФАКТОВ НА ЭЛЕКТРОЭНЦЕФАЛЛОГРАММАХ 2014
  • Короновский Алексей Александрович
  • Храмов Александр Евгеньевич
  • Москаленко Ольга Игоревна
  • Грубов Вадим Валерьевич
RU2560388C1
Способ стимуляции головного мозга 2023
  • Гордлеева Сусанна Юрьевна
  • Куркин Семен Андреевич
  • Григорьев Никита Андреевич
  • Савосенков Андрей Олегович
  • Максименко Владимир Александрович
  • Храмов Александр Евгеньевич
  • Казанцев Виктор Борисович
RU2822811C1
СПОСОБ РЕАБИЛИТАЦИИ БОЛЬНЫХ ПОСЛЕ ИНСУЛЬТА ИЛИ ТРАВМЫ С ИСПОЛЬЗОВАНИЕМ РОБОТИЗИРОВАННОГО КОМПЛЕКСА, ВКЛЮЧАЮЩЕГО ЭКЗОСКЕЛЕТ КОНЕЧНОСТИ ЧЕЛОВЕКА, УПРАВЛЯЕМЫЙ ЧЕРЕЗ ИНТЕРФЕЙС МОЗГ-КОМПЬЮТЕР ПОСРЕДСТВОМ ВООБРАЖЕНИЯ ДВИЖЕНИЙ 2015
  • Фролов Александр Алексеевич
  • Бирюкова Елена Владимировна
  • Бобров Павел Дмитриевич
  • Коршаков Алексей Вячеславович
  • Котов Сергей Викторович
  • Люкманов Роман Харисович
  • Мокиенко Олеся Александровна
  • Турбина Лидия Григорьевна
  • Черникова Людмила Александровна
  • Червяков Александр Владимирович
RU2622206C2
СПОСОБ РЕАБИЛИТАЦИИ БОЛЬНЫХ, ПЕРЕНЕСШИХ ИНСУЛЬТ 2013
  • Черникова Людмила Александровна
  • Мокиенко Олеся Александровна
  • Рощин Вадим Юрьевич
  • Бобров Павел Дмитриевич
  • Фролов Александр Алексеевич
RU2523349C1
СПОСОБ ИССЛЕДОВАНИЯ ЭЛЕКТРОЭНЦЕФАЛОГРАММЫ ЧЕЛОВЕКА И ЖИВОТНЫХ 2012
  • Туровский Ярослав Александрович
  • Кургалин Сергей Дмитриевич
  • Максимов Алексей Владимирович
  • Семёнов Александр Германович
RU2543275C2

Иллюстрации к изобретению RU 2 682 492 C1

Реферат патента 2019 года Способ классификации сигналов ЭЭГ при воображении двигательной активности у нетренированного оператора

Изобретение относится к области цифровой обработки и анализа данных и предназначено для обработки многоканальных электроэнцефалограмм с целью выделения в режиме реального времени характерных паттернов электрической активности головного мозга, связанных с воображением двигательной активности у нетренированных операторов. Способ классификации сигналов ЭЭГ при воображении двигательной активности у нетренированного оператора заключается в том, что с помощью датчиков регистрируют сигналы ЭЭГ с затылочной, центральной и лобной областей, для которых в блоке частотно-временного анализа вычисляют значение непрерывного вейвлет-преобразования с базовым Морле-вейвлетом, рассчитывают усредненное значение энергии вейвлетного спектра в альфа 8-12 Гц диапазоне для лобной, центральной и затылочной областей и усредненное значение энергии вейвлетного спектра в дельта 1-5 Гц диапазоне для лобной области, далее в блоке адаптивной фильтрации проводят разложения полученных усредненных значений по эмпирическим модам и выделяют низкочастотную составляющую данных зависимостей, выделяя эмпирические моды четвертого порядка, затем в блоке классификации проводят анализ поведения во времени полученных эмпирических мод, при этом моменты времени, для которых амплитуда эмпирической моды, рассчитанной на основе альфа-ритма ЭЭГ сигналов для лобной, центральной и затылочной областей, возрастает, а амплитуда эмпирической моды, рассчитанной на основе дельта-ритма лобных ЭЭГ, уменьшается, классифицируют как эпизоды воображения двигательной активности. Изобретение обеспечивает достоверное детектирование паттернов электрической активности головного мозга, связанных с воображением двигательной активности, у нетренированных операторов в режиме реального времени. 2 ил.

Формула изобретения RU 2 682 492 C1

Способ классификации сигналов ЭЭГ при воображении двигательной активности у нетренированного оператора, заключающийся в том, что с помощью датчиков регистрируют сигналы ЭЭГ с затылочной, центральной и лобной областей, для которых в блоке частотно-временного анализа вычисляют значение непрерывного вейвлет-преобразования с базовым Морле-вейвлетом, рассчитывают усредненное значение энергии вейвлетного спектра в альфа 8-12 Гц диапазоне для лобной, центральной и затылочной областей и усредненное значение энергии вейвлетного спектра в дельта 1-5 Гц диапазоне для лобной области, далее в блоке адаптивной фильтрации проводят разложения полученных усредненных значений по эмпирическим модам и выделяют низкочастотную составляющую данных зависимостей, выделяя эмпирические моды четвертого порядка, затем в блоке классификации проводят анализ поведения во времени полученных эмпирических мод, при этом моменты времени, для которых амплитуда эмпирической моды, рассчитанной на основе альфа-ритма ЭЭГ сигналов для лобной, центральной и затылочной областей, возрастает, а амплитуда эмпирической моды, рассчитанной на основе дельта-ритма лобных ЭЭГ, уменьшается, классифицируют как эпизоды воображения двигательной активности.

Документы, цитированные в отчете о поиске Патент 2019 года RU2682492C1

КОНДРАТЬЕВ Р.А
Распознавание характерных паттернов электроэнцефалограмм с применением вейвлетов, Автореферат магистерской работы, ФГБОУ ВО "Саратовский национальный исследовательский государственный университет имени Н.Г.Чернышевского", Саратов 2017 год, сс
Печь для непрерывного получения сернистого натрия 1921
  • Настюков А.М.
  • Настюков К.И.
SU1A1
СПОСОБ РЕАБИЛИТАЦИИ БОЛЬНЫХ ПОСЛЕ ИНСУЛЬТА ИЛИ ТРАВМЫ С ИСПОЛЬЗОВАНИЕМ РОБОТИЗИРОВАННОГО КОМПЛЕКСА, ВКЛЮЧАЮЩЕГО ЭКЗОСКЕЛЕТ КОНЕЧНОСТИ ЧЕЛОВЕКА, УПРАВЛЯЕМЫЙ ЧЕРЕЗ ИНТЕРФЕЙС МОЗГ-КОМПЬЮТЕР ПОСРЕДСТВОМ ВООБРАЖЕНИЯ ДВИЖЕНИЙ 2015
  • Фролов Александр Алексеевич
  • Бирюкова Елена Владимировна
  • Бобров Павел Дмитриевич
  • Коршаков Алексей Вячеславович
  • Котов Сергей Викторович
  • Люкманов Роман Харисович
  • Мокиенко Олеся Александровна
  • Турбина Лидия Григорьевна
  • Черникова Людмила Александровна
  • Червяков Александр Владимирович
RU2622206C2
JP 2017202183 A, 16.11.2017
МОКИЕНКО О.А
Основанный на воображении движения интерфейс мозг - компьютер в реабилитации пациентов с гемипарезом, Бюллетень сибирской медицины, 2013, том 12, N 2, с
Способ обработки медных солей нафтеновых кислот 1923
  • Потоловский М.С.
SU30A1
СОНЬКИН К.М
и др
Классификация электроэнцефалографических паттернов воображаемых и реальных движений пальцев одной руки методом опорных векторов, Тихоокеанский медицинский журнал, 2014, N 2, cc
Способ обработки медных солей нафтеновых кислот 1923
  • Потоловский М.С.
SU30A1
MARTINA TOLIĆ AND FRANJO JOVIĆ
Classification of wavelet transformed EEG signals with neural network for imagined mental and motor tasks, Kinesiology 45 (2013) pp
Реверсивный дисковый культиватор для тросовой тяги 1923
  • Куниц С.С.
SU130A1

RU 2 682 492 C1

Авторы

Максименко Владимир Александрович

Руннова Анастасия Евгеньевна

Куркин Семен Андреевич

Храмов Александр Евгеньевич

Даты

2019-03-19Публикация

2018-02-26Подача