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.
название | год | авторы | номер документа |
---|---|---|---|
Способ классификации двигательной активности человека | 2020 |
|
RU2751816C1 |
СПОСОБ ОПРЕДЕЛЕНИЯ ОТНОСИТЕЛЬНОГО РАЗМЕРА СИНХРОННОГО КЛАСТЕРА В СЕТИ ПО ЕЕ МАКРОПАРАМЕТРАМ | 2017 |
|
RU2647677C1 |
Способ определения уровня концентрации внимания по временным данным электроэнцефалограмм | 2018 |
|
RU2675340C1 |
СПОСОБ ВЫДЕЛЕНИЯ ВЕРЕТЕНОПОДОБНЫХ ПАТТЕРНОВ ПО ВРЕМЕННЫМ ДАННЫМ ЭЛЕКТРОЭНЦЕФАЛОГРАММ | 2014 |
|
RU2565993C1 |
СПОСОБ АВТОМАТИЧЕСКОГО ВЫДЕЛЕНИЯ ФИЗИОЛОГИЧЕСКИХ СОСТОЯНИЙ МЕЛКИХ ЛАБОРАТОРНЫХ ЖИВОТНЫХ | 2020 |
|
RU2751744C1 |
СПОСОБ УДАЛЕНИЯ ГЛАЗО-ДВИГАТЕЛЬНЫХ АРТЕФАКТОВ НА ЭЛЕКТРОЭНЦЕФАЛЛОГРАММАХ | 2014 |
|
RU2560388C1 |
Способ стимуляции головного мозга | 2023 |
|
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 |
|
RU2622206C2 |
СПОСОБ РЕАБИЛИТАЦИИ БОЛЬНЫХ, ПЕРЕНЕСШИХ ИНСУЛЬТ | 2013 |
|
RU2523349C1 |
СПОСОБ ИССЛЕДОВАНИЯ ЭЛЕКТРОЭНЦЕФАЛОГРАММЫ ЧЕЛОВЕКА И ЖИВОТНЫХ | 2012 |
|
RU2543275C2 |
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.
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.
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 |
|
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 |
|
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 |
|
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 |
|
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 |
|
SU130A1 |
Авторы
Даты
2019-03-19—Публикация
2018-02-26—Подача