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.

 

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.

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.



 

Похожие патенты:

Система формирования координат воздушного судна в условиях неполной и неточной навигационной информации содержит блок первичной фильтрации, блок формирования модели случайного процесса изменения координат воздушного судна, блок прогнозирования координат воздушного судна при отсутствии данных источников навигационной информации, мультиплексор, блок оценивания регулярности поступления данных источников навигационной информации, блок оценивания соответствия данных источников навигационной информации и сформированной модели случайного процесса изменения координат воздушного судна в полете, соединенные определенным образом.

Группа изобретений относится к медицине, оценке риска падения пользователя при сердечно-сосудистых, двигательных, неврологических нарушениях. При осуществлении способа анализируют измерения ускорения пользователя для определения, выполнил ли пользователь переход из положения сидя в положение стоя.

Группа изобретений относится к медицине, а именно к медицинскому устройству для обеспечения контроля здоровья. Медицинское устройство выполнено с возможностью активации функциональности помощника в определении дозы для определения значения дозы человеческого инсулина или аналога или производного человеческого инсулина на основании специфичного к пациенту выбора исходных данных для алгоритма титрования, реализующего упомянутую функциональность помощника в определении дозы, и содержит считываемую компьютером среду, несущую компьютерный программный код, для использования с компьютером для реализации способа.

Изобретение относится к биотехнологии. Заявлен способ определения вероятности того, что пациент имеет волчанку в доклинической стадии.

Изобретение относится к области изображений. Технический результат заключается в обеспечении возможности получения доступа к инструменту визуализации, который недоступен без кодированной информации, во время отображения изображения.

Группа изобретений относится к медицине, а именно к системе поддержки принятия клинических решений на основе принятия решений по сортировке пациентов. Система поддержки принятия клинических решений, содержащая машиночитаемый носитель данных для поддержки принятия клинических решений, закодированный машиночитаемыми командами для выполнения способа, причем система содержит вычислительную систему, которая включает в себя: по меньшей мере один вычислительный процессор; средства ввода/вывода и машиночитаемый носитель данных, закодированный модулем сортировки пациентов, при этом средства ввода/вывода выполнены с возможностью приема электрического сигнала, который включает в себя набор по меньшей мере двух измеренных физиологических параметров пациента, причем измерения одного и того же физиологического показателя выполнены в разных местах тела пациента; и по меньшей мере один вычислительный процессор выполнен с возможностью выполнения команд модуля сортировки пациентов, которые включают: сравнение указанных по меньшей мере двух физиологических параметров с заданным диапазоном физиологических параметров на основании выходных нормативов датчика, которые имеют электронный формат; идентификацию данных, необходимых для определения вероятности и исследуемой степени тяжести пациента исходя из нормативных данных, в результате определения того, что указанные по меньшей мере два физиологических параметра не соответствуют диапазону физиологических параметров; получение указанных идентифицированных данных в электронном формате; определение вероятности и степени тяжести исследуемого состояния пациента исходя из принятых идентифицируемых данных; определение рекомендуемого порядка действий для пациента, исходя из полученных вероятности, степени тяжести ресурсов медицинского учреждения и нормативных событий; и вывод на экран дисплея визуального представления вероятности, степени тяжести и рекомендуемого порядка действий.

Изобретение относится к моделированию усовершенствованной трехмерной компоновки низа бурильной колонны. Техническим результатом является повышение эффективности моделирования.

Группа изобретений относится к медицинской технике, а именно к средствам наблюдения за состоянием пациента. Монитор пациента для наблюдения за состоянием пациента, содержащий интерфейс датчиков, выполненный с возможностью приема сигналов датчика, полученных одним или более датчиками, для измерения параметра пациента, интерфейс связи, выполненный с возможностью передачи информации центральной системе администрирования и приема информации от центральной системы администрирования и/или других мониторов пациента посредством сети, причем интерфейс связи выполнен с возможностью передачи относящихся к пациенту данных, полученных во время отсутствия соединения указанного монитора пациента с указанной центральной системой администрирования, указанной центральной системе администрирования после соединения монитора пациента с указанной центральной системой администрирования, пользовательский интерфейс, выполненный с возможностью приема вводимых пользователем данных и вывода одного или более из принятых сигналов датчика, информации, принятой от указанной центральной системы администрирования и/или других мониторов пациента, и относящихся к пациенту данных, выведенных из сигналов датчика, принятой информации и/или вводимых пользователем данных, блок идентификации пациента, выполненный с возможностью идентификации пациента, за которым необходимо установить наблюдение, процессор, выполненный с возможностью обработки сигналов датчика, принятой информации и/или вводимых пользователем данных для получения относящихся к пациенту данных, причем процессор выполнен с возможностью синхронизации и обновления своих относящихся к пациенту данных после приема контекстных сведений о пациенте, и управляющее устройство, выполненное с возможностью управления интерфейсом связи для извлечения контекстных сведений о пациенте, включая относящуюся к пациенту информацию, которые после идентификации пациента блоком идентификации пациента доступны в указанной центральной системе администрирования и других мониторах пациента, из указанной центральной системы администрирования и других мониторов пациента, и с возможностью управления процессором для учета извлеченных контекстных сведений о пациенте и контекстных сведений о пациенте, выведенных из самого монитора пациента, при обработке для получения относящихся к пациенту данных, причем контекстные сведения о пациенте содержат одно или более из следующего: жизненно важные показатели, хронология жизненно важных показателей, предупреждающие сигналы, хронология предупреждающих сигналов, оценки, уведомления, хронология уведомлений, консультации, хронология консультаций, предписания, хронология предписаний, рабочие элементы, хронология рабочих элементов, отчеты о состоянии, изменения атрибута пациента, протоколы, информация о выборе протоколов, жизненно важные тенденции, предупреждающий сигнал, запросы данных датчика, управляющие данные для управления устройствами, относящимися к пациенту, схемы оценки выбранных параметров введения препаратов, состояние протокола оценки.

Изобретение относится к медицинской технике. Многофункциональное аппаратно-программное устройство автоматизированной оценки психоэмоционального состояния человека содержит блок управления аппаратно-программным устройством (1), фиксирующую платформу первого устройства съема информации (2), панель ответа второго устройства съема информации (3), отдельный третий датчик регистрации двигательной активности (4), цифровую видеокамеру с функцией аудиозаписи (5), зафиксированную на штативе (6), наушники обследуемого лица (7), наушники оператора (11), портативный монитор обследуемого лица (12), персональный компьютер оператора (8).

Группа изобретений относится к медицине. Способ интерпретации электрокардиограммы (ЭКГ) осуществляют с помощью системы для интерпретации ЭКГ.

Изобретение относится к медицине, а именно к нейрофизиологии и психиатрии, может быть использован для коррекции психоэмоционального состояния пациентов, страдающих тревожно-депрессивным синдромом.

Изобретение относится к медицине, неврологии, может быть использовано для диагностики зрительной дисфункции при болезни Паркинсона до медикаментозной коррекции. Проводят исследование цветовых зрительных вызванных потенциалов на реверсивный паттерн зеленых и черных клеток с размером ячейки паттерна 50 минут, частотой стимуляции 1 Гц и латентным периодом (ЛП) 100 мс (Р100).

Изобретение относится к медицине, психиатрии, диагностике. Проводят ЭЭГ с использованием отведений «10-20» и ушных ипсилатеральных электродов в качестве референтных, с последующим спектральным и когерентным анализом.

Изобретение относится к медицине, а именно к цифровой обработке и анализа данных электроэнцефалограмм, и может быть использовано для определения уровня концентрации внимания по временным данным электроэнцефалограмм.

Группа изобретений относится к медицине. Способ обнаружения стадий сна пациента осуществляют с помощью системы обнаружения стадий сна.

Группа изобретений относится к медицинской диагностике, способу и системе для определения потенциала развития высших психических функций и навыков человека. Проводят следующие приемы способа.

Изобретение относится к медицине, а именно к психиатрии и наркологии. Регистрируют электроэнцефалограмму (ЭЭГ), с электродов, расположенных по международной системе 10/20, определяют совокупность распределения средних значений мощности ЭЭГ ритмов в следующих частотных диапазонах: 14-20 Гц (бета 1), 21-30 Гц (бета 2), 11-20 Гц (альфа 2), 5,0-7,0 Гц (тета) и 1,0-4,0 Гц (дельта).

Изобретение относится к области медицины и может быть использовано в качестве средства профессионального отбора и для оценки профессиональной пригодности. Регистрируют ЭЭГ и вычисляют значение спектральной мощности альфа-ритма в отведениях O1 и Т4, дельта-ритма в отведении Т4, бета2-ритма в отведении F8 и показатель суммарной мощности в полосе частот 0,5-30 Гц в отведении F8.

Изобретение относится к области медицины, а именно к офтальмологии. Предъявляют предметное видеоизображение на портативном компьютере.

Группа изобретений относится к медицине и может быть использована для автоматической оценки ЭЭГ абсанса. Группа изобретений представлена способом, машиночитаемым носителем и устройством для автоматической оценки ЭЭГ абсанса.

Группа изобретений относится к медицине, а именно к области поддержки принятия клинических решений, и может быть использована для вычисления значения оценки риска тромбоза у пациента на основе входных признаков. Аппарат содержит: интерфейс данных для приема упомянутых входных признаков; процессор для вычисления упомянутого значения оценки посредством применения алгоритма поддержки принятия решений в качестве функции числовых значений, полученных из упомянутых принятых входных признаков; и пользовательский интерфейс для вывода упомянутого значения оценки; причем упомянутые входные признаки включают комбинацию по меньшей мере одного клинического фактора риска тромбоза, по меньшей мере одного однонуклеотидного полиморфизма и по меньшей мере одного уровня белка упомянутого пациента, являющихся индикаторами тромбоза. Способ включает в себя: выбор упомянутых входных признаков для обеспечения комбинации по меньшей мере одного клинического фактора риска тромбоза, по меньшей мере одного однонуклеотидного полиморфизма и по меньшей мере одного уровня белка упомянутого пациента, являющихся индикаторами тромбоза; и вычисление упомянутого значения оценки посредством применения алгоритма поддержки принятия решений в качестве функции числовых значений, получаемых из упомянутых принятых входных признаков. Машиночитаемый носитель информации, имеющий сохраненный на нем компьютерный программный продукт, содержащий средства программного кода, которые, будучи исполняемыми на компьютерном устройстве, заставляют это компьютерное устройство осуществлять этапы способа на аппарате. Группа изобретений обеспечивает повышение эффективности поддержки принятия клинических решений. 3 н. и 12 з.п. ф-лы, 2 табл., 8 ил.

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.

Наверх