Методы и программные средства для обработки данных электроэнцефалографии

Методы и программные средства для обработки данных электроэнцефалографии

Автор: Попова, Елена Александровна

Шифр специальности: 05.13.11

Научная степень: Кандидатская

Год защиты: 2008

Место защиты: Москва

Количество страниц: 114 с. ил.

Артикул: 4261978

Автор: Попова, Елена Александровна

Стоимость: 250 руб.

Методы и программные средства для обработки данных электроэнцефалографии  Методы и программные средства для обработки данных электроэнцефалографии 

Введение
Глава 1. Метод ансамблей деревьев решений для анализа электрической активности мозга человека
1.1. Постановка задачи локализации нейронных источников
1.2. Сведение задачи локализации к задаче классификации.
1.3. Алгоритм построения классификатора для определения
зон электрической активности
1.3.1. Алгоритм построения дерева решений
1.3.2. Алгоритм голосования классификаторов
1.4. Сходимость и определение основных параметрических
зависимостей предложенного метода.
Глава 2. Параллельные алгоритмы и программный комплекс обработки данных ЭЭГ.
2.1. Определение требований к программному комплексу обработки сигналов ЭЭГ
2.2. Структура программного комплекса локализации нейронных источников электрической активности
2.2.1. Базовые классы основных модулей программного комплекса
2.3. Анализ производительности последовательного алгоритма решения обратной задачи ЭЭГ
2.4. Параллельный алгоритм построения ансамблей деревьев
решений.
2.4.1. Анализ эффективности МР1 реализации
параллельного алгоритма локализации источников.
2.4.2. Многонитевая реализация параллельного алгоритма локализации нейронных источников
Глава 3. Использование комплекса программ по обработке сигнала ЭЭГ при исследовании нейрофизиологических проблем восприятия.
3.1. Алгоритм построения пространственноусредненных
карт активности нейронных дипольных источников
3.2. Задача определения пространственных нейронных структур мозга, участвующих в обработке зрительной
информации
3.3. Протокол нейрофизиологического эксперимента, цели
математической обработки экспериментальных данных. . .
3.4. Построение временных карт активности нейронных источников и их сравнение для различных стадий эксперимента.
3.4.1. Выбор масштаба временного окна для построения пространственновременных карт. .
3.4.2. Построение пространственновременных карт активности для фоновой ЭЭГ и при возникновении у испытуемого зрительноиллюзорного образа.
3.4.3. Сравнение областей возникновения вероятных источников активности для всех фрагментов сигнала ЭЭГ
3.4.4. Определение проекции усредненных зон активности дипольного источника на реальную геометрию мозга
3.5. Сравнение разработанных алгоритмов локализации источников с существующими методами.
Заключение
Приложение
Список литературы


Первый подход распределенных источников основан на фиксированном расположении большого числа диполей около 0 обратная задача сводится к отысканию их силы тока 9,. Несмотря на хорошую точность, которую можно достигнуть, рассматривая все возможные зоны внутренней поверхности головы, задача выявления единственной комбинации для большого числа диполей является весьма сложной, и эффективных методов определения единственного решения для такого числа источников не существует. Поэтому большинство подходов используют дополнительные априорные ограничения на рассматриваемую область возможных положений источников 3. Статистические подходы, основанные на Байесовском правиле 3 или энтропийном анализе 3, также используют априорную информацию о функциональной роли областей мозга и анатомических ограничениях путем введения вероятностных коэффициентов. В другом случае, подходе эквивалентного диполя, задается небольшое число источников обычно от и неизвестными считаются как сила, так и расположения источников. Можно выделить несколько базовых алгоритмов параметрического подхода решения обратной задачи. Методы, основанные на алгоритме выполняют пространственную фильтрацию сигнала ЭЭГ от датчиков регистрации для классификации активных и неактивных источников. Алгоритм отслеживает сигнал от заданного положения дипольного источника, исключая из рассмотрения другие источники, также требует задания ограничения на значения вектора силы дипольного источника. Активность неуечтойчивой и взаимосвязанной нейронной структуры отражается в многомодовом сигнале, который невозможно описать набором независимых одинаковых источников, что является причиной ложных локализаций зависимых истчоников методом V i. Известная модель многократной классификации сигнала I i i iii определяет алгоритм поиска источников, являющихся независимыми друг от друга во времени. Алгоритм основан на сканировании проекции одного дипольного источника на подпространство сигнала. Итеративная процедура локализации заключается в нахождении корреляции между модельным подпространством и подпространсвом данных, которая с свою очередь задается метрикой проекций. Активность, которая не может быть приписана к источнику в фиксированном расположении рассматривается как шум. Класс алгоритмов, рассматриваемых в диссертации, относится к методам ii , метод наименьших квадратов поиска источника. В данном случае обратная задача сводится к минимизации функционала невязки между модельным и экспериментально измеренным потенциалом. ЮЗ, математической статистики для оценки вероятностных интервалов параметров активных источников 2, методы случайного поиска МонтеКарло, генетический алгоритм. Неединственность решения в случае модели эквивалентных источников также присутствует, поэтому используются ограничения на рассматриваемую область расположения источников, на основе исходного распределения потенциала на поверхности головы и снимков МРТ конкретного человека. Используя подход, необходимо задавать число локализуемых дииольных источников априори это является основным его недостатком. Также при рассмотрении многодипольных моделей число вариантов параметров диполей, соотвествующих входному сигналу возрастает экпонентациально, и число ложных обнаружений источников локальных минимумов увеличивается. Разработанный в диссертации метод относится к данному классу параметрических алгоритмов с минимальными априорными ограничениями на пространство решений. Стохастические методы поиска минимальной невязки между модельным и экспериментальным сигналом генетический алгоритм, МонтеКарло позволяют решить проблемы локальных минимумов, однако при увеличении уровня шума начинают терять эффективность. В диссертации предлагается принципиально новый подход решения задачи о локализации нейронных источников. Суть подхода заключается в сведении задачи локализации к задаче классификации. Подход основан на выделении из пространства возможных положений дипольных источников тех диполей, которые дают основной вклад в регистрируемый потенциал. Классификация активных и неактивных источников проводится по задаваемой величине порога ошибки по потенциалу.

Рекомендуемые диссертации данного раздела

28.06.2016

+ 100 бесплатных диссертаций

Дорогие друзья, в раздел "Бесплатные диссертации" добавлено 100 новых диссертаций. Желаем новых научных ...

15.02.2015

Добавлено 41611 диссертаций РГБ

В каталог сайта http://new-disser.ru добавлено новые диссертации РГБ 2013-2014 года. Желаем новых научных ...


Все новости

Время генерации: 0.210, запросов: 244