Распознавание типов мыслительной деятельности по ЭЭГ при решении пространственных и вербально-логических задач

• Автор: Наумов, Роман Александрович
• Шифр специальности: 03.03.01
• Научная степень: Кандидатская
• Год защиты: 2010
• Место защиты: Москва
• Количество страниц: 102 с. : ил.

Оглавление
Введение

Обзор литературы

Что мы измеряем, регистрируя ЭЭГ?

Ритмы ЭЭГ - современная классификация

Ритмы ô — диапазона

Ритмы 0 — диапазона

Ритмы а - диапазона

Ритмы р - диапазона,

Ритмы у— диапазона

Функциональная роль ритмов ЭЭГ

Методы анализа нестационарного ЭЭГ сигнала
Нестационарная природа ЭЭГ
Преобразование Фурье ЭЭГ сигнала
Вейвлет-анализ ЭЭГ сигнала
Сегментация ЭЭГ и ее физиологическое значение
Искусственные нейросети в нейрофизиологических исследованиях
История возникновения методологии искусственных нейронных сетей
Наиболее известные типы искусственных нейросетей
Применение ИНС для анализа ЭЭГ и ПСС
Методы исследования
Испытуемые, характер предъявляемых задач и ход эксперимента
Регистрация данных
Отбор данных и отстройка от артефактов
Формирование обучающей и контрольной выборок данных для целей классификации
Предобработка
Распознавание пита данных с помощью обучаемого классификатора

Искусственная нейросеть
Усредненные спектры
Вейвлет-анализ полученных данных
Непрерывное вейвлет-преобразование
Материнский (анализирующий) вейвлет
Понятие масштаба вейвлет-преобразования
Процедура преобразования
Частотно-временная локализация вейвлет-анализа
Результаты исследования
Результаты, полученные при применении ИНС в качестве обучаемого классификатора
Различия в паттернах ЭЭГ, проявляющиеся при решении различных заданий
Межиндивидуалъные различия паттернов ЭЭГ человека
Частотно-временной анализ полученных ЭЭГ данных
Обсуждение результатов
Природа характерных ритмических паттернов
Вклад гамма- и дельта- активности в формирование характерных ритмических паттернов и классификацию
Вклад бета-активности в формирование характерных ритмических паттернов и классификацию
Вклад мю-ритма в формирование характерных ритмических паттернов и классификацию
Вклад ритмов тета- и альфа-диапазонов, коррелированных с эмоциями, памятью, вниманием и мотивацией
Фазический характер процессов, отраженных в характерных ритмах
«Специфические неспецифические» процессы
Воспроизводимость ритмических паттернов
Инвариантные признаки у разных испытуемых. Инвариантные признаки при решении различных видов заданий
Особенности метода классификации с помощью искусственной нейронной сети..
Выводы

Приложение

Процедура отстройки от глазодвигательного артефакта.

Список литературы

Список сокращений
БПФ — быстрое преобразование Фурье
ВП - вызванный потенциал
ГДА - глазодвигательный артефакт
ИВНД и НФ РАН - Институт высшей нервной деятельности и нейрофизиологии РАН
ИМК - интерфейс мозг-компьютер
ИНС — искусственная нейронная сеть
ППР - процент правильного распознавания
ПСС - потенциал, связанный с событием
ПСтГ - постстимульная гистограмма
СКОР - суммарная (за эпоху) квадратичная ошибка распознавания
СЛУ - система линейных уравнений
ЭМГ - электромиограмма
ЭОГ — электроокулограмма
ЭЭГ - электроэнцефалограмма
ERD - Event Related Desynchronization (десинхронизация, связанная с событием) - метод оценки активации отделов коры мозга, первоначально разработанный и примененный Г. Пфюртшеллером (Pfurtscheller & Lopes da Silva, 1999)
ERS - Event Related Synchronization (синхронизация, связанная с событием) - явление противоположное ERD

координат входного вектора. Размерность последнего должна быть, следовательно, равна числу элементов «рецепторного» слоя. Элементы верхнего («эффекторного») слоя, число которых должно быть равно числу классов анализируемых объектов, приходят в активное состояние за счет поступления на них воздействий от элементов нижнего слоя. Каждый элемент нижнего слоя связан с каждым элементом верхнего слоя посредством связи, сила которой может изменяться. Таким образом, элементы верхнего слоя получают в качестве своих входов взвешенные суммы уровней активации элементов нижнего слоя:
1пР] ='Еа‘и

где 1пру - входное воздействие нау-ый элемент верхнего слоя, а, — уровень активации г-го элемента нижнего слоя, и»,у - сила, или вес, связи между г'-ым элементом нижнего слоя и у-ым элементом верхнего слоя. Вес может принимать любое положительное или отрицательное значение; в первом случае воздействие будет «возбуждающим», во втором - «тормозным». Уровень активации элемента верхнего слоя связан с величиной входа на него нелинейным «сигмоидным» преобразованием:

0]~ + е,п”>
где оу — уровень активацииу-го элемента верхнего слоя. Это преобразование обеспечивает при значении активирующего входа равном минус бесконечности уровень активации выходного элемента равный нулю; при значении входа равном нулю — уровень активации равный 0,5; а при значении входа равном плюс бесконечности — уровень активации равный 1. Элементы верхнего слоя могут принимать, таким образом, значения от 0 до 1. Каждому из них ставится в соответствие определенный класс, и считается, что выход сети должен показывать класс объекта, поданного на ее вход. Так, например, для сети, имеющей три элемента в верхнем слое (и осуществляющей, соответственно, разделение входных объектов на три класса), ее выход при подаче на вход объекта класса №1 в идеальном случае должен бьггь (1,0,0), при подаче на вход объекта класса №2 - (0,1,0), а объекта класса №3 - (0,0,1). Задача распознавания входных объектов сводится, таким образом, к тому, чтобы научить сеть определять их класс, активируя нужный элемент «эффекторного» слоя. Это достигается путем правильного подбора весов внутренних связей в процессе обучения.