Распознавание типа решаемой задачи по нескольким секундам ЭЭГ с помощью обучаемого классификатора

• Автор: Иваницкий, Георгий Алексеевич
• Шифр специальности: 03.00.13
• Научная степень: Докторская
• Год защиты: 2007
• Место защиты: Москва
• Количество страниц: 94 с. : ил.

ЛИТЕРАТУРНЫЙ ОБЗОР

РИТМЫ МОЗГА И ИХ ФУНКЦИОНАЛЬНАЯ РОЛЬ

Основные гипотезы о функциональной роли ритмов мозга

Роль ритмов мозга в сенсорных процессах

Роль ритмов мозга в процессах внимания и памяти

Связь ритмов мозга с эмоциями

Связь ритмов мозга с процессами в лимбической системе

Роль ритмов мозга в осуществлении моторных актов

Ритмические паттерны при когнитивной деятельности

Искусственные нейросети в нейрофизиологических исследованиях

История возникновения методологии искусственных нейронных сетей

Наиболее известные типы искусственных нейросетей
Применение ИНС для анализа ЭЭГ и ПСС
МЕТОДИКА
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 типа данных с помощью обучаемого классификатора
Искусственная нейросеть
Использование системы линейных уравнений для классификации данных
Усредненные спектры
РЕЗУЛЬТАТЫ
Первая серия экспериментов
Результаты, полученные при применении ИНС в качестве обучаемого классификатора

Результаты, полученные при использовании линейной системы уравнений в качестве
обучаемого классификатора
Применение обучаемого классификатора для очистки выборки

Вторая серия экспериментов
ОБСУЖДЕНИЕ РЕЗУЛЬТАТОВ
Основные выводы из результатов работы
Природа характерных ритмических паттернов
Предположения о возможной физиологической роли характерных ритмов (замечания
общего характера)
Вклад локальной гамма-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
Тонический характер процессов, отраженных в характерных ритмах. Преднастройка
на определенный тип задания. «Рельсы и поезд»
Дополнительные аргументы в пользу неспецифичности характерных ритмов
Воспроизводимость ритмических паттернов при когнитивной нагрузке и в покое
Индивидуальная вариабельность
«Специфические неспецифические» процессы
Особенности методики и перспективы ее применения на практике
Помехоустойчивость и хорошее временное разрешение метода
«Электронцефалографический портрет» личности и его изменчивость
Обучаемый классификатор как исследовательский инструмент
ВЫВОДЫ
ПРОГРАММНОЕ ОБЕСПЕЧЕНИЕ, ИСПОЛЬЗОВАННОЕ В РАБОТЕ
ПРИЛОЖЕНИЕ
Процедура отстройки от глазодвигательного артефакта
СПИСОК СОКРАЩЕНИЙ
СПИСОК ЛИТЕРАТУРЫ
ПУБЛИКАЦИИ АВТОРА ПО ТЕМЕ ДИССЕРТАЦИИ В РЕФЕРИРУЕМЫХ ЖУРНАЛАХ

Ритмы электроэнцефалограммы (ЭЭГ) были открыты создателем метода Гансом Бергером в первых же поставленных им опытах (Berger, 1929). Тогда Бергер обнаружил, что амплитуда ритмов ЭЭГ зависит, среди прочих условий, и от интеллектуальной нагрузки испытуемого. Сохранилась одна из первых в истории энцефалографии записей, сделанная во время решения 14-летней Илзе Бергер арифметической задачи (196:7). На записи хорошо видна депрессия альфа-ритма (рис. 1). В последующие десятилетия проводилось множество исследований, направленных на выявление физиологических коррелятов ритмов мозга, в частности, выяснения их роли в когнитивной деятельности.
Настоящая работа посвящена изучению взаимосвязи выполняемых человеком мыслительных операций и ритмов мозга тета, альфа и бета диапазонов. Особенность работы состоит в том, что в качестве инструмента анализа полученных данных использована обучающаяся искусственная нейросеть. В соответствии с этим, литературный обзор поделен на две части - касающуюся функциональной роли ритмов мозга и касающуюся применения нейросете-вых алгоритмов в нейрофизиологических исследованиях. ,
N. Niedermeyer / International Journal of Psychophysiotoyff 2611997) Jl -44
Fig. 2. Hans Berger's 14-ycar-old daughter Use calculating (196 + 7). Note excellent alpha blocking and alpha return at termination of the task. The bottom trace indicates lime in 0.1 s. With permission of Dr. P. Oloor and Elsevier Publishers.
Рис. 1. Блокирование альфа-ритма и альфа-отдача при решении арифметической задачи 196:7 14-летней Илзе Бергер. Окончание решение и ответ испытуемой отмечены стрелкой. Рисунок взят из статьи (Меёегтеуег, 1997).

1 1 1 1 1 1 1 1 1
5 10 15 Гц
Рис. 12. Веса классификации до (А) и после (Б) процедуры очистки выборки. Первая серия экспериментов, испытуемый №4, отведение С4, метод предобработки №6, арифметическая задача. По оси ординат - значения весовой функции в относительных единицах. По оси абсцисс - частота. Сине-зеленая кривая: обучение по учебной выборке, тестирование по контрольной. Фиолетовая кривая -обратная процедура (обучение по контрольной, тестирование по обучающей). В результате очистки исходная выборка данных становится однородной, в ней остаются только типичные представители класса. Две половины однородной выборки мало отличаются, соответственно кривые весов становятся близки друг к другу.