EEG-analys

EEG-analys utnyttjar matematiska signalanalysmetoder och datorteknik för att extrahera information från elektroencefalografi (EEG)-signaler. Målen för EEG-analys är att hjälpa forskare att få en bättre förståelse av hjärnan ; hjälpa läkare med diagnos och behandlingsval ; och att stärka BCI-tekniken ( brain-computer interface) . Det finns många sätt att grovt kategorisera EEG-analysmetoder. Om en matematisk modell utnyttjas för att passa de samplade EEG-signalerna, kan metoden kategoriseras som parametrisk , annars är det en icke-parametrisk metod. Traditionellt faller de flesta EEG-analysmetoder in i fyra kategorier: tidsdomän , frekvensdomän , tidsfrekvensdomän och olinjära metoder. Det finns också senare metoder inklusive djupa neurala nätverk (DNN).

Metoder

Frekvensdomänmetoder

Frekvensdomänanalys, även känd som spektralanalys, är den mest konventionella men ändå en av de mest kraftfulla och standardmetoder för EEG-analys. Den ger insikt i information som finns i frekvensdomänen för EEG-vågformer genom att anta statistiska metoder och Fourier-transformmetoder . Bland alla spektrala metoder är effektspektralanalys den vanligaste, eftersom effektspektrumet återspeglar signalens "frekvensinnehåll" eller fördelningen av signaleffekt över frekvens.

Tidsdomänmetoder

Det finns två viktiga metoder för tidsdomän-EEG-analys: linjär prediktion och komponentanalys . I allmänhet linjär förutsägelse det uppskattade värdet lika med en linjär kombination av det tidigare utgående värdet med det nuvarande och tidigare ingångsvärdet. Och Component Analysis är en oövervakad metod där datamängden mappas till en funktionsuppsättning. Noterbart är att parametrarna i tidsdomänmetoder är helt baserade på tid, men de kan också extraheras från statistiska moment i effektspektrumet. Som ett resultat bygger tidsdomänmetoden en bro mellan fysisk tidstolkning och konventionell spektralanalys. Dessutom erbjuder tidsdomänmetoder ett sätt att mäta grundläggande signalegenskaper online med hjälp av en tidsbaserad beräkning, vilket kräver mindre komplex utrustning jämfört med konventionell frekvensanalys.

Tidsfrekvensdomänmetoder

Wavelet Transform , en typisk tids-frekvensdomänmetod, kan extrahera och representera egenskaper från transienta biologiska signaler. Specifikt, genom wavelet-sönderdelning av EEG-posterna, kan transienta egenskaper fångas exakt och lokaliseras i både tids- och frekvenssammanhang. Således Wavelet-transform som ett matematiskt mikroskop som kan analysera olika skalor av neurala rytmer och undersöka småskaliga svängningar av hjärnsignalerna samtidigt som man ignorerar bidraget från andra skalor. Förutom Wavelet Transform finns det en annan framträdande tidsfrekvensmetod som kallas Hilbert-Huang Transform , som kan bryta ner EEG-signaler till en uppsättning oscillerande komponenter som kallas Intrinsic Mode Function (IMF) för att fånga momentana frekvensdata.

Icke-linjära metoder

Många fenomen i naturen är olinjära och icke-stationära, och så är EEG-signaler. Detta attribut lägger till mer komplexitet till tolkningen av EEG-signaler, vilket gör linjära metoder (metoder som nämns ovan) begränsade. Sedan 1985, när två pionjärer inom icke-linjär EEG-analys, Rapp och Bobloyantz, publicerade sina första resultat, har teorin om icke-linjära dynamiska system, även kallad 'kaosteori', tillämpats brett inom området EEG-analys. För att utföra icke-linjär EEG-analys har forskare antagit många användbara icke-linjära parametrar som Lyapunov-exponent , korrelationsdimension och entropier som ungefärlig entropi och proventropi .

ANN metoder

Implementeringen av artificiella neurala nätverk (ANN) presenteras för klassificering av elektroencefalogram (EEG) signaler. I de flesta fall involverar EEG-data en förprocess av wavelet-transformering innan de sätts in i de neurala nätverken. RNN ( återkommande neurala nätverk ) användes en gång avsevärt i studier av ANN-implementationer i EEG-analys. Fram till boomen av djupinlärning och CNN ( Convolutional Neural Networks ) blir CNN-metoden en ny favorit i nyare studier av EEG-analys med djupinlärning. Med beskuren träning för att det djupa CNN ska nå konkurrenskraftig noggrannhet på datasetet har deep CNN presenterat en överlägsen avkodningsprestanda. Dessutom kräver den stora EEG-datan, som input från ANN, behovet av säker lagring och höga beräkningsresurser för realtidsbehandling. För att möta dessa utmaningar har en molnbaserad djupinlärning föreslagits och presenterats för realtidsanalys av stora EEG-data.

Ansökningar

Klinisk

EEG-analys används i stor utsträckning vid diagnos och bedömning av hjärnsjukdomar. Inom området epileptiska anfall är upptäckten av epileptiforma flytningar i EEG en viktig komponent i diagnosen epilepsi. Noggranna analyser av EEG-posterna kan ge värdefull insikt och förbättrad förståelse för mekanismerna som orsakar epileptiska störningar. Dessutom hjälper EEG-analys också mycket med upptäckten av Alzheimers sjukdom, tremor , etc.

BCI (Brain-computer Interface)

EEG-inspelningar under höger och vänster motorisk bild gör att man kan etablera en ny kommunikationskanal. Baserat på EEG-analys i realtid med ämnesspecifika rumsliga mönster, kan ett hjärn-datorgränssnitt (BCI) användas för att utveckla ett enkelt binärt svar för kontroll av en enhet. En sådan EEG-baserad BCI kan hjälpa t.ex. patienter med amyotrofisk lateralskleros med vissa dagliga aktiviteter.

Analysverktyg

Brainstorm är ett samarbete med öppen källkod tillägnad analys av hjärninspelningar inklusive MEG , EEG, fNIRS , ECoG , djupelektroder och djurinvasiv neurofysiologi. Målet med Brainstorm är att dela en omfattande uppsättning användarvänliga verktyg med forskarvärlden som använder MEG/EEG som en experimentell teknik. Brainstorm erbjuder ett rikt och intuitivt grafiskt gränssnitt för läkare och forskare, vilket inte kräver några programmeringskunskaper. Vissa andra relativa analysprogram med öppen källkod inkluderar FieldTrip, etc.

Andra

I kombination med analys av ansiktsuttryck erbjuder EEG-analys funktionen av kontinuerlig känsloupptäckt, som kan användas för att hitta de känslomässiga spåren av videor. Vissa andra applikationer inkluderar EEG-baserad hjärnkartläggning, personlig EEG-baserad kryptering, EEG-baserat bildanteckningssystem, etc.

Se även

externa länkar

Hämtad från " https://en.wikipedia.org/w/index.php?title=EEG_analysis&oldid=1129507280 "