Ээг головного мозга википедия: HTTP 429 — too many requests, слишком много запросов

Содержание

ЭЭГ — это… Что такое ЭЭГ?

Электроэнцефалограмма.

Электроэнцефалография (ЭЭГ) (электро- + греч. encephalos — головной мозг + греч. grapho — писать, изображать) — раздел электрофизиологии, изучающий закономерности суммарной электрической активности мозга, отводимой с поверхности кожи головы, а также метод записи таких потенциалов.

Электроэнцефалография дает возможность качественного и количественного анализа функционального состояния головного мозга и его реакций при действии раздражителей. Запись ЭЭГ широко применяется в диагностической и лечебной работе (особенно часто при эпилепсии), в анестезиологии, а также при изучении деятельности мозга, связанной с реализацией таких функций, как восприятие, память, адаптация и т. д.

История

Начало изучению электрических процессов мозга было положено Д. Реймоном (Du Bois Reymond) в 1849 году, который показал, что мозг, также как нерв и мышца, обладает электрогенными свойствами.

24 августа 1875 года английский врач Ричард Кэтон (R. Caton) (1842-1926) сделал доклад на заседании Британской медицинской ассоциации. В этом докладе он представил научному сообществу свои данные по регистрации от мозга кроликов и обезьян слабых токов. В том же году независимо от Кэтона русский физиолог В. Я. Данилевский в докторской диссертации изложил данные полученные при изучении электрической активности мозга у собак. В своей работе он отметил наличие спонтанных потенциалов, а так же изменения вызываемые различными стимулами.

В 1882 году И.М. Сеченов опубликовал работу «Гальванические явления на продолговатом мозгу лягушки», в которой впервые был установлен факт наличия ритмической электрической активности мозга. В 1884 году Н. Е. Введенский для изучения работы нервных центров применил телефонический метод регистрации, прослушивая в телефон активность продолговатого мозга лягушки и коры больших полушарий кролика. Введенский подтвердил основные наблюдения Сеченова и показал, что спонтанную ритмическую активность можно обнаружить и в коре больших полушарий млекопитающих.

Начало электроэнцефалографическим исследованиям положил В. В. Правдич-Неминский, опубликовав 1913 году первую электроэнцефалограмму записанную с мозга собаки. В своих исследованиях он использовал струнный гальванометр. Так же Правдич-Неминский вводит термин электроцереброграмма.

Первая запись ЭЭГ человека получена австрийским психиатром Гансом Бергером в 1928 году. Он же предложил запись биотоков мозга называть «электроэнцефалограмма». Работы Бергера, а также сам метод энцефалографии получили широкое признание лишь после того как в мае 1934 года Эдриан (Adrian) и Мэттьюс (Metthews) впервые убедительно продемонстрировали «ритм Бергера» на собрании Физиологического общества в Кембридже.

Методика

Электроэнцефалограф «Нейровизор-БММ 40»

Регистрация ЭЭГ производится специальными электродами (наиболее распространенные мостиковые, чашечковые и игольчатые). В настоящее время чаще всего используется расположение электродов по международным системам «10—20 %» или «10-10 %».

Каждый электрод подключен к усилителю. Для записи ЭЭГ может использоваться или бумажная лента или сигнал может преобразовываться с помощью АЦП и записываться в файл на компьютере. Наиболее распространена запись с частотой дискретизации 250 Гц. Запись потенциалов с каждого электрода осуществляется относительно нулевого потенциала референта, за который принимается мочка уха, или кончик носа. В настоящее время получают все большее распространение перерасчет потенциала относительно взвешенного среднего референта, за который принимается все каналы с определенными весовыми коэффициентами (Lemos, Hjorth). При таком расчете возможные артефакты локализуются, а влияние соседних отведений друг на друга уменьшается.

Литература

  • Гусельников В. И. Электрофизиология головного мозга. — М.: Высшая школа, 1976.
  • Зенков Л. Р. Клиническая электроэнцефалография (с элементами эпилептологии). — М.: МЕДпресс-информ, 2002.
  • Иванов Л. Б. Прикладная компьютерная электроэнцефалография. — М.: Антидор, 2000.

См. также

Wikimedia Foundation. 2010.

Лечение нарушений кровообращения головного мозга

Мозг  играет важнейшую роль в организме человека и имеет богатое кровоснабжение.

Нарушение кровоснабжения ткани мозга часто приводит к очень печальным последствиям (параличи, речевые нарушения, а в ряде случаев и летальный исход). Поэтому нужно быть максимально внимательными к первым проявлениям этих нарушений.

ЛЕЧЕНИЕ НАРУШЕНИЯ КРОВООБРАЩЕНИЯ ГОЛОВНОГО МОЗГА ДОСТУПНО В ФИЛИАЛАХ:

Лечение нарушения кровообращения головного мозга в Приморском районе

Адрес: г. Санкт-Петербург, Приморский район, ул. Репищева, 13

Лечение нарушения кровообращения головного мозга в Петроградском районе

Адрес: г. Санкт-Петербург

, Петроградский район, ул. Ленина, 5

Лечение нарушения кровообращения головного мозга во Всеволожске

Адрес: г. Всеволожск, Октябрьский пр-т, 96 А

Симптомы нарушения мозгового кровообращения

Начальными признаками нарушения мозгового кровообращения являются  нарушения концентрации, памяти, возникновение тревожности, раздражительности, перепады настроения, повышенная сентиментальность, слезливость. Могут отмечаться головокружение, эпизоды потери сознания, нарушение зрения, изменение выражения лица, невнятная речь или парез конечностей. Эти симптомы всегда требуют внимательного отношения и полноценного неврологического обследования.

Причины нарушений мозгового кровообращения.

Чаще сосудистые заболевания преобладают у  пожилых людей. После 60 лет возможность возникновения нарушений мозгового кровообращения значительно возрастает, причём у мужчин риск выше, чем у женщин. Причинами могут быть:

Выделяют несколько типов нарушений кровоснабжения головного мозга:

  • острое нарушение мозгового кровообращения (инсульты) — возникает внезапно.
  • геморрагическое (кровоизлияние в мозг в результате разрыва сосуда)
  • острое нарушение кровоснабжения по ишемическому типу (ишемический инсульт) – недостаточность кровоснабжения
  • преходящее нарушение мозгового кровообращения – симптомы (потеря речи, нарушение зрения) длится около суток, возникает на фоне артериальной гипертензии или атеросклероза.
  • хроническое нарушение мозгового кровообращения – развивается постепенно:

1 этап  — сонливость, усталость, нарушение сна, забывчивость.

2 этап  — ухудшение память, нарушения двигательных функций, депрессия, снижение работоспособности, деградация  личности.

3 этап  —  нарушение двигательных функций, речи, памяти и  слабоумие.

При нарушении мозгового кровообращения у детей отмечают:

  • повышенную утомляемость
  • слабость,
  • головные боли
  • нарушение внимания, памяти и сна
  •  возможна агрессивность и вспыльчивость

Диагностика

Опытный невролог может заподозрить и в ряде случаев и диагностировать состояние на основе жалоб пациента. Выявить окончательную причину помогают дополнительные методы обследования:

  • допплерография сонной артерии (оценка возможного сужения из-за атеросклеротического процесса).
  • компьютерная томография
  • МРТ
  • ЭЭГ
  • Клинический и биохимический анализ крови

! Чем раньше и правильнее будет поставлен диагноз, тем более благоприятным будет прогноз. !

Лечение нарушения мозгового кровообращения

Лечение нарушений кровообращения мозга, как правило, направлено на улучшение кровотока, обменных процессов и защиту нейронов от гипоксии (недостаточность кислорода). Лечение нарушения мозгового кровообращения при шейном остеохондрозе, при сосудистых нарушениях  должно быть комплексным и может включать в себя как традиционные медикаментозные методы, так  и различные виды физиотерапии, мануальной терапии, что бы избавится от ощущения онемения рук или ног, и водные процедуры.

Следует понимать, что однажды возникнув это заболевание «никуда не уходит» и нуждается в постоянном наблюдении и коррекции терапии, профилактике осложнений!

В нашей клинике  Вы можете пройти полное обследование у квалифицированных специалистов разных направлений.

Приём ведут врачи:

Выберите филиал“Династия” на Новочеркасском пр-те, Красногвардейский район“Династия” на Ленина, Петроградский район“Династия” на Репищева, Приморский район“Династия” во ВсеволожскеВыездная служба

Стоимость лечения нарушений кровообращения головного мозга:

Наименование услуг  Цена в рублях
Санкт-Петербург Всеволожск
Первичный прием невролога 1 ступени 1850 1700
Повторный прием невролога 1 ступени 1650 1500
Первичный прием невролога 2 ступени 2100
Повторный прием невролога 2 ступени 1900
Первичный прием невролога Коляда А. А. 3200
Повторный прием невролога Коляда А.А. 2900
Первичный прием невролога Ерошиной Е.С./Иришиной Ю.А./Цинзерлинг Н.В. 4000 4000
Повторный прием невролога Ерошиной Е.С./Иришиной Ю.А./Цинзерлинг Н.В. 3500 3500
Первичный прием нейрохирурга Холявина А.И. 3300
Повторный прием нейрохирурга Холявина А.И. 2900
Заключение невролога для справки 700 700
МАНИПУЛЯЦИИ
Блокада грушевидной мышцы 2200 2200
Блокада затылочного нерва 2000 2000
Блокада карпального канала 2900 2900
Блокада крестцово-подвздошных суставов 3100 3100
Блокада надлопаточного нерва 2200 2200
Ботулинотерапия 5300 5300
Ботулинотерапия бруксизма и хронической боли в лице 18000
Инфузионное купирование острового болевого синдрома в спине 1750 1750
Плазмолифтинг (1 процедура) 3300 3300
Транкраниальная поляризация при болезни Паркинсона (30 мин) 1800
Фармакопунктура от 1700 от 1700
ЛЕЧЕНИЕ ГОЛОВНОЙ БОЛИ
Ботулинотерапия при хронической мигрени 35000 29500 35000 29500
Таргетное лечение мигрени (1 сеанс) 17900 17900

ЗАПИСЬ НА ЛЕЧЕНИЕ НАРУШЕНИЯ КРОВООБРАЩЕНИЯ ГОЛОВНОГО МОЗГА

Ваша заявка отправлена

Менеджер свяжется с вами для уточнения деталей

Мы ценим ваше обращение в наш медицинский центр «Династия»

Генерализованные судороги — Симптомы, диагностика и лечение

Распространенный тип судорог, которые характеризуются потерей сознания, выраженными двигательными проявлениями в виде тонических судорог с последующими клоническими подергиваниями и заторможенной реакцией после эпизода.

Может указывать на основную эпилепсию с генерализированной манифестацией или фокальную эпилепсию вторично-генерализованного характера.

Магнитно-резонансная томография и электроэнцефалография (ЭЭГ) являются основными методами исследования для надлежащей диагностики эпилептического синдрома после генерализованных тонико-клонических судорог (ГТКС). Во время ГТКС на ЭЭГ отмечается билатеральная синхронная эпилептиформная активность.

После ГТКС лечение зависит от типа выявленного эпилептического синдрома. Методы лечения эпилепсии с генерализированной манифестацией и фокальной эпилепсии отличаются. При постановке правильного диагноза в большинстве случаев эпилепсия отвечает на лечение.

Первичные осложнения при лечении включают отсутствие эффективности и побочные эффекты на лекарства или идиосинкразические реакции.

Генерализованные тонико-клонические судороги (ГТКС) – тип судорог, который диагностируют в соответствии со специфическими клиническими и электроэнцефалографическими критериями. [1]International League Against Epilepsy. Proposal for revised clinical and electroencephalographic classification of epileptic seizures. Epilepsia. 1981 Aug;22(4):489-501. http://www.ncbi.nlm.nih.gov/pubmed/6790275?tool=bestpractice.com Этот тип судорог клинически проявляется потерей сознания и фазовым тоническим напряжением конечностей (симметричным или асимметричным) с последующими повторяющимися клоническими подергиваниями. В большинстве случаев судороги этого типа проходят самостоятельно, без лечения. Наблюдаемые проявления этих судорог коррелируют с бисинхронной эпилептиформной активностью в обоих полушариях головного мозга на ЭЭГ. Эти судороги могут быть первичными (с манифестацией при повсеместном или билатеральном распространении) либо вторичными (с манифестацией в одном полушарии либо же области).

Болезнь Альцгеймера: симптомы, стадии, профилактика и лечение, симптомы, диагностика и лечение | Альфа

Болезнь Альцгеймера – патология нейродегенеративного характера с прогрессирующей сенильной деменцией. Характеризуется развитием когнитивных расстройств, слабоумия. Неврологические расстройства при болезни Альцгеймера вызваны образованием нерастворимых жестких белков-амилоидов (сенильных бляшек), которые обволакивают и уничтожают функциональные клетки головного мозга. Постепенно процесс распространяется, захватывает новые области.

Современная медицина может предложить только паллиативное лечение. Комплексная терапия и правильный уход позволяют значительно замедлить деструктивные процессы, увеличить продолжительность и сохранить качество жизни пациентов с болезнью Альцгеймера.

Причины болезни

По статистике симптомы болезни Альцгеймера развиваются у 5-8 человек на 1000 населения. Каждый второй случай деменции вызван именно этой патологией. В последнее десятилетие наблюдается рост заболеваемости, но врачи пока затрудняются назвать точные причины нейродегенеративных процессов. Доказано повышение рисков возрастной группе старше 65 лет. После 95 лет практически у 70 % пожилых людей развиваются характерные симптомы. Женщины болеют чаще, чем мужчины, но это может быть связано с более высокой продолжительностью их жизни, особенно в европейских странах.

Большинство специалистов сходятся во мнении, что главным фактором, запускающим нейродегенеративные процессы, является естественное старение организма. Замедление обменных процессов способствует накоплению амилоидов.

Генетические исследования доказали наследственную предрасположенность к болезни Альцгеймера. Мутации в нескольких хромосомах приводят к нарушению белкового обмена в церебральных тканях. Генетика чаще всего становится причиной раннего дебюта болезни, когда первые признаки деменции проявляются в возрасте 30-40 лет.

Ускорить развитие патологии могут следующие факторы:

  • Плохое питание.
  • Проживание в районах с плохой экологией.
  • Вредные привычки.
  • Отравления химическими веществами, тяжелыми металлами.
  • Хронические стрессы.
  • Перенесенные нейроинфекции: менингит, энцефалит.
  • Опухоли головного мозга.

Симптомы болезни Альцгеймера

Патология характеризуется длительным и малозаметным началом. На ранних стадиях болезнь Альцгеймера вообще может не иметь никаких симптомов. Бляшки начинают формироваться в тканях головного мозга за несколько лет до первых проявлений.

По мере увеличения площади поражения наблюдаются первые нервные расстройства:

  • Снижение памяти и внимания.
  • Нарушение ориентации в пространстве и времени.
  • Сложность в построении логических цепочек.

Человек становится рассеянным, забывчивым, например, часто теряет ключи или забывает, куда положил телефон. Больному сложно осваивать новые виды деятельности, в речи он начинает делать паузы, чтобы подобрать нужные слова. Прогрессирование патологии неуклонное, без периодов ремиссии.

По степени выраженности симптомов выделяют четыре стадии болезни Альцгеймера:

  • Предеменция. Начальная форма патологии. Изменения в состоянии больного могут заметить только близкие люди или врач во время нейрокогнитивного тестирования. Стадия предеменции может длиться до 8 лет. Из основных симптомов обычно присутствует расстройство кратковременной памяти, рассеянность внимания, сложности с планированием деятельности. Болезнь Альцгеймера у пожилых в первых проявлениях всегда сопровождается отстраненностью, апатией – это один из типичных признаков.
  • Ранняя деменция. Снижение памяти прогрессирует. Изменения в поведении больного сильно выражены, и уже невозможно списывать их на старость. Человек хорошо помнит события многолетней давности, но не всегда может сказать, обедал он сегодня или еще нет. Развиваются расстройства слуха, зрения, тактильного восприятия. В ранней деменции возможно нарушение речи. У больного значительно уменьшается словарный запас, некоторые новые выражения он не может понять. Выполнение дел, требующих точной мелкой моторики, занимает больше времени, чем обычно. Человеку трудно вставить нитку в иголку, застегнуть пуговицы на одежде или написать что-нибудь.
  • Умеренная деменция. Пациенту сложно выполнять повседневные дела. Человек становится неряшливым, плохо причесанным, он может не замечать бардак в комнате. Нарушается память и пространственное ориентирование – пожилые люди с умеренной деменцией часто теряются. Больному сложно вспомнить свое имя, назвать адрес или сказать, с какой стороны он пришел. Усиливаются нейропсихиатрические симптомы: человек становится раздражительным, плаксивым, агрессивным. Многие пациенты сопротивляются уходу за ними и проявляют склонность к бродяжничеству. Навыки письма и чтения практически полностью утрачиваются. Возможно недержание мочи.
  • Тяжелая деменция. Пациент не способен к самообслуживанию. Ему необходима помощь, чтобы одеться, умыться, принять пищу. Речь ограничивается несколькими словами или звуками. Многие пациенты в стадии тяжелой деменции еще могут поддерживать контакт с близкими людьми, и воспринимать окружающее, но постепенно наступает полная апатия. Больной перестает передвигаться, не узнает родных. Мышцы атрофируются, возникают осложнения обездвиженности, которые обычно и становятся причиной летального исхода.

Диагностика болезни Альцгеймера

Пациенты не всегда способны заметить и понять изменения в своем организме, поэтому родственникам необходимо привести близкого человека к доктору при первых проявлениях патологии. Диагностикой болезни Альцгеймера занимается врач-невролог. В ходе осмотра он определяет уровень рефлексов пациента, проводит ряд тестов на оценку когнитивных функций, устанавливает анамнез, наличие провоцирующих факторов.

Комплекс обследований включает:

  • Общий анализ крови. Результаты дают информацию о наличии сопутствующих заболеваний, воспалительных процессов в организме. Рекомендуется делать развернутый клинический анализ на содержание фолиевой кислоты и витамина В12.
  • Биохимическое исследование крови. Деменцию может вызывать не только болезнь Альцгеймера, но и ряд эндокринных нарушений, дисфункция щитовидной железы.
  • Анализ крови на ВИЧ, сифилис, другие инфекции. Патоген в организме ухудшает состояние больного, ускоряет течение нейродегенеративных процессов.
  • Электроэнцефалографию (ЭЭГ). Суть болезни Альцгеймера в разрушении нейронов и нарушении проводимости нервных импульсов. На ЭЭГ будет наблюдаться диффузное замедление сигнала.
  • Компьютерную или магниторезонансную томографию. На снимках видны участки атрофии коры головного мозга, сенильные бляшки. По результатам МРТ проводят дифференциальную диагностику таких патологий как гематомы, новообразования, инсульты.
  • Анализ ликвора. При болезни Альцгеймера определяется повышенное содержание амилоида.
  • Генетический анализ. Выявляют наличие мутации в гене АроЕ, дефект которого вызывает деменцию.

Лечение болезни Альцгеймера

Медикаментозное лечение

Врач назначает симптоматическую терапию. Важно максимально облегчить состояние больного, помочь ему дольше сохранять память, внимание, увеличить продолжительность жизни.

Лекарственное лечение болезни Альцгеймера включает:

  • Ингибиторы холинэстеразы: ривастигмин, донепезил, гаоантамин.
  • Блокаторы NMDA-глутаматных рецепторов: акатинол-мемантин.

Препараты включены в список жизненно важных, их покупка финансируется из бюджета. При назначении на ранней и средней стадии лекарства помогают приостановить развитие болезни.

Для лечения сопутствующих нарушений врач назначает нейролептики, антидепрессанты,

Социальная реабилитация

Важно как можно дольше сохранять привычный образ жизни больного. Интеллектуальный регресс будет неуклонным, но занятие любимым делом, общение с друзьями помогают замедлить его. Человек с болезнью Альцгеймера часто живет «в прошлом», поэтому родственникам рекомендуют как можно больше обсуждать с ним текущие события, напоминать о каких-то фактах. Если до постановки диагноза пациент рисовал или играл на музыкальном инструменте, пусть продолжает. Активная интеллектуальная деятельность и движение стимулируют образование новых связей между нейронами, задействуют мозговые резервы, что помогает сопротивляться деменции.

Во многих крупных городах открыты «школы для родственников». Суть занятий во многом сводится к психологической поддержке, но в рамках обучения дают много ценной информации по уходу за людьми с болезнью Альцгеймера. Внимание родственников – важный аспект социальной реабилитации каждого пациента.

Некоторые правила ухода за человеком с деменцией:

  • По мере ухудшения памяти научите больного пользоваться простыми бумажными заметками. В комнате все должно быть подписано. Размещайте на видных местах подробные инструкции по выполнению ежедневных дел, списки с временем приема пищи и т. д.
  • Установите четкий распорядок дня. Завтрак, обед, ужин, гигиенические процедуры – все должно выполняться в одно и то же время. Это способствует формированию «мышечной» памяти, когда человек действует автоматически.
  • Найдите больному посильное занятие. Многие пожилые люди любят вязать, читать газеты, разгадывать кроссворды.
  • Сохраняйте спокойствие в общении. Нельзя кричать на пациента, ругаться, применять физическую силу. При выраженной деменции характер и личность человека сильно меняются, но он ведет себя так не специально, а в силу своей болезни.
  • Позволяйте больному обслуживать себя, насколько это возможно. Человеку важно чувствовать свою самостоятельность, независимость. Не нужно выполнять за него все домашние дела. Больной может сам вымыть посуду или прибрать кровать, даже если на это уходит вдвое больше времени, чем обычно.
  • Сделайте окружающее пространство безопасным. Стоит убрать из комнаты режущие и колющие предметы, оставить минимальное количество электрических приборов. По мере прогрессирования болезни Альцгеймера пациенты склонны к необдуманным действиям.

Комплексный подход к лечению позволяет больным сохранять достаточно ясный ум и способность к самообслуживанию до глубокой старости. Продолжительность жизни после постановки диагноза достигает 14 лет и более. Родственникам рекомендуют пользоваться услугами специалистов, особенно в поздних стадиях болезни Альцгеймера. Профессиональный уход за пациентом в пансионате или хосписе значительно улучшит его самочувствие и позволит семье вернуться к работе, к привычному образу жизни.

Профилактика болезни Альцгеймера

Невозможно заранее предсказать и предупредить нейродегенеративные изменения в мозге. Но можно уменьшить риск их развития. Доказано, что люди, занятые интеллектуальным трудом, реже страдают от деменции. Хорошей профилактикой болезни Альцгеймера являются специальные гимнастики, упражнения на подвижность ума. Рекомендуется читать книги, решать кроссворды, заниматься научной деятельностью по мере возможности до глубокой старости.

Сохранение душевного равновесия – один их эффективных методов профилактики деменции. Следует избегать стрессов, нервных перенапряжений. Укрепить общее здоровье помогает двигательная активность, частые прогулки на свежем воздухе, правильное питание.

Диагностика и лечение болезни Альцгеймера в Нижнем Новгороде

Врачи клиники «Альфа-Центр Здоровья» имеют большой опыт лечения пациентов с деменцией. Мы располагаем современным оборудованием для диагностики болезни Альцгеймера, проводим медицинские процедуры, работаем с родственниками больных. Позвоните нам, чтобы записаться на прием к врачу в удобное время.

Цереброваскулярная болезнь (ЦВБ): стадии и лечение

Основные стадии и формы ЦВБ

Согласно классификации, у цереброваскулярной болезни существует три стадии: начальная и прогрессирующая, последняя.

  • Для первой стадии цереброваскулярной недостаточности не характерно изменение внутренних органов. Однако пациент может чувствовать недомогания разного рода: проблемы с памятью, расстройство вестибулярных функций, подавленные состояния.
  • На второй стадии цереброваскулярной недостаточности наблюдается ухудшение всех функций организма. Умственная работа дается с трудом, значительно снижена память, снижаются интеллектуальные способности. Человеку трудно ориентироваться в пространстве, моторика нарушена. На этой стадии цереброваскулярной болезни даже простые функции реализуются тяжело. Нарушен глотательный рефлекс, наблюдается недержание мочи, дрожат руки и прочее.
  • На последней стадии цереброваскулярной болезни человек не в состоянии обслуживать сам себя, ему требуется круглосуточная помощь. Эта форма не поддается лечению и ведет к полной потере трудовых и социальных навыков.

Симптомы патологии

Коварство цереброваскулярной болезни ранних стадий состоит в симптомах, которые работающий человек списывает на усталость после рабочего дня. Но первыми признаками кислородного голодания мозга становятся именно утомляемость, бессонница, проблемы с памятью, невозможность сконцентрироваться на задаче.

Также тревогу должны вызвать:

  • быстрое снижение активности;
  • раздражительность;
  • рассеянное внимание;
  • нарушение сна;
  • непродолжительные боли в суставах.

Постепенно приступы апатии, плаксивости наступают все чаще. Память страдающего ЦВБ начальной стадии становится хуже, возникают приступы паники, депрессия, преследуют головные боли, головокружения. Цереброваскулярная болезнь не дает трезво оценивать собственные возможности, что приводит к страхам и отказу заниматься работой.

Для ЦВБ также характерны возникновение различных фобий, повышенная суетливость или, напротив, полная апатия и нежелание что-либо делать. Сердцебиение становится более частым, повышается потливость. В тяжелых случаях появляется шум в ушах, дрожат конечности, ухудшается зрение, нарушается походка.

Методы диагностики и лечение ЦВБ

Для постановки диагноза используют комбинацию лабораторных исследований и инструментальной диагностики, в том числе:

  1. Анализы крови, мочи.
  2. Рентгенография.
  3. МРТ, ЭКГ, КТ.
  4. Измерения артериального давления.
  5. Серологические реакции на перенесенные инфекционные заболевания.

Для получения точной картины развития цереброваскулярной болезни могут потребоваться дополнительные осмотры у других специалистов. На основании всех данных подбирается медикаментозное лечение и дополнительные физиотерапевтические комплексы.

Лечение патологии — длительный, серьезный и весьма сложный процесс. Гарантией хорошего самочувствия пациента станет точное соблюдение всех рекомендаций врача. Очевидно, что лечение цереброваскулярной болезни требует комплексного подхода. Для этого используются препараты тормозящие разрушение клеток, восстанавливающие мозговую активность. Пациенту с имеющимися заболеваниями назначаются дополнительные средства, направленные на лечение и поддержку организма. Схема приема препаратов подбирается индивидуально каждому пациенту с учетом состояния головного мозга, стадии болезни и личных особенностей. В условиях стационара к приему медикаментов добавляются физиотерапевтические процедуры, направленные на улучшение кровообращения головного мозга, насыщение клеток кислородом, уменьшающие неприятные симптомы болезни.

В тяжелых случаях ЦВБ потребуется радикальное лечение — хирургическое вмешательство, при котором удаляются атеросклеротические бляшки и сгустки крови, препятствующие нормальному функционированию головного мозга. Комплексные методы лечения дают возможность улучшить качество жизни человека и избежать риска осложнений.

Причины развития болезни

Основная причина возникновения болезни — поражение артерий атеросклерозом. Другим фактором развития цереброваскулярной болезни становится патологии, затрагивающие стенки сосудов. Из-за возникновения воспалительных и деформационных процессов и происходит кислородное голодание головного мозга.

Что еще относится к факторам риска:

  • сахарный диабет;
  • инфекционные заболевания;
  • опухоли головного мозга.

К болезням ЦВД приводят и нарушения кровоснабжения, нарушение сердечного ритма, низкое артериальное давление.

Цереброваскулярная болезнь развивается и при неправильном образе жизни. Этому способствуют курение, чрезмерное увлечение спиртными напитками, хронические стрессы, избыточный вес.

Профилактика патологии

Цереброваскулярная недостаточность — достаточно серьезная болезнь, представляющая угрозу жизни человека. Избежать госпитализации и лечения помогает соблюдение простых правил с юности. В них входит отказ от всех вредных привычек, корректировка питания и образа жизни. В рационе желательно включать больше зеленых овощей, фруктов и круп, снижая потребление жареного, копченого, острого и др.

Кроме прочего, рекомендуется сбалансировать рабочий режим и отдых. Избегать чрезмерного напряжения и переработки, обязательно находить время для полноценного сна и отдыха.

Если же диагноз цереброваскулярная болезнь уже поставлен, необходимо соблюдать перечисленные выше правила, скорректировать вес, заняться регулярными легкими спортивными упражнениями: бегом, ходьбой, плаванием. Для улучшения функций мозга можно заучивать стихи, разгадывать кроссворды, решать логические задачи. Обязательно придерживаться назначенной схемы лечения и вовремя проходить профилактический осмотр.

Проект эпилепсии Википедии ILAE // Международная лига против эпилепсии

Википедия является наиболее часто используемым источником медицинской информации для профессионалов и непрофессионалов во всем мире. В рамках Инициативы Википедии по эпилепсии ILAE имеет уникальную возможность передавать через Википедию самую авторитетную и актуальную информацию об эпилепсии с максимально возможным проникновением и диапазоном и на многих языках.

Объем работы инициативы Википедии по эпилепсии включает в себя два одинаково важных вида деятельности:

  • Редактировать существующие записи, связанные с эпилепсией – это центральный аспект инициативы.Цель состоит в том, чтобы сделать записи точными и авторитетными, применяя обширные ссылки/ссылки на соответствующие публикации, особенно те, которые включают материалы, связанные с ILAE, на www.ilae.org или из трех журналов ILAE, включая статьи в открытом доступе и применяя язык, который насколько это возможно, понятно непрофессионалам, в соответствии с политикой Википедии.
  • Создание/запрос новых записей, связанных с эпилепсией
  1. Стандартные статьи Википедии
  2. Полнофункциональные статьи профессионального качества, которые можно одновременно публиковать в Википедии и в журналах с открытым доступом, таких как Epilepsia Open или других журналах, лицензированных Creative Commons.Второй формат предпочтительнее, когда это возможно, так как он дает авторам возможность признать авторство и вносит свой вклад в их биографические данные.

ILAE призывает заинтересованных студентов-медиков, врачей (резидентов/стипендиатов/экспертов по эпилепсии), а также других медицинских работников и исследователей внести свой вклад. Узнайте о возможностях: Позвоните для участников Википедии

Некоторые статьи обновляются в рамках проекта:

Команда Википедии ILAE

  • Диптаншу Дас, доктор медицинских наук, главный редактор , консультант детского невролога в специализированной больнице Medica и Институте детского здоровья (ICH), Калькутта, Индия
  • Нандан Ярди, доктор медицинских наук, заместитель редактора , старший консультант-эпилептолог и доцент кафедры педиатрии и детской неврологии, больница MUHS-KEM, клиника эпилепсии Ярди, больница Джехангир, больница Сахьядри, Пуна, Индия
  • Амин Аззам, доктор медицины, магистр медицины  — сотрудник Википедии, руководитель курса UCSF «Расширение медицины Википроекта» — клинический профессор кафедры психиатрии Калифорнийского университета в Сан-Франциско, Калифорния, США.
  • Мариум Умме Кульсум  – Википедист, старший исполнительный директор и руководитель сайта Inoclin Consultancy, Западная Бенгалия, Индия
  • Надя Хан
  • Christos Lisgaras, PhD – Постдокторский научный сотрудник в области неврологии, Медицинский колледж Альберта Эйнштейна – Saul R. Korey Кафедра неврологии, Лаборатория эпилепсии развития
  • Атул Махешвари, доктор медицины — старший редактор и представитель Американского общества эпилепсии, ILAE Wikipedia Epilepsy Initiative — доцент кафедры неврологии Медицинского колледжа Бейлора, Техас, США
Консультанты:
  • Никола Маджио
  • Селим Бенбадис, доктор медицинских наук, FAAN, FACNS – старший редактор ILAE Wikipedia Epilepsy Initiative – профессор неврологии и директор Комплексной программы по эпилепсии, Университет Южной Флориды и больница общего профиля Тампы, Флорида, США
  • Шани Эвенстейн Сигалов — Член Попечительского совета Фонда Викимедиа – педагог, лектор и исследователь, Тель-Авивский университет, Израиль
  • Джеймс Хейлман, доктор медицины — член Википедии, член попечительского совета Фонда Викимедиа — клинический доцент кафедры неотложной медицины Университета Британской Колумбии, Британская Колумбия, Канада
Отчеты

Годовой отчет проекта Википедии по эпилепсии за 2020 г.

 

BrainNet: многопользовательский интерфейс «мозг-мозг» для прямого взаимодействия между мозгами игра.В каждом испытании один участник, назначенный Получателем, отвечает за принятие решения о том, следует ли вращать блок, прежде чем он упадет, чтобы заполнить пробел в строке внизу экрана. Критически важно, что Получатель не может видеть нижнюю часть экрана и должен полагаться на совет двух других участников, обозначенных как Отправители, которые могут видеть экран полностью. Этим отправителям поручено принять правильное решение (повернуть или нет) на основе формы текущего блока и пробела внизу, а также сообщить получателю о решении через интерфейс мозг-мозг.Все члены триады сообщают о своих решениях через интерфейс на основе ЭЭГ, используя стационарные зрительно вызванные потенциалы (SSVEP; см. Методы). Решения Отправителей доставляются Получателю посредством двух импульсов ТМС, доставляемых последовательно в затылочную кору, вызывая фосфен для решения «да» или отсутствие фосфена для решения «нет» поворота для каждого Отправителя (см. Методы). Каждое испытание состоит из двух раундов: первый раунд описан выше; после первого раунда отправителям предоставляется возможность изучить решение получателя, отображаемое на их экране в виде блока (теперь потенциально повернутого) в середине его падения.Затем Отправителям дается еще один шанс сделать новые (возможно, корректирующие) предложения Получателю через интерфейс «мозг-мозг». Таким образом, для успешного завершения испытания требуется точная связь между отправителями и получателями в течение этих двух раундов (см. рис. 2). Кроме того, чтобы изучить проблему надежности Отправителей, наше программное обеспечение случайным образом выбирает одного Отправителя как менее надежного, делая решение, отправленное Получателю от этого Отправителя, неверным в десяти из шестнадцати попыток.Порядок испытаний, требующих вращения блока, и испытаний, не требующих вращения, был псевдорандомизированным с ограничением, состоящим в том, что каждая половина сеанса содержала 4 испытания с вращением и 4 испытания без вращения. Испытания 8–12 для первой триады были исключены из всего анализа из-за проблемы с процедурой отметки времени. Мы проанализировали как ЭЭГ, так и данные о поведении испытуемых в остальных испытаниях.

Рисунок 2

Примеры экранов, видимых получателем и отправителем в течение двух раундов.Получатель видит три примера экранов слева, а отправители видят экраны справа. (Верхний ряд) Скриншоты в начале пробной версии. Обратите внимание, что Получатель не видит нижнюю строку с промежутком, а Отправители видят. Получатель должен полагаться на отправителей, чтобы решить, нужно ли поворачивать красный блок, чтобы заполнить пробел и очистить линию. (Средний ряд) После того, как Получатель принимает решение в первом раунде (в данном случае «Повернуть»), состояние игры обновляется, чтобы показать повернутый блок.(Нижний ряд) После второго раунда все участники видят результаты действия Получателя и была ли очищена линия. В этом примере Получатель выполнил корректирующее действие, чтобы снова повернуть блок, тем самым заполнив пробел нижней частью блока и очистив линию.

Общая производительность

Простейшей мерой общей производительности интерфейса является доля правильных поворотов блоков (эквивалентно доля числа очищенных строк или доля максимального теоретического общего балла, т.е. 16 баллов, достигнуто) для каждой из пяти триад участников. На рис. 3 показаны результаты. Средняя точность для всех триад составила 0,8125, что соответствует 13 правильным испытаниям из 16. Соответствующее значение 90 102 p 90 103 было рассчитано с использованием биномиального распределения, которое подтвердило, что средняя эффективность действительно была выше, чем ожидалось случайно (90 102 p 90 103  = 0,002).

Рисунок 3

Производительность триад участников с использованием BrainNet. На графике показана точность, достигнутая каждой из пяти триад участников.Точность определялась как доля правильных поворотов блоков, достигаемых триадой. Пунктирная линия показывает точность теоретического шанса (0,5).

Еще одним важным показателем является средняя производительность участников задачи SSVEP, поскольку и отправители, и получатели в каждой триаде должны были использовать этот метод для обмена информацией. В задании испытуемые сосредоточили свое внимание на мигающем светодиоде с частотой 17 Гц, чтобы указать на решение «Повернуть», и на мигающем светодиоде с частотой 15 Гц, чтобы указать на решение «Не вращать».На рисунке 4 видно, что до и после задания SSVEP средние значения мощности 17 Гц и 15 Гц перекрываются, тогда как во время выполнения задания средняя мощность частоты, соответствующей правильному ответу в испытании, значительно больше, чем у частоты, соответствующей Неправильному ответу (два образца T -Test; T (15) = 9.709, P <0,0001 для «вращающегося» сигнала; т (15) = 10,725, P <0,0001 для " сигнал «Не поворачивать»). Поскольку наш классификатор SSVEP сравнивает величину значений мощности для декодирования решения Отправителя, большая разница в значениях мощности подразумевает хорошую производительность наших мозговых интерфейсов на основе ЭЭГ.

Рисунок 4

Спектры средней мощности сигналов ЭЭГ по субъектам во время задания SSVEP. Значения мощности усреднялись по односекундным эпохам и по субъектам. На графиках показаны средние значения мощности во время задачи SSVEP (между пунктирными линиями) и для сравнения значения мощности за три секунды до и после задачи. Обратите внимание, что до и после задания значения мощности для двух частот перекрываются, тогда как во время выполнения задания мощность частоты, соответствующей правильному ответу, значительно больше.

Как отмечалось в предыдущих исследованиях нашей группы 1,5,14 , необработанная точность может быть неадекватной мерой производительности, поскольку она не различает тип совершаемых ошибок, т. е. являются ли они промахами или ложными срабатываниями. Лучшее измерение производительности может быть получено путем расчета кривой рабочих характеристик приемника (ROC) каждой триады 15 , на которой показана частота истинного срабатывания в зависимости от частоты ложноположительного срабатывания, и вычисления площади под этой кривой (AUC; рис.5). Равномерный случайный ответ дает AUC 0,5, в то время как AUC идеального наблюдателя составляет 1,0. Поскольку распределение значений AUC ограничено диапазоном от 0 до 1, оно не соответствует нормальному распределению. Таким образом, чтобы должным образом провести статистические проверки этих значений, мы использовали два взаимодополняющих подхода. Во-первых, мы провели t -тесты углового преобразования (т. е. преобразования квадратного корня из арксинуса) значений AUC, распространенного метода, используемого для нормализации распределений данных 16 .Во-вторых, мы ввели необработанные непреобразованные значения в критерий Уилкоксона, непараметрический критерий с поправкой на непрерывность. Оба теста подтвердили, что среднее значение AUC, равное 0,83, для всех триад участников было значительно выше, чем результаты, ожидаемые случайно (одновыборочный тест t на угловых преобразованных данных: t (4) = 11,366, p < 0,001; одновыборочный критерий Уилкоксона: V  = 15, p  = 0,031).

Рисунок 5

ROC-кривые для пяти триад участников.На графике показана общая производительность каждой триады (синие точки), а также производительность двух типов отправителей («хорошие» и «плохие») в каждой триаде (зеленые и красные точки). См. текст для получения подробной информации об экспериментальном дизайне, использованном для создания «хорошего» и «плохого» отправителя. Верхний индекс на каждой точке обозначает номер триады. Заштрихованные области представляют собой площадь под кривой (AUC) для ROC-кривой каждой триады. Пунктирная линия обозначает случайность.

Как показано на рис. 5, общее значение AUC для каждой триады мозгов зависит от производительности плохого отправителя, но незначительно.Общие значения AUC меньше, чем значения AUC хороших отправителей (две выборки t -тест на угловых преобразованных данных: t (4) = −2,897, p  = 0,021; критерий Уилкоксона: W = 2, p  = 0,036), но значительно больше, чем у плохих отправителей (двухвыборочный t -тест на угловых преобразованных данных: t (4) = 9,184, p  < 0,001: критерий Уилкоона: Вт  = 25, p  = 0,008).

Взаимная информация между участниками

Важным показателем взаимодействия мозг-мозг является взаимная информация (МИ) 17 , передаваемая между субъектами, которая определяется как:

$$MI(R,S)=\ сумма _ {r \ in \ {0,1 \}} \, \ sum _ {s \ in \ {0,1 \}} {p} _ {R, S} (r, s) {\ rm {l }}{\rm{o}}{\rm{g}}\,\frac{{p}_{R,S}(r,s)}{{p}_{R}(r){p} _{S}(s)}$$

, где r представляет решение, принятое Получателем (0 или 1 соответствует «не поворачивать» или «вращать»), s представляет решение, принятое одним из Отправители, P R

02 R ( R ) представляет вероятность приемника, принятия решения R , P S ( S ) представляет вероятность одного из отправителей принятие решения s и p R , S ( r , s ) представляет совместную вероятность Получателя, принимающего решение r , и Отправителя, принимающего решение s .Обратите внимание, что в этом случае случайная эффективность соответствует ИС  = 0,0, а совершенная коммуникация соответствует ИС  = 1,0. Поскольку значения взаимной информации также ограничены между 0 и 1 и, следовательно, не имеют нормального распределения, мы проанализировали их, используя статистические методы, которые мы применили к значениям AUC (т.е. коррекция).

Благодаря нашему экспериментальному дизайну мы ожидаем значительно более высокие значения MI (т.е., большие объемы информации передаются) между хорошим Отправителем и Получателем, чем между плохим Отправителем и Получателем. Это подтверждается нашими результатами (рис. 6).

Рисунок 6

Взаимная информация, передаваемая между Отправителями и Получателем. Во всех пяти триадах участников BrainNet взаимная информация, передаваемая между Получателем и «Хорошим» Отправителем, значительно выше, чем между Получателем и «Плохим» Отправителем.

Передаваемая информация была значительно выше, чем MI для случайной производительности для обоих хороших Отправителей ( MI  = 0.336, t — тест по угловым преобразованным данным: t (4) = 5,374, p  = 0,006; Test Wilcoxon: v = 15, p = 0,031) и плохие отправители ( mi = 0,051; t —тест на угловых преобразованных данных: t (4) = 3,544, p = 0,024 ; критерий Уилкоксона: V  = 15, p  = 0,031). Разница между хорошими и плохими отправителями также была статистически значимой (двусторонний t -критерий на угловых преобразованных данных, t (8) = 5.187, р  = 0,002; Тест Уилкоксона: W  = 0, p  = 0,031), при этом хорошие отправители передают в среднем больше информации, чем плохие отправители.

Для согласованности с предыдущими исследованиями 1,5,6 мы сообщили о нескорректированных оценках ИМ. Учитывая относительно небольшое количество выборок, нескорректированные значения MI могут завышать истинный объем информации, которой обмениваются два участника. По этой причине мы использовали недавно предложенный метод 18 для расчета величины систематической ошибки в наших оценках.В условиях нашего эксперимента предвзятость B может быть аппроксимирована как B = — N R / [2 × N S × Журнал (2)], с N R Быть числом возможных ответов (в нашем случае, N R = 2) и N S S Количество образцов (в нашем случае, N S  = 32 для каждой пары участников).Оцененное таким образом смещение оказалось незначительным ( b  = −0,045) и не влияет на результаты любого из наших статистических тестов.

Изучение надежности отправителя получателем

Различия в точности и взаимной информации между «хорошими» и «плохими» отправителями в предыдущем разделе позволяют предположить, что получатель успешно узнал, какой из двух отправителей является более надежным источником информации. Подтверждение того, что это действительно так, сделало бы BrainNet на шаг ближе к обычным социальным сетям, в которых пользователи используют дифференциальный вес для разных источников информации.Для дальнейшего изучения этого вопроса мы разделили каждую экспериментальную сессию на четыре последовательных блока по четыре испытания в каждом. Мы количественно определили временной ход процесса обучения Получателя, используя две меры: (1) поблочные оценки весов линейной регрессии для решений Получателя по сравнению с решениями каждого Отправителя; и (2) поблочная корреляция решений, принятых Получателем и каждым Отправителем 1 . Из-за небольшого количества испытаний ( N  = 4) в каждом блоке векторы решений для отправителей и получателей были созданы путем объединения решений участников с одинаковой ролью (получатель, хороший отправитель или плохой отправитель) в пяти трезвучия; эта процедура фиксирует поведение на уровне группы и менее чувствительна к выбросам.{20\times 1}\) — вектор решения для одного типа отправителя («хороший» или «плохой»), веса линейной регрессии β можно оценить с помощью стандартного псевдообратного метода 19 как: β = ( S T S ) −1 S T R .{2}\ ) — дисперсии β g и β b соответственно.Разница в линейных трендах была статистически значимой для обеих мер (мера бета-веса: Z = 5,87, p  < 0,001; мера коэффициента корреляции: Z = 7,31, p  < 0,001). Эти результаты убедительно свидетельствуют о том, что Получатели смогли узнать, какой Отправитель был более надежным, в ходе их межмозговых взаимодействий с двумя Отправителями.

Рисунок 7

Количественная оценка изучения надежности отправителя получателем. (Левая панель) Эволюция во времени весов линейной регрессии (бета) для вектора решения Получателя и вектора решения для каждого типа Отправителя для каждого блока из 4 испытаний (подробности см. В тексте).(Правая панель) Эволюция во времени коэффициента корреляции Пирсона между решениями Получателей и Отправителей каждого типа. Оба графика демонстрируют восходящие тенденции для «хорошего» отправителя, но не для «плохого» отправителя, что позволяет предположить, что получатели узнали, какой отправитель более надежен, в ходе их межмозговых взаимодействий с двумя отправителями.

Объемная проводимость — Scholarpedia

Рисунок 1: Изотропный и анизотропный отсеки белого вещества 1:10: объемные токи для таламического дипольного источника, рассчитанные в модели объемного проводника с конечными элементами на рис. 1 и рис. 1 и визуализированные на корональном срезе моделей .(Перепечатано из (Wol06), Copyright (2007), с разрешения Elsevier) (этот рисунок анимирован. Если он больше не мерцает, чтобы показать разницу между изотропным и анизотропным белым веществом, страницу необходимо перезагрузить).

Объемная проводимость , термин, используемый в биоэлектромагнетизме , может быть определен как передача электрических или магнитных полей от первичного источника электрического тока через биологическую ткань к измерительным датчикам. В рассматриваемом низкочастотном диапазоне (частоты ниже 1000 Гц) емкостной составляющей импеданса ткани, индуктивным эффектом и эффектом распространения электромагнитных волн можно пренебречь, так что передачу можно моделировать с помощью квазистатических уравнений Максвелла (Plo67; Сар87; Мун91).Объемный проводник представлен через распределение проводимости различных тканей, через которые передаются поля.

Связь с прямой и обратной задачей

Модели объемных проводников

являются основой для анализа источников в электрокардиографии (ЭКГ), магнитокардиографии (МКГ), электроэнцефалографии (ЭЭГ) и магнитоэнцефалографии (МЭГ). Активность, измеряемая на ЭКГ/МКГ (ЭЭГ/МЭГ), является результатом движения ионов, так называемых импульсных токов , в активированных областях сердца человека (в коре головного мозга человека).Токовый диполь обычно используется как «атомная структура» приложенного тока (Sar87; Mun88a). Токовый диполь заставляет омические обратные токи течь через окружающую среду. ЭКГ (ЭЭГ) измеряет разность потенциалов обратных токов на поверхности туловища (скальпа), тогда как МКГ (МЭГ) измеряет магнитный поток как приложенного, так и обратного тока на расстоянии нескольких сантиметров от туловища (головы). поверхность. Восстановление вложенного первичного распределения тока по измеренным поверхностным полям называется обратной задачей .Ее решение требует моделирования распределения поля для токового диполя в соответствующем объемном проводнике с использованием квазистатических уравнений Максвелла, так называемой прямой задачи . Все обратные методы (см., например, статью об анализе источника), такие как, например, дипольная подгонка и методы сканирования, реконструкция плотности тока и формирователи луча, основаны на решениях прямой задачи и, таким образом, зависят от степени реалистичности в моделирование объемного проводника.

Эффекты объемной проводимости в ЭЭГ и МЭГ

Чтобы понять взаимосвязь между ЭЭГ и МЭГ и базовой конфигурацией первичного источника, необходимо смоделировать свойства электропроводности головы человека (объемного проводника). Прогресс, достигнутый в разработке методов прямого моделирования, привел к появлению множества приложений для анализа источника. Очевидно, что полностью реалистичная модель объемного проводника в настоящее время не может быть реализована при рутинном анализе источников, но важно указать те характеристики системы, которые играют доминирующую роль.

Знание проводимости тканей

Анализ обратного источника в головном мозге чувствителен к проводимости тканей головы, которая различается у разных людей и у одного и того же человека в зависимости от возраста, состояния болезни и факторов окружающей среды. Первые попытки измерить электропроводность биологических тканей были предприняты in vitro , часто с использованием образцов, взятых у животных (Ged67). Было измерено, что белое вещество мозга имеет зависимую от направления ( анизотропную ) проводимость с соотношением около 1:9 норма:параллельно волокнам ((Nic65), см. дополнительные ссылки в (Gue06)).Проводимость спинномозговой жидкости человека была измерена в (Bau97), а проводимость черепа — в (Hoe03). Череп человека состоит из слоя мягкой кости (spongiosa), окруженного двумя слоями твердой кости (compacta). Губчатая оболочка имеет значительно более высокую измеренную проводимость, чем компакта (Ах02), т. е. череп имеет неоднородную проводимость. Недавно были предложены методы определения in vivo проводимости тканей головы с использованием подхода на основе электроимпедансной томографии (EIT) (Gon03a; Gon03b) или путем их оценки по измеренным данным ЭЭГ (Gut04; Lew09), ЭЭГ и одновременным внутричерепным данным. (Lai05) или комбинированные данные ЭЭГ и МЭГ (Fuc98b; Gon03a; Hua07; Wol10).Что касается внутричерепных тканей, таких как серое и белое вещество головного мозга, косвенное определение анизотропной проводимости с помощью диффузионно-тензорной магнитно-резонансной томографии (ДТ-МРТ) было предложено (Bas94; Tuc01).

Численные подходы к моделированию объемных проводников

Квазианалитические растворы

Использовались различные численные подходы к прямой задаче. Для ЭЭГ первая модель описывала голову одним гомогенно проводящим компартментом (Fra52).Затем были разработаны три (Ges67) и четыре (Hos78) модели концентрических сфер, в которых слои представляют кожу (спинномозговую жидкость), череп и мозг. В каждом из этих слоев проводимость предполагалась однородной и изотропной. В (Mun88b; Mun93) было представлено квазианалитическое решение модели объемного проводника, состоящей из произвольного числа концентрических/конфокальных анизотропных слоев с различной проводимостью. Для МЭГ оказывается, что магнитное поле вне головы совершенно не зависит от профиля проводимости при условии, что проводник сферически симметричен (Mun91).Для этой модели была выведена аналитическая формула (Sar87). Помимо того факта, что эти модели по-прежнему часто используются в процедуре анализа источников, они также служат инструментами проверки для более реалистичного численного моделирования. Наконец, мы упоминаем многообещающий подход к решению очень общих моделей объемных проводников, основанный на анализе возмущений квазианалитических решений (Nol99; Nol01).

Метод граничных элементов

Чтобы лучше учесть реалистичную форму скальпа и поверхностей черепа, были разработаны модели головы Boundary Element (BE), подходящие для кусочно-однородных изотропных компартментов.Численная точность подходов BE может быть улучшена за счет подхода к изолированной задаче (Mei89; Hae89), использования линейных базисных функций с аналитически интегрированными элементами (Mun92), квадратичных элементов (Frij00), методов локального измельчения сетки (Yve95; Zan95), уточнение виртуальной сетки (Fuc98a), метод Галеркина (Mosh99; Lynn68) или симметричный БЭМ, в котором используется комбинация однослойного и двухслойного потенциального подхода (Kyb05).

Методы трехмерной дискретизации

Помимо методов конечных разностей (FD) (Sal97; Moh03; Moh04; Hal05) и методов конечного объема (FV) (Moh04; Coo06), моделирование объемного проводника методом конечных элементов (FE) может обрабатывать оба реалистичная геометрия и параметры неоднородного и анизотропного материала (Yan91; Ber91; Awa97; Buc97; Bro98; Mar98; Oll99; Wei00; Sch02; Wol02; Gen04; Wol04; Wol06; Wol07a; Dan10).По сравнению с моделированием FD и FV подход FE часто считается более гибким в отношении представления сложной геометрии и более высокой точностью, особенно при использовании базисных функций более высокого порядка. Одним из препятствий для использования 3D-методов является высокая вычислительная стоимость проведения моделирования. Использование недавно разработанных достижений в эффективных методах решения для трехмерного прямого моделирования ЭЭГ и МЭГ (Wol02; Moh03; Moh04; Lew09b), подходов матрицы переноса как для ЭЭГ, так и для МЭГ (Gen04; Wol04; Dre09) и подходов взаимности для ЭЭГ и МЭГ ( Wei00; Moh04; Hal05; Sch07; Val09) резко снижают сложность вычислений, так что главный недостаток 3D-моделирования больше не существует.Были проведены исследования чувствительности в реалистичных 3D-моделях влияния спинномозговой жидкости (Ram04;Wol06;Wen08;Rul09), неоднородности черепа (Oll99;Ram04;Sad07; Dan10) и реалистичной анизотропии мозга (Hau02;Wol06;Rul09;Gue10). на ЭЭГ и МЭГ. Эти исследования подтверждают гипотезу о том, что моделирование спинномозговой жидкости, неоднородности черепа и анизотропии головного мозга важно для точной реконструкции источников ЭЭГ и МЭГ. Кроме того, широко признано, что неоднородности проводимости черепа, такие как швы черепа (Poh97) или роднички черепа и другие отверстия черепа, оказывают заметное влияние, особенно на анализ источника ЭЭГ.Локальные изменения проводимости вокруг первичного источника, вызванные поражением головного мозга (Bro98; Rul09), локальной анизотропией (Wol05) или отверстиями в черепе после трепанации (Bro98), оказывают незначительное влияние как на ЭЭГ, так и на МЭГ.

Проверка и получение реалистичных моделей головы

Для следующих расчетов КЭ использовалось программное обеспечение SimBio (https://www.i_{Ana}\) — соответствующий квази -аналитическое решение, а \(||\cdot||_2\) выражает L2-норму вектора.Чтобы проверить точность численного метода, часто принимают стандартную геометрию электрода/магнитометра и вычисляют RDM как функцию эксцентриситета диполя, который определяется как расстояние от местоположения диполя до средней точки модели сферы, деленное на радиус внутренней сферы.

Валидационные исследования
Рисунок 2: Влияние анизотропии «череп» 1:10 (красный) на числовую ошибку в расчетах тетраэдрической (зеленый) и адаптированной к геометрии гексаэдрической модели КЭ (синий) для радиально ориентированного (треугольники) и тангенциально ориентированного (четырехугольники) диполя источники.

Для проверки кода КЭ используется описанная выше модель анизотропной многослойной сферы. Обширная проверка была проведена, например, в (Ber91; Mar98; Sch02; Wol07a; Dre09; Lew09b). На рисунке 2 RDM, рассчитанный для 134 регулярно расположенных электродов на внешней поверхности модели изотропной (анизотропной) сферы с тремя отсеками с радиусами внешней поверхности 90 мм («кожа»), 80 мм («череп») и 70 мм ( «мозг») и проводимости 0,33 См/м, 0,0042 См/м (0,0042 См/м:0,042 радиальная:тангенциальная) и 0.33 См/м, соответственно, показано для источников с разными эксцентриситетами. На рисунке показано «влияние анизотропии черепа», то есть топографическая ошибка между квазианалитическими расчетами вперед в моделях с изотропным («Anaiso») и анизотропным «черепом» 1:10 («Anaiso»), и сравнивается с числовая точность метода вычитания КЭ (см. математику ниже) вычислений в тетраэдрической модели (FEtet156: 156 тыс. базовые функции).Можно заметить, что для достаточно эксцентричных источников эффект анизотропии «череп» 1:10 намного больше, чем численные неточности вычисленного решения МКЭ. Точность решения МКЭ можно дополнительно повысить, увеличив порядок интегрирования или уменьшив длину ребра элемента, особенно в элементах, близких к источнику (например, Dre09; Lew09b), или увеличив степень базисной функции за счет более высокой вычислительной сложности.

Результаты в реалистичных моделях головы
Влияние неоднородности проводимости ткани
Рисунок 3: Модель объемного проводника с трепанационным отверстием в черепе: дипольный источник, используемый для имитации поля (желтый), и сагиттальный срез эллипсоидов тензора проводимости модели тетраэдров от пациента с эпилепсией с трепанационным отверстием в черепе: проверка и визуализация тензора были выполнены с использованием программное обеспечение BioPSE (http://software.sci.utah.edu). Рисунок 4: Модель объемного проводника с рисунка 3 с закрытым вручную трепанационным отверстием черепа.

В качестве первого примера исследуем влияние неоднородности проводимости тканей головы. Предоперационная Т1-МРТ (256 сагиттальных, 120 коронарных и 256 аксиальных срезов, размер вокселя 0,86×1,6×0,86 мм) и послеоперационная КТ после трепанации черепа (512 сагиттальных, 635 коронарных и 68 аксиальных срезов). , размер вокселя 0,49×0,49×2,65 мм) были измерены у пациента с фармакорезистентной эпилепсией (мы благодарим Г.Worrell из The Mayo Clinic, Рочестер, США, за любезно предоставленные наборы данных). Для регистрации Т1-МРТ на КТ-изображении использовалась аффинная регистрация на основе вокселей с использованием взаимной информации. Затем зарегистрированный набор данных был разделен на четыре класса тканей: кожа, череп с трепанационным отверстием, спинномозговая жидкость ( CSF ) и головной мозг. Кожа, череп и ЦСЖ в операционном отверстии были извлечены из КТ, в то время как оставшаяся часть ЦСЖ-компартмента и головного мозга были сегментированы из Т1-МРТ.Чтобы изучить влияние отверстия черепа на прямую проблему, была создана вторая модель с четырьмя тканями, в которой трепанационное отверстие закрывалось вручную. Оба сегментированных набора данных были разбиты на тетраэдральные КЭ модели, содержащие около 140 тыс. узлов и 850 тыс. элементов. На рис. 3 и рис. 4 показаны сагиттальные срезы эллипсоидов тензора проводимости в барицентрах элементов тетраэдров при моделировании тканей как изотропных. Тензоры нормированы и окрашены по следу. Самые высокие следовые значения были обнаружены в отделении спинномозговой жидкости (красный цвет), а самые низкие — в отделении черепа (темно-синий).

Рисунок 5: Распределение электрического потенциала для указанного диполя на поверхности объемного проводника с трепанационным отверстием черепа с рисунка 3 (шкала в \(\мкВ\)). Визуализацию проводили с помощью программного обеспечения BioPSE (http://software.sci.utah.edu). Рисунок 6: Распределение электрического потенциала для указанного диполя на поверхности объемного проводника с закрытым вручную трепанационным отверстием черепа с рисунка 4 (шкала в \(\mu V\)). Визуализацию осуществляли с помощью программного обеспечения BioPSE (http://software.sci.utah.edu).

Чтобы показать влияние трепанационного отверстия черепа на прямую задачу, в обеих КЭ-моделях были выполнены расчеты электрического потенциала для дипольных источников с силой 100 нАм, как показано желтыми конусами на рисунках 3 и 4. Распределения электрические потенциалы на поверхностях обеих моделей головы показаны на Рисунке 5 и Рисунке 6. Как хорошо видно, игнорирование моделирования отверстия черепа приводит к сильно размытому распределению потенциала, что подтверждает важность моделирования объемного проводника для конкретного пациента. .В (Wol06) было показано, что анизотропия черепа оказывает размывающее действие на прямые расчеты ЭЭГ и не влияет на МЭГ. Однако более новые исследования (Dan10; Sad07) показывают, что концепция анизотропии черепа кажется устаревшей и должна быть заменена гораздо более важной концепцией неоднородности черепа, которая обусловлена ​​трехслойностью черепа при очень низкой проводимости черепа. compacta и гораздо более высокопроводящая губчатая ткань черепа.

Влияние анизотропии проводимости ткани
Рисунок 7: Сагиттальный срез четырехгранной модели объемного КЭ-проводника головы человека с пятью отсеками (перепечатано из (Wol06), Copyright 2007, с разрешения Elsevier).Рисунок 8: Осевой срез эллипсоидов тензора проводимости модели тетраэдров из рисунка 7. Проверка тензора и визуализация проводились с использованием программного обеспечения BioPSE (http://software.sci.utah.edu). (Перепечатано из (Wol06), Copyright 2007, с разрешения Elsevier).

Во втором примере мы изучаем влияние анизотропии проводимости тканей головы. Таким образом, пятикомпонентная модель головы реалистичной формы (кожа, череп, ЦСЖ, серое и белое вещество головного мозга) была сегментирована из бимодального набора данных T1-/PD-MRI, а тетраэдрическая КЭ-модель (147 тыс. узлов и 892 тыс. элементов) была сгенерирована как показано на рисунке 7.Человеческий череп показывает проводимость с более высоким сопротивлением в радиальном направлении, чем в тангенциальном направлении. Мы определили радиальное направление по сильно сглаженной треугольной сетке, которая была стянута от наружного черепа к наружной поверхности губчатого вещества с использованием модели дискретной деформируемой поверхности. Мы начали с обычно используемого значения изотропной проводимости и использовали объемное ограничение для моделирования анизотропии проводимости черепа, как подробно описано в (Wol06). Измеренные данные ДТ-МРТ были использованы в качестве основы для определения анизотропии проводимости белого вещества.Следуя предложению (Bas94), мы предположили, что тензоры проводимости имеют общие собственные векторы с измеренными тензорами диффузии. (Shi99) измерили диффузионную анизотропию в 12 исследуемых областях белого и серого вещества человека и показали, что в комиссуральном, проекционном, а также ассоциативном белом веществе форма диффузионных эллипсоидов сильно вытянута («сигарообразная»). Поэтому мы предположили вытянутые вращательно-симметричные тензорные эллипсоиды для компартмента белого вещества. Мы начали с обычно используемого значения изотропной проводимости (Ged67) и использовали ограничение объема для моделирования анизотропии проводимости белого вещества, как подробно описано в (Wol06).На рис. 8 показан осевой срез эллипсоидов тензора проводимости в барицентре элементов тетраэдров с рис. 7 при моделировании черепа и белого вещества как анизотропных. Тензоры снова нормализовались и раскрашивались по следу. Обратите внимание на преимущественное направление волокон пирамидных путей сверху вниз и преимущественно слева направо над мозолистым телом. Чтобы показать влияние анизотропии проводимости белого вещества на прямую задачу, метод линейной интегральной свертки был использован для визуализации объемных токов, рассчитанных для таламического дипольного источника с использованием либо изотропного, либо анизотропного отсека белого вещества 1:10, как показано на рис. анимированный рисунок 1.Согласно заключению (Wol06), анизотропная проводимость белого вещества заставляет обратные токи течь в направлениях, параллельных трактам волокон белого вещества.p \ \ in\ \Omega \]

с однородными граничными условиями Неймана на поверхности головы \[ \langle\sigma\nabla\Phi, n\rangle = 0\ \ on\ \Gamma=\partial\Omega \] с \(n \) единичной нормалью к поверхности и электродом сравнения с заданным потенциалом, т.е.p(y)}{|xy|}dy\cdot dx+\oint_{\Upsilon}\frac{\mu}{4\pi}\int_{\Omega}\frac{-\sigma(y)\nabla\Phi (y)}{|xy|}dy\cdot dx =: \Psi_p + \Psi_{sec} \] Первая часть этого магнитного потока называется первичным магнитным потоком , который в дальнейшем обозначается как \(\Psi_p\), а вторая часть является так называемым вторичным магнитным потоком \(\Psi_{sec}\ . \) \(\Psi_p\) зависит только от исходной модели и, как правило, может быть вычислено путем простого вычисления аналитической формулы (Sar87). Если мы определим \[\тег{4} C(y) = \oint_{\Upsilon}\frac{1}{|xy|} dx, \]

и если задано распределение потенциала \(\Phi\), окончательное уравнение для \(\Psi_{sec}\) получается из вторичных (обратных) токов и может быть задано как \[\тег{5} \Psi_{sec} = -\frac{\mu}{4\pi}\int_{\Omega} (\sigma(y)\nabla\Phi(y),C(y)) dy \]

Квазианалитические растворы

Когда геометрия распределения проводимости \(\sigma_(x)\) имеет сферическую симметрию, квазианалитическое решение (2) можно найти, выразив его в сферических координатах (Mor53).{\infty}(2n+1)R_n(r_0,r)P_n(\frac{}{r_0 r}) \]

где \(P_n()\) — многочлен Лежандра порядка n. Отметим, что сначала разложение в ряд было получено для монополярного источника, чтобы получить максимальную симметрию и простоту геометрии задачи. Дипольное решение получается путем вычисления производной относительно положения источника. На практике бесконечный ряд (7) должен быть аппроксимирован конечным числом членов. Оказывается, чем ближе \(r\) и \(r_0\,\), тем больше терминов требуется.Количество членов можно уменьшить, добавляя и вычитая одну и ту же функцию, один раз в аналитической закрытой форме и один раз в виде разложения в ряд. При выборе подходящего коэффициента умножения ряд разностей появляется с более быстрой сходимостью, чем исходный ряд. В зависимости от соотношения \(r\) и \(r_0\) количество требуемых слагаемых колеблется от 10 до 300. Добавляемую и вычитаемую функцию можно интерпретировать как потенциал, обусловленный токовым диполем в бесконечной среде с постоянная проводимость.{\infty}\) — потенциал диполя в бесконечной и однородной среде с единичной проводимостью (см. уравнения (13) и (14)).{\infty}()\) — магнитное поле, обусловленное токовым диполем в бесконечной среде с постоянной проводимостью. Это поле не зависит от проводимости.

Рисунок 9: Одна и та же треугольная сетка (A) может привести к различным функциям интерполяции с разной гладкостью и количеством точек данных. В (B) неизвестные берутся из каждого треугольника, и функция интерполируется кусочно-постоянной функцией. В (C) неизвестные приписываются каждому узлу сетки, а функции в форме шатра приводят к кусочно-линейной схеме интерполяции.N \varphi_n(x) u_n \]

Можно выбрать несколько вариантов \(\varphi_n(x)\). Можно предположить, что каждый \(\varphi_n(x)\) принимает постоянное значение на каждом треугольнике или, альтернативно, можно использовать ту же треугольную сетку и предположить, что \(\varphi_n(x)\) изменяется линейно от одного треугольника к следующему. В первом случае \(\Phi(x)\) аппроксимируется кусочно-постоянной функцией, а количество неизвестных равно количеству треугольников.{N}w_n u_n=0\ ,\) для устранения сингулярности из (11).При подходе Галеркина (например, Mosh99) левая и правая части (8) умножаются на базовые функции \(\varphi_n(x)\ ,\) и интегрируются по поверхностям. Для каждого \(n\) это дает уравнение с \(N\) неизвестными. Эта система уравнений также может быть решена стандартными средствами. Недостатком галёркинского подхода является то, что вычисление матричных элементов занимает больше времени, чем при коллокационном подходе, а большим преимуществом является то, что он дает более точные результаты, в частности для эксцентричных источников.В литературе описано еще много вариантов БЭМ. Чтобы соответствовать большому скачку проводимости черепа, можно использовать подход изолированной задачи (Mei89; Hae89; Fuc98a). В этом подходе сначала вычисляется потенциал на модели, изолированной от мозга, а затем этот потенциал распространяется через череп на кожу. Более глубокий способ повышения точности состоит в том, чтобы решать (11) итеративно. Недостатком, конечно, является то, что эти итерации необходимо выполнять для каждой правой части заново.Однако путем внесения крошечных изменений в \(A_{nm}\) с использованием метода кластеризации панелей (Hac89) умножение \(A_{nm}\) на \(N\)-вектор значительно ускоряется. Таким образом, становятся возможными гораздо более тонкие триангуляции, несмотря на полную системную матрицу. Метод кластеризации панелей породил множество новых вариантов МГЭ. Наконец, важно упомянуть симметричный подход БЭМ (Kyb05), где используется комбинация однослойного и двухслойного потенциального подхода, что приводит к очень высокой точности для трех изотропных компартментов БЭМ ЭЭГ и прямого моделирования МЭГ.{\infty}\) равно нулю. В (Wol07c) дается доказательство существования и единственности слабого решения в функциональном пространстве потенциальных функций с нулевым средним, а также формулируются свойства сходимости метода КЭ для численного решения корректирующего потенциала. Для численной аппроксимации корректирующего потенциала можно использовать метод КЭ, например, с кусочно-линейными базисными функциями \(\varphi_i\) в узлах \(\xi_i\ ,\), т. е. \(\varphi_i(x)=1 \) для \(x=\xi_i\) и \(\varphi_j(x)=0\) для всех \(j\ne i\ .{\infty}\) равно нулю, так что при условии, что источник не слишком близок к следующему скачку проводимости, (16) и (17) должным образом моделируются с помощью представленного подхода линейного КЭ (Wol07c). Затем можно использовать алгебраический многосеточный метод сопряженных градиентов (AMG-CG) в качестве эффективного решателя системы уравнений (18) с симметричной положительно определенной матрицей жесткости (Wol02;Lew09b). Вышеупомянутый подход был назван методом прогнозируемого вычитания в (Dre09). Однако при дополнительном моделировании ЦСЖ источники в компартменте серого вещества находятся всего в миллиметре от следующего скачка проводимости (от серого вещества к ЦСЖ).В (Dre09) было показано, что в этом случае так называемый подход полного вычитания , который более точно интегрирует правую часть в (16), имеет важные преимущества в отношении численной точности по сравнению с представленным проектируемым вычитанием подход (Dre09), однако, за счет большего времени вычислений.

Метод КЭ также позволяет моделировать протяженные источники, которые могут быть более реалистичными в практических приложениях, чем традиционный математический диполь (см., например,{[j,i]} = -\frac{\mu}{4\pi}\int_{\Omega} (\sigma(y)\nabla\varphi_i(y),C_j(y))dy\quad\forall 1\le i\le N \]

где \(C_j(y)\) обозначает функцию (4) для \(j\)-го магнитометра МЭГ \(\Upsilon_j\ .\) Для вычисления матричных элементов \(S\ ,\ ) можно использовать анзац КЭ для подынтегральной функции и интегрирования Гаусса.

Подход матрицы переноса (см. (Wei00) для ЭЭГ и (Gen04;Wol04;Dre09) для ЭЭГ и МЭГ) следует использовать, чтобы удерживать вычислительную сложность обратной задачи ЭЭГ и МЭГ на основе конечных элементов в разумных пределах. , где необходимо выполнить большое количество прямых вычислений.Подход с передаточной матрицей ограничивает общее количество систем линейных уравнений КЭ, которые необходимо решить для любого обратного метода, количеством измерительных датчиков \(s\ .\). После вычисления \(s\) векторов передаточной матрицы каждая прямая задача может быть решена путем простого умножения правой части КЭ на матрицу, что приводит к значительному сокращению вычислительных затрат для прямых подходов КЭ (Wol04;Dre09;Lew09b).

Генерация сетки

Методы построения сетки граничных элементов

Треугольные сетки для BEM могут быть получены из МРТ-сканирования с использованием методов сегментации изображения (Wag95).Таким образом можно получить очень точную сегментацию мозга. Поскольку эти методы никогда не бывают полностью автоматическими, на практике они могут занимать очень много времени. Вопрос также в том, действительно ли нужны очень точные геометрические модели, учитывая численные и модельные неточности, которые так или иначе присутствуют в моделях БЭМ. Более простые и менее точные сетки можно получить из МРТ-изображений путем подгонки функций формы к очерченным вручную мозгу, черепу и коже (Ent01). К ограничивая базовые функции, достаточно только самого очерчивания курса, чтобы вывести модели БЭМ для МЭГ.

Методы создания сетки методом конечных элементов

Рисунок 10: Распределение изопотенциала для дипольного источника в соматосенсорной коре с использованием подхода вычитания потенциала в трехкомпонентной (кожа, череп и мозг) геометрической адаптированной гексаэдрической конечно-элементной объемной модели проводника человеческой головы. Визуализацию осуществляли с помощью программного обеспечения BioPSE.

При моделировании КЭ необходимо создать трехмерную сетку для представления геометрических и электрических свойств объемного проводника.

Генерация сетки КЭ часто считается чрезвычайно сложной на практике, но, напротив, может быть очень простой при использовании гексаэдрального подхода.Воксели из сегментированного тома МРТ можно использовать непосредственно как шестигранные элементы, что может снизить разрешение за счет предварительной субдискретизации объема. Чтобы повысить соответствие реальной геометрии и смягчить ступенчатые эффекты воксельной сетки, можно применить метод смещения узлов на интерфейсах материалов, чтобы получить более гладкие и точные границы (Wol07a). Узлы на двухматериальном интерфейсе перемещаются в направлении центроида набора инцидентных вокселей с второстепенным материалом , т.е.е., материал встречается три раза или менее в 8 окружающих вокселях. Если центроид этих вокселей меньшинства относительно узла равен \((x,y,z)\ ,\), он смещается на \((\Delta x,\Delta y,\Delta z)=(ns*x, ns*y,ns*z)\) с заданным пользователем коэффициентом сдвига узла \(ns \in [0,0.5)\ .\) Выбор \(ns\in[0,0.5)\) гарантирует, что внутренняя углы при вершинах элементов остаются выпуклыми, а определитель Якоби остается положительным. Затем для обработки шестигранных элементов с адаптированной геометрией требуется изопараметрический подход КЭ (Wol07a).На рисунке 10 распределение изопотенциала было рассчитано с использованием метода прогнозируемого вычитания в трехсекционной модели реалистичной формы с адаптированной геометрией (\(ns =0,49\)) гексаэдрической модели головы FE с анизотропным отсеком черепа 1:10. Для построения шестигранной сетки с адаптированной геометрией использовалось программное обеспечение (VGRID). Другой интересный шестигранный подход был представлен в (Val10), где интерфейсы тканей были представлены наборами уровней, а пространство конечных элементов было локально изменено, чтобы лучше аппроксимировать разрывы решения.

Более сложный способ создания сетки КЭ использует основанные на поверхности тетраэдрические мозаики сегментированных тканевых компартментов. На практике процедура более сложная, потому что для качественно хорошей тетраэдрической сетки нужны непересекающиеся поверхности из тканевых отсеков (точно так же, как при моделировании методом БЭМ), которые часто непросто создать. Программное обеспечение TetGen использует подход ограниченной тетраэдрализации Делоне (CDT) (Si08; Dre09). Процедура построения сетки начинается с подготовки подходящей граничной дискретизации модели.Поверхностные сетки разных слоев не должны пересекаться друг с другом. Затем подход CDT используется для построения тетраэдрализации, соответствующей поверхностным сеткам. Сначала строится тетраэдрализация Делоне вершин поверхностных сеток. Затем он использует алгоритм устранения локального вырождения, сочетающий возмущение вершин и вставку вершин, чтобы построить новый набор вершин, который включает входной набор вершин. На последнем этапе для построения CDT используется алгоритм быстрого восстановления фасетки (Si08;Dre09).Этот подход сочетается с двумя дополнительными ограничениями на размер и форму тетраэдров. Первое ограничение можно использовать для ограничения объема сгенерированных тетраэдров в определенном отсеке. Второе ограничение важно для создания качественных тетраэдров. Если \(R\) обозначает радиус уникальной описанной сферы тетраэдра, а \(L\) длину его кратчайшего ребра, то так называемое отношение радиуса к ребру тетраэдра может быть определено как \(Q = \frac {R}{L}\ .\) Соотношение радиус-ребро может обнаруживать почти все тетраэдры неправильной формы, кроме одного типа тетраэдров, так называемых \(щепок\ .\) Щепка — это очень плоский тетраэдр, который не имеет малых ребер, но может иметь сколь угодно большие двугранные углы (близкие к \(\pi\)). По этой причине дополнительное сглаживание сетки и Шаг оптимизации следует использовать для удаления осколков и улучшения общего качества сетки (Si08; Dre09). Как показано в (Dre09), качественно хорошая сетка CDT в сочетании с методом полного вычитания может привести к очень высокой численной точности. Тетраэдрическая КЭ-модель на рис. 7 была создана с использованием подхода построения сетки, подробно описанного в (Wag98), с использованием программного обеспечения CURRY.

Подтверждение

Этот проект был поддержан Немецким исследовательским фондом (DFG) WO1425/1-1, JU445/5-1.

Ссылки

  • [Akh02] М. Ахтари, Х.К. Брайант, А.Н. Мармелак, Э.Р. Флинн, Л. Хеллер, Дж.Дж. Ши, М. Манделькерн, А. Матлахов, Д.М. Ранкен, Э.Д. Бест, М.А. ДиМауро, Р.Р. Ли и У.В. Сатерлинг, Проводимости трехслойного живого человеческого черепа, Топография мозга, Vol. 14 (3), 2002, стр. 151-167.
  • [Awa97] К.А. Авада, Д.Р. Джексон, Дж.Т. Уильямс, Д.Р., Уилтон, С.Б. Бауманн и А.К. Папаниколау, Вычислительные аспекты моделирования конечных элементов в локализации источника ЭЭГ, IEEE Trans.Biomed.Eng., Vol.44 (8), 1997, стр. 736-751.
  • [Bar67] Барнард А.К.Л. Дак Дж. М. Линн М. С. и Тимлейк В.П. Применение электромагнитной теории к электрокардиологии II, Biophys. J. 7, 1967, стр. 463-491.
  • [Bas94] PJ Basser, J. Mattiello and D. LeBihan, MR Diffusion Tensor Spectroscopy and Imaging, Biophys.Дж., 66, 1994, стр. 259-267.
  • [Bau97] С.Б. Бауманн, Д.Р. Возный, С.К. Келли и Ф.М. Мено, Электропроводность спинномозговой жидкости человека при температуре тела, IEEE Trans. Биомед. Eng., 44 (3), 1997, стр. 220-223.
  • [Ber91] О. Бертран, М. Тевене и Ф. Перрин, Трехмерный метод конечных элементов в исследованиях электрической активности мозга, В: J. Nenonen, H.M. Раджала и Т. Катила (ред.), Биомагнитная локализация и трехмерное моделирование, Отчет зам. Tech.Physics, Хельсинкский технологический университет, 1991, с.154-171.
  • [Bro98] С. П. ван ден Брук, Ф. Рейндерс, М. Дондервинкель и М. Дж. Петерс, Эффекты объемной проводимости в ЭЭГ и МЭГ, Electroenc.Clin.Neurophysiol., Vol.108, 1998, pp.522-534.
  • [Buc97] Х. Бюхнер, Г. Нолл, М. Фукс, А. Ринекер, Р. Бекманн, М. Вагнер, Дж. Силни и Дж. Пеш, Обратная локализация электрических дипольных источников тока в конечно-элементных моделях Голова человека, Электроэнц.Клин.Нейрофизиол. 102, 1997, стр. 267-278.
  • [Coo06] М.Дж.Д.Кук и З.Дж. Колес, Анизотропная модель головы конечного объема с высоким разрешением для анализа источника ЭЭГ, Proc. 28-го Ежегодного Междунар. конф. IEEE Engineering in Medicine and Biology Society, стр. 4536-4539, 2006 г.
  • [Dan10] М. Даннхауэр, Б. Ланфер, К.Х. Уолтерс и Кноше, Т., Моделирование человеческого черепа в анализе источников ЭЭГ, Картирование человеческого мозга, DOI: 10.1002/hbm.21114, PMID: 206, 2010.
  • [Dre09] Ф. Дрекслер, К.Х. Уолтерс, Т. Диркес, Х. Си и Л. Граседик, Подход полного вычитания для анализа источников на основе метода конечных элементов с использованием тетраэдрализации Делоне с ограничениями, NeuroImage, 46 (4), стр.1055-1065, дои, 2009.
  • [Ent01] D. van ‘t Ent, JC de Munck, AL Kaas, Автоматизированная процедура получения реалистичных моделей объемных проводников для локализации источника МЭГ/ЭЭГ, IEEE Trans. Биомед. Eng., BME 48(12), 2001, стр: 1434—1443.
  • [Fra52] Э. Франк, Электрический потенциал, создаваемый двумя точечными источниками тока в однородной проводящей сфере, J. Appl. физ., вып. 23, 1953, стр. 1225–1228.
  • [Frij00] J.H.M. Фрийнс С.Л. де Лоо и Р. Шунховен, Повышение точности метода граничных элементов за счет использования функции интерполяции второго порядка, IEEE Trans.Биомед. англ. IEEE BME 47(10), 2000, стр. 1336-1346.
  • [Fuc98a] М. Фукс, Р. Дренкхан, Х.А. Вишманн и М. Вагнер, Усовершенствованный метод граничных элементов для реалистичного моделирования объемных проводников, IEEE Trans.Biomed.Eng., Vol.45 (8), 1998, стр. 980—997.
  • [Fuc98b] М. Фукс, М. Вагнер, Х.А. Вишманн, Т. Келер, А. Тайссен, Р. Дренкхан и Х. Бюхнер, Улучшение реконструкции источников путем объединения биоэлектрических и биомагнитных данных, Electroenc. клин. Нейрофизиол., 107, 1998, с.93—111.
  • [Ged67] Л.А. Геддес и Л.Е. Бейкер, Удельное сопротивление биологического материала. Сборник данных для инженера-биомедика и физиолога, Med.Biol.Eng., 5, 1967, стр. 271—293.
  • [Gen04] Н.Г. Gencer и C.E. Acar, Чувствительность измерений ЭЭГ и МЭГ к проводимости ткани, Phys.Med.Biol., Vol. 49, 2004, стр. 701-717.
  • [Ges67] Гезеловиц Д. Б. О биоэлектрических потенциалах в неоднородном объемном проводнике. Биофиз J, том 7, 1967, стр.1-11.
  • [Gon03a] С.И. Гонсалвес, Дж. К. де Мунк, JPA Вербунт, Р.М. Heethaar и F.H. Lopes da Silva, Измерение сопротивления мозга и черепа in vivo с использованием метода на основе EIT и комбинированного анализа данных SEP/SEF, IEEE Trans Biomed Eng, 50 (9), 2003, стр. 1124-1127.
  • [Gon03b] S.I. Goncalves, JC de Munck, JPA Вербунт, Ф. Бийма, Р.М. Heethaar и F.H. Lopes da Silva, Измерение сопротивления мозга и черепа in vivo с использованием метода, основанного на EIT, и реалистичных моделей головы, IEEE Trans.Biomed.Eng., 50 (6), 2003, стр. 754-767.
  • [Gue06] Д. Гюльмар, Й. Хауайзен, М. Эйзелт, Ф. Гисслер, Л. Флемминг, А. Анвандер, Т. Кноше, К.Х. Вольтерс, М. Дюмпельманн, Д. С. Туч и Дж. Р. Райхенбах, Влияние анизотропной проводимости на реконструкцию источника ЭЭГ: Исследования на модели кролика, IEEE Trans. Биомед. Eng., Vol.53, 2006, стр. 1841-1850.
  • [Gue10] D. Güllmar, J. Haueisen, J.R. Reichenbach, Влияние анизотропной электропроводности в ткани белого вещества на прямое и обратное решение ЭЭГ/МЭГ.Исследование моделирования головы с высоким разрешением, NeuroImage, 51 (1), стр. 145-163, 2010, doi: 10.1016/j.neuroimage.2010.02.014.
  • [Gut04] Д. Гутьеррес, А. Нехорай и К.Х. Муравчик, Оценка проводимости мозга и сигналов дипольных источников с помощью массивов ЭЭГ, IEEE Trans. Биомед. англ., Vol. 51 (12), 2004, стр. 2113—2122.
  • [Hac89] В. Хакбуш и З. К. Новак, О быстром умножении матриц в методе граничных элементов с помощью групповой кластеризации, Numer. Матем., 54, 1989, стр. 463–491.
  • [Hal05] Hallez, H., Vanrumste, B., Van Hese, P., D’Asseler, Y., Lemahieu, I., и Van de Walle, R., Метод конечных разностей с взаимностью, используемый для включения анизотропия в локализации дипольного источника электроэнцефалограммы., Phys.Med.Biol., Vol.50, 2005, pp. 3787—3806.
  • [Hae89] М.С. Хямяляйнен и Дж. Сарвас, Реалистичная геометрическая модель проводимости головы человека для интерпретации нейромагнитных данных, IEEE Trans. Биомед. Eng., 36, 1989, стр. 165-171.
  • [Hau02] Хауайзен, Дж., Tuch, D., Ramon, C., Schimpf, P., Wedeen, V., George, J., Belliveau, J., 2002. Влияние анизотропии ткани головного мозга на ЭЭГ и МЭГ человека. НейроИзображение 15, 2002, 159–166.
  • [Hoe03] Р. Хукема, Г.Х. Винеке, Ф.С.С. Лейтен, C.W.M. ван Велен, П.К. ван Райен, Г.Дж.М. Huiskamp, ​​J. Ansems и A.C. van Huffelen, Измерение проводимости черепа, временно удаленного во время операции по поводу эпилепсии, Топография мозга, 16(1), 2003, стр. 29–38.
  • [Hos78] Р. С. Хосек, А. Сансес, Р.В. Джодат и С. Дж. Ларсон, Вклад внутримозгового тока в ЭЭГ и вызванные потенциалы, IEEE Trans Biomed Eng, 25, 1978, стр. 405-413.
  • [Hua07] М.Х. Хуан, Т. Сонг, Д.Дж. Хаглер, И. Подгорный, В. Джусмаки, Л.Куи, К.Гаа, Д.Л.Харрингтон, А.М. Дейл, Р.Р.Ли, Дж.Элман и Э.Халгрен, Новый интегрированный метод анализа МЭГ и ЭЭГ для диполярных источников, NeuroImage, 2007, 37, стр. 731-748.
  • [Kyb05] Дж. Кибич, М. Клерк, Т. Аббуд, О. Фогерас, Р. Керивен и Т. Пападопуло, Общий формализм для интегральных формулировок прямой задачи ЭЭГ, IEEE Trans.Мед. изображения, 24(1), 2005, стр. 12-18.
  • [Lai05] Ю. Лай, В. ван Дронгелен, Л. Дин, К.Е. Хекокс, В.Л. Таул, Д.М. Фрим и Б. Хе, Оценка отношения проводимости человеческого мозга к черепу in vivo по одновременным записям экстра- и внутричерепных электрических потенциалов, Clin.Neurophysiol., 115, 2005, стр. 456-465.
  • [Lan07] Б. Ланфер, К.Х. Уолтерс, С.О. Демокритов и К. Пантев, Проверка прямых расчетов ЭЭГ и МЭГ на основе метода конечных элементов, Proc. 41-го ежегодного собрания, DGBMT, Ахен, Германия, ISSN: 0939-4990, стр.140-141, сент. 26-29, (2007).
  • [Lew09] С. Лью, К.Х. Уолтерс, А. Анвандер, С. Макейг и Р.С. МакЛеод, Улучшенный анализ источника ЭЭГ с использованием оценки проводимости с низким разрешением в четырехкомпонентной модели головы с конечными элементами, Human Brain Mapping, 30 (9), стр. 2862-2878, 2009, doi.
  • [Lew09b] С. Лью, К.Х. Вольтерс, Т. Диркес, К. Реер и Р.С. Маклауд, Сравнение точности и времени выполнения для различных потенциальных подходов и итерационных решателей в анализе источника ЭЭГ на основе метода конечных элементов, Прикладная числовая математика, 59 (8), 2009, стр.1970-1988 гг., дои
  • [Lynn68] М.С. Линн и В.П. Тимлейк, О численном решении сингулярных интегральных уравнений теории потенциала, Numer. Мат. 11 (1968), стр. 77–98.
  • [Mar98] G. Marin, C. Guerin, S. Bailett, L. Garnero и G. Meunier G., Влияние анизотропии черепа на прямую и обратную задачи в ЭЭГ: симуляционные исследования с использованием FEM на реалистичных моделях головы, Картирование человеческого мозга, Том 6, 1998, стр. 250–269.
  • [Mei89] Дж.В.Х. Мейс, О.В. Вейер, М.Дж. Петерс и А. ван Остером, О численной точности метода граничных элементов, IEEE Trans Biomed. Eng., 36, 1989, стр. 1038-1049.
  • [Moh03] М. Мор и Б. Ванрумсте, Сравнение итерационных решателей для линейных систем, связанных с конечно-разностной дискретизацией прямой задачи в электроэнцефалографическом анализе источников, Мед. биол. англ. Сост., 41, 2003, стр. 75-84.
  • [Moh04] М. Мор, Моделирование биоэлектрических полей: прямая и обратная задача электроэнцефалографического анализа источников, Фридрих-Александр-Университет Эрланген-Нюрнберг, Arbeitsberichte des Instituts fuer Informatik, Band 37, Number 6, ISSN 1611-4205, 2004.
  • [Mor53] П. Морс, Х. Фешбах: Методы теоретической физики, Том I и II, McGraw-Hill, (1953)
  • [Mosh99] JC Mosher, R.M. Лихи и П.С. Льюис, ЭЭГ и МЭГ: прямые решения для обратных методов, IEEE Trans. Биомед. англ. IEEE BME 46(3), 1999, стр. 245–259.
  • [Mun88a] JC de Munck, B.W. Ван Дейк и Х. Спекрейсе, Математические диполи адекватны для описания реалистичных генераторов активности человеческого мозга, IEEE Trans. Биомед. англ., 1988, 35 (11), с.~ 960-966.
  • [Mun88b] Дж. К. де Мунк, Распределение потенциала в многослойном анизотропном сфероидальном объемном проводнике, J. Appl. Phys., 1988, 64, с.~465-469.
  • [Mun91] J.C. de Munck en B.W. ван Дейк, Соображения симметрии в квазистатическом приближении теории объемных проводников, Phys. Мед. биол., 1991, 36(4), стр.~521-529.
  • [Mun92] JC de Munck, Линейная дискретизация интегрального уравнения границы объемного проводника с использованием аналитически интегрированных элементов, IEEE Trans.Биомед. Eng., 39 (9), 1992, стр.~986-990.
  • [Mun93] Дж. К. де Мунк и М. Петерс, Быстрый метод вычисления потенциала в многосферной модели, IEEE Trans. Биомед. Eng., Vol.40 (11), 1993, стр. 1166-1174.
  • [Nic65] П.В. Николсон, Удельный импеданс белого вещества головного мозга, Exp.Neurol., 13, 1965, стр. 386-401.
  • [Nol99] G. Nolte и G. Curio, Пертурбативные решения прямой электрической задачи для реалистичных объемных проводников, J. Appl. физ. 86(5), 1999, с.~2800-2812.
  • [Nol01] G. Nolte, T. Fieseler и G. Curio, Пертурбативные аналитические решения магнитной прямой задачи для реалистичных объемных проводников, J. Appl. физ. 89(4), 2001, стр.~2360-2370.
  • [Oll99] Й. Олликайнен, М. Ваухконен, П.А. Karjalainen и J.P. Kaipio, Влияние локальных неоднородностей черепа на оценку источника ЭЭГ, Med.Eng.Phys., 21, 1999, стр. 143-154.
  • [Plo67] Р. Плонси и Д. Хеппнер, Рассмотрение квазистационарности в электрофизиологических системах, Бюлл.math.Biophys., 29 (1967), стр.~657—664.
  • [Poh97] Pohlmeier, R., Buchner, H., Knoll, G., Rienäcker, A., Beckmann, R. and Pesch, J. Влияние неправильной спецификации проводимости черепа на локализацию обратного источника в конечном элементе реалистичной формы модели головы. Brain Top., 9 (3), 1997, стр. 157-162.
  • [Pur07] С. Пурсиайнен, Прямая симуляция ЭЭГ/МЭГ с помощью конечных элементов h- и p-типа, Journal of Physics: Conference Series, Proceedings of Applied Inverse Problems (AIP), p.1-11, 2007.
  • [Ram04] C. Ramon, P. Schimpf, J. Haueisen, M. Holmes и A. Ishimaru, Роль мягких костей, спинномозговой жидкости и серого вещества в моделировании ЭЭГ, Brain Topography, 16 (4), 2004, стр. 245-248.
  • [Rul09] М. Руллманн, А. Анвандер, М. Даннхауэр, С. Уорфилд, Ф.Х. Даффи и К.Х. Уолтерс, Анализ источника ЭЭГ эпилептиформной активности с использованием модели головы с конечными элементами анизотропного шестигранника размером 1 мм, NeuroImage, 44 (2), стр. 399-410, 2009, doi.
  • [Sad07] Р.Дж. Садлер и А. Аргибей, Моделирование электрических свойств черепа, Ann.Biomed.Eng., 35(10), 2007, стр. 1699-1712.
  • [Sal97] Х. Салехин и Т. Квонг, Новые конечно-разностные формулировки для общих неоднородных анизотропных биоэлектрических задач, IEEE Trans.Biomed.Eng., 44, 1997, стр. 800—809.
  • [Sar87] Дж. Сарвас, Основные математические и электромагнитные концепции обратной биомагнитной задачи, Phys.Med.Biol., Vol.32 (1), 1987, стр. 11-22.
  • [Sch02] П.Х. Шимпф, К. Р. Рамон и Дж. Хауайзен, Дипольные модели для ЭЭГ и МЭГ, IEEE Trans.Биомед. Eng., Vol.49 (5), 2002, стр. 409-418.
  • [Sch07] П.Х. Шимпф, Применение квазистатической магнитной взаимности к конечно-элементным моделям свинцового поля МЭГ, IEEE Trans.Biomed.Eng., 54 (11), 2007, стр. 2082-2088, doi: 10.1109/TBME.2007.895112.
  • [Shi99] Дж.С. Шимони, Р.К. МакКинстри, Э.Акбудак, Дж.А.Ароновиц, А.З.Снайдер, Н.Ф.Лори, Т.С.Кулл и Т.Э.Контуро, Количественная МРТ-визуализация диффузионно-тензорной анизотропии головного мозга: нормативные данные человека и анатомический анализ, Радиология, Том.212, 1999, стр. 770-784.
  • [Si08] H.Si, Создание адаптивной тетраэдрической сетки путем уточнения Делоне с ограничениями, Int. Дж. для Числа. Мет. in Eng., 75 (7), стр. 856-880, 2008.
  • [Tan05] О. Танзер, С. Ярвенпаа, Дж. Ненонен и Э. Сомерсало, Представление источников биоэлектрического тока с использованием элементов Уитни в методе конечных элементов, Phys.Med.Biol., 50, 2005, стр. 3023-3039 .
  • [Tuc01] Д.С. Туч, В.Дж. Ведин, А.М. Дейл, Дж.С. Джордж и Дж.В. Belliveau, Картирование тензора проводимости человеческого мозга с использованием МРТ с тензором диффузии, Proc.Natl.Acad.Sci.USA, 98 (20), 2001, стр. 11697-11701.
  • [Oos83] А. Ван Остером и Дж. Стрэки, Телесный угол плоского треугольника, IEEE Trans. биом. англ., Том БМЭ-30, № 2, 1983, стр. 125—126.
  • [Val09] С. Валлаге, Т. Пападопуло и М. Клерк, Сопряженный метод для общих уравнений поля отведений на основе датчиков ЭЭГ и МЭГ, Phys.Med.Biol., 54, стр. 135-147, 2009.
  • [Val10] С. Валлаге и Т. Пападопуло, Трилинейный метод конечных элементов с погружением для решения прямой задачи электроэнцефалографии, SIAM J.науч. Вычисл., 32(4), стр. 2379-2394, 2010.
  • [Wag95] Вагнер М., Фукс М., Вишманн Х.А., Оттенберг К., Дёссель О.: Сегментация коры головного мозга по 3D-МР-изображениям для реконструкции МЭГ, Баумгартнер С. и др., Биомагнетизм: фундаментальные исследования и клинические применения, Амстердам, Elsevier/IOS Press 1995, 433-438.
  • [Wag98] М. Вагнер, Rekonstruktion neuronaler Ströme aus bioelektrischen und biomagnetischen Messungen auf der aus MR-Bildern segmentierten Hirnrinde, Shaker-Verlag Aachen, ISBN 3-8265-4293-2, 1998.
  • [Wei00] Д. Вайнштейн, Л. Жуков и К. Джонсон, Основы поля свинца для визуализации источника электроэнцефалографии, Annals of Biomed.Eng., Vol. 28 (9), 2000, стр. 1059-1066.
  • [Wen08] К.Вендель, Н.Г. Нарра, М. Ханнула, П. Кауппинен и Дж. Мальмивуо, Влияние спинномозговой жидкости на распределение чувствительности ЭЭГ многослойных моделей головы, IEEE Trans. Биомед. англ., 55 (4), 2008, стр. 1454-1456.
  • [Wol02] С.Х. Уолтерс, М. Кун, А. Анвандер и С. Рейцингер, Параллельный алгебраический многосеточный решатель для локализации источника на основе метода конечных элементов в человеческом мозгу, Comp.Vis.Sci., 5 (3), 2002, стр. 165-177.
  • [Wol04] CH Wolters, L. Grasedyck и W. Hackbusch, Эффективное вычисление оснований поля отведений и матрицы влияния для обратной задачи ЭЭГ и МЭГ на основе FEM, Обратные задачи, Vol. 20 (4), 2004, стр. 1099-1116.
  • [Wol05] С.Х. Уолтерс, А. Анвандер, X. Трикош, С. Лью и К. Р. Джонсон, Влияние локальной и удаленной анизотропии проводимости белого вещества для таламического источника на поле ЭЭГ / МЭГ и вычисление обратного тока, Int.Journal of Bioelectromagnetism, 7 (1) , 2005, с.203-206.
  • [Wol06] С.Х. Уолтерс, А. Анвандер, Д. Вайнштейн, М. Кох, X. Трикош и Р.С. Маклауд, Влияние анизотропии проводимости ткани на поле ЭЭГ/МЭГ и вычисление обратного тока в реалистичной модели головы: исследование моделирования и визуализации с использованием моделирования методом конечных элементов с высоким разрешением. НейроИмидж, 30 (3), 2006, стр. 813-826.
  • [Wol07a] С.Х. Уолтерс, А. Анвандер, Г. Берти и У. Хартманн, Адаптированные к геометрии шестигранные сетки повышают точность анализа источника ЭЭГ на основе метода конечных элементов, IEEE Trans.Биомед. англ., 54 (8), стр. 1446-1453, 2007.
  • [Wol07b] С.Х. Вольтерс, Х. Кёстлер, К. Меллер, Дж. Хардтлейн и А. Анвандер, Численные подходы к дипольному моделированию в анализе источника на основе метода конечных элементов. Серия международных конгрессов, ICS, Vol.1300, стр. 189–192, doi, 2007.
  • [Wol07c] С.Х. Вольтерс, Х. Кёстлер, К. Мёллер, Дж. Хардтлейн и А. АнвандерЧ.Х. Вольтерс и Х. Кёстлер, К. Меллер, Дж. Хартлейн, Л. Граседик и В. Хакбуш, Численная математика метода вычитания для моделирования текущего диполя в реконструкции источника ЭЭГ с использованием моделей головы с конечными элементами.SIAM J. по научным вычислениям, 30 (1), стр. 24-45, doi, 2007.
  • [Wol10] C.H.Wolters, S.Lew, R.S.MacLeod and M.S.Hämäläinen, Комбинированный анализ источника ЭЭГ/МЭГ с использованием калиброванных моделей головы с конечными элементами, Proc. 44-го ежегодного собрания, DGBMT, Росток-Варнемюнде, Германия, 5-8 октября 2010 г., веб.
  • [Ян91] Ю. Ян, П.Л. Нуньес и Р.Т. Харт, Конечно-элементная модель головы человека: скальп-потенциалы из-за дипольных источников, Med.Biol.Eng.Comput., 29, 1991, стр. 475-481.
  • [Yve95] Б.Yvert, O. Bertrand, J. F. Echallier и J. Pernier, Улучшенные прямые расчеты ЭЭГ с использованием локального уточнения сетки реалистичной геометрии головы, Electroenc.Clin.Neurophysiol., Vol.95, 1995, pp. 381—392.
  • [Zan95] Ф. Заноу и М. Дж. Петерс, Модели объемных проводников головы индивидуальной формы в локализации источника ЭЭГ, Медицинские и биологические инженеры и комп., Том 7, 1995, стр. 151–161.

Внутренние ссылки

Внешние ссылки

См. также

Анализ источника, электроэнцефалография (ЭЭГ), магнитоэнцефалография (МЭГ), кора головного мозга

Электроэнцефалография — Википедия @ WordDisk

Электроэнцефалография (ЭЭГ) — это метод записи электрограммы электрической активности кожи головы, которая, как было показано, отражает макроскопическую активность поверхностного слоя головного мозга под ним.Как правило, это неинвазивный метод, при котором электроды располагаются вдоль кожи головы. Электрокортикографию с использованием инвазивных электродов иногда называют «внутричерепной ЭЭГ».

Метод электрофизиологического мониторинга для регистрации электрической активности головного мозга

ЭЭГ измеряет колебания напряжения, возникающие в результате ионного тока в нейронах головного мозга.[1] Клинически ЭЭГ относится к записи спонтанной электрической активности мозга в течение определенного периода времени, которая записывается с нескольких электродов, помещенных на кожу головы.[1] Диагностические приложения обычно сосредотачиваются либо на потенциалах, связанных с событием, либо на спектральном составе ЭЭГ. Первый исследует потенциальные колебания во времени, привязанные к событию, например, «начало действия стимула» или «нажатие кнопки». Последний анализирует тип нейронных колебаний (в народе называемых «мозговыми волнами»), которые можно наблюдать в сигналах ЭЭГ в частотной области.

ЭЭГ чаще всего используется для диагностики эпилепсии, которая вызывает отклонения в показаниях ЭЭГ.[2] Он также используется для диагностики нарушений сна, глубины анестезии, комы, энцефалопатии и смерти мозга.Раньше ЭЭГ была методом первой линии диагностики опухолей, инсульта и других очаговых заболеваний головного мозга, [3] [4], но это использование уменьшилось с появлением методов анатомической визуализации с высоким разрешением, таких как магнитно-резонансная томография (МРТ). и компьютерная томография (КТ). Несмотря на ограниченное пространственное разрешение, ЭЭГ продолжает оставаться ценным инструментом для исследования и диагностики. Это один из немногих доступных мобильных методов, который предлагает временное разрешение в диапазоне миллисекунд, что невозможно при КТ, ПЭТ или МРТ.

Производные методики ЭЭГ включают вызванные потенциалы (ВП), которые включают усреднение активности ЭЭГ, привязанной во времени к предъявлению какого-либо стимула (визуального, соматосенсорного или слухового). Потенциалы, связанные с событием (ERP), относятся к усредненным ответам ЭЭГ, которые привязаны ко времени к более сложной обработке стимулов; этот метод используется в когнитивной науке, когнитивной психологии и психофизиологических исследованиях.

Подробнее…

Руководство для начинающих по интерфейсу мозг-компьютер и сверточным нейронным сетям | by Alexandre Gonfalonieri

Простой и сопровождаемый определениями.

Футурист / гуманист Герд Леонхард

Часть 1:
Общая картина интерфейса мозг-компьютер и ИИ + Исследовательские статьи

Часть 2:
Подробное объяснение нейронных сетей, используемых с BCI

разум напрямую связывается с искусственным интеллектом, роботами и другими разумами через технологии интерфейса мозг-компьютер (BCI), чтобы превзойти наши человеческие ограничения?

Для некоторых это необходимо для выживания.Действительно, нам нужно было бы стать киборгами, чтобы быть актуальными в эпоху искусственного интеллекта.

Интерфейс мозг-компьютер (BCI): устройства, которые позволяют пользователям взаимодействовать с компьютерами только посредством активности мозга, эта активность обычно измеряется с помощью электроэнцефалографии (ЭЭГ).

Электроэнцефалография (ЭЭГ): физиологический метод выбора для регистрации электрической активности, генерируемой мозгом, с помощью электродов, размещенных на поверхности головы.

Функциональная магнитно-резонансная томография (фМРТ): измеряет активность мозга, обнаруживая изменения, связанные с кровотоком.

Функциональная спектроскопия в ближней инфракрасной области ( fNIRS ): использование спектроскопии в ближней инфракрасной области (NIRS) для функциональной нейровизуализации. Используя fNIRS, активность мозга измеряется посредством гемодинамических реакций, связанных с поведением нейронов.

Сверточная нейронная сеть (CNN): тип искусственной нейронной сети, используемой для распознавания и обработки изображений и специально предназначенной для обработки данных пикселей.

Зрительная кора: часть коры головного мозга, которая получает и обрабатывает сенсорные нервные импульсы от глаз. Уже доступны различные формы BCI, от тех, которые сидят на вашей макушке и измеряют сигналы мозга, до устройств, которые имплантируются в ткань вашего мозга». (источник)

Большинство BCI изначально разрабатывались для медицинских целей. По словам Зазы Зульхоф, ведущего дизайнера Tellart, «около 220 000 людей с нарушениями слуха уже пользуются кохлеарными имплантатами, которые преобразуют звуковые сигналы в электрические импульсы, посылаемые непосредственно в их мозг.(источник)

Статья под названием « Краткая история компьютерных интерфейсов мозга» дает нам много информации, связанной с историей BCI. Действительно, в статье говорится: «В 1970-х годах в Калифорнийском университете начались исследования НКИ, что привело к появлению выражения мозг-компьютерный интерфейс. В центре внимания исследований и разработок BCI по-прежнему находятся в первую очередь нейропротезные приложения, которые могут помочь восстановить поврежденное зрение, слух и движение. Середина 1990-х годов ознаменовалась появлением первых нейропротезов для человека. BCI не читает мысли точно, но обнаруживает малейшие изменения в энергии, излучаемой мозгом, когда вы думаете определенным образом. BCI распознает определенные энергетические/частотные паттерны в мозгу.

Июнь 2004 г. ознаменовал значительный прогресс в этой области, когда Мэтью Нэгл стал первым человеком, которому имплантировали BCI, BrainGate™ от Cyberkinetics.

В декабре 2004 года Джонатан Уолпоу и исследователи из Центра Уодсворта Департамента здравоохранения штата Нью-Йорк подготовили отчет об исследовании, в котором продемонстрирована возможность управления компьютером с помощью BCI.В ходе исследования пациентов попросили надеть шапочку с электродами для захвата сигналов ЭЭГ от моторной коры — части головного мозга, управляющей движением.

BCI имеет долгую историю, сосредоточенную на управляющих приложениях : курсоры, парализованные части тела, роботизированные руки, телефонный набор и т. д. Миссия по разработке BCI, которая улучшает человеческое общение в свете ИИ.А Регина Дуган представила планы Facebook по технологии BCI, которая изменит правила игры и позволит повысить эффективность цифровой связи».

По словам Джона Томаса, Томаша Машчика, Нишанта Синха, Тилманна Клуге и Джастина Дауэлса, «система BCI состоит из четырех основных компонентов: сбор сигналов, предварительная обработка сигналов, извлечение признаков и классификация». (источник)

По словам Давиде Валериани, исследователя с докторской степенью в области интерфейсов мозг-компьютер в Университете Эссекса, «Сочетание людей и технологий может быть более мощным, чем искусственный интеллект.Например, когда мы принимаем решения, основываясь на сочетании восприятия и рассуждений, для улучшения нашего восприятия можно использовать нейротехнологии. Это может помочь нам в таких ситуациях, когда мы видим очень размытое изображение с камеры наблюдения и должны решить, вмешиваться или нет». (источник)

Для Zaza Zuilhof: Это зависит от того, кого вы спросите, и готовы ли вы пройти операцию. «В целях этого мысленного эксперимента давайте предположим, что здоровые люди будут использовать только неинвазивные BCI, которые не требуют хирургического вмешательства.В этом случае в настоящее время существуют две основные технологии: фМРТ и ЭЭГ. Для первого требуется массивная машина, а второй, с потребительскими гарнитурами, такими как Emotiv и Neurosky, фактически стал доступен для более широкой аудитории». (источник)

Источник

Тем не менее, BCI также может быть многообещающим инструментом взаимодействия для здоровых людей с несколькими потенциальными приложениями в области мультимедиа, виртуальной реальности или видеоигр среди многих других потенциальных приложений.

Давиде Валериани сказал, что «Оборудование ЭЭГ абсолютно безопасно для пользователя, но записывает очень шумные сигналы.Кроме того, исследовательские лаборатории были в основном сосредоточены на использовании его для изучения мозга и предложения инновационных приложений без какого-либо последующего использования в коммерческих продуктах, но пока это изменится. (источник)

Компания Маска является последней. Его технология «нейронного кружева» включает имплантацию электродов в мозг для измерения сигналов. Это позволило бы получать нейронные сигналы гораздо лучшего качества, чем ЭЭГ, но требует хирургического вмешательства. Недавно он заявил, что интерфейсы мозг-компьютер необходимы для подтверждения превосходства человека над искусственным интеллектом.(источник)

Эта технология все еще опасна! Действительно, мы сделали компьютеры и знаем ровно , как они работают и как их «модифицировать». Тем не менее, мы не создали свой мозг, и мы до сих пор не очень хорошо знаем, как он работает. Тем более, как «вторгнуться» в них безопасно и успешно. Мы добились большого прогресса, но еще недостаточно.

Проще говоря, ваш мозг делится на две основные части:

  • Лимбическая система
  • Неокортекс.

Лимбическая система отвечает за наши основные побуждения, а также за те, которые связаны с выживанием, такие как еда и размножение.Наша неокортекс — самая продвинутая область, и она отвечает за логические функции, благодаря которым мы хорошо разбираемся в языках, технологиях, бизнесе и философии.

Человеческий мозг содержит около 86 миллиардов нервных клеток, называемых нейронами, каждая из которых индивидуально связана с другими нейронами посредством соединителей, называемых аксонами и дендритами. Каждый раз, когда мы думаем, двигаемся или чувствуем, работают нейроны. Действительно, мозг генерирует огромное количество нейронной активности. По сути, работу выполняют слабые электрические сигналы, которые передаются от нейрона к нейрону.

Существует множество сигналов, которые можно использовать для BCI. Эти сигналы можно разделить на две категории:
— Выбросы
— Полевые потенциалы

Мы можем обнаруживать эти сигналы, интерпретировать их и использовать для взаимодействия с устройством.

По словам Бориса Рейдеринка, консультанта по машинному обучению в Cortext, «одна из самых больших проблем интерфейсов мозг-компьютер заключается в том, что сигналы мозга слабые и очень изменчивые. Вот почему трудно обучить классификатор и использовать его на следующий день, не говоря уже о том, чтобы использовать его для другого предмета.” (источник)

Чтобы вставить Neural Lace, внутрь черепа помещают крошечную иглу, содержащую свернутую сетку. Затем сетка вводится и раскрывается после инъекции, охватывая мозг.

Искусственному интеллекту или машинному обучению уделяется большое внимание при разработке приложений BCI для решения сложных задач в нескольких областях, в частности, в области медицины и робототехники. С тех пор AI/ML стал наиболее эффективным инструментом для систем BCI. ( источник )

Давайте попробуем подробнее остановиться на этих аспектах ниже.Каждый из этих аспектов имеет свою область исследования.

Производство сигналов
Существует два способа получения этих мозговых сигналов:

По словам Сьорда Лагарда , инженера-программиста Quintiq, иметь контроль над раздражителями; вы знаете, например, когда они представлены. Это сложнее в случае, когда вы просто считываете мозговые волны субъекта.”

Обнаружение сигналов
Существуют различные способы обнаружения сигналов мозга. Наиболее известны ЭЭГ и фМРТ, но есть и другие. ЭЭГ измеряет электрическую активность головного мозга, фМРТ — кровоток в головном мозге. У каждого из этих методов есть свои недостатки/преимущества. Некоторые из них имеют лучшее временное разрешение (они могут обнаруживать мозговую активность в момент ее возникновения), в то время как другие имеют лучшее пространственное разрешение (они могут точно указать место активности).

Идея остается в основном такой же для других типов измерительных технологий.

Обработка сигналов
Одна из проблем, с которой мы сталкиваемся при работе с данными мозга, заключается в том, что данные обычно содержат много шума. Например, при использовании ЭЭГ в данных будут отображаться такие вещи, как скрежетание зубами, а также движения глаз. Этот шум необходимо отфильтровать.

Теперь данные можно использовать для обнаружения фактических сигналов. Когда субъект активно генерирует сигналы, мы обычно осознаем, какие сигналы мы хотим обнаружить. Одним из примеров является волна P300, которая представляет собой так называемый потенциал, связанный с событием, который проявляется, когда предъявляется нечастый стимул, относящийся к задаче.Эта волна будет отображаться как большой пик в ваших данных, и вы можете попробовать различные методы машинного обучения для обнаружения таких пиков.

Преобразование сигналов
Когда вы обнаружите интересные сигналы в своих данных, вы захотите использовать их так, чтобы это было кому-то полезно. Субъект может, например, использовать BCI для управления мышью посредством воображаемого движения. Одна из проблем, с которой вы здесь столкнетесь, заключается в том, что вам необходимо максимально эффективно использовать данные, которые вы получаете от субъекта, и в то же время вы должны помнить, что BCI могут ошибаться.Нынешние BCI относительно медленные и время от времени допускают ошибки (например, компьютер думает, что вы вообразили движение левой рукой, а на самом деле вы представили движение правой руки)». (источник)

В случае Нейронного Кружево оно интегрируется с человеческим мозгом. Это создает идеальный симбиоз между человеком и машиной.

Эти две секции работают симбиотически друг с другом. Слой ИИ или третий интерфейс может лежать поверх них, подключая нас к совершенно новому и продвинутому миру и давая нам возможность оставаться на одном уровне с нашими друзьями-роботами ИИ.

Это соединение может дать нам доступ к увеличенному хранилищу памяти, потрясающим возможностям машинного обучения и, да, телепатическому общению с кем-то еще без необходимости говорить.

«У вас есть машинное расширение себя в виде вашего телефона, вашего компьютера и всех ваших приложений. . . безусловно, у вас больше власти, больше возможностей, чем у президента Соединенных Штатов 30 лет назад», — Илон Маск

(BBCI), которые могут как записывать, так и стимулировать нервную систему.
Компьютерные интерфейсы мозга можно разделить на три основные группы:

В инвазивных методах для сбора данных (мозговых сигналов) необходимо использовать специальные устройства. Эти устройства вводятся непосредственно в мозг человека с помощью критической операции. При полуинвазивном методе устройства вставляются в череп в верхней части головного мозга человека. В целом, неинвазивные устройства считаются самым безопасным и дешевым типом устройств. Однако эти устройства могут улавливать только «более слабые» сигналы человеческого мозга из-за непроходимости черепа.Обнаружение сигналов мозга достигается с помощью электродов, размещенных на коже головы.

Существует несколько способов разработки неинвазивного интерфейса мозг-компьютер, например ЭЭГ (электроэнцефалография), МЭГ (магнитоэнцефалография) или МРТ (магнитно-резонансная томография). Интерфейс мозг-компьютер на основе ЭЭГ является наиболее предпочтительным типом ИМК для изучения. Сигналы ЭЭГ обрабатываются и декодируются в управляющие сигналы, которые легко воспринимаются компьютером или роботизированным устройством. Операция обработки и декодирования — один из самых сложных этапов построения качественного BCI.В частности, эта задача настолько сложна, что время от времени научные учреждения и различные компании-разработчики программного обеспечения организуют конкурсы на создание классификации сигналов ЭЭГ для ИМК.

CNN — это тип нейронной сети с искусственным интеллектом, основанный на зрительной коре. Он имеет возможность автоматически изучать соответствующие функции из входных данных, оптимизируя весовые параметры каждого фильтра посредством прямого и обратного распространения, чтобы минимизировать ошибку классификации.

Слуховая кора человека имеет иерархическую организацию, аналогичную зрительной коре.В иерархической системе ряд областей мозга выполняет различные типы вычислений с сенсорной информацией, когда она проходит через систему. Более ранние области или «первичная зрительная кора» реагируют на простые функции, такие как цвет или направление. Более поздние этапы позволяют выполнять более сложные задачи, такие как распознавание объектов.

Одним из преимуществ использования метода глубокого обучения является то, что он требует минимальной предварительной обработки, поскольку оптимальные настройки изучаются автоматически. Что касается CNN, извлечение признаков и классификация интегрированы в единую структуру и оптимизируются автоматически.Кроме того, данные временных рядов fNIRS для людей были введены в CNN. Поскольку свертка выполняется в режиме скользящего шоу, процесс извлечения признаков CNN сохраняет временную информацию данных временных рядов, полученных с помощью fNIRS.

Источник

Однако одной из самых больших проблем в исследованиях НКИ является нестационарность сигналов мозга. Из-за этой проблемы классификатору сложно найти достоверные закономерности в сигналах, что приводит к плохим результатам классификации». (источник)

Хосеа Сиу, аспирант аэрокосмической техники, сказал, что «Для прямых «мозговых» интерфейсов вам нужен набор электродов ЭЭГ, а для интерфейсов периферической нервной системы вам нужны электроды ЭМГ.

После того, как вы сможете загрузить эти данные в свой компьютер, вам нужно будет выполнить некоторую обработку сигнала. Такие вещи, как фильтрация частоты сигнала, которую вы ищете, фильтрация шума окружающей среды (шум 60 Гц от электрических линий распространен в США…).

После этого вам нужно подумать о том, что вы на самом деле пытаетесь заставить систему делать. Вам нужно это, чтобы обнаружить конкретное изменение в ваших паттернах ЭЭГ, когда вы думаете о синем цвете? Или вам это нужно, чтобы обнаружить изменение вашей ЭМГ, когда вы двигаете пальцем? Что насчет компьютера? Должен ли он запускать программу? Введите текст?

Подумайте, как вы собираетесь маркировать свои данные.Как компьютер изначально узнает, что тот или иной сигнал имеет смысл?

Это контролируемое обучение. Выберите предпочитаемый метод классификации, получите множество размеченных данных и обучите свою систему. Вы можете использовать такие методы, как перекрестная проверка, чтобы проверить, делают ли ваши обученные модели то, что, по вашему мнению, они должны делать.

После всего этого у вас может получиться что-то похожее на интерфейс мозг-компьютер. (источник)

Вы можете найти несколько общедоступных наборов данных ЭЭГ на следующем веб-сайте:

Недавние достижения в области искусственного интеллекта и обучения с подкреплением с помощью технологии нейронных интерфейсов и применения различных методологий обработки сигналов позволили нам лучше понять, а затем использовать мозг деятельность по взаимодействию с компьютерами и другими устройствами.

Распознавание эмоций на основе ЭЭГ с использованием сети глубокого обучения с адаптацией ковариатного сдвига на основе основных компонентов

Автоматическое распознавание эмоций является одной из самых сложных задач. Для обнаружения эмоций по нестационарным сигналам ЭЭГ требуется сложный алгоритм обучения, который может представлять собой абстракцию высокого уровня. В этом исследовании предлагается использовать сеть глубокого обучения (DLN) для обнаружения корреляции неизвестных признаков между входными сигналами, которая имеет решающее значение для задачи обучения.DLN реализуется с помощью многоуровневого автоэнкодера (SAE) с использованием иерархического подхода к изучению признаков. Входными характеристиками сети являются спектральные плотности мощности 32-канальных сигналов ЭЭГ от 32 субъектов. Чтобы решить проблему переобучения, применяется анализ основных компонентов (PCA) для извлечения наиболее важных компонентов исходных входных признаков. Кроме того, для минимизации нестационарного эффекта сигналов ЭЭГ реализована адаптация ковариантного сдвига основных компонентов. Экспериментальные результаты показывают, что DLN способен классифицировать три разных уровня валентности и возбуждения с точностью до 49.52% и 46,03% соответственно. Адаптация ковариатного сдвига на основе главных компонент повышает соответствующую точность классификации на 5,55% и 6,53%. Более того, DLN обеспечивает лучшую производительность по сравнению с SVM и наивными байесовскими классификаторами.

1. Введение

Интерфейс мозг-компьютер (BCI) на протяжении десятилетий является одной из самых интересных областей исследований в области биомедицинской инженерии. Он представляет собой многообещающую технологию, позволяющую людям управлять внешними устройствами, модулируя свои мозговые волны.Большинство приложений BCI были разработаны для неинвазивной обработки сигналов мозга, которую можно реализовать в реальных сценариях. Существует множество успешных приложений BCI на основе ЭЭГ, таких как программы для написания слов [1] и контроллеры для инвалидных колясок [2]. BCI можно использовать не только для мысленного управления устройствами, но и для понимания нашего психического состояния. Распознавание эмоций является одним из таких приложений. Алгоритмы автоматического распознавания эмоций потенциально устраняют разрыв между взаимодействием человека и машины.

Модель эмоций можно охарактеризовать двумя основными измерениями, называемыми валентностью и возбуждением. Валентность — это степень влечения или отвращения, которое человек испытывает к определенному объекту или событию. Он варьируется от отрицательного до положительного. Возбуждение — это физиологическое и психологическое состояние бодрствования или реакции на раздражители, варьирующееся от пассивного до активного. Модель эмоционального возбуждения, представленная на рисунке 1, широко используется во многих исследованиях.


Электроэнцефалограмма (ЭЭГ) представляет собой запись колебаний электрических потенциалов головного мозга в результате протекания ионного тока между нейронами головного мозга.Сигналы ЭЭГ получают путем измерения электрической активности в местах расположения электродов на коже головы. Система размещения электродов 10–20 [3], показанная на рис. 2, представляет собой международную систему, обеспечивающую стандартизированную воспроизводимость. Ссылаясь на систему 10–20, исследования субъекта можно сравнивать во времени, а субъектов можно сравнивать друг с другом. Мозговая волна человека состоит из пяти основных частотных диапазонов, называемых дельта (1–3 Гц), тета (4–7 Гц), альфа (8–13 Гц), бета (14–30 Гц) и гамма (31–50 Гц). Гц), как показано на рисунке 3.Характеристики каждой полосы можно использовать для оценки когнитивных и эмоциональных состояний субъекта.


Существует несколько исследований систем распознавания эмоций на основе ЭЭГ. Коэльстра и др. [5] представили методы классификации единичных проб с использованием как ЭЭГ, так и периферических физиологических сигналов. В качестве признаков использовали плотность спектра мощности (PSD) сигналов ЭЭГ. Классификатор машины опорных векторов (SVM) использовался для классификации двух уровней состояний валентности и двух уровней состояний возбуждения.По результатам анализа ЭЭГ средние и максимальные показатели классификации 55,7% и 67,0% были получены для возбуждения и 58,8% и 76,0% для валентности. Солеймани и др. [6] предоставили мультимодальный набор данных под названием «MAHNOB-HCI» для анализа аффективных состояний человека. ЭЭГ и периферические физиологические сигналы использовались для классификации эмоциональных состояний. Система использовала PSD сигналов ЭЭГ от 32 каналов в качестве входных признаков. Классификатор SVM был реализован для классификации трех уровней состояний валентности и трех уровней состояний возбуждения.Для классификации на основе ЭЭГ показатели точности для валентности и возбуждения составляют 57,0% и 52,4% соответственно. Хуанг и др. [7] разработали метод пространственного паттерна асимметрии (ASP) для извлечения признаков алгоритма распознавания эмоций на основе ЭЭГ. Система использовала K-ближайших соседей (K-NN), наивный байесовский анализ (NB) и метод опорных векторов (SVM) для классификации эмоций. Средние показатели точности для валентности и возбуждения составляют 66,05% и 82,46% соответственно.

Кроме того, в нескольких исследованиях [8–11] использовалась PSD данных ЭЭГ в качестве входных признаков и выполнялась классификация эмоций с использованием SVM.Другие методы машинного обучения, такие как наивный Байес, K-NN, LDA и ANN, применялись в других исследованиях [12–15]. Хотя количество исследований алгоритмов распознавания эмоций на основе ЭЭГ в последние годы увеличивается, эффективность этих алгоритмов ограничена.

2. Обзор сети глубокого обучения
2.1. Hierarchy Feature Learning

Сеть глубокого обучения (DLN) способна обнаруживать когерентность неизвестных признаков входных сигналов, что имеет решающее значение для задачи обучения по представлению такой сложной модели.DLN обеспечивает иерархический подход к изучению признаков. Изученные функции на высоком уровне получаются из функций на низком уровне с жадным послойным неконтролируемым предварительным обучением. Это неконтролируемое предварительное обучение обеспечивает этап для заключительного этапа обучения, который представляет собой процесс точной настройки в отношении контролируемого критерия обучения на основе оптимизации градиентного спуска. Следовательно, основной целью DLN является изучение сложных функций, которые могут представлять абстракцию высокого уровня. Иерархическая архитектура DLN показана на рисунке 4.


DLN потенциально выполняет самообучение на очень большом количестве наборов неразмеченных данных. Когда алгоритмы обучения обрабатывают больше данных, они обеспечивают лучшую производительность. Ключевое преимущество самообучения и неконтролируемого изучения признаков заключается в том, что алгоритм может учиться на немаркированных данных, а затем он может учиться на огромном количестве информации. Следовательно, алгоритм DLN подходит для задач, где имеется большое количество наборов неразмеченных данных и небольшое количество наборов размеченных данных.

2.2. Stacked Autoencoder

Stacked Autoencoder — это нейронная сеть, состоящая из нескольких слоев разреженных автокодировщиков, в которых выходы каждого слоя подключены к входам последовательных слоев. Структура автоэнкодера изображена на рисунке 5. Автоэнкодер пытается получить приближение к функции идентичности, показанной ниже: DLN использует технику неконтролируемого предварительного обучения с жадным послойным обучением. Алгоритм выполняет неконтролируемую предварительную подготовку по одному слою за раз, начиная с входного слоя и заканчивая выходным.Первый разреженный автоэнкодер (1-й скрытый слой) обучается на необработанных входных данных, чтобы изучить основные функции на входных данных. В процессе предварительной подготовки все параметры веса и смещения были изучены, чтобы минимизировать функцию стоимости, показанную в (2). Затем алгоритм выполняет прямое распространение, используя необработанные входные данные в этот обученный разреженный автоэнкодер, чтобы получить активацию основных функций. Для предварительной подготовки в следующем скрытом слое алгоритм вычисляет свои признаки в той же процедуре из изученных признаков из предыдущих скрытых слоев: где — количество скрытых узлов, — количество входов, — вес штрафа за разреженность, KL — функция дивергенции Кульбака-Лейблера, — параметр разреженности, — вероятность срабатывания активности, — параметр снижения веса и — вес скрытых узлов.


2.3. Классификатор Softmax

Классификатор Softmax отвечает за статистическую оценку вероятности выходных значений DLN. Классификатор Softmax пытается изучить все параметры веса и смещения, используя изученные функции последнего скрытого слоя. Многоуровневый автоэнкодер с 2 скрытыми слоями и классификатором softmax для двоичной классификации показан на рисунке 6. В случае двоичной классификации () гипотеза регрессии softmax выводит , как показано ниже: Классификатор Softmax можно обобщить до многоклассовой классификации.Гипотеза выведет вектор оценочных вероятностей, показанный следующим образом: Слой softmax должен изучить параметры веса и смещения с помощью контролируемого обучения, минимизируя свою функцию стоимости, как показано ниже: где количество скрытых единиц, количество входных данных, количество классов, основная правда и вес скрытых узлов.


2.4. Точная настройка многоуровневого автоэнкодера

После завершения изучения параметров веса и смещения в классификаторе softmax или выходном слое алгоритм должен выполнить точную настройку всех параметров веса и смещения во всей сети одновременно.Процедура точной настройки рассматривает все уровни многоуровневого автоэнкодера как единую модель и улучшает все веса всех слоев в сети с помощью метода обратного распространения ошибки. Стандартный алгоритм обратного распространения используется для изучения весов и смещений сети на основе размеченных обучающих примеров. Цель обучения – свести к минимуму ошибки классификации.

2.5. DLN для обработки данных ЭЭГ

Первоначальная концепция жадного послойного неконтролируемого предварительного обучения в сетях глубокого обучения, полученная из [17].Сеть состояла из многоуровневой ограниченной машины Больцмана. Позже Вулсин и соавт. [18] применили концепцию неконтролируемой предварительной подготовки к стеку автоэнкодера для классификации и обнаружения измерения аномалий в формах волны ЭЭГ. В документе показано, что DLN и ввод необработанных данных могут быть более эффективными для автоматического онлайн-распознавания формы волны ЭЭГ, чем другие стандартные методы. DLN также применялся для классификации стадий сна [19]. В исследовании использовалась неконтролируемая архитектура обучения характеристик как на необработанных данных ЭЭГ, так и на извлечении характеристик спектра мощности для выполнения классификации стадий сна.

3. Методика
3.1. Набор данных DEAP

DEAP [20] представляет собой мультимодальный набор данных для анализа аффективных состояний человека. ЭЭГ и периферические физиологические сигналы были записаны у 32 испытуемых, когда каждый из них просматривал 40 одноминутных музыкальных клипов. После просмотра каждого музыкального видео испытуемые проводили самооценку уровня своего возбуждения, валентности, доминирования и симпатии. Манекены для самооценки (SAM) [21], как показано на рисунке 7, использовались для визуализации весов.Испытуемые выбирали числа от 1 до 9, чтобы обозначить свои эмоциональные состояния в каждой категории.


В этом исследовании шкалы (1–9) были сопоставлены с 3 уровнями каждого состояния валентности и возбуждения. Шкала валентности 1–3 была сопоставлена ​​с «отрицательной», 4–6 с «нейтральной» и 7–9 с «положительной» соответственно. Шкала возбуждения от 1 до 3 соответствовала «пассивному», 4–6 — «нейтральному» и 7–9 — «активному» соответственно. Согласно новому масштабному отображению, система обеспечивает классификацию эмоций по 9 состояниям: счастливые, довольные, расслабленные, возбужденные, нейтральные, спокойные, огорченные, несчастные и подавленные, как показано на рисунке 8.


3.2. Извлечение признаков ЭЭГ

В нашем эксперименте предложенная система использовала 32-канальные сигналы ЭЭГ без каких-либо дополнительных периферических физиологических сигналов. Сигналы ЭЭГ были понижены с 512 Гц до 128 Гц. Канал ЭЭГ состоял из Fp1, AF3, F3, F7, FC5, FC1, C3, T7, CP5, CP1, P3, P7, PO3, O1, Oz, Pz, Fp2, AF4, Fz, F4, F8, FC6, FC2. , Cz, C4, T8, CP6, CP2, P4, P8, PO4 и O2. Спектральная плотность мощности вычислялась с использованием БПФ с окном Ханнинга размером 128 отсчетов.Спектральные характеристики мощности сигналов ЭЭГ на этих каналах выделялись в 5 частотных диапазонах: тета (4–8 Гц), нижняя альфа (8–10 Гц), верхняя альфа (10–12 Гц), бета (12–30 Гц). и гамма (30 Гц вверх). В дополнение к характеристикам спектра мощности была извлечена разница между спектральной мощностью всех 14 симметричных пар электродов в правом и левом полушариях в 5 частотных диапазонах для измерения возможной асимметрии активности мозга из-за эмоциональных стимулов. В качестве входных данных DLN использовалось в общей сложности 230 признаков ЭЭГ.

3.3. Нормализация признаков

Сначала мощность базовой линии была вычтена из всех извлеченных характеристик спектра мощности, что дало изменение мощности относительно предстимульного периода, после чего характеристики были масштабированы в диапазоне [0,1, 0,9]. Этот процесс нормализации необходим, поскольку DLN использует сигмоид в качестве функции активации на выходном уровне. Некоторые функции ниже и выше были усечены до 0,1 и 0,9 соответственно.

3.4. Реализация DLN

Предлагаемая система распознавания эмоций на основе ЭЭГ реализована со стеком из трех автоэнкодеров с двумя слоями softmax, как показано на рисунке 9.Система выполняет классификацию эмоций, оценивая состояния валентности и возбуждения по отдельности. Два классификатора softmax, один для валентности, а другой для возбуждения, могут совместно использовать результаты неконтролируемой процедуры предварительной подготовки, поскольку они оба используют один и тот же набор немаркированных необработанных данных. Однако два классификатора softmax должны использовать разные автоэнкодеры в стеке во время тонкой настройки обратного распространения.


В DLN используется метод неконтролируемой предварительной подготовки с жадным послойным обучением, начиная с входного слоя и заканчивая слоем softmax.Первый разреженный автоэнкодер (1-й скрытый слой) обучается на входных функциях (230 спектральных характеристик мощности), чтобы изучить основные функции этих входных функций. Мы используем L-BFGS для оптимизации функции стоимости, квадрата ошибки между входными и выходными функциями. Все параметры настроек в DLN для распознавания эмоций на основе EEG показаны в таблице 1.






Максимальные итерации: SAE обучение 400
Максимальные итерации: Softmax Maximent 100
200
Скрытый слой Размер 100, 50
Parameter ( 0.10
Масса расставаемости ( β ) 3.0
Параметр веса (): SAE обучение
Максимальный параметр (): Softmax Eзнание
параметр затухания (): точная настройка

Затем алгоритм выполняет прямое распространение, используя входные функции в этот обученный разреженный автоэнкодер, чтобы получить активацию первичной функции.Функции, полученные в результате прямого распространения 1-го скрытого слоя, должны использоваться для выполнения неконтролируемого предварительного обучения во втором скрытом слое. Алгоритм вычисляет свои признаки в той же процедуре из изученных признаков из предыдущих скрытых слоев.

Параметры веса и смещения слоя softmax обучаются с использованием подхода к обучению с учителем. Выходные объекты последнего скрытого слоя используются в качестве входных объектов обоих слоев softmax. Мы используем набор эмоциональных состояний самооценки (валентность и возбуждение) субъектов в качестве основной истины.Эти слои softmax можно обучать как параметры одновременно.

После того, как сеть закончит изучение параметров веса и смещения в обоих классификаторах softmax, алгоритм должен одновременно выполнить точную настройку всех параметров веса и смещения во всей сети. Однако мы не можем использовать одни и те же сетевые параметры для двух классификаторов. Нам нужно сохранить результаты обучения параметров неконтролируемого предварительного обучения и загрузить параметры для процесса тонкой настройки другого классификатора softmax.В процессе точной настройки все уровни сложенного автоэнкодера и слоя softmax рассматриваются как единая модель и улучшаются все веса всех слоев в сети с использованием метода обратного распространения с контролируемым подходом. Процесс обратного распространения используется для изучения весов и смещений сети на основе помеченных обучающих примеров, чтобы минимизировать ошибки классификации.

Краткий обзор процедуры обучения DLN показан на рис. 10. Алгоритм выполняет жадный послойный неконтролируемый процесс предварительной подготовки, начиная с первого скрытого слоя и заканчивая последним скрытым слоем.Начальные веса и смещения обученного скрытого слоя назначаются для оптимизации параметров. Затем необходимо использовать функции упреждающего распространения скрытого слоя для выполнения неконтролируемой предварительной подготовки в следующем скрытом слое. После завершения неконтролируемого предварительного обучения на последнем скрытом слое требуется обучение softmax и процедуры тонкой настройки.


3.5. Ковариатная адаптация основных компонентов со сдвигом

Сети глубокого обучения, реализованные с помощью многоуровневых автоэнкодеров, могут представлять очень выразительную абстракцию.Поэтому мы сталкиваемся с проблемами переобучения, особенно с огромным количеством входных признаков и скрытых узлов. Более того, нестационарное воздействие сигнала ЭЭГ по-прежнему затрудняет разработку надежного распознавания эмоций на основе ЭЭГ. В предлагаемой системе используется концепция адаптации ковариатного сдвига на основе главных компонент [22] для одновременного решения как проблем переобучения, так и нестационарных эффектов. Анализ главных компонент (PCA) [23] предназначен для извлечения наиболее важных главных компонентов и нормализации этих компонентов по отдельности путем сдвига окна над данными, чтобы смягчить эффект нестационарности.

PCA — это статистический метод, использующий ортогональное преобразование для преобразования набора наблюдений возможно коррелированных переменных в набор значений линейно некоррелированных переменных, называемых главными компонентами. Количество главных компонент меньше или равно количеству исходных переменных. Это преобразование определяется таким образом, что первая главная компонента имеет максимально возможную дисперсию. Предлагаемая система сокращает количество входных признаков с 230 до 50.

Чтобы свести к минимуму нестационарные эффекты входных признаков, предлагаемая система нормализует входные признаки со средним значением предыдущих значений признаков в пределах прямоугольного окна длиной . Мы выполнили эту нормализацию для каждой входной функции в отдельности. На рис. 11 показано окно сдвига во время нормализации входных признаков для адаптации ковариатного сдвига в каждом испытании видео. В наших экспериментах размер окна процесса установлен равным 10.


4. Эксперименты и результаты

В наших экспериментах эффективность предложенной нами системы распознавания эмоций на основе ЭЭГ оценивалась с помощью четырех экспериментальных установок, показанных на рис. Рисунок 12.В первой настройке мы реализовали распознавание эмоций с помощью сети глубокого обучения со 100 скрытыми узлами на каждом уровне (DLN-100). Мы использовали процесс извлечения признаков для вычисления всех входных признаков DLN из 32-канальных сигналов ЭЭГ. В каждую эпоху система запоминала 230 входных признаков, состоящих из спектральной плотности мощности 5 частотных диапазонов и различий спектральных плотностей мощности 14 пар асимметрии. Затем во втором эксперименте количество скрытых узлов было уменьшено до 50 (DLN-50) для исследования влияния размера скрытого узла в DLN.

Третья экспериментальная установка, показанная на рис. 12(c), использовала PCA для решения проблемы переобучения DLN. PCA извлекла 50 наиболее важных компонентов из исходных 230 входных признаков. Извлеченные функции были переданы в DLN с 50 скрытыми узлами в каждом слое.

Последняя экспериментальная установка повысила эффективность системы распознавания эмоций за счет применения концепции ковариатной адаптации сдвига (CSA) для решения проблемы нестационарности сигналов ЭЭГ. Система нормализовала входные признаки по среднему значению предыдущих значений признаков в пределах прямоугольного окна длиной .Эта нормализация была обработана для каждого входного признака отдельно.

Точность классификации состояний валентности и возбуждения в четырех экспериментальных установках измерялась с помощью схемы перекрестной проверки с исключением одного. Была проведена полная перекрестная проверка 32 испытуемых. Обучающий набор данных представлял собой набор всех входных признаков от других 31 субъекта. Тестовый набор данных представлял собой оцениваемые входные характеристики субъекта. Каждый отдельный набор данных состоял из характеристик спектра мощности из записей сигналов ЭЭГ, когда испытуемый просматривал 40 одноминутных музыкальных клипов.DLN выполнил оптимизацию веса и смещения на основе подхода градиентного спуска. Поэтому на точность классификации иногда влияли ее начальный вес и параметр смещения. В нашем эксперименте мы повторили измерение точности классификации пять раз и использовали среднее значение точности для дальнейшего анализа.

Сравнение точности четырех экспериментальных установок для состояний валентности и возбуждения на отдельных субъектах приведено в таблице 2. Средняя точность и стандартное отклонение для 32 субъектов в четырех экспериментах показаны на рисунке 13.DLN-100 обеспечивает точность 49,52% для валентности и 46,03% для возбуждения. Точность DLN-50 несколько снижается до 47,87% и 45,50%. Количество скрытых узлов в DLN влияет на точность классификации аффективных состояний. Чем больше количество скрытых узлов, тем более высокую точность обеспечивает DLN. В экспериментах количество скрытых узлов в каждом слое было уменьшено со 100 до 50 узлов. Точность снизилась на 1,62% и 0,53% для классификации валентности и возбуждения соответственно.

91 068 девяносто одна тысяча шестьдесят-один 91 061
+ девяносто одна тысяча шестьдесят-одна 91 068 + 91 061 + + 91 068 + + 91 061 девяносто один тысячу шестьдесят один + девяносто одна тысяча шестьдесят-один 91 068 + + + 91 068 91 068 девяносто одна тысяча шестьдесят-одна 9103

Валентность точность (%) Arousal точность (%)
DLN СВМ DLN СВМ
N100 N50 PCA CSA F230 PCA CSA N100 N50 PCA CSA F230 PCA CSA

S01 46.14 44,64 50,31 56,52 38,63 40,29 42,92 50,21 48,98 38,57 42,85 41,67 42,58 23,83 S02 47.64 44.72 44.72 49.73 4848 41.50 41.50 44.88 47.04 47.04 35.85 37.56 34.65 36,43 32,62 23,25 17,46
S03 52,45 51,43 58,10 59,81 47,38 51,75 40,17 42,84 40,61 42.86 54.43 31.63 22.38 12.38 12.38
S04 39.20 36.43 37.52 37.52 40.98 24,21 22,12 29,92 39,45 36,98 52,20 46,22 16,50 22,58 34,04
S05 54,32 56,76 55,56 60.97 44.58 33.33 49.42 49.62 48.62 47.31 47.31 58.78 53.10 41.75 39.13 47,00
S06 49,48 47,43 54,81 71,06 44,50 50,21 60,08 49,24 49,77 45,65 62,18 43,46 29.71 20.29
S07 51.87 52.51 52.51 57.94 9104 73.48 47.00 50.58 42,88 46,25 44,27 53,15 56,01 41,13 37,79 39,83
S08 49,19 48,81 54,27 48,44 39,58 47.08 37.54 54.44 52.19 57.24 57.24
46.92 45.25 45.91 52.71
S09 55.86 58,81 63,73 38,48 43,00 36,96 27,50 49,81 49,06 62,15 64,18 47,88 51,25 54,46
S10 43.54 40.43 45.27 40.98 39,47 39.47 32.83 30.00 41.21 41.21 39.52 52.40 64,16 34,96 34,38 25,88
S11 43,87 40,31 44,90 48,11 34,04 37,46 37,38 35,68 34,48 35.45 35.85 23.58 23.54 27.54 25.08 25.08
S12 44.32 41.56 43.40 48,06 37,79 39,21 42,12 50,74 49,56 44,45 50,81 51,25 46,96 36,88
S13 54,86 53.31 44.10 47.36 49.38 32.92 32.92 30.13 30.13 48.65 48.31 38.07 41.26 35,08 27,54 28,17
S14 33,81 35,64 43,69 44,06 30.00 35,58 44,67 51,96 49,27 61,99 62.14 44.67 51.63 42.13
S15

4 58.74

57.45 57.45 42.90 46.60 52,13 40,63 40.00 48,55 47,90 64,15 65,01 36,29 29,46 23,25
S16 47,95 45,76 35,69 38.77 36.92 29.83 25.00 25.00 41.29 40.61 40.61 50.98 49.64 39.33 39.67 21,88
S17 53,20 49,35 45,56 47,86 51,50 44,56 40.00 56,58 58,98 61,61 62,89 50,79 38.83 33.54
S18
S18 55.21 53.72 56.65 56.65 57.98 40.92 43.63 42,50 51,43 54,73 62,82 66,47 51,54 39,58 54,33
S19 56,38 53,51 55,90 62,27 39,04 45.38 40.42 47.19 47.52 49.74 9044 46.67 38.00 42.67 42.67
S20 48.65 46,31 62,85 65,11 51,29 42,04 40.00 52,63 56,73 54,95 55,26 50,38 34,79 37,17
S21 51.78 48.14 67.98 9048 70.23 4696 46.92 46.71 42.50 42.50 45.97 44.27 37,15 41,85 40,75 35,83 25,58
S22 42,97 43,22 40,44 45,56 37,46 31,71 37,71 47,11 45.65 49.40 52.60 36.13 36.13 43.79 30.79
S23 58.43 55.01 58.73 61,73 48,75 48,58 47,50 28,45 31,02 31,15 36,35 24,88 23,25 22,50
S24 49,74 46.81 45.27 45.73 36.54 40.63 40.63 59.45 59.45 61.15 58.32 58.32 62.72 60.04 46,46 39,67
S25 35,72 36,26 41,56 45,06 31,33 26,04 37,50 40,74 40,65 37,49 39,68 33.33 24.54 25.13 25.13
S26 43.16 43.16 40.51 45.85 45.85 52.90 36.33 36,58 28,21 41,88 39,27 45,07 48,10 27,70 23,54 29,38
S27 58,65 60,14 49,94 52,61 40.58 56.17 54.88 45.86 46.31 42.03 42.03 42.96 44.96 34.29 37.13
S28 48,85 46,76 49,35 53,77 38,13 35,79 46,83 40,22 39,52 40,45 45,32 31,71 32,33 24.79
S29 51.25 48.06 48.06 51.23 51.23 54.52 41.79 45.04 49.00 35,44 35,15 37,28 38,60 27,33 35,21 19,46
S30 56,40 53,76 52,81 54,36 40,46 29,00 34.63 52.21 49.23 41.49 54.64 33.79 33.08 32.08 32.33
S311 51.34 48,10 59,02 61,69 43,04 42,46 44,71 41,76 40,02 55,20 51,97 34,67 29,79 36,13 S32 49.67 46.06 63.19 65.90 41.75 41.63 34.63 40.00 51.28 49.36 49.36 59.49 61,39 45,25 43,38 42,83

Среднее 49,52 47,87 50,88 53.42 41.12 39.83 40.26 4603 45,50 48,64 52,03 39,02 35,21 32,46
SD ± 6.34 ± 657 ± 8.18 ± 6.39 ± 7,94 ± 7,87 ± 6,84 ± 7,17 ± 9,85 ± 9,74 ± 9.59 ± 8,56 ± 10,90


Существует тесная взаимосвязь между автоассоциаторами и основным компонентом анализом [24].Если количество скрытых узлов меньше количества видимых узлов, автоэнкодер по существу выполняет нелинейный основной анализ (NPCA). Оба подхода отвечают за изучение некоторых корреляций данных. Если некоторые из входных признаков коррелированы, то эти алгоритмы смогут обнаружить некоторые из этих корреляций. PCA помогает стеку автоэнкодера изучить некоторые линейные корреляции между входными функциями, выступая в качестве еще одного скрытого слоя на входе, а затем повышая производительность задачи обучения.Согласно экспериментальным результатам, PCA увеличивает точность на 3,01% для валентности и на 3,14% для возбуждения.

Впоследствии мы применили концепцию ковариатной адаптации сдвига (CSA), чтобы смягчить эффект нестационарности в сигналах ЭЭГ. CSA обеспечивает эффективность классификации до 53,42% для валентности и 52,03% для возбуждения. Установка PCA+CSA повышает точность на 5,55% и 6,53% для состояний валентности и возбуждения соответственно.

Для оценки эффективности DLN использовались инструменты LIBSVM [25] для измерения точности работы классификатора SVM.Его функция ядра была установлена ​​​​на радиальную базовую функцию, а другим параметрам были присвоены значения по умолчанию. Для классификатора SVM было три экспериментальных установки: 230 входных признаков, PCA и PCA+CSA. В таблице 2 показаны характеристики точности классификатора SVM.

Сравнение точности DLN и SVM показано на рисунках 14 и 15 для состояний валентности и возбуждения соответственно. DLN превосходит SVM во всех экспериментах. Интересно исследовать влияние PCA на уменьшение размерности признаков.PCA повысил точность DLN, но снизил точность SVM. Влияние PCA на SVM согласуется с исследованием Li et al. [26].



Общая точность классификатора SVM для выполнения классификации эмоциональных состояний на основе ЭЭГ из набора данных DEAP довольно низкая. В наших экспериментах всем параметрам, используемым в классификаторе SVM, были присвоены значения по умолчанию. Кроме того, SVM исчерпывающе оценил свои оптимальные поверхности решений с большим количеством наборов обучающих данных (74400 экземпляров).Эти две причины потенциально могут привести к низкой производительности SVM в данном случае.

Сравнение производительности алгоритмов классификации эмоций на основе ЭЭГ показано в таблице 3. Мы также использовали наивный байесовский (NB) классификатор в инструменте WEKA для выполнения классификации состояний эмоций набора данных DEAP с 10-кратной перекрестной проверкой. Другой метод классификации NB в Chung and Yoon [16] использует взвешенную логарифмическую апостериорную функцию для байесовского классификатора, но его точность была измерена при перекрестной проверке с оставлением одного следа.


Валентность Arousal

DLN (с PCA + CSA)
СВМ
NB-230 Особенности 43.97 33.13 33.13
NB-Weest Log Posore 53.40 * 51.00 *

*Результаты, зависящие от субъекта [16].
5. Обсуждение

Основная цель этого исследования — изучить, насколько хорошо сеть глубокого обучения в версии многоуровневого автоэнкодера выполняет алгоритм аффективных вычислений на основе ЭЭГ. Судя по нашим экспериментальным результатам, средняя точность классификации эмоций в сети глубокого обучения со стеком автоэнкодеров лучше, чем у существующих алгоритмов. Следовательно, DLN является многообещающей альтернативой классификатору эмоций на основе ЭЭГ. Однако одним из самых сложных ограничений для реализации алгоритма распознавания эмоций на основе ЭЭГ является решение проблемы межсубъектных вариаций их сигналов ЭЭГ.

Существует несколько многообещающих методов обработки межпредметных вариаций. Лотте и Гуан [27] предложили алгоритм для изучения признаков других предметов, выполняя регуляризацию общих пространственных паттернов (CSP) и линейный дискриминантный анализ (LDA). Метод упорядочил расчетную ковариационную матрицу по отношению к средней ковариационной матрице других субъектов. Самек и др. [28] изучали передачу информации о нестационарности данных вместо того, чтобы узнавать важную для задачи часть от других.Эти основные нестационарности одинаковы между субъектами и могут переноситься. Кроме того, они отрицательно сказываются на эффективности классификации, поэтому их удаление является благоприятным. Мы планируем реализовать один из этих двух методов, в зависимости от нестационарных характеристик набора данных, для смягчения межсубъектных вариаций в нашей следующей версии системы распознавания эмоций на основе ЭЭГ.

Одним из основных ограничений DLN является огромное количество требуемого вычислительного времени во время неконтролируемой предварительной подготовки и контролируемых процедур тонкой настройки.В нашей экспериментальной установке DLN для распознавания эмоций на основе ЭЭГ состоит из трех стопок скрытых слоев, и каждый скрытый слой имеет 100 скрытых узлов. В каждую эпоху алгоритм изучил 230 входных признаков. Чтобы оценить точность классификации отдельного субъекта, в общей сложности 31 субъект просматривал 40 видеороликов, каждое из которых длилось 60 секунд (74 400) эпох. Они используются для настройки параметров веса и смещения DLN. В Таблице 1 показаны другие настройки параметров DLN. Приблизительное время обучения DLN составляет 20–25 минут на портативном компьютере (Core i5-3320M 2.6 ГГц, ОЗУ 8 ГБ, SSD 128 ГБ, Windows 7 (64-разрядная Профессиональная).

Чтобы ускорить обучение DLN, мы можем использовать некоторый параллелизм между двумя классификаторами softmax. Однако нам нужно продублировать стек реализации автоэнкодера для состояний валентности и возбуждения. Оба стека автоэнкодеров можно использовать для раздельной тонкой настройки процессов валентности и возбуждения одновременно. Во время неконтролируемого предварительного обучения два классификатора softmax могут совместно использовать результаты процедуры неконтролируемого предварительного обучения, поскольку они оба используют один и тот же набор немаркированных необработанных данных.После завершения всех последовательностей процедуры обучения DLN, показанной на рисунке 10, DLN можно использовать для классификации эмоциональных состояний в реальном времени. Несмотря на то, что DLN требует огромного количества времени на обучение, он может выполнять классификацию эмоций на основе ЭЭГ в режиме реального времени. На этапе классификации DLN просто передает входные признаки через все уровни сети. Чтобы дать лучший ответ, мы можем уменьшить размер окна адаптации ковариатного сдвига, но мы можем пойти на компромисс с более низкой точностью классификации.

6. Заключение

Предлагаемое распознавание эмоций на основе ЭЭГ реализовано с помощью сети глубокого обучения, а затем дополнено адаптацией ковариантного сдвига основных компонентов. Сеть глубокого обучения состоит из стека из трех автоэнкодеров и двух классификаторов softmax для классификации состояний валентности и возбуждения. Цель PCA — уменьшить размерность входных объектов. CSA обрабатывает нестационарное влияние сигналов ЭЭГ. Точность классификации DLN с PCA+CSA составляет 53.42% и 52,05%, чтобы классифицировать три уровня состояний валентности и три уровня состояний возбуждения. DLN обеспечивает более высокую точность по сравнению с SVM и наивным байесовским классификатором. Одним из основных ограничений для выполнения алгоритма распознавания эмоций на основе ЭЭГ является проблема межсубъектных вариаций их сигналов ЭЭГ. Общие черты переносимой нестационарной информации могут быть исследованы, чтобы облегчить проблемы межпредметной вариации.

Конфликт интересов

Авторы заявляют об отсутствии конфликта интересов в отношении публикации данной статьи.

Использование глубокого обучения, чтобы помочь нам понять языковую обработку в мозгу — Блог о машинном обучении | МЛ@КМУ

Рисунок 1. Тонкая настройка языковой модели для прогнозирования данных ЭЭГ. Кодер предварительно обучен в Википедии, чтобы предсказать следующее слово в последовательности (или предыдущее слово для обратного LSTM). Мы используем контекстуализированные вложения из кодировщика в качестве входных данных для декодера. Декодер использует свертку для создания вложений для каждой пары слов, которые вместе с частотой слов и длиной слова становятся основой для линейного слоя для прогнозирования ответов ЭЭГ.Модель точно настроена для прогнозирования этих данных ЭЭГ. В этом примере модель совместно обучена прогнозировать ответы ЭЭГ N400 и P600.

Представьте на мгновение, что мы можем взять фрагменты текста, передать их вычислительной модели, и что модель может точно предсказать некоторые активности мозга, записанные у человека, который читал тот же текст. Можем ли мы узнать что-нибудь о том, как работает мозг, исходя из этой модели? Если мы доверяем модели, то можем, по крайней мере, определить, какие участки активности мозга связаны с текстом.Помимо этого, то, что мы узнаем из модели, зависит от того, насколько мы знаем о механизмах, которые она использует для своих прогнозов. Учитывая, что мы хотим понять эти механизмы и что модели, созданные с помощью глубокого обучения, могут быть трудными для интерпретации, на первый взгляд кажется, что глубокое обучение не является хорошим кандидатом для анализа обработки речи в мозгу. Тем не менее, глубокое обучение оказалось удивительно эффективным в улавливании статистических закономерностей в языке (и других областях). Эта эффективность побудила нас посмотреть, способна ли модель глубокого обучения хорошо предсказывать активность мозга на основе текста, и, что важно, можем ли мы получить какое-либо представление об активности мозга на основе прогнозов.Получается, что ответ на оба вопроса положительный.

Один из открытых вопросов в изучении того, как мозг обрабатывает язык, заключается в том, как значения слов объединяются вместе, чтобы сформировать значения предложений, отрывков и диалогов. Электроэнцефалография (ЭЭГ) — это инструмент, который обычно используется для изучения этих интегративных процессов. В недавней статье мы предлагаем использовать тонкую настройку языковой модели и многозадачное обучение, чтобы лучше понять, как различные реакции ЭЭГ, вызванные языком, связаны друг с другом.Если мы сможем лучше понять эти ответы ЭЭГ и то, что ими движет, то мы сможем использовать это понимание для лучшего изучения обработки речи у людей.

В нашем анализе мы используем наблюдения ЭЭГ за активностью мозга, записанные, когда люди читают предложения. Когда люди читают текст, происходит несколько различных видов отклонений от исходных измерений активности. Наиболее хорошо изученный из них называется реакцией N400. Это N отрицательное отклонение электрической активности (относительно базового уровня), которое происходит примерно через 400 миллисекунд после начала слова (таким образом, N400), и оно связано с семантическими усилиями.Если слово ожидается в контексте — например, «Мне нравится арахисовое масло и желе » по сравнению с «Мне нравится арахисовое масло и роликовые коньки », — то ожидаемое слово желе вызовет меньший ответ N400 по сравнению с неожиданным ролик .

Рисунок 2. Пример ответа N400 на неожиданное (красная линия) и ожидаемое (черная линия) слово от Кутаса и Федермайера. Обратите внимание, что направление вверх по оси Y более отрицательное.

В анализируемых нами данных (предоставленных Штефаном Франком и его коллегами) рассматриваются шесть различных ответов, связанных с языком.Три из них — ответы N400, PNP и EPNP — обычно считаются маркерами семантических процессов в мозге, а три других — P600, LAN и ELAN — обычно считаются маркерами синтаксических процессов в мозге. Разделение этих ответов ЭЭГ на индикаторы синтаксических и семантических процессов является спорным, и ведутся серьезные споры о том, что означает каждый из ответов. Например, некоторые исследователи считают, что P600 вызывается синтаксическими нарушениями, как в «Самолет доставил , мы в рай и обратно», в то время как другие отмечают, что это также может быть вызвано нарушением семантической роли, как в « Каждое утро за завтраком 90 793 яиц съедали бы 90 794  …», а третьи задавались вопросом, является ли P600 специфичным для языка или, скорее, маркером какого-либо редкого события.Одна возможность состоит в том, что это связано с внимательным процессом, вызываемым для согласования противоречивой информации от языковой обработки более низкого уровня. В любом случае более четкая картина взаимосвязи между всеми ответами ЭЭГ и между текстом и ответами ЭЭГ сделала бы их лучшими инструментами для исследования языковой обработки в мозгу.

Вместо дискретной маркировки того, возник ли каждый из шести ответов ЭЭГ, когда участник читал заданное слово, в этом наборе данных ответы ЭЭГ определяются непрерывно как средний потенциал предопределенного набора датчиков ЭЭГ в течение предопределенного временного окна ( относительно появления слова).Это дает нам шесть скалярных значений на слово для каждого участника эксперимента, и мы усредняем значения среди участников, чтобы получить шесть окончательных скалярных значений на слово.

Рис. 3. Схематическое изображение сверху вниз (с носом, направленным к верхней части страницы) с расположением датчиков ЭЭГ и временной информацией для каждого ответа ЭЭГ, связанного с языком. Перекрывающиеся кружки обозначают несколько ответов, записанных одним и тем же датчиком.

Чтобы предсказать эти шесть скалярных значений для каждого слова, мы используем предварительно обученный двунаправленный LSTM в качестве кодировщика.Мы предполагаем, что ответы ЭЭГ частично возникают в результате изменения значения или структуры входящего языка. Например, N400 ассоциируется с семантическим усилием и удивлением, поэтому мы можем ожидать, что N400 будет некоторой функцией различия между вложениями соседних слов. Из-за этой интуиции мы объединяем вложения, выводимые кодировщиком, пропуская их через сверточный слой, который может изучать функции на соседних вложениях слов. Мы используем парные вложения, полученные с помощью свертки, вместе с длиной слова и логарифмической вероятностью слова в качестве основы для прогнозирования ответов ЭЭГ.Ответы ЭЭГ прогнозируются на этой основе с использованием линейного слоя. Прямые и обратные LSTM предварительно обучаются независимо в наборе данных WikiText-103, чтобы предсказывать следующее и предыдущее слова соответственно из фрагмента текста. Мы точно настраиваем модель, сначала обучая декодер и сохраняя параметры кодировщика фиксированными, а затем, после этого, продолжаем обучение, также изменяя последний слой LSTM в течение нескольких эпох.

Возникает естественный вопрос: можно ли вообще предсказать эти ЭЭГ-измерения мозговой активности по тексту и действительно ли весь этот механизм глубокого обучения улучшает предсказание по сравнению с более простой моделью.В качестве меры точности мы используем долю объясненной дисперсии, т. е. нормализуем среднеквадратичную ошибку в наборе для проверки на дисперсию в наборе для проверки и вычитаем это число из 1: \(\mathrm{POVE} = 1 — \ frac{\ mathrm {MSE}} {\ mathrm {дисперсия}} \). Мы сравниваем точность использования декодера поверх трех разных кодировщиков: кодировщик, который полностью обходит LSTM (т. е. выходные вложения такие же, как входные вложения для кодировщика), кодировщик, который является LSTM только вперед, и кодировщик, который является полным двунаправленным LSTM.

Рисунок 4. Доля дисперсии, объясненная для каждого целевого сигнала ЭЭГ (среднее из 100 прогонов). Столбцы имеют цветовую кодировку, по которой сигнал ЭЭГ мы прогнозируем. WORD указывает, что встраивание входного слова используется в качестве представления кодировщика, FORWARD указывает, что LSTM только для прямой передачи используется в качестве представления кодировщика, а BIDIRECTIONAL указывает, что двунаправленный LSTM используется в качестве кодера.

Удивительно, но мы видим, что все шесть показателей ЭЭГ могут быть предсказаны на уровнях, превышающих шансы (\(0\) здесь является шансом, поскольку угадывание среднего даст нам \(\mathrm{POVE}\) из \(0\) ).Предыдущая работа (здесь и здесь) показала, что только некоторые показатели ЭЭГ предсказуемы, но эта работа не пыталась напрямую предсказать активность мозга по тексту. Вместо этого он использовал оценку неожиданности (отрицательная логарифмическая вероятность слова в контексте) и оценку синтаксической сложности для прогнозирования данных ЭЭГ. Эти промежуточные значения имеют то преимущество, что их можно интерпретировать, но они теряют много соответствующей информации.

Мы также видим, что полностью двунаправленный энкодер лучше способен предсказывать активность мозга, чем другие энкодеры.Сравнение между кодировщиками не совсем справедливо, потому что в прямом кодировщике больше параметров, чем в кодере только для встраивания, и больше параметров, чем в обоих в двунаправленном кодировщике, поэтому отчасти причина того, что двунаправленный кодировщик может быть лучше просто в том, что у него больше степеней свободы для работы. Тем не менее, этот результат предполагает, что контекст имеет значение для прогнозирования сигналов ЭЭГ, а это означает, что есть возможность узнать об особенностях языкового потока, которые управляют ответами ЭЭГ.

Приятно видеть, что модель глубокого обучения может предсказать все ответы ЭЭГ, но мы также хотим узнать что-то об этих ответах. Для этого мы используем многозадачное обучение. Мы обучаем нашу сеть, используя \(63 = \binom{6}{1} + \binom{6}{2} + … + \binom{6}{6}\) вариантов нашей функции потерь. В каждом варианте мы выбираем подмножество из шести сигналов ЭЭГ и включаем термин среднеквадратической ошибки для предсказания каждого сигнала в этом подмножестве. Например, один из вариантов включает только ответы N400 и P600, поэтому для прогноза N400 и прогноза P600 в функции потерь для этого варианта используются среднеквадратические ошибки, но не для LAN.2$$

Предпосылка этого метода заключается в том, что если два или более сигнала ЭЭГ связаны друг с другом, то включение всех связанных сигналов в задачи прогнозирования должно создать полезное индуктивное смещение. С этим смещением функция, которую модель глубокого обучения изучает между текстом и интересующим сигналом ЭЭГ, должна быть лучшим приближением к истинной функции, и поэтому она должна лучше обобщать невидимые примеры.

Мы фильтруем результаты, чтобы сохранить (i) вариации, которые включают только один ответ ЭЭГ в функции потерь (верхний столбец в каждой группе ниже), (ii) варианты, которые лучше всего объясняют каждый ответ ЭЭГ (нижний столбец в каждом группа ниже), и (iii) варианты, которые существенно не отличаются от лучших вариантов и которые включают в функцию потерь не больше ответов ЭЭГ, чем лучший вариант, т.е.е. все более простые комбинации ответов ЭЭГ, которые работают так же, как лучшая комбинация (все остальные столбцы). Для N400, где наилучшая вариация не включает никаких других сигналов ЭЭГ, мы также показываем, как доля объясняемой дисперсии изменяется, когда мы включаем каждый из других сигналов ЭЭГ.

Рисунок 5. Доля объясненной дисперсии (среднее значение 100 прогонов) для каждого сигнала ЭЭГ при обучении с различными вариантами многозадачной тренировки. Если черная точка на одном столбце соединена с белой точкой на другом столбце вертикальной линией, столбцы значительно отличаются друг от друга после контроля множественных сравнений с использованием коэффициента ложного обнаружения при 0.01 уровень.

Для каждого целевого сигнала ЭЭГ, отличного от N400, можно улучшить предсказание с помощью многозадачного обучения. Как указывает Рич Каруана в своей работе о многозадачном обучении, целевую задачу можно улучшить с помощью вспомогательных задач, даже если задачи не связаны друг с другом. Однако наши результаты свидетельствуют о взаимосвязи между сигналами ЭЭГ. Это не значит, что тренировка с большим количеством сигналов ЭЭГ всегда лучше, и картина улучшений для разных вариаций не выглядит случайной.Улучшения также не следуют шаблону необработанных корреляций между сигналами ЭЭГ (см. нашу статью о корреляциях).

Некоторые из взаимосвязей, которые мы здесь видим, ожидаются из современных теорий того, как каждый ответ ЭЭГ связан с обработкой речи. Связь LAN/P600 и ELAN/P600 ожидается на основе как предыдущих исследований, в которых они наблюдались вместе, так и теории о том, что ответы ELAN/LAN возникают при синтаксических нарушениях, а P600 возникает при повышенных синтаксических усилиях.Наши результаты также предполагают некоторые отношения, которые не соответствуют ожиданиям, но имеют правдоподобные объяснения. Например, некоторые исследователи считают, что ответы ELAN и LAN отмечают потребности в рабочей памяти, и если это так, то можно ожидать, что эти ответы будут связаны с другими сигналами, которые отслеживают потребности в языковой обработке любого рода. Это может объяснить, почему они, кажется, широко используют (и выигрывают) в предсказании других сигналов. Однако кажущаяся изоляция N400 от этого преимущества в этом случае была бы удивительной.

Нам нужно быть немного осторожными, чтобы не интерпретировать результаты здесь; то, как ответы ЭЭГ определены в этом наборе данных, означает, что некоторые из них пространственно перекрываются и близки друг к другу во времени, поэтому одни сигналы могут перетекать в другие. Будущие исследования потребуются, чтобы разобрать возможности, предложенные этим анализом, но мы считаем, что эта методология является многообещающим направлением. Многозадачное обучение может помочь нам понять сложные взаимосвязи между сигналами ЭЭГ.Мы также можем частично решить проблему распространения сигнала, включив другие задачи прогнозирования.

Две дополнительные задачи, которые мы можем включить, — это предсказание времени самостоятельного чтения (в котором слова отображаются одно за другим, а участник эксперимента нажимает кнопку, чтобы перейти к следующему слову) и данные отслеживания взгляда. Оба доступны от разных участников эксперимента для предложений, по которым были собраны сигналы ЭЭГ. Время самостоятельного чтения и данные отслеживания взгляда можно рассматривать как показатели сложности понимания прочитанного, поэтому мы ожидаем, что они должны быть связаны с данными ЭЭГ.Действительно, мы видим, что, когда эти задачи используются в обучении, обе они улучшают прогнозирование данных ЭЭГ по сравнению с обучением только на целевом сигнале ЭЭГ. Этот результат действительно интересен, потому что он не может быть объяснен каким-либо эффектом перелива. Это предполагает, что модель действительно может узнавать о некоторых скрытых факторах, которые лежат в основе как ответов ЭЭГ, так и поведения (подробные результаты и дальнейшее обсуждение поведенческих данных см. в нашей статье).

Очень интересно видеть, насколько хорошо сигналы ЭЭГ можно прогнозировать с помощью одной из новейших языковых моделей, а многозадачное обучение дает нам некоторое представление о том, как сигналы ЭЭГ соотносятся друг с другом и с поведенческими данными.Хотя этот метод анализа пока носит преимущественно исследовательский и наводящий характер, мы надеемся расширить его со временем, чтобы лучше понимать, как мозг обрабатывает язык. Если вас интересует дополнительная информация о методе или дальнейшее обсуждение результатов, ознакомьтесь с нашей статьей здесь.

ОТКАЗ ОТ ОТВЕТСТВЕННОСТИ: Все мнения, высказанные в этом посте, принадлежат автору и не отражают точку зрения CMU.

.
Leave a Reply

Добавить комментарий

Ваш адрес email не будет опубликован.

2022 © Все права защищены.