Расшифровка ээг головного мозга: Диагностика эпилепсии | Научно-практический центр детской психоневрологии

Содержание

ЭЭГ. Особенности

Цены на функциональные методы исследования Вы можете узнать ЗДЕСЬ

Электроэнцефалография (ЭЭГ) — метод исследования деятельности головного мозга человека; основан на суммарной регистрации биоэлектрической активности отдельных зон, областей, долей мозга. 
Применяется в современной нейрофизиологии, а также в неврологии и психиатрии.

У человека и других позвоночных с помощью специальных высокочувствительных приборов можно зарегистрировать спонтанные электрические колебания отдельных зон, областей, долей мозга, для которых характерна соответствующая периодичность. Как и в случае с ЭКГ, эти колебания улавливаются металлическими электродами, приложенными к поверхности тела (коже головы), и такая регистрация обозначается термином – электроэнцефалограмма ЭЭГ. Волны ЭЭГ (альфа-, бета-, гамма- и тета-волны) от разных областей головы неодинаковы и в особенности различаются по частоте и амплитуде.

Анализируя этиволны, можно приблизительно судить об активности мозга в норме и патологии.

У человека внутренние (биологические) часы в норме отсчитывают цикл сна-бодрствования. В реальной жизни такой цикл подстраивается к 24-часовой длительности суток благодаря внешним обстоятельствам жизни (фазы работы, отдыха, сна, а также периодичность смены дня и ночи).

Если бодрствующий организм активно взаимодействует с окружающей средой и реагирует на внешние стимулы, то во время сна контакт с внешним миром в значительной степени прекращается. Тем не менее, электроэнцефалограмма показывает, что сон — не просто период отдыха мозга, а некоторое альтернативное состояние сознания. ЭЭГ изменяется характерным образом в зависимости от глубины сна. Выделяют несколько стадий сна, и они сменяют друг друга по несколько раз за ночь, а к утру глубина сна постепенно уменьшается.

ЭЭГ в диагностике эпилепсии

Наиболее информативной является регистрация ЭЭГ больных с эпилептическими припадками. Электроэнцефалография является первым и часто единственным неврологическим амбулаторным исследованием, которое проводится при эпилептических приступах.

В первую очередь ЭЭГ помогает отличить эпилептические приступ от неэпилептических и классифицировать их. 

С помощью Электроэнцефалографии можно:

  • установить участки мозга, участвующие в провоцировании приступов;
  • следить за динамикой действия лекарственных препаратов;
  • решить вопрос о прекращении лекарственной терапии;
  • идентифицировать степень нарушения работы мозга в межприступные периоды.

Важно отметить, что электроэнцефалограмма, сделанная вскоре после приступа, может не показать никаких изменений. Поэтому, лучшее время для проведения ЭЭГ — не ранее чем через неделю после приступа.

У нескольких процентов практически здоровых взрослых людей встречаются нарушения биоэлектрической активности мозга в виде различных «эпифеноменов», условно-эпилептиформной активности.

Возможно, это проявление врожденных особенностей, которые проявляются в быстроте реакции, принятии решения в экстремальных обстоятельствах. Так, например, отмечено, что на ЭЭГ летчиков-испытателей фиксируются пики активности мозга эпилептиформного типа.

Правильное интерпретирование сигналов (расшифровка ЭЭГ) — в какой-то мере искусство.Большое значение в диагностике поражений мозга имеют функциональные пробы: прерывистое световое раздражение (фотостимуляция), усиленное глубокое дыхание в течение 2-3 мин (гипервентиляция), звуковое раздражение, исследование после бессонной ночи (депривация сна) и др.

При использовании функциональных проб у 90% больных эпилепсией удается выявить изменения ЭЭГ.

Количество обследований и их частота зависит от того, что необходимо выявить лечащему врачу. Если приступов нет (например, в случае успешного их лечения), то ЭЭГ головного мозга можно делать примерно 1-2 раза в год. При наличии приступов, изменении лечения или дозы препаратов частота проведения возрастает.

Диагноз эпилепсия не может быть поставлен при отсутствии клинических проявлений болезни и, наоборот, нельзя исключить этот диагноз при нормальной ЭЭГ, если имеются эпилептические приступы. Исследование только помогает врачу уточнить диагноз и определить форму приступов. Ну и, соответственно, лечению подлежат не изменения в картине электроэнцефалографии мозга, а сами приступы. 

ЭЭГ в диагностике новообразований

В зависимости от локализации опухоли – внутримозговые, опухоли в височной области или расположенные близко к поверхности мозга, ЭЭГ фиксирует изменения с различной степенью точности. Наиболее обоснованным с точностью до 90% имеет ЭЭГ диагностика опухолей височной локализации.

По современным стандартам, ЭЭГ-исследование может быть рекомендовано как скрининговое исследование при подозрении на новообразование. За счет безвредности, относительной доступности и быстроты проведения для уточнения диагноза ЭЭГ может подсказать врачу – стоит ли направлять пациента на дополнительное (чаще — томографическое) исследование или нет.

 

Диагностическая ценность ЭЭГ головного мозга

В последнее время электроэнцефалографии часто противопоставляются новые, высокотехнологичные методы для отображения мозговой активности, типа позитронно-эмиссионной или функциональной магнитно-резонансной томографии (ПЭТ и фМРТ). Эти методы обеспечивают детализированное изображение структур мозга, включаемых в функционирование в норме или при повреждении патологическими процессами.

ЭЭГ имеет очень важное преимущество перед ПЭТ и фМРТ: электроэнцефалография может показать один из основных параметров работы нервной системы – свойство ритмичности, которое отражает согласованность работы разных структур мозга. ЭЭГ фиксирует первичные изменения (электрические процессы в нервных клетках). В то время как упомянутые методы обеспечивают детализированное изображение структур мозга в норме или при повреждении патологическими процессами, т.е. фиксируют вторичные метаболические изменения в ткани мозга.

Каковы же преимущества электроэнцефалографии? Некоторые из них очевидны: процедура довольно проста в использовании, дешева и не связана с воздействием на испытуемого (неинвазивна).

ЭЭГ может быть зарегистрирована около кровати пациента и использоваться для контроля стадии эпилепсии, длительного мониторинга мозговой активности.

Следовательно, при записи электрической (а также магнитной) энцефалограммы, нейрофизиолог имеет доступ к фактическим механизмам обработки информации мозга. Именно эта возможность делает ЭЭГ уникальным и, безусловно, ценным методом диагностики.

ЭЭГ головного мозга в Ярославле — сделать электроэнцефалографию по оптимальной цене

Электроэнцефалография, или ЭЭГ — метод диагностики заболеваний и нарушений в работе головного мозга. Исследование безопасно и неинвазивно. Средняя длительность проведения рутинной электроэнцефалографии — не более получаса.

Клиника «Альфа-Центр Здоровья» предлагает сделать ЭЭГ мониторинг в Ярославле. Вы можете заранее согласовать удобное время и дату исследования, связавшись с нами по телефону или онлайн. Результаты энцефалографии рекомендуем обсудить с неврологом.

Суть исследования

В процессе работы нервные клетки головного мозга продуцируют ионный ток. Исследование колебаний этой электрической активности — суть ЭЭГ мониторинга. Специальный прибор считывает и показывает разницу потенциалов, что позволяет сделать выводы о функциональном состоянии головного мозга, а также его реакции на раздражители.

Регистрация данных в ходе исследования ведется на бумажной ленте в виде графиков кривой или в компьютерный файл. Последний вариант записи считается более современным.

Показания

ЭЭГ головного мозга проводится, если от пациента поступают жалобы на:

  • постоянную головную боль;
  • нарушения сна;
  • невротические расстройства;
  • головокружения;
  • нарушения концентрации и памяти;
  • потери сознания;
  • повышенную утомляемость.

Электроэнцефалография используется при диагностике травм, эпилепсии, новообразований головного мозга.

С помощью исследования можно оценить возрастные изменения в его активности, выявить судорожные состояния, нарушения кровоснабжения. Сделать ЭЭГ необходимо, если нужно узнать причину нарушения режима сна и бодрствования, неврозов и других патологических состояний. Исследование назначают не только взрослым, но и детям: ЭЭГ позволяет выявить задержки психического здоровья ребенка.

Повторная энцефалография проводится, чтобы оценить эффективность назначенного ранее лечения. Полученные результаты сравнивают с результатами прошедшего исследования и изучают динамику.

Противопоказания

Абсолютных противопоказаний метод не имеет. И все же перед тем, как сделать ЭЭГ мозга, стоит проконсультироваться с профильным специалистом. Относительные ограничения — травмы кожи головы.

Как проходит

Электроэнцефалография головного мозга бывает нескольких видов:

  • стандартная дневная ЭЭГ;
  • суточный мониторинг биоэлектрической активности мозга;
  • исследование дневного и ночного сна.

При неинформативности этих видов электроэнцефалографии назначают исследование с депривацией сна.

Перед тем, как сделать ЭЭГ, стоит проконсультироваться с профильным специалистом. Он подскажет, как должна проходить подготовка к мониторингу, объяснит правила и ограничения.

Для проведения процедуры пациент принимает удобное положение лежа. Ему предлагают надеть на голову шапочку с электродами — датчиками, которые считывают сигналы биоэлектрической активности головного мозга и регистрируют их.

Чтобы оценить изменение активности под воздействием внешних факторов, проводят функциональные пробы. Пациенту предлагают подышать учащенно, чтобы к головному мозгу поступило больше кислорода, а затем фиксируют реакцию. Также на него воздействуют вспышками яркого света или просят попеременно то открыть, то закрыть глаза.

Расшифровка результатов

Чтобы расшифровать ЭЭГ, врач использует специальное программное обеспечение. Оно определяет основные ритмы головного мозга и соответствующие им виды активности:

  • полиритмичную;
  • плоскую;
  • низкоамплитудную медленную полиаморфную;
  • низкоамплитудную высокочастотную асинхронную.

Патологическими считаются выявленные на электроэнцефалограмме спайки, пики и острые волны. Медленные ритмы дельта и тета указывают на наличие дегенеративных и демиелинизирующих поражений головного мозга, дистрофических заболеваний и других нарушений.

Записаться на прохождение ЭЭГ в Ярославле

Предлагаем пройти исследование, посетив клинику «Альфа-Центр Здоровья» в Ярославле. Это современный медицинский центр с хорошим техническим оснащением для функциональной диагностики, квалифицированным персоналом и доступными ценами. Стоимость консультации невролога оплачивается отдельно.

Электроэнцефалография (ЭЭГ) – запись на исследование в Москве

Электроэнцефалография проводится в оборудованном кабинете, где установлен стационарный электроэнцефалограф. Метод диагностики позволяет оценить состояние центральной нервной системы (ЦНС) пациента, определить очаги поражения и степень их выраженности. Можно спрогнозировать время наступления судорог и отследить, как работают отделы мозга при наличии кризов и различных неврологических болезней (например, при эпилепсии). В некоторых случаях энцефалограмма помогает выявить нарушения даже в тех случаях, когда другие методы исследования оказываются бессильны.

Электроэнцефалография активно используется в неврологии для определения состояния коры головного мозга, выявления дегенеративных заболеваний и сосудистых отклонений. Диагностический метод позволяет отследить регрессию заболеваний и результативность лекарственной терапии.

При эпилепсии ЭЭГ обнаруживает области мозга, где формируются судороги, отслеживает их характер, помогает понять, как работает мозг, и спрогнозировать наступление следующего приступа. При нарушениях сна электроэнцефалография позволяет установить фазы бодрствования и сна, выявить структурные дефекты.

Подготовка к ЭЭГ

  • Исключить прием энергетических напитков, колы, кофе, крепкого чая, шоколада и других кофеинсодержащих продуктов не менее чем за 12 часов до проведения энцефалограммы.
  • Обязательно поесть за 2-3 часа перед диагностикой.
  • Сохранять спокойствие, не беспокоиться и не нервничать перед процедурой.
  • Не приходить на ЭЭГ со сложными прическами, волосы должны быть чистыми, без использования лака, масел, кондиционеров и других средств, которые могут нарушить контакт электродов с кожей головы.
  • Предварительно снять сережки, заколки и другие украшения с головы.
  • Прием любых лекарств должен быть согласован с доктором.
  • Проведение электроэнцефалографии у пациентов с психиатрическими заболеваниями, с судорожными расстройствами, с гипертензией требует предварительной подготовки. При необходимости перед исследованием больным назначают успокоительные препараты.

Методика исследования

Диагностика головного мозга проводится в приспособленном кабинете. Обследуемый располагается на кушетке либо садится в удобное кресло. Предварительно надевается специальный шлем с сетью встроенных электродов. Во время исследования доктор может находиться рядом с пациентом либо за пределами комнаты.

Перед проведением исследования оценивают степень технических погрешностей, доктор предлагает человеку пару раз открыть и закрыть свои глаза. На 1-м этапе записывают ЭЭГ покоя. Важно исключить какие-либо движения в течение времени, отведенного для диагностики.

На 2 этапе фиксируют реакции мозга при воздействии стрессовых ситуаций. Для данной цели проводят следующие провокационные испытания, которые могут вызвать усиление электрической активности головного мозга:

  • Гипервентиляционные пробы. Врач-диагност предлагает пациенту дышать как можно глубже 3-4 минуты.
  • Ритмичная фотостимуляция. Оценивают, как головной мозг реагирует на вспышки яркого света. В испытании используют стробический эффект, когда лампа мигает примерно 20 раз в одну секунду.

ЭЭГ – совершенно безболезненный, быстрый, эффективный и безопасный метод. Сразу после проведения электроэнцефалографии пациент может возобновить прием медикаментов, отмененных перед диагностикой.

Интерпретация результатов

При диагностике головного мозга регистрируют 4 основынх ритма колебаний. Амплитуда и частота волн определяется уровнем активности человека.

  • α-волны связаны с колебаниями, когда пациент прибывает в состоянии отдыха, но не спит.
  • β-волны относятся к состоянию бодрствования, когда человек активен.
  • δ-волны регистрируют в периоды глубокого сна.
  • θ-волны возникают в процессе засыпания, когда пациенты уже не активны, но пока не спят.

При интерпретации данных ЭЭГ анализируются зарегистрированные волны. В норме у обоих полушарий мозга равная электрическая активность. В период бодрствования регистрируются альфа- и бета-волны без резких всплесков. После приема большого количества успокоительных препаратов лидируют бета-волны. У людей, находящихся в коме либо после приема наркотических препаратов, преобладают дельта-волны.

Частота электрических импульсов не должна быть нулевой, такое состояние означает физическую смерть. Внезапные вспышки активности и асимметрия кривых на отдельных участках может свидетельствовать о наличии кист и опухолевых процессов. При нарушении обменных функций, инфекционных процессах и интоксикациях организма обнаруживают большую разницу активности на разных участках мозга.

Услуги и цены

Электроэнцефалография

Диагностическая процедура, позволяющая проследить за мозговой активностью ребенка, оценить функциональные изменения коры головного мозга, подтвердить или опровергнуть наличие поражений и расстройств центральной нервной системы.

Когда необходимо сделать ЭЭГ?

Обычно данный вид обследования назначают детям при следующих видах  неврологических нарушений:

  • Судорогах;
  • Психологических расстройствах: немотивированная вспыльчивость, излишняя плаксивость, частые истерики, неврозы;
  • Нарушениях мозгового кровообращения;
  • Травмах, ушибах, сотрясениях головного мозга;
  • Структурных патологиях головного мозга;
  • Обморочных состояниях, потери сознания;
  • Головных болях, головокружениях, потери ориентации;
  • Утомляемости;
  • Эпилепсии;
  • Нарушениях сна: проблемы с засыпанием, бессонница, тревожный сон, лунатизм;
  • Аутизме;
  • Задержках умственного или речевого развития.

Подготовка к ЭЭГ

Обследование не требует длительной и сложной подготовки, среди основных требований:

  • голова и волосы чистые, без каких-либо средств для укладки
  • накануне исследования по возможности избежать стрессов, переутомление
  • за день до обследования воздержаться от игры в компьютерные игры, просмотра мультфильмов и участия в активных и шумных играх
  • не приходить на обследование голодными

Длительность обследования — 1 час

Расшифровка ЭЭГ

Расшифровкой исследования занимается опытный невролог, имеющий стаж работы в специальности 24 года.

Результаты ЭЭГ

Результат ЭКГ может быть выдан пациенту, а может быть прикреплён к амбулаторной карте пациента.

Готовность результата 1-3 рабочих дня, в зависимости от загруженности.

Электроэнцефалография детям в КДК

Обследование проводится детям, начиная с 5-него возраста.

К каждому ребенку специалист применяет индивидуальный подход и создает атмосферу доверия, что позволяет юному пациенту полностью расслабиться. 

Исследование проводится в отдельной комнате, в присутствии законного представителя.

УОКЦСВМП им. Е. М. Чучкалова

13 октября, 2021 admin

Анна Михайловна Лебедько скончалась 13 октября после продолжительной болезни.  Анна Михайловна родилась 9 ноября 1956 года в городе Куйбышев. В 1974 окончила среднюю образовательную школу и поступила в Куйбышевский медицинский институт имени Д.И.Ульянова по специальности «педиатрия», который успешно закончила в 1982 году. На протяжении всего периода обучения в институте параллельно трудилась в Клинике травматологии, ортопедии и госпитальной хирургии Куйбышевского медицинского института в должности санитарки и медицинской сестры палатной травматологического отделения. После окончания института проходила интернатуру на базе детского стационара Городской клинической больницы № 2 города Тюмени и на базе Ульяновской областной больницы по специальности «анестезиология-реаниматология».

Читать далее » 12 октября, 2021 admin

Гости эфира:

Кузнеченкова Лилия Владимировна — заместитель главного врача по медицинской части Ульяновской областной клинической психиатрической больницы имени В.А. Копосова, врач-психиатр.

Шебалина Наталья Владимировна – заведующая детским отделением Ульяновской областной клинической психиатрической больницы имени В. А. Копосова, врач-психиатр.

Читать далее » 12 октября, 2021 admin

Тема нового выпуска «Разговоров о медицине» – «Просто и понятно о деликатном». По статистике 7 из 10 людей на планете в том или ином виде сталкиваются с проблемами в области прямой кишки и заднего прохода. Наиболее часто встречающаяся из них — геморроидальная болезнь. В чем причины ее появления и какие симптомы присущи? На что стоит обратить внимание? На вопросы Павла Смирнова ответит главный внештатный специалист колопроктолог Министерства здравоохранения Ульяновской области Евгений Евтушенко.

Подробнее по ссылке:

https://ulpravda.ru/tv/razgovor_o_med/razgovor-o-meditsine-prosto-i-poniatno-o-delikatnom

Читать далее » 31 августа, 2021 Андрей Кузнецов

Тема нового выпуска «Разговоров о медицине» – как распознать и предупредить болезнь Альцгеймера. Распространенность болезни Альцгеймера среди лиц 65 лет, по разным данным, в мире составляет 6–12%. Получается, каждый 10-й человек старше 65 лет страдает болезнью Альцгеймера. О первых признаках заболевания, лечении и распространенности в Ульяновской области поговорим в новом выпуске рубрики «Разговор о медицине». Гость – главный внештатный специалист психиатр Министерства здравоохранения Ульяновской области Ольга Гаврилина.

Читать далее »

цены, запись онлайн, адреса, отзывы на Meds.ru

Сеть клиник АВС-Медицина

Поликлиника «АВС-Медицина» на Парке Культуры предлагает широкий спектр медицинских услуг различного направления для взрослых. Главное направление работы — комплексная диагностика и лечение междисциплинарных клинических случаев.

Записаться на прием

Для записи в любой филиал клиники звоните по телефону: +7 (499) 685-18-13 Сеть клиник Клиника Столица

Клиника «Столица» на Арбате входит в сеть общегородских медицинских центров, оказывает услуги диагностики и лечения широкого спектра болезней. Основное направление работы лечебно-диагностического центра — комплексное оздоровление организма, профилактика заболеваний и осложнений.

Записаться на прием

Для записи в любой филиал клиники звоните по телефону: +7 (499) 685-18-13 Сеть клиник GMS Clinic

Многопрофильная клиника «GMS Clinic» на Смоленской — это лечебно-диагностический центр, который предлагает широкий спектр медицинских услуг по доступным ценам.

  • 6297 Электроэнцефалография (ЭЭГ)
  • 54821 Ночное видеомониторирование ЭЭГ
  • 20871 Дневное мониторирование ЭЭГ (длительностью до 4-х часов)
  • Смотреть прайс-лист клиники →

Записаться на прием

Для записи в любой филиал клиники звоните по телефону: +7 (499) 685-18-13

Многопрофильный медицинский «Лечебный Центр» на м. Парк Культуры оказывает лечебно-диагностические услуги по различным направлениям. В штате медицинского учреждение сертифицированные специалисты, врачи высшей категории, кандидаты и доктора наук в области медицины. Осуществляется консультативный прием по гематологии, гастроэнтерологии, кардиологии, неврологии, офтальмологии, иммунологии, аллергологии, психоневрологии, нефрологии.

Записаться на прием

Для записи в клинику звоните по телефону: +7 (499) 685-18-13 Сеть клиник Открытая клиника

Медико-реабилитационный центр на Пресне, входящий в сеть “Открытая клиника”, проводит лечение пациентов с заболеваниями опорно-двигательного аппарата. Клиника владеет инновационными технологиями и методиками для диагностики. Применяются современные реабилитационные тренажеры для восстановления организма.

Записаться на прием

Для записи в любой филиал клиники звоните по телефону: +7 (499) 685-18-13 Клиника Медицина Клиника Медицина

пер. 2-й Тверской-Ямской, д. 10

08:00-21:00

Пн-Пт 08:00-21:00

09:00-19:00

Вс 09:00-15:00

Клиника Медицина – многопрофильный медицинский центр, включает в себя поликлиническое отделение, стационар, отделение неотложной медпомощи, онкологический центр и стоматологию. ОАО Медицина предлагает большой комплекс медицинских услуг по комфортным ценам. В клинике работают и оказывают консультации высококвалифицированные врачи: диагносты, семейные доктора, врачи узких специальностей. Более 300 ведущих специалистов, среди них 2 академика, 19 докторов наук и профессоров, 55 кандидатов медицинских наук.

Записаться на прием

Для записи в клинику звоните по телефону: +7 (499) 685-18-13 Сеть клиник Клиника Семейный доктор

Детская клиника «Семейный доктор» на Усачева начала работу в 2015 году, осуществляет диагностику и лечение различных недугов у детей. Пациентов принимают квалифицированные врачи, кандидаты наук.

  • 1620 Электроэнцефалография дневного сна (ЭЭГ дневного сна, регистрация) (дети)
  • 2670 Электроэнцефалография с нагрузочными пробами (ЭЭГ с нагрузкой расшифровка, описание, интерпретация данных) (дети)
  • 2020 Электроэнцефалография с видеомониторингом (ЭЭГ видео, регистрация) (дети)
  • 1140 Электроэнцефалография с нагрузочными пробами (ЭЭГ с нагрузкой, регистрация) (дети)
  • 3800 Электроэнцефалография дневного сна (ЭЭГ дневного сна, расшифровка, описание, интерпретация данных) (дети)
  • Смотреть прайс-лист клиники →

Записаться на прием

Для записи в любой филиал клиники звоните по телефону: +7 (499) 685-18-13 Альфа-Центр Здоровья Альфа-Центр Здоровья

пр-т Комсомольский, д. 17, стр. 11

08:00-21:00

Пн-Пт 08:00-21:00

09:00-19:00

Вс 09:00-19:00

«Альфа-Центр Здоровья» — комплекс учреждений, которые предоставляют медицинскую помощь по всей территории страны. Данный проект был основан в 2008 г. с целью предложения высококачественных медицинских услуг. Сегодня медицинские учреждения данной сети успешно работают в двенадцати других городах нашей страны.

Записаться на прием

Для записи в клинику звоните по телефону: +7 (499) 685-18-13 Сеть клиник Клиника Семейный доктор

Многопрофильная медицинская клиника «Семейный доктор» на Усачева начала работу в 2009 году, входит в развивающуюся сеть клиник в Москве. Основная задача клиники — диагностика, лечение и профилактические меры в различных направлениях медицины.

  • 6720 Электроэнцефалография с видеомониторингом (ЭЭГ видео)
  • 3800 Электроэнцефалография дневного сна (ЭЭГ дневного сна, расшифровка, описание, интерпретация данных) (дети)
  • 3810 Электроэнцефалография с нагрузочными пробами (ЭЭГ с нагрузкой)
  • 4700 Электроэнцефалография с видеомониторингом (ЭЭГ видео, расшифровка, описание, интерпретация данных) (дети)
  • 1620 Электроэнцефалография дневного сна (ЭЭГ дневного сна, регистрация) (дети)
  • Смотреть прайс-лист клиники →

Записаться на прием

Для записи в любой филиал клиники звоните по телефону: +7 (499) 685-18-13 Сеть клиник Клиника Семейный доктор

Многопрофильная клиника «Семейный доктор» на Новослободской открыта в 2005 году, на сегодняшний день в штате медицинского учреждения более 200 сотрудников. Клиника входит в одноименную сеть медицинских центров Москвы.

  • 6720 Электроэнцефалография с видеомониторингом (ЭЭГ видео)
  • 3800 Электроэнцефалография дневного сна (ЭЭГ дневного сна, расшифровка, описание, интерпретация данных) (дети)
  • 3810 Электроэнцефалография с нагрузочными пробами (ЭЭГ с нагрузкой)
  • 4700 Электроэнцефалография с видеомониторингом (ЭЭГ видео, расшифровка, описание, интерпретация данных) (дети)
  • 1620 Электроэнцефалография дневного сна (ЭЭГ дневного сна, регистрация) (дети)
  • Смотреть прайс-лист клиники →

Записаться на прием

Для записи в любой филиал клиники звоните по телефону: +7 (499) 685-18-13

Электроэнцефалография (ЭЭГ) — последние отзывы

Проходила с коллегами плановый медосмотр, пожаловалась врачу на плохой сон. Он меня отправил на ЭЭГ, по результатам которой сказал причину нарушения сна. Вторую неделю принимаю назначенные препараты, чувствую себя хорошо, сон нормализовался.

– 

Надежда

,

Проходила электроэнцефалографическое исследование в центре «ТомоГрад». Все достойно, быстро, без задержек получила результаты. Атмосфера приятная, персонал внимательный. Уровень диагностики — хороший. Врач уделил мне время на объяснение результатов и ответил на все вопросы. Я получила все, за чем обратилась в этот центр.

– 

Марина

,

ЭЭГ головного мозга: что показывает, расшифровка энцефалограммы

Что показывает ЭЭГ головного мозга, какие ритмы и волны встречаются на энцефалограмме в норме и при заболеваниях, как проводится расшифровка показателей ЭЭГ, к какому врачу лучше обращаться на консультацию с заключением электроэнцефалограммы?

Что такое ЭЭГ?

Электроэнцефалография (ЭЭГ) – это диагностический метод, позволяющий оценить функциональную активность различных участков головного мозга,  выявить признаки  патологических  изменений в коре мозга при различных заболеваниях у детей и взрослых (судорожный синдром  и эпилепсия, опухоли, сосудистые нарушения, последствия травм, невротические и психические расстройства).

ЭЭГ позволяет записать биоэлектрическую активность (электрические потенциалы) различных участков головного мозга, зафиксировать полученные результаты на бумаге или на экране компьютерного монитора. В итоге получается энцефалограмма – графическая кривая в виде различных по высоте, амплитуде, продолжительности ритмов, среди которых могут встречаться патологические элементы. Проводится анализ полученных результатов.

Электроэнцефалография: показания

  • Эпилепсия (диагностика заболевания, оценка эффективности назначенного медикаментозного лечения)
  • Судорожные припадки при заболеваниях головного мозга (при менингитах, энцефалитах, опухолях, травмах, интоксикациях и др.)
  • ЭЭГ головного мозга назначается и при повторных обмороках, возникающих без какой-либо видимой причины
  • Внезапно возникающая боль в голове, головокружение, потемнение в глазах, если такие состояния часто повторяются, также требует изучения энцефалограммы врачом-неврологом
  • Нарушения сна: снохождение, внезапные приступы неудержимой сонливости (нарколепсия), повторяющиеся эпизоды остановки дыхания во сне (апноэ) и другие симптомы, связанные с нарушением сна и бодрствования. Для выяснения причины их появления наряду с другими методами исследования рекомендуется проведение электроэнцефалографии, в том числе ЭЭГ мониторинга и видеомониторинга на протяжении нескольких часов, во время ночного сна и даже в течение суток
  • Частые тики (особенно распространенные), гиперкинезы
  • Задержка речевого и психомоторного развития у детей, тревожные расстройства и нарушения поведения
  • При проведении медицинских комиссий, освидетельствовании на допуск к работе, связанной с повышенной опасностью (летчики, машинисты, водолазы, водители общественного транспорта, сотрудники спецподразделений и др.)
  • Электроэнцефалография может проводиться и в исследовательских целях

Подготовка к ЭЭГ

  1. За несколько дней до проведения энцефалографии необходимо отказаться от приема алкогольных напитков, психотропных препаратов. Если пациент постоянно принимает противосудорожные средства, нейролептики, об этом необходимо рассказать врачу, проводящему электроэнцефалографию
  2. За несколько часов до проведения ЭЭГ можно поесть, но исключить прием крепкого чая, кофе, кока-колы
  3. Обычно электроэнцефалограмма записывается в течение двадцати-тридцати минут. Поэтому необходимо быть готовым на протяжении получаса находиться в неподвижном состоянии
  4. Перед исследованием необходимо вымыть голову, волосы освободить от заколок
  5. Желательно иметь при себе полотенце (салфетки), чтобы после ЭЭГ очистить кожу от специального геля, который наносится на участки, где стоят электроды

Выполнение этих простых мер облегчает проведение исследования биоэлектрической активности клеток мозга и повышает точность результатов ЭЭГ.

Как проводится электроэнцефалография

Энцефалография должна выполняться в специализированном медицинском учреждении и проводить запись и последующий анализ ЭЭГ должен опытный врач функциональной диагностики, а еще лучше – врач-невролог (нейрофизиолог).

  • Пациент принимает удобную позу в положении лежа или сидя. На голове исследуемого закрепляют комплект электродов, встроенный в специальную эластичную шапочку, которая подбирается по размеру головы пациента
  • Важно сохранять неподвижность во время записи электроэнцефалограммы и, по возможности, расслабить мышцы тела. Это улучшит качество ЭЭГ и облегчит ее последующую расшифровку
  • Затем включается электроэнцефалограф, начинается запись биоэлектрической активности головного мозга и ее передача с электродов в аппарат ЭЭГ, где происходит усиление, обработка полученной информации и ее распечатка в виде графической кривой.

В общей сложности электроэнцефалограмма в стандартном режиме записывается на протяжении двадцати-тридцати минут.

Функциональные пробы во время ЭЭГ

После стандартной записи  проводится несколько функциональных нагрузочных тестов, позволяющих выяснить скрытые нарушения  активности нейронов (нервных клеток) головного мозга на энцефалограмме.

  • Периодическое открывание и закрывание глаз в процессе записи электроэнцефалограммы
  • Фотостимуляция, то есть раздражение зрительного анализатора яркими вспышками света (глаза пациента при этом закрыты)
  • Проведение глубоких вдохов в течение 1-2 минут во время записи ЭЭГ (гипервентиляция)
  • По просьбе врача пациент выполняет легкие гимнастические изометрические упражнения (сжимание пальцев в кулак, напряжение мышц брюшного пресса)
  • При необходимости для стимуляции биоэлектрической активности нейронов могут использоваться некоторые медикаменты.

Функциональные пробы позволяют в ряде случаев зафиксировать пароксизмальную активность и другие нарушения, не выявляемые при стандартной записи ЭЭГ.

ЭЭГ мониторинг и видео ЭЭГ-мониторинг

Нередко для выявления патологических изменений (скрытая судорожная активность мозга) электроэнцефалограмма может проводиться во сне или наоборот – после преднамеренного лишения ночного сна. Кроме того в последние годы все более широкое распространение получает ЭЭГ мониторинг, то есть длительная запись электроэнцефалограммы – в течение часа-двух, а иногда – в течение 8-12-24 часов. Такое длительное исследование значительно повышает информативность ЭЭГ и позволяет выявить скрытые изменения активности головного мозга или  наоборот – исключить их наличие.

Информативность электроэнцефалографии для лечащего врача значительно повышается при использовании видео ЭЭГ мониторинга, то есть одновременной записи энцефалограммы и проведения видеосъемки пациента во время исследования. Нередко такая методика позволяет зафиксировать большие и малые эпилептические приступы, а также связать имеющиеся изменения на ЭЭГ с двигательной активностью пациента и другими явлениями (засыпание, пробуждение, храп и периоды апноэ сна).

Назначается видео-ЭЭГ мониторинг и для разграничения эпилептических приступов и  синкопальных состояний соматического генеза (при аритмии, вегетососудистой дистонии, эндокринных расстройствах, панических атаках), диагностики снохождения и сноговорения, ночных кошмаров, тиков и гиперкинезов. Видео ЭЭГ мониторинг также используется при решении различных  вопросов, связанных с допуском к определенным видам работ, при экспертизе трудоспособности, решении вопроса об отмене противосудорожных препаратов при длительной ремиссии эпилепсии.

Как проводится ЭЭГ головного мозга ребенку

Электроэнцефалограмма может записываться в любом возрасте –  взрослым, подросткам, детям-дошкольникам и даже новорожденным.

  • Если ЭЭГ делают в первые месяцы жизни ребенка, то необходимо покормить малыша перед исследованием
  • Во время самой процедуры ребенка до года держит на руках мать
  • В возрасте до трех лет электроэнцефалография проводится в состоянии сна
  • Ребенок постарше находится в кабинете ЭЭГ один, и исследование выполняется в состоянии бодрствования. В связи с этим важно успокоить малыша, дать ему возможность привыкнуть к незнакомой обстановке.

Ритмы ЭЭГ

На электроэнцефалограмме можно выделить четыре основных ритма ЭЭГ головного мозга – альфа, бета, дельта и тета.

  1. Альфа-ритм (или альфа-волны) – основной компонент энцефалограммы здорового взрослого человека (регистрируется у 85-90% людей). Такие волны в норме имеют частоту от 8 до 13 герц (колебаний в секунду) и являются преобладающими в состоянии бодрствования (когда пациент спокойно лежит с закрытыми глазами). Максимальная альфа-активность определяется в затылочной и теменной области.
  2. Бета-ритм также, как и альфа-волны относится к нормальным проявлениям функциональной деятельности человека. При этом частота колебаний составляет 14-35 в секунду, и регистрируют их преимущественно над лобными долями головного мозга. Бета ритм ЭЭГ появляется при раздражении органов чувств (прикосновении, световой, звуковой стимуляции), движениях, умственной активности.
  3. Дельта-ритм (частота 0,5-3 Гц) при расшифровке ЭЭГ обнаруживается в норме у ребенка первого года жизни, частично сохраняясь иногда до семилетнего возраста. В дальнейшем дельта-волны фиксируются в основном во время сна.
  4. Тета-ритм энцефалограммы (частота от 4 до 7 колебаний в секунду) в норме встречается у детей от 1 до 6 лет, постепенно замещаясь по мере взросления на альфа-ритм. Отмечается тета-активность и во время сна, в том числе у взрослых.

Что показывает ЭЭГ у детей и взрослых

У новорожденных и детей раннего возраста при расшифровке ЭЭГ преобладают медленные волны на электроэнцефалограмме (дельта и тета-ритм). Однако уже к году жизни альфа-ритм делается все более активным и к 8-9 годам становится преобладающим. Полностью ЭЭГ картина, характерная для взрослого человека, формируется к 16-18 годам и сохраняется в относительно стабильном виде примерно до 50 лет. По мере старения организма доминирование альфа-ритма становится не столь выраженным и к 60-70 годам в норме (как в детском возрасте) регистрируются и медленные дельта и тета-волны на ЭЭГ.

Расшифровка показателей энцефалограммы

Теперь о том, как проводится расшифровка ЭЭГ головного мозга. Анализирует энцефалограмму и выдает заключение врач-невролог (нейрофизиолог), учитывая возраст пациента, его жалобы, клиническую картину имеющихся нарушений и другие факторы.

  1. Выявляется основной, преобладающий ритм энцефалограммы (у большинства здоровых взрослых людей и подростков – это альфа-ритм).
  2. Изучается симметричность электрических потенциалов нервных клеток, регистрируемых с левого и правого полушарий головного мозга.
  3. Анализируются имеющиеся на ЭЭГ патологические ритмы, например, дельта и тета-ритм у взрослых в состоянии бодрствования.
  4. Проверяется регулярность биоэлектрической активности, амплитуда ритмов
  5. Выявляется пароксизмальная активность на электроэнцефалограмме, наличие острых волн, пиков, спайк-волн
  6. При отсутствии патологических изменений на фоновой энцефалограмме проводятся функциональные тесты (фотостимуляция, гипервентиляция и др.), повторная регистрация электрических потенциалов головного мозга и расшифровка ЭЭГ.

Что показывает электроэнцефалограмма при эпилепсии

  • Регистрация ЭЭГ во время эпилептического приступа позволяет зафиксировать высокоамплитудную пароксизмальную активность в виде пик-волн и острых волн
  • Вне приступа судорожная готовность мозга может не проявляться, поэтому для провокации эпилептической активности используются различные пробы. Часто свидетельством пароксизмальной активности является наличие высоковольтных тета и дельта-волн
  • Для длительной регистрации энцефалограммы головного мозга можно использовать ЭЭГ мониторинг или видео-ЭЭГ-мониторинг (регистрация электроэнцефалограммы и видеосъемка поведения пациента в течение 3-8 часов, иногда на протяжении суток) с последующей расшифровкой.

Расшифровка ЭЭГ при других неврологических расстройствах

  • Наиболее частым признаком органических заболеваний головного мозга – опухолей, черепно-мозговых травм, сосудистых нарушений, является наличие межполушарной ассиметрии, замедление частоты ритма электроэнцефалограммы, а также появление признаков пароксизмальной активности в отдельных участках мозга
  • Для диагностики нарушений сна и связанных с этим проблем (храп, бессонница, синдром обструктивного апноэ сна) зачастую необходимо проведение полисомнографии (изучается ЭЭГ, ЭКГ, нервно-мышечная проводимость, насыщение крови кислородом, тяжесть храпа, дыхание, движения ног, рук, глаз…)
  • Достаточно широко используется анализ энцефалограммы в динамике при последствиях родовых травм у ребенка, при задержке психического, моторного и речевого развития у детей. При этом расшифровка основывается на изучении различных косвенных признаков (замедление формирования альфа-ритма с низкой амплитудой и дезорганизацией, преобладание медленных волн в состоянии бодрствования в возрасте 5-7 лет и старше, смещение фокуса активности в передние отделы головного мозга и др.).

К какому врачу обращаться на консультацию с заключением ЭЭГ?

Расшифровка ЭЭГ помогает в диагностике многих заболеваний, однако для постановки правильного диагноза важнее всего внимательный осмотр пациента врачом-неврологом (эпилептологом), анализ имеющихся жалоб, клиники, данных МРТ, КТ и других исследований. Заключение ЭЭГ имеет смысл только с учетом вышеперечисленных обследований и индивидуальных особенностей (имеющихся проблем) данного конкретного человека.

При этом запись на консультацию врача эпилептолога с результатами ЭЭГ будет наилучшим выбором, ведь этот специалист лучше разбирается в расшифровке энцефалограммы и сможет разграничить изменения. встречающиеся при эпилепсии от других схожих расстройств (ВСД, простые обмороки, болезни сердца и т.п.).

Если необходимо назначение противосудорожных препаратов и коррекция их приема в динамике, врач-эпилептолог также сможет подобрать наилучшую комбинацию эффективных лекарственных средств для данного конкретного пациента с учетом возраста, общего состояния здоровья и наличия сопутствующих заболеваний. Если такого специалиста в вашем городе нет, обращайтесь на консультацию детского или взрослого невролога.

 

Расшифровка сигналов мозга с помощью машинного обучения и нейробиологии | автор: Jingles (Hong Jing)

Интерфейс мозг-компьютер позволяет расшифровывать наши намерения с помощью сигналов нашего мозга. Это означает, что вам даже не нужно двигать мускулами!

Представьте себе это, если бы я хотел отправить текстовое сообщение. Я начинаю с того, что смотрю на клавиатуру, на буквы, которые хочу напечатать. И мой телефон начинает печатать слова и предложения, о которых я думаю!

Это может показаться научной фантастикой. Вы думаете, что человечество еще далеко от достижения такого подвига? Ученые десятилетиями разрабатывали и совершенствовали эту технологию.

В этой статье позвольте мне поделиться с вами захватывающим исследованием, в котором мы можем управлять экзоскелетом, глядя на мигающие огни!

Человеческий мозг — удивительный трехфунтовый орган, который контролирует все функции нашего тела. Он обрабатывает все наши мысли, это нейробиологическая основа человеческого интеллекта, творческих способностей, эмоций и памяти. Наш мозг разделен на несколько частей, каждая из которых выполняет свою основную функцию.

Боковая поверхность головного мозга, показаны 4 доли [источник]

В этом эксперименте наше внимание сосредоточено на затылочной доле.Это наш центр обработки изображений, часть, которая управляет нашим зрением. Он обрабатывает и позволяет нашему мозгу распознавать то, на что мы смотрим.

Назначение интерфейса мозг-компьютер (BCI) — обеспечить прямой канал связи между мозгом и внешним устройством. Это позволяет пользователям взаимодействовать с компьютерами посредством мозговой активности.

BCI — это не устройство для чтения мыслей, как Cerebro. Вместо этого он обнаруживает изменения в энергии, излучаемой мозгом. Человеческий мозг содержит около 86 миллиардов нейронов, каждый из которых индивидуально связан с другими нейронами.Каждый раз, когда мы думаем или двигаем мышцу, эти нейроны работают, активированные энергией. BCI распознает эти энергетические паттерны в мозге.

Пиковые и волновые разряды, отслеживаемые с помощью ЭЭГ [источник]

Электроэнцефалограмма (ЭЭГ) — популярный метод регистрации сигналов нашего мозга. Это неинвазивный метод, поэтому нам не нужно разрезать череп, чтобы получать сигналы мозга.

ЭЭГ регистрирует энергию, генерируемую мозгом, с помощью ряда электродов, размещенных на коже черепа. Это предполагает, что человек носит колпачок ЭЭГ с электродами, размещенными в определенных точках.Эти электроды определяют активность мозга, то есть электрическую энергию, излучаемую нашим мозгом.

Для этого эксперимента мы хотим записывать сигналы мозга, связанные с тем, на что смотрят наши глаза. Поместив электроды в область затылочной доли, электроды будут улавливать сигналы от того, что мы видим. При этом мерцающие огни. Этот тип сигналов ЭЭГ называется устойчивым зрительным вызванным потенциалом.

Устойчивый визуальный вызванный потенциал (SSVEP) — это сигналы, генерируемые, когда мы смотрим на что-то мерцающее, обычно на частотах от 1 до 100 Гц.В этом эксперименте эти мерцающие огни представляют собой мигающие светодиоды. Эти мигающие огни — « стимулов, ».

Рассмотрим систему интерфейса мозг-компьютер, цель которой — декодировать ввод пользователя для одного из двух возможных вариантов: « слева, » или « справа, ». Есть два стимула: один для выбора «левого» варианта, а другой для «правого».

Два стимула мерцают с разной частотой, 11 Гц представляют « повернуть налево, »; а « поверните направо, » — 15 Гц.Пользователи выбирают варианты, сосредотачиваясь на одном из стимулов. Например, сфокусировавшись на стимуле « слева, », чтобы выбрать опцию « слева, ».

Когда пользователь фокусируется на одном из стимулов, частоты этого конкретного стимула можно уловить в затылочной доле. Мы можем определить, на каком свете фокусируется пользователь, извлекая частоту стимула из сигналов ЭЭГ. Вот как система BCI может интерпретировать сигналы мозга SSVEP в инструкции для внешних устройств.

Это видео показывает живую демонстрацию того, как на сигналы SSVEP может влиять то, на чем фокусируются наши глаза.

Декодирование ЭЭГ выявляет силу и временную динамику релевантных для цели представлений

Поведение

Таблица 1 содержит средние RT и частоту ошибок в зависимости от задачи и состояния переключателя. Мы представили RT на анализ ANOVA с повторными измерениями с заданием факторов и переключателем. Это дало скромный, но очень значительный эффект переключения: F (1,19) = 40.7, p <0,001, но не влияет на задачу, F (1,19) = 0,03, p = 0,86, и только маргинальная задача × взаимодействие переключения, F (1,19) = 3,33 , р = 0,08. Для частоты ошибок мы получили основной эффект для задачи, F (1,19) = 13,27, p = 0,002, с более высокой частотой ошибок для цвета, чем для задачи ориентации, основной эффект для переключателя, F (1,19) = 14,53, p = 0,001, а также взаимодействие задача × переключение, F (1,19) = 10.05, p = 0,005, с несколько большей стоимостью переключения для задачи цвета.

Таблица 1 RT и частота ошибок в зависимости от задачи и контраста переключателя.

Величина затрат на коммутатор RT была относительно небольшой. Вероятно, это связано с двумя конструктивными факторами в нашей парадигме. Во-первых, чтобы разрешить мигание между испытаниями, мы использовали относительно длинный интервал ответ-стимул (RSI), который составлял от 1450 до 1637 мс. Во-вторых, в отличие от более стандартной парадигмы переключения, где центральный стимул объединяет все аспекты, относящиеся к задаче, в текущей парадигме цель и отвлекающие факторы были пространственно разделены, чтобы позволить декодирование местоположений цели и отвлекающих факторов как аспектов, связанных с задачей.Учитывая пространственное разделение между целями и отвлекающими факторами, участники могут использовать пространственное внимание, чтобы уменьшить или даже устранить индуцированное стимулом интерференцию между задачами, что имеет решающее значение для получения больших затрат на переключение задач 33 .

По крайней мере, с точки зрения ошибок задача ориентации была несколько проще, чем задача цвета, что может показаться удивительным, учитывая, что информация о цвете обычно более заметна, чем информация об ориентации / форме. Вероятно, это связано с тем, что дискриминация левой и правой ориентации имеет совместимое отображение стимула-ответа (т.например, наклон вправо -> ответ вправо, наклон влево -> отклик влево), тогда как отображение ответа для цветовой задачи является произвольным.

Репрезентативная динамика

На рисунке 1C показано, что точность декодирования раскрывается таким образом, который соответствует стандартным ожиданиям в отношении потока информации — от кодирования сигналов до активации набора внимания, к релевантным и нерелевантным местоположениям стимулов и, наконец, к характеристикам / коды ответов. Примечательно, что информация на уровне задачи (то есть набор внимания) декодировалась с высокой точностью на протяжении почти всего периода испытания.

Чтобы убедиться, что наши выводы относительно декодирования теоретически важной функции задачи не скомпрометированы множественными сравнениями и ошибочными сравнениями с вероятностью 34,35 , мы также провели тест перестановки на основе кластеров. Во-первых, мы сгенерировали серию t-значений с помощью t-тестов против уровня вероятности (33,3%), используя результаты декодирования со случайно перемешанными метками. Затем мы определили надежные кластеры как соседние моменты времени, которые превысили первичный порог (порог определения кластера, альфа = 0.05) и сохранил размер максимального кластера. Мы вычислили значение кластера p- в соответствии с распределением перестановок статистики на уровне кластера (5000 перестановок), которое определило кластеры как значимые, если их размер был больше 95-го (т.е. альфа = 0,05) самого большого члена в распределении перестановок. Согласно этому анализу, мы идентифицировали значительный кластер, расширяющийся с -260 до 500 мс для характеристики задачи (порог определения кластера, p <0,05, скорректированный уровень значимости, p <0.001, критическая статистика = 52 мс).

Как упоминалось во Введении, одна известная модель предполагает, что когнитивная система на самом деле не полагается на абстрактные настройки задачи, но — по крайней мере, когда они доступны — использует поверхностные репрезентации сигналов для разрешения неоднозначности между конкурирующими представлениями стимула / ответа. 9 . Однако мы обнаружили, что точность декодирования сигналов (то есть различение двух сигналов для каждой задачи) достигает пика во время фазы перед стимулом, но резко снижается после предъявления стимула.Этот результат согласуется с точкой зрения, согласно которой репрезентации сигналов используются для активации представлений задач или наборов внимания 5,27 и меньше задействованы в фактическом регулировании процессов, специфичных для конкретных задач.

Но как именно создаются экземпляры наборов внимания? Если такие параметры критичны для «предварительной настройки» процессов нижнего уровня, представлениям стимулов придется подождать, пока они не будут твердо установлены 11,12 . В качестве альтернативы, наборы задач могут быть активированы параллельно с низкоуровневыми процессами выбора стимула / реакции, смещая их в релевантном для цели направлении 3 .Как показано на рис. 1С, во время фазы предварительного стимула происходило декодирование задачи с высокой вероятностью, которая существенно увеличивалась после того, как информация о стимуле / ответе стала декодируемой. Таким образом, хотя наличие предварительного стимула, информация на уровне задачи указывает на некоторую роль предварительной конфигурации, общая картина предполагает, что — в соответствии с гипотезой параллельной активации — настройки внимания становятся особенно критическими, когда необходимо устранить конкуренцию между конфликтующими представлениями стимула / реакции. разрешено (см. рис.1Б).

Определение релевантности представлений

Выходя за рамки средних траекторий активации, подход декодирования «проба за пробой» позволяет определить, в какой момент испытания какой из представленных аспектов влияет на производительность. С этой целью мы ввели логит-преобразованные вероятности классификатора для пяти аспектов в качестве одновременных предикторов в линейную модель со смешанными эффектами, прогнозирующую RT для каждого испытания со случайным перехватом и случайными коэффициентами для каждого субъекта с использованием пакета lme4 36 .RT были предварительно отбелены путем удаления любых линейных или квадратичных тенденций по блокам эксперимента. Коэффициенты, показанные на фиг. 2A, представляют уникальную предсказательную силу, связанную с каждым аспектом, как функцию времени в испытании. Обратите внимание, что отрицательные коэффициенты означают, что чем выше достоверность классификатора, тем быстрее RT, что указывает на то, что уверенность классификатора может быть интерпретирована как репрезентативная сила. В соответствии с мнением, что наборы внимания, а не поверхностные сигналы, контролируют представления более низкого уровня, мы обнаружили, что связанная с сигналом активность в значительной степени не имеет отношения к производительности, результат, который также сохраняется, когда точность декодирования сигналов вводится в качестве единственного предиктора.Напротив, информация о наборах внимания стала в высокой степени предсказывать RT во время фазы после стимула, что позволяет предположить, что колебания качества наборов внимания являются основным источником изменчивости результатов от испытания к испытанию. В соответствии с принципом параллельной активации, наборы внимания начинают предсказывать RT только после того, как проявляется (независимая) прогностическая сила информации о стимуле и ответе. Примечательно, что прогнозирующий эффект для декодирования на уровне задачи проявляется сверх — также существенного — прогнозирующего эффекта для целевого местоположения и аспекта характеристики / ответа.Более того, аспекты, которые, как мы не ожидаем, предсказывают производительность (т. Е. Сигнал и расположение отвлекающего фактора), не имеют взаимосвязи. Этот результат исключает возможность того, что испытания fast-RT просто менее зашумлены и, следовательно, позволяют лучше декодировать любой аспект.

Мы также рассмотрели степень, в которой точность декодирования для различных аспектов связана с индивидуальными различиями в RT. Мы обнаружили, что временной паттерн простых корреляций между средней точностью декодирования отдельных лиц для каждого аспекта задачи и их средним RT очень похож на индивидуальный прогнозный паттерн.Как показано на рис. 2B, точность декодирования наборов внимания была основным источником индивидуальных различий в RT почти в течение всего постстимульного периода, тогда как расположение стимула коррелирует на ранней стадии, а аспект особенности / реакции — на поздней стадии постстимульной фазы (рис. . 2Б). Кроме того, на рис. 2С показаны диаграммы рассеяния для корреляций при максимальной точности декодирования каждого аспекта задачи (см. Рис. 1С). Примечательно, что так же, как и в отношении отношений между испытаниями, отношения между индивидуальными различиями, по-видимому, выражают влияние на производительность конкретных функций, а не неспецифический фактор шума / декодируемости.Из-за небольшого размера выборки текущий эксперимент изначально не предназначался для изучения индивидуальных различий. Следовательно, эти анализы следует рассматривать как исследовательские и требовать повторения. Тем не менее уверенность в результатах подкрепляется тем фактом, что отношения поразительно устойчивы и, как с точки зрения вовлеченных характеристик, так и их временного хода, в значительной степени соответствуют отношениям внутри индивида.

Взаимосвязь между представлениями

Представление о том, что реплики активируют настройки управления на уровне задачи, которые, в свою очередь, смещают стимулы и, в конечном итоге, представления ответов, приводит к прямому предсказанию последовательности, в которой различные представления более низкого уровня должны быть связаны с силой настройки внимания.На рисунке 3 для каждой временной точки представлены отношения между достоверностью классификатора для информации на уровне задачи и каждым из других аспектов (чтобы избежать беспорядка, мы опускаем здесь отвлекающий фактор, для которого связь была близка к нулю повсюду). Как и ожидалось, в начале фазы пресимула сила наборов внимания была связана с силой репрезентации сигналов, что, вероятно, указывало на активацию наборов внимания на основе сигналов 5 . После появления стимула возникла корреляция с целевым местоположением, а затем корреляция с ответной информацией.Этот паттерн снова согласуется с принципом параллельной активации, где наборы внимания одновременно координируют представления более низкого уровня (см. Рис. 1B).

Эффекты переключения задач

В представленных до сих пор результатах мы проигнорировали потенциальные эффекты изменения задач от испытания к испытанию — обычно представляющие большой интерес в исследованиях переключения задач 1 . Фактически, наша версия парадигмы переключения задач была оптимизирована для анализа декодирования ЭЭГ, а не для создания больших эффектов переключения (т.е.е. можно ожидать, что как использование длинных интервалов между испытаниями, так и пространственно разделенных функций, связанных с задачами, уменьшат конкуренцию между задачами). Действительно, затраты на переключение поведения были небольшими (см. Таблицу 1). Тем не менее, мы исследовали степень, в которой контраст переключения / повтора проигрывается в результатах декодирования. Мы априори ограничили наш анализ интервалами 150 мс, сосредоточенными вокруг пика траекторий активации для каждой функции (см. Рис. 1C). Кроме того, учитывая тесную взаимосвязь между RT и точностью декодирования для задачи, местоположения стимула и ответа, мы также провели медианное разделение на быстрые и медленные RT испытания.Медианное разделение проводилось по каждому предмету, задаче и условию переключения; Значения были усреднены по задачам и предметам, но представлены отдельно для испытаний без переключения и испытаний с переключением. Доминирующим аспектом на рис. 4 снова является сильная взаимосвязь между RT, с одной стороны, и представлениями задачи, целевого местоположения и ответа, с другой. Кроме того, переключение задач привело к ослаблению представления набора задач в целом (основной эффект переключения: F (1,19) = 6,69, p = 0.018), но, в частности, при испытаниях медленной RT (быстрое / медленное × взаимодействие переключения: F (1,19) = 6,62, p = 0,019). Кроме того, репрезентации дистрактора были увеличены при испытаниях переключателей, F (1,19) = 5,23, p = 0,034. Таким образом, во время пиковой активации установки внимания декодирование информации уровня задачи было менее надежным при переключении, чем при испытаниях без переключения, тогда как информация, относящаяся к конкурирующей задаче, была выражена сильнее.

Насколько абстрактны наборы внимания?

В нашей парадигме настройки внимания смешиваются с вниманием к различным визуальным характеристикам (т.е., цвет по сравнению с ориентацией). Таким образом, представленные на данный момент результаты не позволяют сделать однозначных выводов по вопросу о том, в какой степени декодирование на уровне задачи отражает представления абстрактных правил задачи или задействование связанных с задачей сенсорных функций или характеристик, связанных с реакцией. Фактически, как показано в дополнительном материале, были отмечены различия между задачами во времени кодирования целевых местоположений, причем цветное декодирование было более сильным и более ранним, чем декодирование ориентации. Возможно, даже если декодирование на уровне задач управляется такими аспектами, они все равно будут следствием нисходящих представлений на уровне задач и, таким образом, косвенно отражать силу нисходящего контроля через такие абстрактные представления.Однако мы также можем провести дополнительный анализ, чтобы изучить абстрактность информации, декодируемой на уровне задач.

В качестве первого шага мы проанализировали, как декодирование набора задач обобщается на критические аспекты стимула / реакции. Для этого мы разбиваем данные на четыре целевые позиции по двум ячейкам функций / ответов (= 8). Затем мы обучили классификаторы различать задачи для каждого из этих интервалов и протестировали на обобщение как с пропущенными испытаниями в исходном интервале, так и для оставшихся семи интервалов.На вставке на рис. 1C представлена ​​зависимость от времени среднего значения, точности классификации внутри бункера и точности классификации по всему бункеру (для каждого интервала источника, усредненного по всем семи интервалам обобщения). Как видно, точность обобщающего анализа несколько снизилась, но осталась очень устойчивой. Этот результат подтверждает, что по крайней мере значительная часть декодируемой информации, относящейся к задаче, действительно имеет относительно абстрактный характер.

На втором этапе мы можем спросить, в какой степени предсказательная сила информации на уровне задачи (см.рис.2A) связана с абстрактной информацией по сравнению с коррелированными с задачами аспектами более низкого уровня. Таким образом, вместо уверенности классификатора поставленной задачи мы использовали степень обобщения (см. Вставку к рис. 1C) для прогнозирования RT. Как показано на вставке к фиг. 2A, обобщаемый аспект декодированного представления уровня задачи оставался надежным предсказателем производительности. В дополнительном материале мы сообщаем о дополнительном анализе, в котором мы контролировали в прогнозном анализе (рис. 2A) степень обобщения представлений нижнего уровня по задачам на пробной основе (см. Рис.S3). Опять же, мы не обнаружили изменений в общем прогнозирующем шаблоне, подтверждая, что декодированные представления набора задач были относительно абстрактными (рис. 4A).

Согласованность шаблонов декодирования задач

Мы использовали индивидуальный подход к декодированию, потому что у нас не было априорных прогнозов относительно частотных диапазонов и местоположений электродов, которые собирают информацию, относящуюся к конкретной задаче. Тем не менее было бы полезно знать, в какой степени такой индивидуальный подход действительно оправдан.Поэтому мы вычислили для каждого субъекта, электрода и частотного диапазона мощность в 150 мс вокруг средней пиковой точности декодирования для наборов задач (см. Рис. 1C) и сравнили их для двух задач. Затем мы коррелировали полученный вектор из 80 (20 электродов × 4 частотных диапазона) t -значений для контраста задачи для каждого участника с таковым для каждого другого участника. На рисунке 5 показана гистограмма полученных корреляций; среднее значение составляет r = 0,13 (вычислено путем усреднения z-преобразованных корреляций и повторного преобразования среднего значения в коэффициент r ), а диапазон, хотя и наклонен в положительном направлении, очень велик.Этот результат предполагает, что паттерн, разделяющий две задачи, довольно своеобразен и, следовательно, оправдывает индивидуальный подход к декодированию.

Однопробное декодирование ЭЭГ кожи головы в естественных условиях

В настоящее время существует значительный интерес к декодированию психических состояний по записям электроэнцефалографии (ЭЭГ). Сигналы ЭЭГ зависят от конкретного пациента, чувствительны к возмущениям и имеют низкое отношение сигнал / шум, которое смягчается использованием оборудования для регистрации ЭЭГ лабораторного уровня в строго контролируемых условиях.В настоящем исследовании мы исследуем однократное декодирование естественных сложных стимулов на основе ЭЭГ кожи головы, полученной с помощью портативной системы с 32 датчиками с сухими электродами в типичных офисных условиях. Мы проверяем возможность обобщения с помощью подхода перекрестной проверки с исключением одного субъекта. Мы демонстрируем, что классификаторы вспомогательной векторной машины (SVM), обученные на относительно небольшом наборе шумоподавленных (усредненных) псевдотериалов, работают на одном уровне с классификаторами, обученными на большом наборе зашумленных однократных проб. Мы предлагаем новый метод расчета карт чувствительности SVM-классификаторов на основе ЭЭГ для визуализации сигнатур ЭЭГ, используемых классификаторами SVM.Более того, мы применяем структуру повторной выборки NPAIRS для оценки неопределенности карты и, таким образом, показываем, что размеры эффекта карт чувствительности для классификаторов, обученных на небольших выборках данных с шумом и больших выборках данных с шумом, аналогичны. Наконец, мы демонстрируем, что средний псевдопробный классификатор может успешно предсказать класс отдельных испытаний от удерживаемых субъектов, что обеспечивает быстрое обучение классификатора, оптимизацию параметров и объективную оценку производительности в подходах машинного обучения для декодирования мозга.

1. Введение

Целью декодирования активности мозга является прогнозирование перцептивного и семантического содержания нейронной обработки на основе активности, измеренной с помощью одного или нескольких методов визуализации мозга, таких как электроэнцефалография (ЭЭГ), магнитоэнцефалография (МЭГ) и функциональный магнитный резонанс. визуализация (фМРТ). Исследования декодирования на основе фМРТ значительно развились за последние 15 лет [1, 2], и активность человеческого мозга была успешно декодирована из естественных изображений и фильмов [3–8].

В случае декодирования ЭЭГ скальпа область исследований все еще развивается, и относительно немного исследований документируют обнаружение состояний мозга в отношении семантических категорий (часто различение между двумя категориями высокого уровня) [9–15]. Расшифровка активности человеческого мозга на основе ЭЭГ имеет значительный потенциал благодаря отличному временному разрешению и возможности получения данных в реальной жизни; однако сигнал чрезвычайно разнообразен, зависит от конкретного объекта, чувствителен к помехам и имеет низкое отношение сигнал / шум; следовательно, представляет собой серьезную проблему как для обработки сигналов, так и для машинного обучения [16].

Из-за вышеупомянутых проблем предыдущие исследования были выполнены в контролируемых лабораторных условиях с использованием высококачественного оборудования для регистрации ЭЭГ [9–12, 14, 15]. Парадигмы визуальных стимулов часто не могут быть описаны как натуралистические из-за (1) повторяющегося представления идентичных экспериментальных проб и (2) иконических представлений объектов и отсутствия сложности семантического контекста [9–14]. Возможность обобщения моделей декодирования классификаторов на новых участников является редкостью из-за подходов к моделированию, ориентированных на конкретную тему [9, 11–15].Более того, некоторые участники иногда исключаются из анализа из-за артефактов и низкой точности классификации [13, 15].

Мотивом для настоящего исследования является преодоление отмеченных ограничений в декодировании на основе ЭЭГ. Текущая экспериментальная парадигма и работа по декодированию сосредоточены вокруг (1) экологической достоверности и переносимости и (2) обобщаемости. Поэтому мы получили сигналы ЭЭГ кожи головы в типичных офисных условиях с помощью портативной, удобной и беспроводной системы ЭЭГ Enobio с 32 сухими электродами.Экспериментальные графические стимулы состояли из неконических представлений объектов, встроенных в сложные повседневные сцены (рис. 1 (а)) 23 различных семантических категорий из открытой базы данных изображений [17]. Все представленные изображения были уникальными и не повторялись для одного и того же участника на протяжении всего эксперимента (рис. 1 (b)), подобно тому, как визуальные стимулы воспринимаются в реальной жизни. Мы создали классификаторы на основе ответов одного испытания, а также обобщенных представлений категорий путем усреднения ответов изображений из одной семантической категории.

Мы получили данные от 15 здоровых участников (5 женщин). Мы заинтересованы в изучении ограничений межпредметного обобщения, то есть популяционных моделей; следовательно, ни один участник не исключается из анализа. Способность к декодированию оценивается в межпредметном дизайне, то есть в подходе «оставить один-субъект-исключить» (в отличие от внутрипредметной классификации), чтобы проверить возможность обобщения среди участников [18].

Работа в настоящем исследовании сосредоточена на проблеме бинарной классификации между двумя классами: обработка мозгом стимулов одушевленных и неодушевленных изображений.Методы ядра, например, машины опорных векторов (SVM), часто применяются для изучения статистических отношений между паттернами активации мозга и экспериментальными условиями. При классификации данных ЭЭГ SVM показали хорошую производительность во многих контекстах [10, 12, 13, 19] (см. [20] для обзора).

Мы применяем новый методологический подход к вычислению и оценке классификаторов SVM, основанный на двух подходах: (1) обучение с одним испытанием и классификация тестов с одним испытанием и (2) обучение на усредненном отклике каждой из 23 категорий изображений для каждого предмет (соответствует 23 псевдотриалам на каждого испытуемого) и классификация однократных испытаний.Кроме того, мы открываем черный ящик и визуализируем, какие части сигнатуры ЭЭГ используются классификаторами SVM. В частности, мы предлагаем метод расчета карт чувствительности SVM-классификаторов на основе ЭЭГ, основанный на методологии, первоначально предложенной для фМРТ [21]. Для оценки размеров эффекта карт чувствительности и карт разности потенциалов, связанных с событиями (ERP), мы используем модифицированную версию схемы повторной выборки NPAIRS [22]. Наконец, мы исследуем, как псевдопробный классификатор, основанный на усредненных ответах категорий, сравнивается с классификатором одного испытания с точки зрения точности предсказания новых субъектов.

2. Материалы и методы
2.1. Участники

В общей сложности 15 здоровых взрослых с нормальным зрением или зрением с поправкой на нормальное (10 мужчин, 5 женщин, средний возраст: 25 и возрастной диапазон: 21–30 лет), которые дали письменное информированное согласие до начала эксперимента, были набран для исследования. Участники не сообщили о неврологических или психических расстройствах. Неинвазивные эксперименты на здоровых испытуемых освобождены от рассмотрения этическим комитетом датским законодательством [23].

2.2. Стимулы

Стимулы состояли из 690 изображений из набора данных Microsoft Common Objects in Context (MS COCO) [17].Изображения были выбраны из 23 семантических категорий, каждая из которых содержит 30 изображений. Из 23 категорий 10 категорий содержали животных, а остальные 13 категорий содержали неодушевленные предметы, такие как продукты питания или искусственные предметы. Таким образом, каждый участник был подвергнут 300 испытаниям с живыми существами и 390 испытаниям с неодушевленными предметами, что привело к уровню вероятности 56,5% для предсказания более крупного, неодушевленного класса. Категории и метки изображений, использованные в эксперименте, см. В дополнительном файле 1. Все представленные изображения были уникальными и не повторялись для одного и того же участника на протяжении всего эксперимента.Первоначальными критериями выбора были (1) соотношение сторон изображения 4: 3, (2) только одна супер- и подкатегория для изображения и (3) минимум 30 изображений в категории. Кроме того, мы обеспечили, чтобы все 690 изображений имели относительно одинаковую яркость и контраст, чтобы избежать влияния низкоуровневых характеристик изображения в сигналах ЭЭГ. Таким образом, были выбраны изображения в пределах 77% распределения яркости и 87% распределения контраста. Изображения, которые сильно отличались от стандартных изображений MS COCO, были исключены вручную (критерии исключения см. В Приложении A).Стимулы были представлены с использованием пользовательских скриптов Python, созданных на основе программного обеспечения PsychoPy2 [24].

2.3. План эксперимента

Участникам было показано 23 блока испытаний, состоящих из 30 изображений каждый. Порядок категорий и изображений внутри категорий был случайным для каждого участника. В начале каждой категории в течение 5 секунд отображалось пробное слово, обозначающее название категории, за которым следовали 30 изображений из соответствующей категории. Каждое изображение отображалось в течение 1 секунды на сером фоне.Между каждым изображением отображались межстимульные интервалы (ISI) переменной длины. Длина ISI выбиралась случайным образом в соответствии с равномерным распределением из фиксированного списка значений ISI от 1,85 до 2,15 с с интервалами 50 мс, что обеспечивало среднюю продолжительность ISI 2 с. Чтобы свести к минимуму движения глаз между испытаниями, ISI состояла из белого креста фиксации, наложенного на средне-серый фон в центре экрана (рис. 1 (b)).

Объекты просматривали изображения на мониторе компьютера с расстояния просмотра 57 см.Размер стимулов составлял 4 × 3 градуса угла зрения. Продолжительность эксперимента составила 39,3 мин, включая пять 35-секундных перерывов, перемежающихся между 23 блоками. Перед началом эксперимента участники прошли этап ознакомления с двумя блоками уменьшенной длины (103 с).

2.4. Сбор данных ЭЭГ

Для сбора данных использовалось удобное портативное оборудование для ЭЭГ Enobio (Neuroelectrics) с 32 каналами с сухими электродами. ЭЭГ была электрически привязана с помощью ушной клипсы CMS / DRL.Система записывала 24-битные данные ЭЭГ с частотой дискретизации 500 Гц, которые передавались по беспроводной сети через Wi-Fi. LabRecorder использовался для записи сигналов ЭЭГ. Уровень лабораторной потоковой передачи (LSL) использовался для соединения PsychoPy2 и LabRecorder для унифицированного измерения временных рядов. Система была реализована на Lenovo Legion Y520, и все записи производились в обычных офисных условиях.

2,5. Предварительная обработка ЭЭГ

Среди 15 записей ни один участник не был исключен во время предварительной обработки данных, поскольку мы хотели бы обобщить наши результаты на широкий диапазон экспериментальных записей.Предварительная обработка ЭЭГ выполнялась с помощью EEGLAB (sccn.ucsd.edu/eeglab). Сигнал ЭЭГ подвергался полосовой фильтрации до 1–25 Гц с использованием фильтров с конечной импульсной характеристикой и субдискретизирован до 100 Гц. Реконструкция подпространства артефактов (ASR) [25] применялась для уменьшения нестационарных шумовых сигналов с высокой дисперсией. Временные тренды сигналов ЭЭГ были исследованы до и после ASR для каждого испытуемого (рисунки S2 и S3). Как правило, временные зависимости сигнала ЭЭГ были уменьшены с помощью ASR. Каналы, которые были удалены путем отклонения артефактов, были интерполированы из оставшихся каналов, а данные были впоследствии повторно привязаны к среднему эталону.Эпохи 600 мс, 100 мс до и 500 мс после начала стимула, аналогично [9], были извлечены для каждого испытания.

Дрейф выборки 100 мс на протяжении всего эксперимента наблюдался для всех испытуемых и был скорректирован для автономного режима.

Поскольку отношение сигнал / шум варьировалось в зависимости от испытаний и участников, все сигналы были нормализованы до значений z (то есть каждое испытание и усредненные испытания от каждого участника были преобразованы так, чтобы оно имело среднее значение 0 и стандартное отклонение 1 по временным выборкам и каналам).

2.6. Машины опорных векторов

Машины опорных векторов (SVM) были реализованы для классификации данных ЭЭГ на два класса в соответствии с живыми и неодушевленными испытаниями. — идентификатор категории, а наблюдение определяется как реакция ЭЭГ в одну эпоху (относительно начала стимула). SVM позволяют использовать нелинейную функцию ядра для преобразования входных данных в многомерное пространство функций, где можно линейно разделить данные. В процессе итеративного обучения SVM будет разработана оптимальная гиперплоскость с максимальным запасом между каждым классом в многомерном пространстве функций.Таким образом, гиперплоскость с максимальным запасом будет формировать границу принятия решения для различения реакции мозга, связанной с одушевленными и неодушевленными данными [26].

Классификатор SVM реализуется путем нелинейного проецирования наблюдений в многомерное пространство признаков.

Позвольте быть отображение из входного пространства в. Вектор весов может быть выражен как линейная комбинация обучающих точек, и трюк с ядром используется для выражения дискриминантной функции, как с моделью, теперь параметризованной меньшим набором параметров [27].Ядро радиальной базисной функции (RBF) позволяет реализовать нелинейную границу принятия решений во входном пространстве. Ядро RBF содержит элементы: где γ — настраиваемый параметр.

Часто желательно допустить несколько неверных классификаций в границах принятия решения, чтобы получить лучшую ошибку обобщения. Этот компромисс контролируется настраиваемым параметром регуляризации c .

Были реализованы два общих типа классификаторов SVM: (1) классификатор для единичных испытаний и (2) классификатор среднего уровня категории, обозначенный как псевдопробный классификатор на основе терминологии, используемой, например, в [28].Оба классификатора декодируют суперкатегории, одушевленные и неодушевленные, и оба классифицируют предметы. Классификатор однократного испытания обучен на 690 испытаниях для каждого предмета, включенного в обучающую выборку. Псевдопробный классификатор усредняет 30 испытаний в каждой из 23 категорий для каждого субъекта, так что классификатор обучается на 23 усредненных псевдопробах для каждого субъекта, включенного в обучающий набор, вместо 690 испытаний.

Производительность классификатора для одного испытания оценивалась с использованием 14 участников в качестве обучающей выборки, а оставшийся один участник использовался в качестве тестовой группы (параметры SVM визуализированы на рисунке S8).Перекрестная проверка была проведена на 10 значениях параметров в диапазонах и, таким образом, перекрестная проверка на 100 комбинаций параметров для каждого удерживаемого субъекта.

Для заниженной оценки точности теста классификатор однократного испытания был обучен по 13 предметам, при этом один участник был оставлен для проверки, а другой участник — для тестирования, таким образом, не учитывались 2 предмета в каждой итерации. Было обучено пятнадцать классификаторов с разными предметами на каждой итерации. Оптимальный набор параметров c и γ был оценен с использованием участников 1–7 в качестве субъектов проверки (среднее значение параметра), который использовался для оценки точности теста для субъектов 8–15 и наоборот.Таким образом, были найдены два набора оптимальных параметров (Рисунок S10). Перекрестная проверка проводилась для 10 значений параметров в диапазонах и, то есть 100 комбинаций.

Псевдопробный классификатор обучался намного быстрее и был построен с использованием базового вложенного цикла перекрестной проверки с исключением одного субъекта и исключения. Во внешнем цикле один субъект был оставлен для тестирования, а остальные 14 субъектов вошли во внутренний цикл. Внутренний цикл использовался для оценки оптимальных параметров c и γ для классификатора SVM.Производительность модели рассчитывалась на основе тестового набора. Каждый испытуемый один раз служил тестовым набором. Для проверки значимости был проведен тест перестановки. Для каждого пропущенного испытуемого метки анимации были переставлены и сравнены с предсказанными метками. Это повторялось 1000 раз, и оценки точности переставленных наборов сравнивались с показателями точности неперестановочных наборов. Верхний уровень производительности оценивался путем выбора параметров на основе тестового набора.Перекрестная проверка проводилась для 10 значений параметров в диапазонах и, то есть 100 комбинаций.

2.7. Карта чувствительности

Чтобы визуализировать ядро ​​SVM RBF, подход, предложенный Rasmussen et al. [21] был адаптирован. Карта чувствительности вычисляется как производная от ядра RBF, ср. Уравнение (2):

Псевдокод для вычисления карты чувствительности по временным выборкам и испытаниям находится в Приложении B. Набор инструментов GitHub с реализацией Python отображения чувствительности доступен: https: // github.com / gretatuckute / DecodingSensitivityMapping.

2,8. Оценка размера эффекта

Структура NPAIRS (непараметрическое прогнозирование, активация, влияние и повторная выборка воспроизводимости) [22] была реализована для оценки размеров эффекта карты чувствительности SVM и различий между живыми и неодушевленными ERP. Таким образом, карта чувствительности и карта различий ERP, основанная на всех испытуемых, были масштабированы по средней разнице субдискретизированных разделов.

Масштабирование было рассчитано на основе разбиений.В каждом разбиении два раздела набора данных выбирались случайным образом без замены. Раздел состоял из 7 субъектов, что позволило получить два раздела по 7 субъектов в каждом (оставляя один случайный субъект на каждой итерации).

Для оценки карты различий ERP была рассчитана карта различий для каждого раздела (и). Точно так же для оценки карты чувствительности классификатор SVM был обучен для каждого раздела, и карты чувствительности были рассчитаны для обоих классификаторов SVM (соответствующих оценке карты различий ERP и для нее).Карта чувствительности для классификатора SVM с одним испытанием была рассчитана на основе оптимальных параметров модели, в то время как карта чувствительности псевдопробного классификатора была основана на средних параметрах на основе проверочных наборов. Карты из двух разделов были противопоставлены и возведены в квадрат.

По временным выборкам () и испытаниям () было вычислено среднее стандартное отклонение средней разницы между разделами:

Полная карта (на основе 15 субъектов) была затем разделена на стандартное отклонение для получения величины эффекта. :

3.Результаты

Мы классифицируем записанную ЭЭГ с использованием моделей SVM RBF таким образом, чтобы испытания были помечены категорией высокого уровня предъявленных стимулов, то есть одушевленными или неодушевленными. Сначала мы сообщаем результаты с использованием классификатора однократного испытания, затем псевдопробного классификатора с использованием усредненных ответов по категориям, а затем применяем псевдопробный классификатор для прогнозирования ответов ЭЭГ однократного испытания. Кроме того, мы сообщаем о размерах эффекта карт различий ERP и карт чувствительности для оценки обоих классификаторов SVM.

3.1. Анализ потенциала, связанного с событием

После предварительной обработки данных ЭЭГ и реконструкции подпространства артефактов (ASR) (раздел 2.5) мы подтвердили, что наше представление визуальных стимулов вызывало визуальную вызванную реакцию. ERP для испытаний одушевленного контента и испытаний неодушевленного контента сравниваются на рисунке 2. Общие средние ERP по субъектам (жирные линии) показаны вместе со средними ERP для одушевленных и неодушевленных предметов. Средняя карта скальпа для этих двух суперкатегорий, а также разница между ними в 310 мс отображаются в единицах с оценкой z .


На рисунке 2 показано, какие временные выборки были значимыми для усредненного выбора каналов. Полную карту важных временных выборок и каналов можно увидеть на Рисунке S4. Уровень значимости контролировался для множественных сравнений с использованием консервативной поправки Бонферрони.

Оживленные и неодушевленные ERP сильно различались через 310 мс после появления стимула. Это применимо как к выбранным каналам на Рисунке 2, так и в целом, включая фронтальные каналы (Рисунок S4).

Изучение рисунка 2 показывает, что представление зрительных стимулов вызывало отрицательный компонент ERP через 80–100 мс после начала стимула, за которым следовало положительное отклонение примерно через 140 мс после появления стимула. Подкомпонент P300, P3a, был очевиден около 250 мс, а компонент P3b около 300 мс [29]. Очевидно, что компонент P3b более заметен для категории одушевленных. Наблюдаемая временная динамика ERP была сопоставима с предыдущими исследованиями ERP временной динамики обработки визуальных объектов [30].

Средние одушевленные / неодушевленные ответы ERP для каждого испытуемого в отдельности можно найти на Рисунке S1.

3.2. Машины опорных векторов

Мы стремились определить, можно ли автоматически классифицировать данные ЭЭГ в нашем эксперименте с использованием моделей SVM. Набор инструментов Python scikit-learn [31] использовался для реализации моделей RBF SVM.

В частности, мы обучили два разных типа SVM-классификаторов, однократный и псевдопробный классификаторы (усредненные ответы категорий), и оценили точность классификаторов при маркировке данных ЭЭГ с использованием подхода «исключить одного субъекта».

SVM считаются эффективными инструментами для многомерных двоичных, а также нелинейных задач классификации, но их конечная эффективность классификации сильно зависит от выбора соответствующих параметров c и γ [32]. Параметры для верхнего уровня эффективности классификатора одного испытания были найдены с помощью перекрестной проверки в подходе «оставить один — исключить», что привело к параметру штрафа и основано на оптимальных средних параметрах для испытуемых (рисунок S9).Из рисунка S8 видно, что оптимальные параметры были разными для каждого испытуемого, что подчеркивает межпредметную вариабельность ответов ЭЭГ.

Чтобы уменьшить смещение оценки производительности классификатора для однократного испытания, параметры были выбраны на основе двух разделов проверки, в результате чего и для первого набора проверки, и для второго набора проверки (рисунок S10).

Псевдопробный классификатор также показал межпредметную изменчивость в отношении параметров модели (см. Рисунки S5 – S7).Классификатор имел параметр среднего штрафа и среднее значение на основе проверочных наборов. Средние оптимальные параметры, основанные на тестовых наборах с усредненными категориями и единичными испытаниями, находились в одном диапазоне, с и, и и, соответственно.

На рисунках 3 и 4 показаны характеристики классификации SVM с использованием двух типов классификаторов. Основываясь на классификации «один-один-один-нет», мы отмечаем большую вариативность результатов по одному субъекту. Хотя при использовании классификаторов для однократных и псевдопробных испытаний на наборах для однократных испытаний получены разные характеристики, общая точность аналогична (парный t -тест), в среднем 0.574 и 0,575 соответственно (рисунок 4). Таким образом, псевдопробный классификатор работает наравне с классификатором одиночного испытания при прогнозировании испытуемых одиночного испытания.



Стандартная ошибка среднего значения 0,01 была обнаружена как для смещенных показателей эффективности классификатора с одним испытанием, так и для беспристрастного классификатора с одним испытанием (с поправкой на подход с исключением одного предмета и исключения [33]. ]).

3.3. Связанная с событием карта потенциальных различий и карта чувствительности

Мы исследовали необработанную карту различий ERP между одушевленными и неодушевленными категориями, а также карты чувствительности для однократных и псевдотериальных классификаторов SVM.Карта чувствительности показывает временные точки и каналы ЭЭГ, которые имеют отношение к классификаторам декодирования SVM (рисунок 5).

Для оценки размера эффекта карты мы реализуем схему повторной выборки NPAIRS [22]. В этой структуре перекрестной проверки данные были разделены на два раздела равного размера (7 субъектов в каждом разделе были выбраны случайным образом без замены). Эта процедура была повторена 100 раз, чтобы получить стандартные ошибки карт для вычисления размеров эффекта (раздел 2.8).

На рисунке 5 (a) показаны размеры эффекта необработанной карты разницы ERP между одушевленными и неодушевленными категориями, в то время как на рисунках 5 (b) и 5 ​​(c) показаны размеры эффектов карт чувствительности для однократных и псевдопробных классификаторов. соответственно.Карты скальпа показывают пространственную информацию, используемую классификаторами в разные моменты времени.

Из рисунка 5 очевидно, что затылочные и теменные каналы (O1, O2, P7 и P8) были релевантными для классификации SVM в моменты времени, сопоставимые с картой различий ERP. Фронтальные каналы (Fp1 и Fp2) использовались обоими классификаторами SVM, но в большей степени псевдотриальным классификатором (рис. 5 (c)). Кроме того, псевдопробный классификатор использовал большую долю более ранних временных точек по сравнению с классификатором однократного испытания.Карты чувствительности для классификаторов одиночных и псевдопробных исследований показывают, что, несмотря на различие в количестве и типах испытаний, классификаторы похожи.

4. Обсуждение

В данной работе мы подходим к проблемам декодирования на основе ЭЭГ: внелабораторные настройки, удобное для пользователя беспроводное оборудование для регистрации ЭЭГ с сухими электродами, естественные стимулы, отсутствие повторения экспериментальных испытаний стимулов и отсутствие исключения участников. Таким образом, наша работа сосредоточена вокруг (1) экологической обоснованности и переносимости и (2) универсальности.Потенциальные преимущества смягчения этих проблем заключаются в изучении динамики мозга в естественных условиях и для приложений в реальных сценариях.

Наша мотивация для работы с портативной системой ЭЭГ с сухим электродом состоит в том, чтобы повысить удобство использования ЭЭГ с точки зрения доступности, мобильности и простоты обслуживания. Эти факторы имеют решающее значение в прикладных контекстах повседневной жизни, например, при разработке систем нейробиоуправления ЭЭГ в реальном времени. Недавно было продемонстрировано, что оборудование ЭЭГ коммерческого класса сравнивается с оборудованием высокого класса в лабораторных условиях с точки зрения нейронной надежности, количественно определяемой межпредметной корреляцией [34].Более того, систематическое сравнение беспроводной системы сухой ЭЭГ и традиционной лабораторной системы влажной ЭЭГ показывает схожие характеристики с точки зрения качества сигнала [35].

Мы стремимся повысить обобщающую способность наших моделей декодирования. Для этого мы оцениваем способность декодирования в межпредметном дизайне, то есть в подходе «оставь один-предмет-вне» [18]. Предыдущие исследования декодирования на основе ЭЭГ, в частности для BCI, были сосредоточены на построении классификаторов для декодирования специфических паттернов мозга (см. [36] для обзора).Межпредметный обобщенный ИМК имеет то преимущество, что экономит время на сеансах ИМК, и несколько исследовательских групп предприняли усилия по разработке межпредметных обобщенных ИМК-систем для декодирования ЭЭГ, связанных с воображением движения [37, 38]. Успешная межпредметная классификация требует извлечения глобально значимых характеристик сигнала от каждого обучаемого предмета [18]. В данной работе мы делаем шаг в сторону повышения обобщаемости путем построения межпредметных моделей декодирования ЭЭГ.

Наша конечная цель — расшифровать фактические семантические различия между естественными категориями; Таким образом, мы выполняем низкоуровневую стандартизацию визуальных характеристик экспериментальных испытаний перед экспериментом, исследуем временную зависимость ответа ЭЭГ на протяжении всего эксперимента и выполняем ASR, чтобы уменьшить эту зависимость (Раздел 2.5). Более того, стимулы в нашей экспериментальной парадигме состояли из сложных повседневных сцен и неконических представлений об объектах [17]. Живые и неодушевленные изображения были похожи по составу, то есть объект или животное в его естественной среде обитания (рис. 1 (а)).

4.1. Предварительная обработка данных временных трендов

Естественно, что записи ЭЭГ будут постоянно изменяться с течением времени. Поскольку наша экспериментальная парадигма длилась примерно 40 минут, мы исследовали временные тенденции в данных ЭЭГ (рисунки S2 и S3) и выполнили реконструкцию подпространства артефактов (ASR) [25], чтобы уменьшить искажающие временные тенденции в дальнейших анализах.Нежелательная нестационарность сигнала ЭЭГ возникает из-за того, что электроды постепенно теряют или усиливают связь с кожей головы, возрастающим напряжением лицевых мышц или другими артефактными токами [39, 40]. Если данные временны, дрейф может ошибочно выглядеть как образец, воспроизводимый в ходе испытаний, тенденция, которая может быть дополнительно усилена методами компонентного анализа, которые подчеркивают повторяемость компонентов [41]. Медленные линейные дрейфы могут быть устранены с помощью фильтров верхних частот; однако более сложные временные эффекты устранить труднее.Кроме того, использование фильтров верхних частот может привести к появлению новых артефактов. В качестве альтернативы недавние исследования предлагают выполнить надежное устранение тренда, когда тренд каждого канала определяется, а затем регрессирует [41, 42]. Мы наблюдаем, что при использовании ASR временная зависимость была уменьшена для большинства испытуемых (рисунки S2 и S3). Однако было бы интересно исследовать более сложные алгоритмы детрендинга, чтобы также убедиться, что фильтрация верхних частот не ухудшает наши результаты.

4.2. Анализ потенциала, связанного с событием

Предыдущие работы по декодированию визуальных стимулов продемонстрировали специфичность семантической категории как в раннем (), так и в позднем () интервалах визуально вызванного потенциала [43, 44]. Исследования ERP показывают, что взаимодействия категорий и атрибутов (естественные / неестественные) возникают уже через 116 мс после появления стимула в лобно-центральных областях черепа и через 150 и 200 мс после появления стимула в затылочно-теменных областях скальпа [45]. Канеширо и др. [9] демонстрируют, что первые 500 мс однократных пробных ответов ЭЭГ содержат информацию для успешного категориального декодирования между человеческими лицами и объектами, а также для классификации выше случайных объектов уже через 48–128 мс после появления стимула [9].Было продемонстрировано, что для одушевленных и неодушевленных изображений различия ERP обнаруживаются в течение 150 мс после представления [46]. Однако, по-видимому, существует неопределенность, представляют ли эти ранние различия ERP зрительные стимулы низкого уровня или фактические различия высокого уровня. Мы наблюдаем основную разницу между живыми / неодушевленными ERP около 210 мс и 320 мс (рисунки 2 и S4). Подобно нашим результатам, Carlson et al. [47] обнаружили, что категории высокого уровня (анимация) были максимально декодированы примерно за 240 мс из записей MEG [47].Наконец, мы наблюдаем, что сигнатуры ERP сильно различались среди субъектов (сравнимо с [11]), что ставит под сомнение обобщаемость межпредметной модели с размером нашей выборки из 15 субъектов.

4.3. Машинная классификация опорных векторов

В этом исследовании мы использовали классификаторы SVM ядра RBF для классификации одушевленных / неодушевленных естественных визуальных стимулов в подходе с исключением одного субъекта. Классификаторы SVM ранее были реализованы для декодирования на основе ЭЭГ. SVM в сочетании с обработкой данных независимого компонентного анализа использовалась для классификации наличия или отсутствия визуального объекта на ЭЭГ [12].Зафар и др. [15] предложили гибридный алгоритм, использующий сверточные нейронные сети для извлечения признаков и слияния оценок на основе отношения правдоподобия для прогнозирования активности мозга по ЭЭГ [15]. Taghizadeh-Sarabi et al. извлеченные вейвлет-характеристики из ЭЭГ, а выбранные характеристики классифицируются с использованием мультиклассового SVM-классификатора «один-против-один» с оптимальными параметрами SVM, установленными отдельно для каждого субъекта [13].

Мы внедрили классификаторы SVM для однократного и псевдопробного (т.Поскольку псевдопробный классификатор обучается значительно быстрее, схема перекрестной проверки с полной вложенностью оказалась возможной. Тот факт, что два классификатора имеют одинаковую производительность, указывает на то, что уменьшенный размер выборки в псевдопробном классификаторе компенсируется лучшим отношением сигнал / шум усредненных испытаний. Быстрое обучение псевдопробного классификатора позволяет оптимизировать параметры и объективно оценивать производительность.

Исходя из эффективности классификации по принципу «исключить одну тему — исключить» (рисунки 3 и 4), очевидно, что существует разница в том, насколько хорошо классификатор обобщает по предметам, что отчасти связано с разнообразием сигнатур ERP по предметам. (Рисунок S1).Для некоторых субъектов низкая точность вызвана несоответствием параметров между испытаниями, принадлежащими этому субъекту, и его проверочными наборами. Для других субъектов модель SVM не способна собирать их данные, даже если параметры основаны на этом субъекте, из-за низкого уровня отношения сигнал / шум. Кроме того, межпредметная обобщаемость ЭЭГ осложняется множеством факторов. На соотношение сигнал / шум на каждом электроде влияет контакт с кожей головы, на который влияют местные различия в состоянии кожи и волос, пространственное расположение электродов относительно подлежащей коры будет варьироваться в зависимости от анатомических различий головы, и могут быть быть индивидуальными различиями в функциональной локализации участников.

Оба классификатора SVM использовали относительно большое количество опорных векторов. Классификатор SVM для однократного испытания, использованный для расчета карты чувствительности, имел коэффициенты модели, где 1204 α значений из 10350 были равны 0 (9146 опорных векторов). Псевдопробный классификатор имел коэффициенты модели в диапазоне, и 46 из 345 коэффициентов были нулевыми (299 опорных векторов). Большое количество полученных опорных векторов указывает на плохое отношение сигнал / шум ЭЭГ и сложность проблемы классификации [26].

4.4. Отображение чувствительности

В данной работе мы спрашиваем, какие части сигнатур ЭЭГ используются классификаторами декодирования SVM. Мы исследовали вероятностную карту чувствительности для однократных и псевдопробных SVM-классификаторов на основе задачи бинарной классификации. Мы определили пространственные и временные области, где находится различительная информация, и обнаружили, что эти особенности ЭЭГ сопоставимы с картой различий между необработанными ответами ERP для одушевленных и неодушевленных испытаний.Мы наблюдаем наиболее заметную разницу между живыми / неодушевленными ERP около 210 мс и 320 мс (рисунки 2 и S4), и эти временные точки также в значительной степени используются классификаторами SVM (рисунок 5).

Карты чувствительности для обоих классификаторов SVM показывают, что затылочные / теменные каналы, где, как известно, обрабатываются зрительные стимулы [9, 11], являются основными каналами, представляющими интерес в задаче классификации. Кроме того, отметим, что каналы Fp1 и Fp2 важны в построенных классификаторах (рисунок 5).Эти два фронтальных канала также демонстрируют значительные различия между живыми / неодушевленными ERP у всех субъектов (рисунок S4), что можно объяснить различием в движениях глаз в зависимости от семантической категории. Некоторые исследования сообщают, что активация лобной коры участвует в различении зрительных стимулов [14], и было высказано предположение, что фронтальная активация во время обработки зрительной информации является результатом состояния внимания и ожидания субъекта [48]. Однако также возможно, что фронтальные каналы объясняют шум в информационных каналах [49].

Основываясь на сходстве карт чувствительности для классификаторов однократного и псевдопробного анализа (рис. 5), мы заключаем, что эти классификаторы в значительной степени используют одни и те же характеристики ЭЭГ. Поэтому мы исследовали, может ли псевдопробный классификатор прогнозировать на предметах однократного испытания. Мы демонстрируем, что классификаторы, обученные на усредненных псевдотериалах, работают наравне с классификаторами, обученными на большом наборе зашумленных однократных проб (рис. 4).

5. Заключение

Мы исследуем ЭЭГ кожи головы, записанную с помощью портативного 32-х электродного оборудования для ЭЭГ с сухими электродами, у здоровых людей при естественных стимулах.Мы выполняем несмещенное декодирование ЭЭГ, полученного в ходе однократного испытания, с использованием моделей SVM, обученных на псевдотериалах с шумоподавлением (усредненными), что облегчает быстрое обучение классификатора, оптимизацию параметров и объективную оценку производительности. Классификаторы SVM были оценены в рамках межпредметного подхода, что позволило проверить возможность обобщения среди участников. Мы предлагаем новую методологию оценки и вычисления карт чувствительности для SVM-классификаторов на основе ЭЭГ, позволяющую визуализировать информацию дискриминантного SVM-классификатора.Мы реализуем схему повторной выборки NPAIRS для вычисления размеров эффекта карты чувствительности и демонстрируем высокое сходство между размерами эффекта карты чувствительности классификаторов, обученных на небольших выборках усредненных данных с шумоподавлением (псевдотериал) и больших выборок зашумленных данных (однократное испытание). Наконец, связав временные и пространственные характеристики ЭЭГ с обучением классификаторов SVM, мы делаем важный шаг в понимании того, как методы машинного обучения используют нейронные сигналы.

Приложение
A.Критерии исключения вручную для выбора изображения

Критерии исключения вручную для изображений MS COCO [17] для экспериментальной парадигмы: (i) объект неидентифицируемый (ii) объект неправильно классифицирован (iii) другой объект в большей степени в фокусе (iv) манипуляции с цветовой шкалой (v) Наложение рамки или текста на изображение (vi) Искаженный угол фотографии (vii) Неподходящее изображение

B. Карта чувствительности Псевдокод Python

В следующем фрагменте псевдокода показано, как вычислить карту чувствительности для классификатора SVM с ядром RBF во всех испытаниях с использованием Python и NumPy (np).map = np.matmul ( X , np.matmul (np.diag (alpha), k )) — (np.matmul ( X , (np.diag (np.matmul (alpha, k ) ))))) s = np.sum (np.square (map), axis = 1) /np.size (alpha)

k обозначает матрицу обучающего ядра RBF из уравнения (2), с N как количество обучающих примеров. Альфа обозначает вектор с коэффициентами модели. X обозначает матрицу с обучающими примерами в столбцах. s — это вектор с оценками чувствительности каналов для каждого момента времени, размер которого можно преобразовать в матрицу размера (количество каналов, количество временных точек) для визуализации карты чувствительности на основе ЭЭГ.

Доступность данных

Код доступен по следующей ссылке: https://github.com/gretatuckute/DecodingSensitivityMapping.

Конфликт интересов

Авторы заявляют, что у них нет конфликта интересов в отношении публикации этой статьи.

Вклад авторов

G.T., N.P., and L.K.H. спланированное исследование; Г. и Н. полученные данные; D.S., G.T. и N.P. проведен анализ исходных данных; G.T., S.T.H. и L.K.H. проведенное исследование; и Г.T., S.T.H. и L.K.H. написал газету.

Благодарности

Эта работа была поддержана Программой междисциплинарной синергии Novo Nordisk Foundation 2014 (Биофизически скорректированная стимуляция коры головного мозга с учетом состояния (BASICS)) (NNF14OC0011413).

Дополнительные материалы

Дополнительные 1. ID изображений, суперкатегории и категории для всех изображений, использованных в эксперименте, из базы данных изображений Microsoft Common Objects in Context (MS COCO).

Дополнительный 2. Рисунки S1 – S10 содержат дополнительный материал и используются для справки в основной рукописи.

Обзор механизмов кодирования и декодирования мозга для интерфейса мозг-компьютер на основе ЭЭГ

  • Абдельфаттах С.М., Абдельрахман Г.М., Ван М. (2018) Увеличение размера наборов данных ЭЭГ с помощью генеративных состязательных сетей. В: Международная совместная конференция по нейронным сетям (IJCNN). IEEE, pp. 1–6

  • Acqualagna L, Blankertz B (2013) Независимое от взгляда BCI-правописание с использованием быстрой последовательной визуальной презентации (RSVP).Clin Neurophysiol 124 (5): 901–908

    PubMed Статья PubMed Central Google ученый

  • Acqualagna L, Treder MS, Schreuder M, Blankertz B (2010) Новый интерфейс мозг-компьютер, основанный на парадигме быстрого последовательного визуального представления. В: Ежегодная международная конференция инженеров IEEE в медицине и биологии. IEEE, pp. 2686–2689

  • Ахмади А., Давуди С., Бехрузи М., Далири М.Р. (2020) Декодирование скрытого визуального внимания на основе энтропии фазового перехода.Physiol Behav 222

    CAS PubMed Статья PubMed Central Google ученый

  • Эллисон Б.З., Бруннер С., Кайзер В., Мюллер-Путц Г.Р., Нойпер С., Пфурчеллер Г. (2010) К гибридному интерфейсу мозг-компьютер, основанному на воображаемом движении и визуальном внимании. J Neural Eng 7 (2)

    CAS Статья Google ученый

  • Ang KK, Chin ZY, Zhang H, Guan C (2008) Общий пространственный паттерн банка фильтров (FBCSP) в интерфейсе мозг-компьютер.В: Международная совместная конференция IEEE по нейронным сетям (Всемирный конгресс IEEE по вычислительному интеллекту). IEEE, pp. 2390–2397

  • Attia M, Hettiarachchi I., Hossny M, Nahavandi S (2018) Классификация стационарных визуальных вызванных потенциалов во временной области с использованием глубоких рекуррентно-сверточных нейронных сетей. В: 15-й международный симпозиум IEEE по биомедицинской визуализации (ISBI 2018). IEEE, pp. 766–769

  • Banville H, Falk T (2016) Последние достижения и открытые проблемы в гибридном интерфейсе мозг-компьютер: технологический обзор неинвазивных исследований на людях.Интерфейсы мозг – компьютер 3 (1): 9–46

    Статья Google ученый

  • Барачант А., Боннет С., Конгедо М., Юттен С. (2011) Классификация интерфейсов мозг-компьютер с несколькими классами по римановой геометрии. IEEE Trans Biomed Eng 59 (4): 920–928 ​​

    PubMed Статья PubMed Central Google ученый

  • Барачант А., Боннет С., Конгедо М., Юттен С. (2013) Классификация ковариационных матриц с использованием ядра на основе Римана для приложений BCI.Neurocomputing 112: 172–178

    Статья Google ученый

  • Barachant A, Bonnet S, Congedo M, Jutten C (2010a) Общий пространственный узор, пересмотренный римановой геометрией. В: Международный семинар IEEE по обработке мультимедийных сигналов. IEEE, pp 472–476

  • Barachant A, Bonnet S, Congedo M, Jutten C (2010b) Риманова геометрия применима к классификации BCI. В: Международная конференция по анализу скрытых переменных и разделению сигналов.Springer, pp 629–636

  • Barachant A, Congedo M (2014) Plug & Play p300 BCI, использующий информационную геометрию. arXiv препринт arXiv: 1409.0107

  • Berger H (1929) Über das elektroenkephalogramm des menschen. Архипсихиатр Нервенкранх 87 (1): 527–570

    Статья Google ученый

  • Bradberry TJ, Rong F, Contreras-Vidal JL (2009) Декодирование центральной скорости руки по сигналам МЭГ во время зрительно-моторной адаптации.Neuroimage 47 (4): 1691–1700

    PubMed Статья PubMed Central Google ученый

  • Bradberry TJ, Gentili RJ, Contreras-Vidal JL (2010) Реконструкция трехмерных движений рук по неинвазивным электроэнцефалографическим сигналам. J Neurosci 30 (9): 3432–3437

    CAS PubMed Статья PubMed Central Google ученый

  • Bradberry TJ, Gentili RJ, Contreras-Vidal JL (2011) Быстрое достижение компьютерного управления курсором с помощью неинвазивно полученных сигналов мозга.J Neural Eng 8 (3)

    PubMed Статья PubMed Central Google ученый

  • Breitwieser C, Kaiser V, Neuper C, Müller-Putz GR (2012) Стабильность и распределение устойчивых соматосенсорных вызванных потенциалов, вызванных вибро-тактильной стимуляцией. Med Biol Eng Comput 50 (4): 347–357

    PubMed Статья PubMed Central Google ученый

  • Cecotti H, Volosyak I, Gräser A (2010) Надежные визуальные стимулы на ЖК-экранах для BCI на основе SSVEP.В: 18-я Европейская конференция по обработке сигналов. IEEE, pp 919–923

  • Chang C-Y, Hsu S-H, Pion-Tonachini L, Jung T-P (2019) Оценка реконструкции подпространства артефакта для автоматического удаления компонентов артефакта в многоканальных записях ЭЭГ. IEEE Trans Biomed Eng 67 (4): 1114–1121

    PubMed Статья PubMed Central Google ученый

  • Chavarriaga R, Millán JdR (2010) Изучение потенциалов, связанных с ошибками ЭЭГ, в неинвазивных интерфейсах мозг-компьютер.IEEE Trans Neural Syst Rehabil Eng 18 (4): 381–388

    PubMed Статья PubMed Central Google ученый

  • Chavarriaga R, Sobolewski A, Millán JdR (2014) Errare machinale est: использование связанных с ошибками потенциалов в интерфейсах мозг-машина. Front Neurosci 8: 208

    PubMed Статья PubMed Central Google ученый

  • Chen X, Wang Y, Gao S, Jung T-P, Gao X (2015a) Канонический корреляционный анализ банка фильтров для реализации высокоскоростного интерфейса мозг-компьютер на основе SSVEP.J Neural Eng 12 (4)

    PubMed Статья PubMed Central Google ученый

  • Чен Х, Ван И, Наканиши М., Гао Х, Юнг Т-П, Гао С. (2015b) Высокоскоростное правописание с неинвазивным интерфейсом мозг-компьютер. Proc Natl Acad Sci 112 (44): E6058 – E6067

    CAS PubMed Статья PubMed Central Google ученый

  • Cheng M, Gao X, Gao S, Xu D (2002) Разработка и реализация интерфейса мозг-компьютер с высокой скоростью передачи данных.IEEE Trans Biomed Eng 49 (10): 1181–1186

    PubMed Статья PubMed Central Google ученый

  • Chiang K-J, Wei C-S, Nakanishi M, Jung T-P (2020) Повышение декодирования SSVEP на основе шаблонов путем обучения междоменной передаче. J Neural Eng 18

    Статья Google ученый

  • Chin ZY, Ang KK, Wang C, Guan C, Zhang H (2009) Общий пространственный образец банка фильтров для четырех классов BCI.В: Ежегодная международная конференция общества инженеров IEEE в медицине и биологии. IEEE, pp. 571–574

  • Chu Y, Zhao X, Zou Y, Xu W, Song G, Han J, Zhao Y (2020) Расшифровка многоклассовых моторных образов ЭЭГ одной и той же верхней конечности путем комбинирования элементов римановой геометрии и частичных регрессия наименьших квадратов. J Neural Eng 17 (4)

    PubMed Статья PubMed Central Google ученый

  • Cohen MX, Elger CE, Ranganath C (2007) Ожидание вознаграждения модулирует негативность, связанную с обратной связью, и спектры ЭЭГ.Neuroimage 35 (2): 968–978

    PubMed Статья PubMed Central Google ученый

  • Конгедо М., Барачант А., Бхатия Р. (2017) Риманова геометрия для интерфейсов мозг-компьютер на основе ЭЭГ; букварь и обзор. Интерфейсы мозг – компьютер 4 (3): 155–174

    Статья Google ученый

  • Dai G, Zhou J, Huang J, Wang N (2020) HS-CNN: CNN с гибридной шкалой свертки для классификации моторных образов ЭЭГ.J Neural Eng 17 (1)

    PubMed Статья PubMed Central Google ученый

  • Edelman BJ, Baxter B, He B (2015b) Получение изображений источника ЭЭГ улучшает декодирование сложных задач по изображению движений правой руки. IEEE Trans Biomed Eng 63 (1): 4–14

    PubMed Статья PubMed Central Google ученый

  • Эдельман Б., Бакстер Б., Хе Б. (2014) Задачи распознавания движений жестов рукой с использованием оценки плотности коркового тока.В: 36-я ежегодная международная конференция общества инженеров IEEE в медицине и биологии. IEEE, pp 1314–1317

  • Edelman B, Baxter B, He B (2015a) Декодирование и отображение задач по воображению движений правой руки с использованием изображений источника ЭЭГ. В: 7-я Международная конференция IEEE / EMBS по нейронной инженерии (NER). IEEE, pp. 194–197

  • Falkenstein M (1990) Влияние ошибок в задачах реакции выбора на ERP при сфокусированном и разделенном внимании. Psychophysiol Brain Res

  • Falkenstein M, Hoormann J, Christ S, Hohnsbein J (2000) Компоненты ERP по ошибкам реакции и их функциональному значению: учебное пособие.Biol Psychol 51 (2–3): 87–107

    CAS PubMed Статья PubMed Central Google ученый

  • Falkenstein M, Hohnsbein J, Hoormann J, Blanke L (1991) Влияние кросс-модального разделения внимания на поздние компоненты ERP. II. Обработка ошибок в задачах реакции выбора. Electroencephalogr Clin Neurophysiol 78 (6): 447–455

  • Farwell LA (2012) Дактилоскопия мозга: всесторонний обзор учебного пособия по обнаружению скрытой информации с потенциалом мозга, связанным с событием.Cogn Neurodyn 6 (2): 115–154

    PubMed Статья PubMed Central Google ученый

  • Фарвелл Л.А., Дончин Э. (1988) Разговор в голове: к психическому протезу, использующему связанные с событием потенциалы мозга. Электроэнцефалограмма Clin Neurophysiol 70 (6): 510–523

    CAS PubMed Статья PubMed Central Google ученый

  • Фарвелл Л.А., Смит С.С. (2001) Использование тестирования мермеров мозга для обнаружения знаний, несмотря на попытки сокрытия.J Forensic Sci 46 (1): 135–143

    CAS PubMed Статья PubMed Central Google ученый

  • Фазель-Резаи Р., Абхари К. (2009) Региональный спеллер p300 для интерфейса мозг-компьютер. Can J Electr Comput Eng 34 (3): 81–85

    Статья Google ученый

  • Фазель-Резаи Р., Эллисон Б.З., Гугер С., Селлерс Э.В., Клейх С.К., Кюблер А. (2012) Интерфейс мозг-компьютер P300: текущие проблемы и новые тенденции.Фронт Neuroeng 5:14

    PubMed Статья PubMed Central Google ученый

  • Ferrez PW Millán JDR (2005) Вы ошибаетесь! — автоматическое обнаружение ошибок взаимодействия с помощью мозговых волн. В: Материалы 19-й международной совместной конференции по искусственному интеллекту, номер CONF

  • Ferrez PW, Millán JDR (2008) Связанные с ошибками потенциалы ЭЭГ, генерируемые во время моделирования взаимодействия мозга и компьютера.IEEE Trans Biomed Eng 55 (3): 923–929

    PubMed Статья PubMed Central Google ученый

  • Франк MJ, Woroch BS, Curran T (2005) Отрицательность, связанная с ошибкой, предсказывает обучение с подкреплением и конфликтные предубеждения. Нейрон 47 (4): 495–501

    CAS PubMed Статья PubMed Central Google ученый

  • Freer D, Yang G-Z (2020) Дополнение данных для классификации движений в собственном темпе с помощью C-LSTM.J Neural Eng 17 (1)

    PubMed Статья PubMed Central Google ученый

  • Frølich L, Andersen TS, Mørup M (2015) Классификация независимых компонентов ЭЭГ на несколько классов артефактов. Психофизиология 52 (1): 32–45

    PubMed Статья PubMed Central Google ученый

  • Gao X, Xu D, Cheng M, Gao S (2003) Контроллер среды на основе BCI для людей с отключенным движением.IEEE Trans Neural Syst Rehabil Eng 11 (2): 137–140

    PubMed Статья PubMed Central Google ученый

  • Gaume A, Dreyfus G, Vialatte F-B (2019) Когнитивный мониторинг интерфейса мозг-компьютер устойчиво изменял внимание во время выполнения непрерывной задачи. Cogn Neurodyn 13 (3): 257–269

    PubMed Статья PubMed Central Google ученый

  • Геринг В.Дж., Госс Б., Коулз М.Г., Мейер Д.Е., Дончин Э. (1993) Нейронная система для обнаружения и компенсации ошибок.Psychol Sci 4 (6): 385–390

    Статья Google ученый

  • Giabbiconi C-M, Trujillo-Barreto NJ, Gruber T, Müller MM (2007) Устойчивое пространственное внимание к вибрации опосредуется в первичной соматосенсорной коре. Neuroimage 35 (1): 255–262

    PubMed Статья PubMed Central Google ученый

  • Grosse-Wentrup M, Buss M (2008) Общие пространственные шаблоны мультиклассов и извлечение теоретических характеристик информации.IEEE Trans Biomed Eng 55 (8): 1991–2000

    PubMed Статья PubMed Central Google ученый

  • Гу Й, Дремструп К., Фарина Д. (2009) Единичное испытание распознавания типа и скорости движений запястья по записям ЭЭГ. Clin Neurophysiol 120 (8): 1596–1600

    PubMed Статья PubMed Central Google ученый

  • Гуан К., Туласидас М., Ву Дж. (2004) Высокопроизводительный спеллер p300 для интерфейса мозг-компьютер.В: Международный семинар IEEE по биомедицинским схемам и системам. IEEE, pp S3 – S5

  • Guger C, Daban S, Sellers E, Holzner C, Krausz G, Carabalona R, Gramatica F, Edlinger G (2009) Сколько людей могут управлять мозговым компьютером на основе p300 интерфейс (BCI)? Neurosci Lett 462 (1): 94–98

    CAS PubMed Статья PubMed Central Google ученый

  • Gurve D, Delisle-Rodriguez D, Romero-Laiseca M, Cardoso V, Loterio F, Bastos T, Krishnan S (2020) Выбор канала ЭЭГ для конкретного субъекта с использованием неотрицательной матричной факторизации для распознавания движений нижних конечностей .J Neural Eng 17 (2)

    PubMed Статья PubMed Central Google ученый

  • Hallett M (1994) Корковые потенциалы, связанные с движением. Electromyogr Clin Neurophysiol 34 (1): 5–13

    CAS PubMed PubMed Central Google ученый

  • Haufe S, Meinecke F, Görgen K, Dähne S, Haynes J-D, Blankertz B, Bießmann F (2014) Об интерпретации весовых векторов линейных моделей в многомерной нейровизуализации.Neuroimage 87: 96–110

    PubMed Статья PubMed Central Google ученый

  • He H, Wu D (2019) Передача обучения для интерфейсов мозг-компьютер: подход евклидова пространственного согласования данных. IEEE Trans Biomed Eng 67 (2): 399–410

    PubMed Статья PubMed Central Google ученый

  • Хигаши Х., Танака Т. (2012) Одновременный дизайн банков еловых фильтров и пространственных паттернов для классификации сигналов ЭЭГ.IEEE Trans Biomed Eng 60 (4): 1100–1110

    PubMed Статья PubMed Central Google ученый

  • Холройд CB, Коулз М.Г. (2002) Нейронная основа обработки человеческих ошибок: обучение с подкреплением, дофамин и негативность, связанная с ошибками. Psychol Rev 109 (4): 679

    PubMed Статья PubMed Central Google ученый

  • Хорев И., Игер Ф., Сугияма М. (2016) Анализ стационарного подпространства с учетом геометрии.В: Азиатская конференция по машинному обучению, стр. 430–444

  • Iturrate I, Montesano L, Minguez J (2013) Вариации сигнала в зависимости от задачи в связанных с ошибками потенциалах ЭЭГ для интерфейсов мозг-компьютер. J Neural Eng 10 (2)

    CAS PubMed Статья PubMed Central Google ученый

  • Цзя К., Гао X, Хун Б., Гао С. (2010) Смешанное частотное и фазовое кодирование в интерфейсе мозг-компьютер на основе SSVEP. IEEE Trans Biomed Eng 58 (1): 200–206

    PubMed PubMed Central Google ученый

  • Jiang J, Yin E, Wang C, Xu M, Ming D (2018) Включение стратегии динамической остановки в высокоскоростные BCI на основе SSVEP.J Neural Eng 15 (4)

    PubMed Статья PubMed Central Google ученый

  • Jin J, Xiao R, Daly I, Miao Y, Wang X, Cichocki A (2020) Метод выбора внутренних характеристик CSP на основе l1-нормы и теории Демпстера-Шафера. В: IEEE транзакции в нейронных сетях и обучающих системах

  • Jung T-P, Makeig S, Humphries C, Lee T-W, Mckeown MJ, Iragui V, Sejnowski TJ (2000) Удаление электроэнцефалографических артефактов путем слепого разделения источников.Психофизиология 37 (2): 163–178

    CAS PubMed Статья PubMed Central Google ученый

  • Кальтенстадлер С., Накадзима С., Мюллер К.-Р., Самек В. (2018) Анализ стационарного подпространства Вассерштейна. IEEE J Sel Top Signal Process 12 (6): 1213–1223

    Статья Google ученый

  • Kalunga EK, Chevallier S, Barthélemy Q, Djouani K, Monacelli E, Hamam Y (2016) Сетевой BCI на основе SSVEP с использованием римановой геометрии.Нейрокомпьютинг 191: 55–68

    Статья Google ученый

  • Канг Х., Нам Й., Чой С. (2009) Составной общий пространственный паттерн для передачи между субъектом. Письмо о процессе передачи сигналов IEEE 16 (8): 683–686

    Статья Google ученый

  • Kerous B, Skola F, Liarokapis F (2018) BCI на основе ЭЭГ и видеоигры: отчет о ходе работы. Виртуальная реальность 22 (2): 119–135

    Статья Google ученый

  • Kim J-H, Bießmann F, Lee S-W (2014) Расшифровка трехмерной траектории выполненных и воображаемых движений руки по сигналам электроэнцефалограммы.IEEE Trans Neural Syst Rehabil Eng 23 (5): 867–876

    PubMed Статья PubMed Central Google ученый

  • Крауледат М., Тангерманн М., Бланкерц Б., Мюллер К.-Р. (2008) К нулевому обучению взаимодействию мозга и компьютера. PLoS ONE 3 (8)

    PubMed Статья CAS PubMed Central Google ученый

  • Krusienski DJ, Sellers EW, McFarland DJ, Vaughan TM, Wolpaw JR (2008) На пути к повышению производительности орфографии p300.J Neurosci Methods 167 (1): 15–21

    CAS PubMed Статья PubMed Central Google ученый

  • LaFleur K, Cassady K, Doud A, Shades K, Rogin E, He B (2013) Управление квадрокоптером в трехмерном пространстве с помощью неинвазивного интерфейса мозг-компьютер на основе изображений движения. J Neural Eng 10 (4)

    PubMed Статья PubMed Central Google ученый

  • Лоухерн В.Дж., Солон А.Дж., Уэйтович Н.Р., Гордон С.М., Хунг С.П., Лэнс Б.Дж. (2018) EEGNET: компактная сверточная нейронная сеть для интерфейсов мозг-компьютер на основе ЭЭГ.J Neural Eng 15 (5)

    PubMed Статья PubMed Central Google ученый

  • Ли Б-Х, Чон Дж. Х, Шим К-Х, Ким Д. Дж. (2020) Классификация моторных изображений задач, выполняемых одной рукой, с использованием сверточной нейронной сети на основе уточнения признаков. В: 8-я Международная зимняя конференция по интерфейсу мозг-компьютер (BCI). IEEE, pp 1–5

  • Li Y, Long J, Yu T, Yu Z, Wang C, Zhang H, Guan C (2010) Система BCI на основе ЭЭГ для управления двумерным курсором путем комбинирования mu / beta ритм и потенциал p300.IEEE Trans Biomed Eng 57 (10): 2495–2505

    PubMed Статья PubMed Central Google ученый

  • Li Y, Pan J, Wang F, Yu Z (2013) Гибридная система BCI, сочетающая p300 и SSVEP, и ее применение для управления креслами-колясками. IEEE Trans Biomed Eng 60 (11): 3156–3166

    PubMed Статья PubMed Central Google ученый

  • Li F, Xia Y, Wang F, Zhang D, Li X, He F (2020) Алгоритм обучения передачи сигнала p300-EEG на основе пространственного фильтра xDAWN и классификатора римановой геометрии.Appl Sci 10 (5): 1804

    CAS Статья Google ученый

  • Lin Z, Zhang C, Wu W, Gao X (2006) Распознавание частоты на основе канонического корреляционного анализа для BCI на основе SSVEP. IEEE Trans Biomed Eng 53 (12): 2610–2614

    PubMed Статья PubMed Central Google ученый

  • Lin Z, Zhang C, Zeng Y, Tong L, Yan B (2018) Новый спеллер p300 BCI, основанный на парадигме тройного RSVP.Научный доклад 8 (1): 1–9

    Google ученый

  • Liu M, Wu W, Gu Z, Yu Z, Qi F, Li Y (2018) Глубокое обучение на основе пакетной нормализации для обнаружения сигнала p300. Neurocomputing 275: 288–297

    Статья Google ученый

  • Long J, Li Y, Yu T, Gu Z (2011) Выбор цели с гибридной функцией для управления двумерным курсором на основе BCI. IEEE Trans Biomed Eng 59 (1): 132–140

    PubMed Статья PubMed Central Google ученый

  • Long J, Li Y, Wang H, Yu T, Pan J, Li F (2012) Гибридный мозговой компьютерный интерфейс для управления направлением и скоростью имитации или реальной инвалидной коляски.IEEE Trans Neural Syst Rehabil Eng 20 (5): 720–729

    PubMed Статья PubMed Central Google ученый

  • Long M, Wang J, Ding G, Sun J, Yu PS (2013) Обучение переносу функций с адаптацией совместного распределения. В: Материалы международной конференции IEEE по компьютерному зрению, стр. 2200–2207

  • Lotte F, Guan C (2010b) Регуляризация общих пространственных паттернов для улучшения конструкций BCI: единая теория и новые алгоритмы.IEEE Trans Biomed Eng 58 (2): 355–362

    PubMed Статья PubMed Central Google ученый

  • Lotte F, Guan C (2010a) Изучение других предметов помогает сократить время калибровки интерфейса мозг-компьютер. В: Международная конференция IEEE по акустике, обработке речи и сигналов. IEEE, pp. 614–617

  • Ma X, Wang D, Liu D, Yang J (2020) Распознавание электроэнцефалографических сигналов мульти-классовых изображений движения на основе Dwt и CNN.J Neural Eng 17 (1)

    PubMed Статья PubMed Central Google ученый

  • Маддула Р., Стиверс Дж., Мусави М., Равиндран С., де Са В. (2017) Глубокие рекуррентные сверточные нейронные сети для классификации сигналов p300 BCI. В: GBCIC, p 201

  • Makeig S, Bell AJ, Jung T-P, Sejnowski TJ (1996) Независимый компонентный анализ электроэнцефалографических данных. В: Достижения в системах обработки нейронной информации, стр. 145–151

  • Маман Г., Яир О., Эйтан Д., Талмон Р. (2019) Адаптация домена с использованием римановой геометрии матриц SPD.В: ICASSP 2019-2019 Международная конференция IEEE по акустике, речи и обработке сигналов (ICASSP). IEEE, pp 4464–4468

  • McMillan GR, Calhoun G, Middendorf M, Schnurer J, Ingle D, Nasman V (1995) Прямой мозговой интерфейс, использующий саморегуляцию устойчивой визуальной вызванной реакции (SSVER). In: Proceedings of RESNA ’95 Annual Conference (Vancouver, BC), pp 693–695

  • Meng J, Yao L, Sheng X, Zhang D, Zhu X (2014) Одновременная оптимизация пространственных спектральных характеристик на основе взаимной информации для Классификация ЭЭГ.IEEE Trans Biomed Eng 62 (1): 227–240

    PubMed Статья PubMed Central Google ученый

  • Meng J, Xu M, Wang K, Meng Q, Han J, Xiao X, Liu S, Ming D (2020) Разделимые особенности ЭЭГ, вызванные предсказанием времени для активных интерфейсов мозг-компьютер. Датчики 20 (12): 3588

    Артикул Google ученый

  • Миддендорф М., Макмиллан Дж., Калхун Дж., Джонс К.С. (2000) Интерфейсы мозг-компьютер, основанные на установившемся визуально-вызванном ответе.IEEE Trans Rehabil Eng 8 (2): 211–214

    CAS PubMed Статья PubMed Central Google ученый

  • Min B-K, Dähne S, Ahn M-H, Noh Y-K, Müller K-R (2016) Декодирование нисходящей когнитивной обработки для ИМТ, контролируемого SSVEP. Научный представитель 6: 36267

    CAS PubMed Статья PubMed Central Google ученый

  • Morash V, Bai O, Furlani S, Lin P, Hallett M (2008) Классификация сигналов ЭЭГ, предшествующих движениям правой руки, левой руки, языка и правой ноги, а также двигательным изображениям.Clin Neurophysiol 119 (11): 2570–2578

    PubMed Статья PubMed Central Google ученый

  • Mousavi M, Krol LR, de Sa V (2020) Гибридный интерфейс мозг-компьютер с воображением движения и связанной с ошибками мозговой активностью. J Neural Eng 17

    PubMed Статья PubMed Central Google ученый

  • Малдер Т. (2007) Моторные образы и наблюдение действий: когнитивные инструменты для реабилитации.J Neural Transm 114 (10): 1265–1278

    PubMed Статья PubMed Central Google ученый

  • Muller-Putz GR, Scherer R, Neuper C, Pfurtscheller G (2006) Устойчивые соматосенсорные вызванные потенциалы: подходящие сигналы мозга для интерфейсов мозг-компьютер? IEEE Trans Neural Syst Rehabil Eng 14 (1): 30–37

    PubMed Статья PubMed Central Google ученый

  • Nakanishi M, Wang Y, Wang Y-T, Mitsukura Y, Jung T-P (2014) Высокоскоростной спеллер для мозга, использующий устойчивые визуальные вызванные потенциалы.Int J Neural Syst 24 (06): 1450019

    PubMed Статья PubMed Central Google ученый

  • Nakanishi M, Wang Y, Chen X, Wang Y-T, Gao X, Jung T-P (2017a) Повышение эффективности обнаружения SSVEP для высокоскоростной орфографии мозга с помощью компонентного анализа задач. IEEE Trans Biomed Eng 65 (1): 104–112

    PubMed Статья PubMed Central Google ученый

  • Nakanishi M, Wang YT, Jung TP, Zao JK, Chien YY, Diniz-Filho A, Daga FB, Lin YP, Wang Y, Medeiros FA (2017b) Обнаружение глаукомы с помощью портативного интерфейса мозг-компьютер для объективной оценки потери зрительной функции.JAMA Ophthalmol 135 (6): 550–557

    PubMed Статья PubMed Central Google ученый

  • Обермайер Б., Нойпер С., Гугер С., Пфурчеллер Г. (2001) Скорость передачи информации в пятиклассном интерфейсе мозг-компьютер. IEEE Trans Neural Syst Rehabil Eng 9 (3): 283–288

    CAS PubMed Статья PubMed Central Google ученый

  • Ofner P, Schwarz A, Pereira J, Müller-Putz GR (2017) Движения верхних конечностей могут быть декодированы из временной области низкочастотной ЭЭГ.PLoS ONE 12 (8)

    PubMed Статья CAS PubMed Central Google ученый

  • Пан С.Дж., Ян К. (2009) Обзор трансфертного обучения. IEEE Trans Knowl Data Eng 22 (10): 1345–1359

    Статья Google ученый

  • Pan SJ, Tsang IW, Kwok JT, Yang Q (2010) Адаптация домена через анализ компонентов переноса. IEEE Trans Neural Netw 22 (2): 199–210

    PubMed Статья PubMed Central Google ученый

  • Panicker RC, Puthusserypady S, Sun Y (2011) Асинхронный BCI p300 с обнаружением состояния управления на основе SSVEP.IEEE Trans Biomed Eng 58 (6): 1781–1788

    PubMed Статья PubMed Central Google ученый

  • Parra LC, Spence CD, Gerson AD, Sajda P (2005) Рецепты для линейного анализа ЭЭГ. Neuroimage 28 (2): 326–341

    PubMed Статья PubMed Central Google ученый

  • Pfurtscheller G, Neuper C (1997) Моторные образы активируют первичную сенсомоторную область у людей.Neurosci Lett 239 (2–3): 65–68

    CAS PubMed Статья PubMed Central Google ученый

  • Pfurtscheller G, Da Silva FL (1999) Синхронизация и десинхронизация ЭЭГ / МЭГ, связанные с событиями: основные принципы. Clin Neurophysiol 110 (11): 1842–1857

    CAS PubMed Статья PubMed Central Google ученый

  • Pfurtscheller G, Neuper C, Flotzinger D, Pregenzer M (1997) Основанное на ЭЭГ различие между воображением движения правой и левой руки.Электроэнцефалограмма Clin Neurophysiol 103 (6): 642–651

    CAS PubMed Статья PubMed Central Google ученый

  • Pfurtscheller G, Allison BZ, Bauernfeind G, Brunner C, Solis Escalante T, Scherer R, Zander TO, Mueller-Putz G, Neuper C, Birbaumer N (2010a) Гибрид BCI. Фронт Neurosci 4: 3

    Google ученый

  • Pfurtscheller G, Solis-Escalante T, Ortner R, Linortner P, Muller-Putz GR (2010b) Самостоятельная работа ортеза на основе SSVEP с и без визуального «переключения мозга»: осуществимость изучение гибридного BCI.IEEE Trans Neural Syst Rehabil Eng 18 (4): 409–414

    PubMed Статья PubMed Central Google ученый

  • Познер М.И. (1980) Ориентация внимания. Q J Exp Psychol 32 (1): 3–25

    CAS PubMed Статья PubMed Central Google ученый

  • Qi H, Xue Y, Xu L, Cao Y, Jiao X (2018) Метод быстрой калибровки с использованием измерения римановой геометрии и других образцов на орфографе p300.IEEE Trans Neural Syst Rehabil Eng 26 (3): 602–608

    PubMed Статья PubMed Central Google ученый

  • Radüntz T, Scouten J, Hochmuth O, Meffert B (2017) Автоматическое устранение артефактов ЭЭГ путем применения алгоритмов машинного обучения к функциям на основе ICA. J Neural Eng 14 (4)

    PubMed Статья PubMed Central Google ученый

  • Ramoser H, Muller-Gerking J, Pfurtscheller G (2000) Оптимальная пространственная фильтрация одиночной пробной ЭЭГ во время воображаемого движения руки.IEEE Trans Rehabil Eng 8 (4): 441–446

    CAS PubMed Статья PubMed Central Google ученый

  • Рави А., Бени Н.Х., Мануэль Дж., Цзян Н. (2020) Сравнение зависимого от пользователя и независимого от пользователя обучения CNN для SSVEP BCI. J Neural Eng 17 (2)

    PubMed Статья PubMed Central Google ученый

  • Regan D (1966) Некоторые характеристики средних установившихся и переходных реакций, вызванных модулированным светом.Электроэнцефалограмма Clin Neurophysiol 20 (3): 238–248

    CAS PubMed Статья PubMed Central Google ученый

  • Reuderink B, Farquhar J, Poel M, Nijholt A (2011) Независимый от субъекта интерфейс мозг-компьютер, основанный на сглаженном базовом уровне второго порядка. В: Ежегодная международная конференция общества инженеров IEEE в медицине и биологии. IEEE, pp. 4600–4604

  • Rivet B, Souloumiac A, Attina V, Gibert G (2009) Алгоритм xDAWN для усиления вызванных потенциалов: приложение к интерфейсу мозг-компьютер.IEEE Trans Biomed Eng 56 (8): 2035–2043

    PubMed Статья PubMed Central Google ученый

  • Rodrigues PLC, Jutten C, Congedo M (2018) Анализ римановых прокрастов: трансферное обучение для интерфейсов мозг-компьютер. IEEE Trans Biomed Eng 66 (8): 2390–2401

    PubMed Статья PubMed Central Google ученый

  • Родригес П., Конгедо М., Джуттен С. (2020) Превышение размерности: метод объединения наборов данных BCI с разными размерностями.IEEE Trans Biomed Eng

  • Сахави С., Гуан С. (2017) Передаточное обучение на основе сверточной нейронной сети и извлечение знаний с использованием многосубъектных данных в моторных образах BCI. В: 8-я Международная конференция IEEE / EMBS по нейронной инженерии (NER). IEEE, стр. 588–591

  • Салазар-Гомес А.Ф., ДельПрето Дж., Гил С., Гюнтер Ф.Х., Рус Д. (2017) Исправление ошибок роботов в реальном времени с использованием сигналов ЭЭГ. В: Международная конференция IEEE по робототехнике и автоматизации (ICRA).IEEE, pp 6570–6577

  • Schirrmeister RT, Springenberg JT, Fiederer LDJ, Glasstetter M, Eggensperger K, Tangermann M, Hutter F, Burgard W., Ball T (2017) Глубокое обучение с использованием сверточных нейронных сетей для декодирования и визуализации ЭЭГ . Hum Brain Mapp 38 (11): 5391–5420

    PubMed Статья PubMed Central Google ученый

  • Schwarz A, Ofner P, Pereira J, Sburlea AI, Mueller-Putz GR (2017) Расшифровка естественных действий досягаемости и восприятия на основе ЭЭГ человека.J Neural Eng 15 (1)

    Статья Google ученый

  • Serby H, Yom-Tov E, Inbar GF (2005) Улучшенный интерфейс мозг-компьютер на основе p300. IEEE Trans Neural Syst Rehabil Eng 13 (1): 89–98

    PubMed Статья PubMed Central Google ученый

  • Shibasaki H, Hallett M (2006) Каков потенциал bereitschafts? Clin Neurophysiol 117 (11): 2341–2356

    PubMed Статья PubMed Central Google ученый

  • Shibasaki H, Barrett G, Halliday E, Halliday A (1980) Компоненты коркового потенциала, связанного с движением, и их топография скальпа.Электроэнцефалограмма Clin Neurophysiol 49 (3–4): 213–226

    CAS PubMed Статья PubMed Central Google ученый

  • Silvoni S, Ramos-Murguialday A, Cavinato M, Volpato C, Cisotto G, Turolla A, Piccione F, Birbaumer N (2011) Интерфейс мозг – компьютер в инсульте: обзор прогресса. Clin EEG Neurosci 42 (4): 245–252

    PubMed Статья PubMed Central Google ученый

  • Su S, Chai G, Shu X, Sheng X, Zhu X (2020) sssep, индуцированный электростимуляцией, как объективный показатель для оценки разницы в тактильной остроте между левой и правой рукой.J Neural Eng 17 (1)

    PubMed Статья PubMed Central Google ученый

  • Sutton S, Tueting P, Zubin J, John ER (1967) Доставка информации и сенсорный вызванный потенциал. Наука 155 (3768): 1436–1439

    CAS PubMed Статья PubMed Central Google ученый

  • Tang J, Xu M, Han J, Liu M, Dai T, Chen S, Ming D (2020a) Оптимизация системы BCI на основе SSVEP для практического высокоскоростного правописания.Датчики 20 (15): 4186

    Артикул Google ученый

  • Tang J, Xu M, Liu Z, Meng J, Chen S, Ming D (2019) Многофокальный интерфейс мозг-компьютер на основе SSVEP с меньшим временем калибровки. В: 41-я ежегодная международная конференция общества инженеров IEEE в медицине и биологии (EMBC). IEEE, pp 5975–5978

  • Tang J, Xu M, Liu Z, Qiao J, Liu S, Chen S, Jung TP, Ming D (2020b) Интерфейс мозг-компьютер, основанный на мультифокальных SSVEP, обнаруженных межзадачными -связанный компонентный анализ.IEEE Access

  • Tonin L, Leeb R, Sobolewski A, Millán JDR (2013) Онлайн-ЭЭГ BCI, основанный на скрытом зрительно-пространственном внимании в отсутствие экзогенной стимуляции. J Neural Eng 10 (5): 056007

    CAS PubMed Статья PubMed Central Google ученый

  • Toro C, Deuschl G, Thatcher R, Sato S, Kufta C, Hallett M (1994) Связанная с событием десинхронизация и связанные с движением корковые потенциалы на ECOG и EEG.Электроэнцефалография и клинические нейрофизиологические вызванные потенциалы Раздел 93 (5): 380–389

    CAS Статья Google ученый

  • Townsend G, LaPallo BK, Boulay CB, Krusienski DJ, Frye G, Hauser C, Schwartz NE, Vaughan TM, Wolpaw JR, Sellers EW (2010) Новая парадигма представления стимулов интерфейса мозг-компьютер на основе p300: движение за пределами строк и столбцов. Clin Neurophysiol 121 (7): 1109–1120

    CAS PubMed Статья PubMed Central Google ученый

  • Treder MS, Blankertz B (2010) (c) открытое внимание и визуальный дизайн орфографии в интерфейсе мозг-компьютер на основе ERP.Behav Brain Funct 6 (1): 1–13

    Статья Google ученый

  • van Schie HT, Mars RB, Coles MG, Bekkering H (2004) Модуляция активности медиальной лобной и моторной коры во время наблюдения ошибок. Nat Neurosci 7 (5): 549–554

    PubMed Статья CAS PubMed Central Google ученый

  • Vialatte F-B, Maurice M, Dauwels J, Cichocki A (2010) Устойчивые визуально вызванные потенциалы: фокус на основных парадигмах и перспективах на будущее.Прог Нейробиол 90 (4): 418–438

    PubMed Статья PubMed Central Google ученый

  • Фон Бюнау П., Мейнеке, Ф. Кирали, Мюллер К. Р. (2009) Поиск стационарных подпространств в многомерных временных рядах. Phys Rev Lett 103 (21)

    Статья CAS Google ученый

  • Wai AAP, Lee JC, Yang T, So R, Guan C (2020) Влияние пространственного разрешения стимула на ответы SSVEP при открытом и скрытом внимании.В: 42-я ежегодная международная конференция общества инженеров IEEE в медицине и биологии (EMBC). IEEE, pp. 3019–3022

  • Waldert S, Preissl H, Demandt E, Braun C, Birbaumer N, Aertsen A, Mehring C (2008) Направление движения руки, декодированное из MEG и EEG. J Neurosci 28 (4): 1000–1008

    CAS PubMed Статья PubMed Central Google ученый

  • Wang Y, Wang Y-T, Jung T-P (2012) Перевод пространственных фильтров ЭЭГ из состояния покоя в образ движения с использованием независимого компонентного анализа.PLoS ONE 7 (5)

    CAS PubMed Статья PubMed Central Google ученый

  • Ван К., Ван З., Го И, Хе Ф, Ци Х, Сюй М., Мин Д. (2017) Интерфейс мозг-компьютер, управляемый путем воображения различных силовых нагрузок на одной руке: онлайн-технико-экономическое обоснование. J Neuroeng Rehabil 14 (1): 1–10

    Статья Google ученый

  • Wang P, Jiang A, Liu X, Shang J, Zhang L (2018) Классификация ЭЭГ на основе LSTM в задачах воображения движения.IEEE Trans Neural Syst Rehabil Eng 26 (11): 2086–2095

    PubMed Статья PubMed Central Google ученый

  • Wang K, Xu M, Wang Y, Zhang S, Chen L, Ming D (2020) Улучшение декодирования паттернов ЭЭГ перед движением для интерфейсов мозг-компьютер. J Neural Eng 17 (1)

    PubMed Статья PubMed Central Google ученый

  • Waytowich NR, Lawhern VJ, Bohannon AW, Ball KR, Lance BJ (2016) Спектральное переносное обучение с использованием информационной геометрии для независимого от пользователя интерфейса мозг-компьютер.Front Neurosci 10: 430

    PubMed Статья PubMed Central Google ученый

  • Waytowich N, Lawhern VJ, Garcia JO, Cummings J, Faller J, Sajda P, Vettel JM (2018) Компактные сверточные нейронные сети для классификации асинхронных стационарных визуальных вызванных потенциалов. J Neural Eng 15 (6)

    PubMed Статья PubMed Central Google ученый

  • Winkler I, Brandl S, Horn F, Waldburger E, Allefeld C, Tangermann M (2014) Надежная классификация независимых компонентов артефактов для практиков BCI.J Neural Eng 11 (3)

    PubMed Статья PubMed Central Google ученый

  • Wolpaw J, Wolpaw EW (2012) Интерфейсы мозг – компьютер: принципы и практика. Oxford University Press, Oxford

    Книга Google ученый

  • Wong CM, Wang B, Wang Z, Lao KF, Rosa A, Wan F (2020b) Пространственная фильтрация в BCI на основе SSVEP: унифицированная структура и новые улучшения.IEEE Trans Biomed Eng

  • Wong CM, Wan F, Wang B, Wang Z, Nan W, Lao KF, Mak PU, Vai MI, Rosa A (2020a) Обучение с использованием нескольких стимулов улучшает методы распознавания целей на основе SSVEP BCI. J Neural Eng 17 (1): 016026

    PubMed Статья PubMed Central Google ученый

  • Wu Z, Lai Y, Xia Y, Wu D, Yao D (2008) Выбор стимулятора в BCI на основе SSVEP. Med Eng Phys 30 (8): 1079–1088

    PubMed Статья PubMed Central Google ученый

  • Xiao X, Xu M, Jin J, Wang Y, Jung T-P, Ming D (2019) Дискриминационное каноническое сопоставление с образцом для однократной классификации компонентов ERP.IEEE Trans Biomed Eng 67: 2266

    PubMed Статья PubMed Central Google ученый

  • Xing J, Qiu S, Ma X, Wu C, Li J, Wang S, He H (2020) Сеть сравнения на основе CNN для обнаружения устойчивых визуальных вызванных потенциальных ответов. Нейрокомпьютинг 403: 452

    Статья Google ученый

  • Xu M, Qi H, Wan B, Yin T, Liu Z, Ming D (2013a) Гибридная парадигма спеллера BCI, сочетающая потенциал p300 и функцию блокировки SSVEP.J Neural Eng 10 (2)

    PubMed Статья PubMed Central Google ученый

  • Xu M, Wang Y, Nakanishi M, Wang Y-T, Qi H, Jung T-P, Ming D (2016) Быстрое обнаружение скрытого зрительно-пространственного внимания с использованием гибридных функций n2pc и SSVEP. J Neural Eng 13 (6)

    PubMed Статья Google ученый

  • Xu M, Xiao X, Wang Y, Qi H, Jung T-P, Ming D (2018) Интерфейс мозг-компьютер, основанный на миниатюрных связанных с событием потенциалах, вызванных очень маленькими боковыми зрительными стимулами.IEEE Trans Biomed Eng 65 (5): 1166–1175

    PubMed Статья PubMed Central Google ученый

  • Xu J, Grosse-Wentrup M, Jayaram V (2020a) Пространственные фильтры касательного пространства для интерпретируемой и эффективной римановой классификации. J Neural Eng 17 (2)

    PubMed Статья PubMed Central Google ученый

  • Xu M, Han J, Wang Y, Jung T-P, Ming D (2020c) Реализация более 100 командных кодов для высокоскоростного гибридного интерфейса мозг-компьютер с использованием одновременных функций p300 и SSVEP.IEEE Trans Biomed Eng 67: 3073

    PubMed Статья PubMed Central Google ученый

  • Xu M, Meng J, Yu H, Jung T-P, Ming D (2020d) Динамические реакции мозга, модулируемые точным предсказанием времени в противоположном процессе. Neurosci Bull 37: 70–80

    PubMed Статья PubMed Central Google ученый

  • Xu M, Qi H, Zhang L, Ming D (2013b) Средство написания с параллельным bci, основанное на функциях p300 и SSVEP.В: 6-я Международная конференция IEEE / EMBS по нейронной инженерии (NER). IEEE, pp. 1029–1032

  • Xu L, Xu M, Ke Y, An X, Liu S, Ming D (2020b) Проблема изменчивости разных наборов данных при декодировании ЭЭГ с глубоким обучением. Front Hum Neurosci 14

  • Яир О., Бен-Чен М., Талмон Р. (2019a) Параллельный перенос на конусном коллекторе матриц SPD для адаптации домена. IEEE Trans Signal Process 67 (7): 1797–1811

    Статья Google ученый

  • Яир О., Дитрих Ф., Талмон Р., Кеврекидис И.Г. (2019b) Оптимальный перенос на многообразии матриц SPD для адаптации предметной области.Препринт arXiv arXiv: 1906.00616

  • Yao L, Meng J, Zhang D, Sheng X, Zhu X (2013) Сочетание воображения движений с избирательным ощущением гибридной модальности BCI. IEEE Trans Biomed Eng 61 (8): 2304–2312

    PubMed Статья PubMed Central Google ученый

  • Yi W, Qiu S, Qi H, Zhang L, Wan B, Ming D (2013) Сравнение характеристик ЭЭГ и классификация простых и сложных изображений движения конечностей. J Neuroeng Rehabil 10 (1): 106

    PubMed Статья PubMed Central Google ученый

  • Yi W, Qiu S, Wang K, Qi H, He F, Zhou P, Zhang L, Ming D (2016) Осцилляторные паттерны ЭЭГ и классификация последовательных сложных образов движений конечностей.J Neuroeng Rehabil 13 (1): 1–12

    Статья Google ученый

  • Yi W, Qiu S, Wang K, Qi H, Zhao X, He F, Zhou P, Yang J, Ming D (2017) Повышение производительности интерфейса мозг-компьютер на основе воображения движений за счет включения индуцированного электрической стимуляцией SSSEP. J Neural Eng 14 (2)

    PubMed Статья PubMed Central Google ученый

  • Yin E, Zhou Z, Jiang J, Chen F, Liu Y, Hu D (2013a) Новый гибридный спеллер BCI, основанный на включении SSVEP в парадигму p300.J Neural Eng 10 (2)

    PubMed Статья PubMed Central Google ученый

  • Yin E, Zhou Z, Jiang J, Chen F, Liu Y, Hu D (2013b) Быстрый гибридный подход к написанию BCI, сочетающий p300 и SSVEP. IEEE Trans Biomed Eng 61 (2): 473–483

    Google ученый

  • Yue L, Xiao X, Xu M, Chen L, Wang Y, Jung T-P, Ming D (2020) Интерфейс мозг-компьютер, основанный на высокочастотных установившихся асимметричных визуальных вызванных потенциалах.В: 42-я ежегодная международная конференция общества инженеров IEEE в медицине и биологии (EMBC). IEEE, стр. 3090–3093

  • Занини П., Конгедо М., Юттен С., Саид С., Бертумье Й. (2017) Трансферное обучение: структура римановой геометрии с приложениями к интерфейсам мозг-компьютер. IEEE Trans Biomed Eng 65 (5): 1107–1116

    PubMed Статья PubMed Central Google ученый

  • Чжан В., Ву Д. (2020) Множественная передача встроенных знаний для интерфейсов мозг-компьютер.IEEE Trans Neural Syst Rehabil Eng 28 (5): 1117–1127

    PubMed Статья PubMed Central Google ученый

  • Zhang D, Maye A, Gao X, Hong B, Engel AK, Gao S (2010) Независимый интерфейс мозг-компьютер, использующий скрытое непространственное визуальное избирательное внимание. J Neural Eng 7 (1)

    Статья Google ученый

  • Zhang Y, Guo D, Li F, Yin E, Zhang Y, Li P, Zhao Q, Tanaka T, Yao D, Xu P (2018b) Анализ коррелированных компонентов для повышения производительности мозгового компьютера на основе SSVEP интерфейс.IEEE Trans Neural Syst Rehabil Eng 26 (5): 948–956

    PubMed Статья PubMed Central Google ученый

  • Zhang Y, Guo D, Li F, Yin E, Zhang Y, Li P, Zhao Q, Tanaka T, Yao D, Xu P et al (2018c) Поправка к «коррелированному компонентному анализу для повышения производительности SSVEP. интерфейс мозг – компьютер ». IEEE Trans Neural Syst Rehabil Eng 26 (8): 1645–1646

    PubMed Статья PubMed Central Google ученый

  • Zhang Y, Nam CS, Zhou G, Jin J, Wang X, Cichocki A (2018d) Ограниченные по времени разреженные групповые пространственные шаблоны для воображения движений BCI.IEEE Trans Cybern 49 (9): 3322–3332

    PubMed Статья PubMed Central Google ученый

  • Zhang D, Yao L, Zhang X, Wang S, Chen W, Boots R, Benatallah B (2018a) Каскадные и параллельные сверточные рекуррентные нейронные сети для распознавания намерений на основе ЭЭГ для интерфейса мозг-компьютер. In: AAAI, pp 1703–1710

  • Zheng W-L, Zhu J-Y, Peng Y, Lu B-L (2014) Классификация эмоций на основе 0 с использованием сетей глубоких убеждений.В: Международная конференция IEEE по мультимедиа и выставке (ICME). IEEE, pp. 1–6

  • Декодирование сигналов мозга ЭЭГ с использованием рекуррентных нейронных сетей

    Магистерская диссертация, 2017

    67 страниц, класс: 1,0


    Реферат или Введение

    Интерфейсы мозг-компьютер (ИМК) на основе электроэнцефалографии (ЭЭГ) обеспечивают прямую связь между людьми и компьютерами путем анализа активности мозга.В частности, современные ИМК способны преобразовывать воображаемые движения в реальные управляющие сигналы, например, приводить в действие роботизированную руку или протез. Этот тип ИМК уже используется в реабилитационной робототехнике и обеспечивает альтернативный канал связи для пациентов, страдающих боковым амиотрофическим склерозом или тяжелой травмой спинного мозга. Современные методы основаны на традиционном машинном обучении, которое включает выявление отличительных признаков. Это сложная задача из-за нелинейных, нестационарных и изменяющихся во времени характеристик сигналов ЭЭГ, что привело к остановке прогресса в выполнении классификации.Глубокое обучение упрощает ручную разработку функций за счет сквозного декодирования, которое потенциально представляет собой многообещающее решение для классификации сигналов ЭЭГ.

    В этой диссертации исследуется, как модели глубокого обучения, такие как долговременная кратковременная память (LSTM) и сверточные нейронные сети (CNN), выполняют задачу декодирования движений воображения движения по сигналам ЭЭГ. Для этой задачи и LSTM, и модель CNN разрабатываются с использованием последних достижений в области глубокого обучения, таких как пакетная нормализация, выпадение и обрезанные стратегии обучения для увеличения данных.Оценка выполняется на новом наборе данных ЭЭГ, состоящем из 20 здоровых субъектов. Модель LSTM достигает самых современных характеристик опорных векторных машин с перекрестной проверенной точностью 66,20%. Модель CNN, которая использует частотно-временное преобразование на своем первом уровне, превосходит модель LSTM и достигает средней точности 84,23%. Это показывает, что подходы к глубокому обучению обеспечивают конкурентоспособную производительность без необходимости вручную настраивать функции, обеспечивая сквозную классификацию.

    Детали

    Название
    Расшифровка сигналов мозга ЭЭГ с использованием рекуррентных нейронных сетей
    Колледж
    Технический университет Мюнхена (Neurowissenschaftliche Systemtheorie)
    Оценка
    1,0
    Автор
    Год
    2017
    Страниц
    67
    Каталожный номер
    V455235
    ISBN (электронная книга)
    9783668865020
    ISBN (Книга)
    9783668865037
    Язык
    Английский
    Теги
    мозг-компьютер-интерфейс, машинное обучение, глубокое обучение, LSTM, CNN, робототехника
    Цена (книга)
    39.99 €
    Цитата
    Юрий Федяев (автор), 2017, Расшифровка сигналов мозга ЭЭГ с использованием рекуррентных нейронных сетей, Мюнхен, GRIN Verlag, https://www.grin.com/document/455235

    Улучшить декодирование паттернов ЭЭГ перед движением для интерфейсов мозг-компьютер

    Цель . В последние годы быстро развиваются системы интерфейса мозг-компьютер (ИМК), основанные на электроэнцефалографии (ЭЭГ).Однако декодирование произвольных предварительных движений пальцев на ЭЭГ по-прежнему является проблемой для ИМК. Это исследование было направлено на анализ характеристик ЭЭГ перед движением во временной и частотной областях и разработку эффективного метода декодирования паттернов, связанных с движением. Подход . В этом исследовании мы сначала исследовали особенности ЭЭГ, вызванные намерением движений пальцами левой и правой руки. В частности, функции связанного с движением коркового потенциала (MRCP) и связанной с событиями десинхронизации (ERD) были извлечены с использованием дискриминантного канонического сопоставления с образцом (DCPM) и общих пространственных образцов (CSP), соответственно.Затем два типа признаков были классифицированы двумя классификаторами дискриминантного анализа Фишера (FDA) соответственно. Их значения решений были дополнительно собраны, чтобы облегчить классификацию. Чтобы проверить достоверность предложенного метода, для оценки точности классификации использовался частный набор данных, содержащий 12 субъектов, и общедоступный набор данных из конкурса BCI Competition II. Основные результаты . В результате для частного набора данных комбинация DCPM и CSP достигла средней точности 80.96%, что на 5,08% выше, чем у метода одиночного DCPM ( p <0,01) и на 10,23% выше, чем у метода одиночного CSP ( p <0,01). Примечательно, что максимальная точность составила 91,5% для комбинированного метода. Точность теста набора данных IV соревнования BCI Competition II составила 90%, что соответствует лучшему результату в существующей литературе. Значение . Результаты демонстрируют, что особенности MRCP и ERD предварительных перемещений содержат значительную различительную информацию, которые дополняют друг друга и, таким образом, могут быть хорошо распознаны предлагаемым методом комбинирования DCPM и CSP.Таким образом, данное исследование предлагает многообещающий подход к декодированию паттернов ЭЭГ перед движением, что имеет большое значение для развития ИМК.

    Нейронные механизмы контроля внимания за объектами: декодирование альфа-канала ЭЭГ при прогнозировании лиц, сцен и инструментов уменьшение альфа указывает на очаговое корковое усиление и увеличение альфа указывает на подавление.Это наблюдалось для пространственного избирательного внимания и внимания к характеристикам стимула, таким как цвет по сравнению с движением. Мы исследовали, включает ли внимание к объектам подобные альфа-опосредованные изменения фокальной корковой возбудимости. В эксперименте 1 20 добровольцев (8 мужчин; 12 женщин) были направлены (прогноз 80%) на пробную основу к различным объектам (лицам, сценам или инструментам). Поддержка векторного машинного декодирования альфа-паттернов мощности показала, что поздно (задержка> 500 мс) в предпериоде от метки к цели только альфа ЭЭГ различалась с категорией объекта, подлежащего наблюдению.В эксперименте 2, чтобы исключить возможность того, что расшифровка физических характеристик реплик привела к нашим результатам, 25 участников (9 мужчин; 16 женщин) выполнили аналогичную задачу, в которой реплики не предсказывали категорию объекта. Альфа-декодирование теперь было значимым только в раннем (

    <200 мс) предварительном периоде. В эксперименте 3, чтобы исключить возможность того, что различия в постановке задач между разными категориями объектов привели к результатам нашего эксперимента 1, 12 участников (5 мужчин; 7 женщин) выполнили задачу прогнозирования, в которой задача распознавания различных объектов была идентична для разных категорий объектов. .Результаты воспроизведены в эксперименте 1. В совокупности эти результаты подтверждают гипотезу о том, что нейронные механизмы зрительного избирательного внимания включают фокальные корковые изменения в альфа-мощности не только для простого пространственного и особенного внимания, но и для высокоуровневого объектного внимания у людей.

    ЗНАЧИМОЕ ЗАЯВЛЕНИЕ Внимание — это когнитивная функция, которая позволяет выбирать релевантную информацию из сенсорных входов, чтобы ее можно было обработать для поддержки целенаправленного поведения.Визуальное внимание широко изучается, но нейронные механизмы, лежащие в основе отбора визуальной информации, остаются неясными. Колебательная активность ЭЭГ в альфа-диапазоне (8–12 Гц) нервных популяций, восприимчивых к целевым визуальным стимулам, может быть частью механизма, поскольку считается, что альфа отражает фокальную нервную возбудимость. Здесь мы показываем, что активность альфа-диапазона, измеренная с помощью ЭЭГ кожи головы участников, варьируется в зависимости от конкретной категории объекта, выбранного вниманием. Это открытие подтверждает гипотезу о том, что активность альфа-диапазона является фундаментальным компонентом нейронных механизмов внимания.

    Введение

    Селективное внимание — это фундаментальная когнитивная способность, которая облегчает обработку релевантной для задачи перцепционной информации и подавляет отвлекающие сигналы. Влияние внимания на восприятие было продемонстрировано в улучшении поведенческих характеристик (Posner, 1980) и изменении кривых психофизической настройки (Carrasco and Barbot, 2019). У людей эти преимущества восприятия присутствующих стимулов сочетаются с повышенными сенсорно-вызванными потенциалами (Van Voorhis and Hillyard, 1977; Eason, 1981; Mangun and Hillyard, 1991; Eimer, 1996; Luck et al., 2000) и усиление гемодинамических реакций (Corbetta et al., 1990; Heinze et al., 1994; Mangun et al., 1998; Tootell et al., 1998; Martínez et al., 1999; Hopfinger et al., 2000; Giesbrecht et al., 2003). У животных электрофизиологические записи показывают, что сенсорные нейроны, реагирующие на обслуживаемые стимулы, имеют более высокую частоту возбуждения, чем таковые на необслуживаемые стимулы (Moran and Desimone, 1985; Luck et al., 1997), улучшенное соотношение сигнал-шум при передаче информации (Mitchell et al. ., 2009; Briggs et al., 2013) и усиленные колебательные ответы (Fries et al., 2001), которые поддерживают более высокую межреальную функциональную взаимосвязь (Bosman et al., 2012).

    Большинство моделей избирательного внимания постулируют, что нисходящие управляющие сигналы внимания, возникающие в корковых сетях более высокого уровня, искажают обработку сенсорных систем (Nobre et al., 1997; Kastner et al., 1999; Corbetta et al., 2000; Hopfinger и др., 2000; Корбетта, Шульман, 2002; Петерсен, Познер, 2012). Однако остается неясным, как именно нисходящие сигналы влияют на сенсорную обработку в сенсорной коре.Один из возможных механизмов включает модуляцию альфа-колебаний ЭЭГ (8–12 Гц). Когда скрытое внимание направлено на одну сторону поля зрения, альфа-сигнал сильнее подавляется в противоположном полушарии (Worden et al., 2000; Sauseng et al., 2005; Thut et al., 2006; Rajagovindan and Ding, 2011). Считается, что это латерализованное уменьшение альфа-канала отражает повышение возбудимости коры в сенсорных нейронах, соответствующих задаче, для облегчения обработки предстоящих стимулов (Romei et al., 2008; Дженсен и Мазахери, 2010; Климеш, 2012). Связь между нисходящей активностью в лобно-теменной системе контроля внимания и альфа в сенсорной коре была предположена в исследованиях с использованием транскраниальной магнитной стимуляции для контроля областей (Capotosto et al., 2009, 2017), одновременных исследованиях ЭЭГ-фМРТ (Zumer et al., 2014; Liu et al., 2016) и магнитоэнцефалографии (Popov et al., 2017).

    Хотя большинство исследований роли альфы в избирательном зрительном внимании сосредоточено на пространственном внимании, альфа-механизмы могут быть более общими (Jensen and Mazaheri, 2010).Селективное внимание к визуальным характеристикам низкого уровня — движению по сравнению с цветом — также, как было показано, модулирует альфа-канал, который был локализован в областях MT и V4 с использованием моделирования ЭЭГ у людей (Snyder and Foxe, 2010). Следовательно, похоже, что связанная с вниманием альфа-модуляция может происходить на нескольких ранних уровнях сенсорной обработки в зрительной системе, причем локус альфа-модуляции функционально соответствует типу визуальной информации, на которую нацелено внимание. Неизвестно, участвует ли альфа-механизм также в контроле внимания над более высокими уровнями корковой визуальной обработки, например, вниманием к объектам.В настоящем исследовании мы проверили гипотезу о том, что альфа-модуляция является механизмом избирательного внимания к объектам путем записи ЭЭГ участников, выполняющих задачу упреждающего внимания к объектам с использованием следующих трех категорий объектов: лица, сцены и инструменты. Используя методы декодирования ЭЭГ, мы подтверждаем эту гипотезу, обнаруживая объектно-специфические модуляции альфа-канала во время упреждающего внимания к различным категориям объектов.

    Материалы и методы

    Обзор

    Настоящее исследование состояло из трех экспериментов.Эксперимент 1 является основным экспериментом, в котором мы проверяли, можно ли различить топологию альфа-диапазона ЭЭГ в зависимости от объектно-ориентированного состояния внимания. Анализ данных ЭЭГ включал построение топографической карты разности мощностей и декодирование мощности альфа-диапазона опорным вектором (SVM) для количественной оценки того, содержит ли альфа-диапазон ЭЭГ информацию о наблюдаемой категории объекта. В экспериментах 2 и 3 мы проверили две альтернативные интерпретации наших результатов из эксперимента 1.В частности, в эксперименте 2 мы проверили, могла ли точность декодирования в подготовительном периоде между началом сигнала и целевым началом, обнаруженная в эксперименте 1, быть основана на различиях в сенсорных процессах, вызываемых в зрительной системе различными стимулами сигнала, поскольку Свойства физических стимулов сигналов для трех различных условий внимания к объекту отличались друг от друга (треугольник против квадрата против круга). В эксперименте 3 мы исследовали, могли ли различия в альфа-топографии в разных условиях внимания к объекту в эксперименте 1 быть результатом разных наборов задач в трех условиях внимания объекта, а не отражением механизмов внимания, основанных на объектах, в зрительной коре головного мозга.

    Участники

    Все участники были здоровыми студентами-волонтерами из Калифорнийского университета в Дэвисе; имел нормальное или скорректированное до нормального зрение; дали информированное согласие; и получили зачетное время или денежную компенсацию за свое время. В эксперименте 1 данные ЭЭГ были записаны у 22 добровольцев (8 мужчин; 14 женщин). Два добровольца решили прекратить свое участие в середине эксперимента; данные оставшихся 20 участников (8 мужчин; 12 женщин) использовались для всех анализов.В эксперименте 2 данные ЭЭГ были записаны у 29 студентов; наборы данных от 4 участников были отклонены на основании непримиримого шума в данных или несоответствия субъектов, в результате чего был получен окончательный набор данных от 25 участников (9 мужчин; 16 женщин), который был использован для дальнейшего анализа декодирования. В эксперименте 3 данные ЭЭГ были записаны у 12 добровольцев (5 мужчин; 7 женщин). Наборы данных от двух участников были отклонены на основании несовместимого шума в данных ЭЭГ, в результате чего был получен окончательный набор данных ЭЭГ от 10 участников (5 мужчин и 5 женщин), который использовался для дальнейшего анализа декодирования.

    План эксперимента

    В исследовании использовался дизайн внутри субъектов. В экспериментах 1 и 3 мы исследовали распределение альфа-мощности ЭЭГ на коже черепа в зависимости от категории обслуживаемых объектов в упреждающей задаче на внимание с тремя категориями объектов (лица, сцены и инструменты). В эксперименте 2 мы исследовали распределение мощности альфа-сигнала ЭЭГ на коже черепа во время послеоперационного периода, когда три категории объектов не были посещены заранее. Подробная информация о задаче на внимание на объектном вызове, задаче без ответа и статистическом анализе представлена ​​ниже.

    Статистический анализ

    Данные поведенческой реакции были проанализированы с помощью обобщенной линейной смешанной модели с гамма-распределением (Lo and Andrews, 2015) со случайным эффектом субъекта и фиксированными эффектами категории объекта и достоверности реплики для количественной оценки эффекта валидности реплики. от времени реакции (RT).

    Различия в топографиях альфа-мощности скальпа ЭЭГ в зависимости от состояния сигнала были статистически проанализированы с использованием подхода декодирования SVM и непараметрического кластерного теста перестановок и моделирования Монте-Карло.Статистический тест на основе кластера использовался для управления проблемами множественного сравнения, которые возникают, когда тесты t выполняются во все моменты времени в течение эпохи (Bae and Luck, 2018). Подробности статистического теста на альфа-мощность ЭЭГ описаны ниже.

    Эксперимент 1
    Аппараты и раздражители.

    Участники удобно расположились в электрически экранированном звукопоглощающем помещении (ETS-Lindgren). Стимулы предъявлялись на светодиодном мониторе VIEWPixx / EEG (модель VPX-VPX-2006A, VPixx Technologies) на расстоянии просмотра 85 см, центрированном по вертикали на уровне глаз.Диагональ дисплея составляла 23,6 дюйма, разрешение — 1920 × 1080 пикселей, частота обновления — 120 Гц. Комната для записи и предметы в ней были окрашены в черный цвет, чтобы избежать отраженного света, и она слабо освещалась лампами постоянного тока.

    Каждое испытание начиналось с псевдослучайно выбранного представления одного из трех возможных типов сигналов в течение 200 мс (треугольник, квадрат или круг 1 ° × 1 °, используя PsychToolbox; Brainard, 1997; Рис. 1 A ). Действительные сигналы информировали участников, какая категория целевого объекта (лицо, сцена или инструмент, соответственно), вероятно, появится впоследствии (вероятность 80%).Реплики располагались на 1 ° выше центральной точки фиксации. После псевдослучайно выбранных асинхронностей начала стимула (SOA; 1000–2500 мс) от начала сигнала, целевые стимулы (квадратное изображение 5 ° × 5 °) предъявлялись при фиксации в течение 100 мс. В случайных 20% испытаний реплики были недействительными, неправильно информируя участников о предстоящей категории целевых объектов. Для этих недействительных испытаний целевое изображение было нарисовано с равной вероятностью из любой из двух категорий объектов без привязки. Все стимулы предъявлялись на сером фоне.Белая фиксирующая точка постоянно присутствовала в центре дисплея.

    Рисунок 1.

    A , Пример пробной последовательности для задачи «Внимание». Каждое испытание начиналось с предъявления символической подсказки, которую испытуемые учили, предсказывали (80%) конкретную категорию объекта. После периода ожидания (от метки к цели), изменяющегося от 1,0 до 2,5 с, было представлено изображение объекта (лица, сцены или инструмента). В 20% испытаний было представлено одно из двух изображений цели без привязки.Испытуемые должны были быстро и точно различать аспекты изображений как в ожидаемых, так и в неожиданных условиях (подробности см. В тексте). B , Примеры изображений цели, представленные в задании на внимание. Изображения лиц, сцен и инструментов были выбраны из онлайн-баз данных.

    Целевые изображения (Рис. 1 B ) были выбраны из 60 возможных изображений для каждой категории объектов. Все целевые изображения были собраны из Интернета. Изображения лиц были фронтальными, с нейтральным выражением, лицами белой национальности, обрезанными и помещенными на белом фоне (Righi et al., 2012). Полнокадровые изображения сцен были взяты из коллекции естественных сцен Техасского университета в Остине (Geisler and Perry, 2011) и коллекции сцен кампуса (Burge and Geisler, 2011). Обрезанные изображения инструментов на белом фоне были взяты из Банка стандартизированных стимулов (Brodeur et al., 2014). Псевдослучайно распределенный интервал между испытаниями (ITI; 1500–2500 мс) отделял целевое смещение от начала сигнала следующего испытания. Каждый набор из 60 изображений объектов состоял из 30 изображений следующих различных подкатегорий: мужские / женские лица, городские / природные сцены и инструменты с питанием / без питания.

    Запись ЭЭГ.

    Необработанные данные ЭЭГ были получены с помощью 64-канальной системы активных электродов Brain Products actiCAP (Brain Products) и оцифрованы с помощью входной платы и усилителя Neuroscan SynAmps2 (Compumedics). Сигналы были записаны с помощью программного обеспечения для сбора данных Scan 4.5 (Compumedics) с частотой дискретизации 1000 Гц и полосой пропускания от постоянного тока до 200 Гц. Шестьдесят четыре активных электрода Ag / AgCl помещали в подогнанные эластичные колпачки, используя следующий монтаж в соответствии с международной системой 10–10 (Jurcak et al., 2007): FP1, FP2, AF7, AF3, AFz, AF4, AF8, F7, F5, F3, F1, Fz, F2, F4, F6, F8, FT9, FT7, FC5, FC3, FC1, FCz, FC2, FC4, FC6, FT8, FT10, T7, C5, C3, C1, Cz, C2, C4, C6, T8, TP9, TP7, CP5, CP3, CP1, CPz, CP2, CP4, CP6, TP8, TP10, P7, P5, P3, P1, Pz, P2, P4, P6, P8, PO7, PO3, POz, PO4, PO8, PO9, O1, Oz, O 2 и PO10; с каналами AFz и FCz, назначенными как наземный и оперативный, соответственно. Кроме того, электроды на участках TP9 и TP10 были размещены непосредственно на левом и правом сосцевидном отростке.Электрод Cz был ориентирован на макушку головы каждого участника путем измерения спереди назад от назиона до иона и справа налево между преаурикулярными точками. Гель-электролит с высокой вязкостью наносили на каждый участок электрода для облегчения проводимости между электродом и кожей головы, а значения импеданса поддерживались на уровне <25 кОм. Непрерывные данные сохранялись в отдельных файлах, соответствующих каждому пробному блоку парадигмы стимула.

    Предварительная обработка ЭЭГ.

    Все процедуры предварительной обработки данных были выполнены с помощью набора инструментов EEGLAB MATLAB (Delorme and Makeig, 2004).Для каждого участника все файлы данных ЭЭГ были объединены в единый набор данных перед обработкой данных. Каждый набор данных был визуально проверен на наличие плохих каналов, но таких каналов не наблюдалось. Данные были отфильтрованы с помощью окна Хэмминга sinc FIR (конечный импульсный отклик) (1–83 Гц), а затем субдискретизированы до 250 Гц. Данные были алгебраически привязаны к среднему значению для всех электродов, а затем были отфильтрованы нижние частоты до 40 Гц. Данные были привязаны к интервалу от 500 мс до начала сигнала до 1000 мс после начала сигнала, так что упреждающие данные всех испытаний можно было изучить вместе.Данные были визуально проверены, чтобы отметить и отклонить испытания с помощью морганий и движений глаз, которые произошли во время представления сигнала. Затем была использована разложение независимого компонентного анализа для удаления артефактов, связанных с морганиями и движениями глаз.

    Анализ ЭЭГ.

    Мы использовали процедуру спектральной плотности мощности с функцией периодограммы Matlab (x) (длина окна, 500 мс; длина шага, 40 мс), чтобы извлечь мощность в альфа-диапазоне для каждого электрода, а также для каждого участника и сигнала. состояние.Мощность в альфа-диапазоне рассчитывалась как среднее значение мощности от 8 до 12 Гц. Для каждого участника и условия сигнала результаты спектральной плотности мощности вычислялись в отдельных испытаниях, а затем усреднялись по испытаниям. Усредненные результаты спектральной плотности мощности использовались для визуального изучения топографии мощности альфа-диапазона в различных условиях сигнала.

    Мы реализовали анализ декодирования, чтобы количественно оценить, было ли внимание объекта систематически связано с изменениями фазонезависимой топографии мощности альфа-диапазона в зависимости от условий.Эта процедура анализа была адаптирована из процедуры декодирования представлений рабочей памяти из ЭЭГ кожи головы (Bae and Luck, 2018).

    Декодирование выполнялось независимо в каждый момент времени в эпохах. Мы реализовали нашу модель декодирования с помощью функции Matlab fitecoc (x) , чтобы использовать комбинацию SVM и алгоритмов кодирования вывода с исправлением ошибок (ECOC). Отдельный бинарный классификатор был обучен для каждого условия сигнала с использованием подхода «один против одного», при этом производительность классификатора была объединена в соответствии с подходом ECOC.Таким образом, декодирование считалось правильным, когда классификатор правильно определил условие реплики из трех возможных условий реплики, а вероятность выполнения была установлена ​​на уровне 33,33% (одна треть).

    Декодирование для каждого момента времени следовало шестикратной процедуре перекрестной проверки. Данные пяти шестых испытаний, выбранных случайным образом, были использованы для обучения классификатора правильной маркировке. Оставшаяся шестая часть испытаний была использована для тестирования классификатора с помощью функции Matlab pred (x) .Вся процедура обучения и тестирования повторялась 10 раз, при этом новые данные для обучения и тестирования назначались случайным образом на каждой итерации. Для каждого условия реплики, каждого участника и каждой временной точки точность декодирования рассчитывалась путем суммирования количества правильных маркировок в испытаниях и итерациях и деления на общее количество маркировок.

    Мы усреднили вместе результаты декодирования для всех 10 итераций, чтобы проверить точность декодирования для всех участников в каждый момент времени в эпоху.В любой данный момент времени точность декодирования с высокой вероятностью предполагает, что альфа-топография содержит информацию о категории обслуживаемых объектов. Однако сравнения точности декодирования со случайностью самого по себе недостаточно для оценки надежности вывода, сделанного на основе точности декодирования. Несмотря на то, что односторонний тест t на точность декодирования разных субъектов против случайности даст значение t и результат статистической значимости для рассматриваемой временной точки, проведение того же теста в каждой из 375 временных точек, включенных в нашу эпоху. потребует поправки на множественные поправки, которые приведут к чрезмерно консервативным статистическим тестам.Поэтому, после исследования Bae and Luck (2018), мы использовали оценку значимости на основе моделирования методом Монте-Карло, чтобы выявить статистически значимые кластеры точности декодирования.

    Статистическим методом Монте-Карло точность декодирования оценивалась по случайно выбранному целому числу (1, 2 или 3), представляющему экспериментальные условия, для каждого момента времени. В каждый момент времени для перетасованных данных проводился тест t точности классификации участников по сравнению с случайностью.Были идентифицированы кластеры последовательных моментов времени, точность декодирования которых была определена как статистически значимая с помощью теста t , и масса кластера t была рассчитана для каждого кластера путем суммирования значений t , заданных каждым составляющим тестом t . Масса каждого кластера составила т, масса тонн. Эта процедура была повторена 1000 раз, чтобы сгенерировать распределение масс t , чтобы представить нулевую гипотезу о том, что данный кластер масс t из нашего анализа декодирования, вероятно, был найден случайно.Значение массы t отсечки 95% было определено из нулевого распределения на основе перестановок и использовано в качестве отсечки, с которой можно сравнить массы кластера t , вычисленные из наших исходных данных декодирования. Кластеры последовательных моментов времени в исходных результатах декодирования с массами t , превышающими порог, основанный на перестановках, считались статистически значимыми.

    Мы выполнили ту же процедуру декодирования фазонезависимой осцилляторной активности ЭЭГ в тета-диапазоне (4–7 Гц), бета-диапазоне (16–31 Гц) и гамма-диапазоне (32–40 Гц), чтобы проверить гипотезу, что объект Модуляции активности ЭЭГ, основанные на внимании, специфичны для альфа-диапазона.Для фильтрации данных ЭЭГ в бета- и гамма-диапазоны мы установили минимальный порядок фильтрации, равный трехкратному количеству отсчетов в экспериментальную эпоху. Для фильтрации по тета-диапазону мы установили минимальный порядок фильтрации, равный двукратному количеству отсчетов, потому что длительность эпохи не была достаточно большой, чтобы позволить порядок фильтрации в три раза больше количества отсчетов.

    Порядок действий.

    Участники были проинструктированы сохранять фиксацию в центре экрана во время каждого испытания и предвосхищать категорию объекта, на которую указывает указатель, до тех пор, пока не появится целевое изображение.Кроме того, им было поручено указать подкатегорию объекта целевого изображения (например, мужчина / женщина) нажатием кнопки как можно быстрее и точнее в целевой презентации, используя кнопку указательного пальца для мужчин (лицо), природы (сцена) и питания. (инструмент) и нажмите кнопку среднего пальца для женщин (лицо), городских (сцена) и без питания (инструмент). Ответы регистрировались только во время ITI между целевым началом и следующим испытанием. Испытания были классифицированы как правильные, когда записанный ответ соответствовал подкатегории целевого изображения, и неправильный, когда ответ не совпадал или когда не было записанного ответа.Каждый блок экспериментов включал 42 испытания продолжительностью ~ 3 мин. Каждый участник выполнил 10 блоков эксперимента.

    Эксперимент 2

    Протоколы записи и анализа были идентичны протоколам эксперимента 1. Учитывая, что цель этого эксперимента состояла в том, чтобы проверить, могла ли точность декодирования в подготовительном периоде между началом сигнала и целевым началом быть основана на различиях Что касается сенсорных процессов, вызываемых в зрительной системе различными сигнальными стимулами, мы изменили эксперимент 1, сделав реплики непредсказуемыми для предстоящей целевой категории.В соответствии с этой модификацией мы проинструктировали участников, что форма реплики неинформативна, и что представление реплики было просто для предупреждения их о том, что целевой стимул скоро появится. Участников не проинструктировали игнорировать форму реплики. Хотя временной ход различий в сенсорных ответах в ЭЭГ кожи головы, отфильтрованных до частот альфа-диапазона, трудно измерить, на основе предыдущей литературы (Bae and Luck, 2018) мы предсказали, что даже для альфы любой дифференцируемый вызванный стимулом сенсорная активность будет ограничена временным окном в пределах 200 мс после начала сигнала.Каждый участник выполнил 10 блоков эксперимента, в каждом блоке по 42 попытки.

    Эксперимент 3

    Протоколы записи и анализа были идентичны протоколам эксперимента 1. Целью этого эксперимента было выяснить, могли ли различия в альфа-топографии в разных условиях внимания объекта в эксперименте 1 быть результатом различных наборов задач в разных группах. три состояния объектного внимания, а не отражающие объектно-ориентированные механизмы внимания в зрительной коре.В частности, в условиях присутствия лица в эксперименте 1 участников проинструктировали различать, было ли представленное лицо мужским или женским, и указать свой выбор, используя поле кнопок с двумя кнопками под указательным и средним пальцами. В условии присутствия на сцене задача заключалась в том, чтобы отличить городские сцены от естественных с помощью тех же двух кнопок, а в условии присутствия инструмента задача заключалась в том, чтобы отличить питание от инструментов без источника питания с помощью тех же двух кнопок. Поскольку различаемые категории были разными в разных условиях (мужской / женский, городской / естественный, электроинструмент / ручной инструмент), возможно, что участники готовили разные наборы задач в разных условиях реплики в течение подготовительного периода.Например, после представления треугольной реплики участнику потребуется когнитивно сопоставить реакцию своего указательного пальца на идентификацию мужского лица и реакцию своего среднего пальца на идентификацию женского лица, тогда как это сопоставление будет другим, если Участнику был вручен квадратный кий. Эти различные наборы задач и сопоставления от зрительной коры головного мозга к подготовке двигательной реакции могли, возможно, управлять различными альфа-топографиями кожи головы в течение подготовительного периода.

    Это объяснение не является взаимоисключающим с нашей интерпретацией, согласно которой альфа-топография скальпа отражает различное предварительное смещение внимания в визуальных областях, отобранных по категориям объектов, но, учитывая план эксперимента 1, нет способа узнать, одно, другое или оба отражены в различных альфа-паттернах. Поэтому мы провели эксперимент, который приравнял задачу ко всем условиям внимания к объекту, чтобы устранить любые различия в наборе задач, которые присутствовали в исходном эксперименте.Основываясь на нашей модели, согласно которой альфа — это механизм избирательного внимания к объектам в зрительной коре, в этом новом дизайне мы все еще должны наблюдать различные паттерны альфа-сигналов для подготовительного внимания к категориям объектов, которые должны быть выявлены при успешном декодировании на поздних стадиях сигнала. к целевому периоду.

    Аппараты и раздражители.

    Общая структура парадигмы для эксперимента 3 следовала парадигме эксперимента 1. В каждом испытании появлялась форма реплики, указывающая категорию объекта, который необходимо посетить.Формы реплик были идентичны таковым в эксперименте 1. Как и раньше, за репликой следовал подготовительный период, а затем появлялось изображение стимула. ITI разделяет изображение стимула и начало следующего испытания. Поведенческие ответы были собраны во время этого ITI. Диапазоны SOA и ITI оставались такими же, как и в эксперименте 1.

    Поведенческая задача для этого эксперимента заключалась в том, чтобы определить в каждом испытании, является ли кратко представленное целевое изображение, принадлежащее к категории объектов, по которым осуществляется указание (лица, сцены или инструменты). в фокусе или размыто.В отличие от экспериментов 1 и 2, стимулы, подлежащие различению, представляли собой составные части изображения, принадлежащего целевой категории, наложенного на изображение, принадлежащее к категории отвлекающих факторов, не подвергавшихся контролю. Важно отметить, что и целевое изображение, и изображение-отвлекающий элемент в смеси могут быть в фокусе или размытыми независимо друг от друга; следовательно, задача не может быть выполнена исключительно на основе внимания и реакции на присутствие или отсутствие размытия (см., например, результаты эксперимента 3).

    Двадцать процентов испытаний были неправильно запрошены, что позволяет нам оценить влияние достоверности реплики на поведенческие характеристики.Для недействительных испытаний изображение стимула было составным из изображения из случайно выбранной категории объектов без привязки, наложенного на черно-белую шахматную доску. Шахматная доска также может быть размытой или в фокусе независимо от изображения объекта. Участников проинструктировали, что всякий раз, когда они сталкивались с испытанием, в котором смешанный стимул не включал изображение, принадлежащее к категории объекта с указанием, а вместо этого содержал только одно изображение объекта и наложение шахматной доски, они должны были указать, является ли изображение объекта без привязки в стимуле был расплывчатым или в фокусе.Мы предсказали, что участники будут медленнее реагировать на испытания с неверными указаниями, аналогично поведенческому эффекту валидности, наблюдаемому в парадигмах пространственного внимания с указанием указаний.

    Изображения стимула охватывали квадрат 5 ° × 5 ° угла обзора. Для создания размытых изображений к изображениям применялось размытие по Гауссу со значением SD 2.

    Все три категории объектов включали 40 различных индивидуальных изображений. В каждом испытании были нарисованы случайные изображения для создания составного изображения стимула. Изображения сцен и инструментов были взяты из тех же наборов изображений, что и для исходного эксперимента.Однако изображения лиц были взяты из другого набора изображений (Ma et al., 2015), потому что изображения лиц, использованные в первоначальном эксперименте, не имели достаточно высокого разрешения, чтобы обеспечить надежно заметные различия в размытых и не размытых условиях. Все изображения лиц были обрезаны до овалов с центром на лице и помещены на белом фоне.

    В отличие от изображений сцены, которые содержали визуальные детали, охватывающие весь квадрат 5 ° × 5 °, изображения лиц и инструментов были установлены на белом фоне и поэтому не содержали визуальной информации до всех границ изображения.Следовательно, чтобы исключить возможность того, что участники могут использовать информацию о сигнале для фокусировки пространственного внимания вместо объектно-ориентированного внимания для выполнения размытого / сфокусированного различения в любом испытании, в котором изображение лица или инструмента было включено в составной стимул, положение этого изображение лица или инструмента было случайным образом смещено из центра.

    Порядок действий.

    Участники были проинструктированы как можно быстрее реагировать на целевой стимул, поэтому очень важно, чтобы участники занимались подготовительным вниманием к категории объектов, на которые указывает указатель, в течение подготовительного периода.Все участники были обучены как минимум 126 попыткам выполнения задания и смогли достичь не менее 60% точности ответа перед выполнением его в рамках сбора данных ЭЭГ; для этого продолжительность стимула была скорректирована для каждого участника на начальном этапе обучения. Эксперимент 3 был проведен в той же лабораторной среде, что и исходный эксперимент, и переменные настройки окружающей среды были приравнены к параметрам исходного эксперимента.

    Каждый участник выполнил 15 блоков эксперимента, каждый из которых включал 42 испытания, что в среднем представляло на 210 испытаний на одного испытуемого больше, чем эксперимент 1.

    Результаты

    Эксперимент 1

    Поведенческие результаты

    Наблюдаемая точность ответа была высокой и одинаковой для всех условий объекта и условий достоверности (недопустимое лицо 96,6%; недопустимая сцена 97,1%; допустимое лицо 96,8%; допустимая сцена 96,7 %; действительный инструмент, 93,1%), за исключением недопустимого условия обслуживания инструмента (87,5%), которое мы рассмотрим ниже.

    Чтобы определить, вызвала ли наша задача поведенческий эффект внимания, мы сравнили RT для определения целевых различий между испытаниями с действительными и недействительными указаниями.Мы наблюдали более быстрые средние RT для действительных испытаний, чем для недействительных испытаний, усредняясь по условиям (рис. 2 A ) и для каждого условия в отдельности (рис. 2 B ).

    Рисунок 2.

    Поведенческие меры внимания в эксперименте 1. A , Ящичковые диаграммы данных о времени реакции для недействительных и достоверных испытаний для 20 субъектов, усредненные по условиям внимания (объекта). Толстые горизонтальные линии внутри прямоугольников представляют собой медианные значения. Первый и третий квартили показаны как нижний и верхний края прямоугольника.Вертикальные линии проходят до самых крайних точек данных, за исключением выбросов. Точки над графиками представляют выбросы, которые были определены как любое значение, превышающее третий квартиль плюс 1,5 межквартильного размаха. Субъекты в целом были значительно быстрее для объектов, получивших указание (действительных), чем объекты, не обработанные (недопустимые). B , Время реакции для допустимых и недействительных испытаний отдельно для каждого состояния внимания. Субъекты были значительно быстрее для объектов с указанием (действительных), чем с объектами с указанием (недопустимые) для каждой категории объектов.

    Чтобы количественно оценить влияние достоверности реплики на RT, мы подобрали обобщенную линейную смешанную модель с гамма-распределением к данным RT (Lo and Andrews, 2015). Мы обнаружили значительный эффект валидности (действительный или недействительный, p <0,001). Модель также выявила значительный главный эффект категории объекта ( p <0,001) из-за более медленного общего времени реакции в категории инструмента. Таким образом, испытуемые были менее точны и медленнее реагировали на категорию инструментов.Несмотря на эти незначительные снижения производительности для категории инструментов, тем не менее наблюдался значительный поведенческий эффект внимания для категории инструментов, что свидетельствует о том, что испытуемые использовали все три типа сигналов, чтобы подготовиться к различению и реагированию на приближающиеся объекты.

    Результаты альфа-топографии. но до появления целевых раздражителей.Чтобы выделить различия между альфа-топографиями между состояниями и контролировать неспецифические эффекты поведенческого возбуждения, мы создали попарные карты различий альфа-топографии одного состояния внимания объекта, вычтенного из другого состояния внимания объекта.

    Мы заметили, что различия в альфа-топографии между условиями объекта возникали и развивались в течение периода упреждения (от сигнала к цели) (рис. 3). В топографии посещаемости минус посещаемость (рис.3 A ), мы наблюдали повышенную альфа-мощность над левой задней частью скальпа и уменьшенную альфа-мощность над правой задней частью скальпа в течение периода упреждения, при этом латерализация становилась наиболее заметной при более длительных послеоперационных латентных периодах. В топографиях «лицо минус инструмент» (рис. 3 B ) картина была аналогичной в самые длинные латентные периоды, но была более изменчивой в промежуточные периоды времени. В топографиях посещаемости минус посещаемость (рис. 3 C ) характер альфа-различий отличался от тех, которые связаны с условиями посещаемости; при самых длительных послеоперационных латентных периодах картина силы альфа-излучения на коже черепа была обратной, чем на других картах разницы, причем сила альфа-излучения была выше слева, чем на правой задней части скальпа.В целом, наличие этих различий между состояниями согласуется с вариациями основных паттернов корковой альфа-мощности во время упреждающего внимания к лицам, сценам и инструментам. Однако, учитывая вариабельность между субъектами и присущую им сложность количественной оценки карт различий между субъектами в зависимости от условий внимания, мы обратились к методу декодирования ЭЭГ, чтобы количественно оценить различия в мощности альфа в условиях, которые качественно описаны выше.

    Рис. 3.

    Карты топографических различий для мощности альфа в эксперименте 1. A , Карты различий для упреждающего внимания к лицам минус сцены. График разности альфа-топографии для условий присутствия минус условия присутствия, усредненных по участникам, для четырех временных окон относительно начала сигнала. Карты топографических различий отображаются только до 1000 мс после начала сигнала, когда могут появиться цели с наименьшей задержкой. Вид на эти разностные карты из-за головы.См. Описание в тексте. B , Карты различий для упреждающего внимания к лицам без инструментов. График разности альфа-топографии для условий посещаемости минус условия посещаемости, усредненные по участникам. C , Карты различий для упреждающего внимания к инструментам без сцен. График разницы в альфа-топографии для инструмента посещаемости минус условия посещения, усредненные по участникам.

    Результаты декодирования SVM

    Результаты декодирования SVM (рис.4) выявил статистически значимую точность декодирования в двух кластерах временных точек в диапазоне 500–800 мс после спасения и перед целью (рис. 4, бирюзовые точки). Точность декодирования в диапазоне от -100 до +200 мс в начале сигнала не достигла порога статистической значимости.

    Рисунок 4.

    Точность декодирования альфа-диапазона в эксперименте 1. Точность декодирования активности альфа-диапазона в течение эпохи для разных участников. Горизонтальная красная линия представляет собой случайную точность декодирования.Сплошная изменяющаяся во времени линия представляет собой среднюю точность декодирования по каждому объекту в каждый момент времени, а заштрихованная область вокруг этой линии — это SEM. Серая заливка обозначает период предварительного ожидания, а сегмент с оранжевой заливкой представляет собой период ожидания между началом сигнала (0 мс) и самым ранним достижением цели (1000 мс). Бирюзовые точки обозначают моменты времени, которые принадлежат статистически значимым кластерам точности декодирования, как определено оценкой Монте-Карло.

    Результаты SVM-декодирования осцилляторной активности ЭЭГ в тета-, бета- и гамма-диапазонах не выявили статистически значимого декодирования в период упреждения (рис.5).

    Рисунок 5.

    Декодирование для разных частотных диапазонов ЭЭГ в эксперименте 1. A , Та же процедура декодирования SVM и статистическая процедура Монте-Карло, которые использовались для анализа данных альфа-диапазона, были применены к тета-диапазону (4– 7 Гц). B , Тот же конвейер декодирования был применен к бета-диапазону (16–31 Гц), что не выявило статистически значимых кластеров с высокой точностью декодирования в подготовительный период. C , Тот же конвейер декодирования также применялся к гамма-диапазону (32–40 Гц) и, аналогичным образом, не выявил статистически значимых кластеров с высокой точностью декодирования в подготовительный период.

    Эксперимент 2

    Мы наблюдали статистически значимый кластер моментов времени с исключительной точностью декодирования только в окне представления сигнала. Никаких дальнейших кластеров декодирования со значительно большей вероятностью не происходило где-либо от 200 до 1000 мс (рис. 6).

    Рисунок 6.

    Точность декодирования альфа-диапазона для эксперимента 2. Та же процедура декодирования SVM и статистическая процедура Монте-Карло, которые использовались для анализа данных из эксперимента 1, были применены к альфа-диапазону ЭЭГ из эксперимента 2, выявив кластер статистически важные моменты времени, близкие к началу сигнала, но не позднее подготовительного периода.

    Результаты этого контрольного эксперимента опровергают возможность того, что декодирование позднего периода альфа-диапазона, которое мы наблюдали в нашем первоначальном эксперименте, было просто результатом дифференциальных восходящих сенсорных процессов в трех условиях сигнала. Поскольку парадигма эксперимента 2 была идентична парадигме эксперимента 1 во всех отношениях, кроме достоверности реплики, и поскольку мы использовали тот же конвейер декодирования SVM для данных ЭЭГ в альфа-диапазоне из эксперимента 2, как и в эксперименте 1, мы могли напрямую оценить, была ли модель результатов декодирования, полученных нами в первоначальном эксперименте, связана с восходящими сенсорными процессами.

    Для эксперимента 2 мы собрали данные от большего числа участников, чем для нашего первоначального эксперимента, чтобы иметь больше возможностей для оценки величины и временной степени декодирования, которое может быть достигнуто исключительно на основе вызванной стимулом активности. Наши результаты подтверждают идею о том, что сверх-случайное декодирование с большой задержкой в ​​эксперименте 1 не связано с чисто сенсорной активностью, обусловленной различиями физических стимулов, потому что мы обнаружили, что в эксперименте 2 статистически значимое сверх-случайное декодирование происходило только в кластере времени. указывает на короткую задержку после спасения (<200 мс после начала сигнала; рис.6).

    Эксперимент 3

    Поведенческие результаты

    В задаче различения размытых и сфокусированных изображений (рис.7) мы наблюдали различия в RT между действительными и недействительными испытаниями для всех категорий объектов, так что испытания с достоверными указаниями вызывали более быстрые ответы, чем неправильно назначенные испытания (рис. 8). При подгонке обобщенной линейной смешанной модели с гамма-распределением к данным RT мы обнаружили значительный эффект достоверности ( p <0,001).

    Рис. 7.

    Пример изображения цели в задаче на внимание для эксперимента 3.В этом наборе примеров лицо — это категория целевого объекта, которую нужно идентифицировать как находящуюся в фокусе или размытую, а наложенные изображения инструмента или сцены являются изображениями-отвлекающими элементами. Для каждого стимульного изображения и цель, и отвлекающий фактор могут быть размытыми или в фокусе независимо друг от друга.

    Рисунок 8.

    Поведенческие меры внимания в эксперименте 3. A , Ящичковые диаграммы данных о времени реакции для недействительных и достоверных испытаний для 12 субъектов, усредненных по условиям внимания (объекта).Толстые горизонтальные линии внутри прямоугольников представляют собой медианные значения. Первый и третий квартили показаны как нижний и верхний края прямоугольника. Вертикальные линии проходят до самых крайних точек данных, за исключением выбросов. Точки над графиками представляют выбросы, определяемые как любое значение, превышающее третий квартиль плюс 1,5 межквартильного размаха. Субъекты в целом были значительно быстрее для объектов, получивших указание (действительных), чем объекты, не обработанные (недопустимые). B , Время реакции для допустимых и недействительных испытаний отдельно для каждого состояния внимания.Субъекты были значительно быстрее для объектов с указанием (действительных), чем с объектами с указанием (недопустимые) для каждой категории объектов.

    Результаты декодирования SVM

    Используя тот же анализ ЭЭГ и конвейер декодирования SVM, что и для эксперимента 1, мы обнаружили статистически значимые кластеры временных точек, демонстрирующих точность декодирования выше шансов (рис. 9). Как и в эксперименте 1, эти статистически значимые кластеры наблюдались во второй половине подготовительного периода,> 500 мс после начала сигнала.Примечательно, что в окне представления сигнала 0–200 мс, по-видимому, также имеется группа моментов времени с высокой вероятностью, в тот же период, когда мы наблюдали статистически значимое декодирование в эксперименте 2, которое было связано с сенсорной активностью, вызванной сигналом. Однако в результатах эксперимента 3, как и в эксперименте 1, декодирование в этот период времени предъявления сигнала (задержка <200 мс) не достигло уровня статистической значимости (тогда как при большем количестве участников в эксперименте 2 это могло быть выявлено. ).

    Рисунок 9.

    Точность декодирования альфа-диапазона для эксперимента 3. Та же процедура декодирования SVM и статистическая процедура Монте-Карло, которые использовались для анализа данных из эксперимента 1, были применены к альфа-диапазону ЭЭГ из эксперимента 3, выявив кластер статистически знаменательные моменты времени во второй половине подготовительного периода.

    Поведенческие результаты эксперимента 3 предполагают, что участники привлекали объектное внимание в течение подготовительного периода. Участники быстрее распознавали изображения объектов как размытые или сфокусированные, когда их категория была указана.По аналогии с парадигмами пространственного внимания с указаниями, в испытаниях с неверно указанными объектами участники обращались к одной категории объектов в течение подготовительного периода, но затем при предъявлении стимула переориентировали свое внимание, чтобы иметь возможность различать, было ли изображение из категории объектов без привязки размытым или размытым. фокус.

    Поскольку поведенческий эффект между валидными и недействительными испытаниями соответствует таковому в нашем первоначальном эксперименте, мы уверены, что экспериментальный план в эксперименте 3 порождал ту же форму объектно-ориентированного внимания сверху вниз, как это было зафиксировано в эксперименте 1.Таким образом, при наблюдении статистически значимого сверхшансного декодирования в том же общем окне времени после появления сигнала для экспериментов 1 и 3 мы интерпретируем этот результат как свидетельство того, что внимание, основанное на объекте, а не различия в постановке задачи или подготовке двигательной реакции, являются движущими факторами. результат декодирования с большей задержкой до наступления целей.

    Обсуждение

    Объектное внимание — фундаментальный компонент естественного зрения. Люди перемещаются по миру в основном на основе взаимодействий с объектами, которые изобилуют в типичных средах (O’Craven et al., 1999; Scholl, 2001). Примат объектов означает, что адаптивное взаимодействие с миром требует представлений объектов высокого уровня, которые отличаются от визуальных характеристик низкого уровня в той же области пространства. Следовательно, воздействие внимания непосредственно на репрезентации объектов является критическим аспектом восприятия (Woodman et al., 2009). Было показано, что внимание действует на репрезентации объектов (Типпер и Берманн, 1996; Берманн и др., 1998), поэтому выявление нейронных механизмов, с помощью которых внимание влияет на репрезентации объектов, является ключевой задачей когнитивной нейробиологии.

    Физиологические исследования показывают, что повышение эффективности внимания коррелирует с изменениями нейронной активности в системах восприятия. Корковые структуры, кодирующие сопровождаемую информацию, показывают повышенную амплитуду сигнала, синхронность и / или функциональную связность (Moore and Zirnsak, 2017). Как нервная система механистически контролирует эту корковую возбудимость и эффективность обработки, остается не совсем понятным, но большинство моделей предполагают, что нисходящие управляющие сигналы от сетей более высокого порядка в лобной и теменной коре изменяют обработку в сенсорных / перцептивных областях коры, кодирующих посещаемую и необслуживаемую информацию ( Петерсен и Познер, 2012).Одной из гипотез нейронной сигнатуры нисходящего контроля на уровне сенсорной / перцептивной коры является фокусная альфа-сила (Jensen and Mazaheri, 2010). Изменения в мощности альфа-канала происходят во время пространственного внимания (Worden et al., 2000) и особого внимания (Snyder and Foxe, 2010). Здесь мы исследовали механизмы на основе альфа-канала, обеспечивающие избирательное внимание к объектам, направляя внимание на различные объекты и измеряя изменения в записанной на коже головы альфа-мощности ЭЭГ. Мы объединили поведение с топографическим картированием и декодированием ЭЭГ, чтобы проверить гипотезу о том, что внимание к объекту включает селективные модуляции мощности альфа-излучения в объектно-специфической коре головного мозга.

    Мы выбрали лица, сцены и инструменты в качестве целей внимания, потому что было показано, что эти объекты активируют ограниченные области в зрительной коре. Веретенообразная область лица (FFA) избирательно реагирует на изображения вертикальных лиц (Allison et al., 1994; Kanwisher and Yovel, 2006): лица могут считаться объектами, потому что, например, данные пациентов с прозопагнозией предполагают, что аналогичные механизмы лежат в основе распознавания лиц и объектов (Gauthier et al., 1999).Площадь парагиппокампа (PPA) реагирует на сцены (Epstein et al., 1999) и, в частности, на категорию сцены (Henriksson et al., 2019). Области, чувствительные к инструментам, были идентифицированы в вентральном и дорсальном зрительных путях (Kersey et al., 2016). В соответствии с предсказанием, что объектно-ориентированное внимание модулирует альфа-канал в визуальных областях, специализированных для обработки категории обслуживаемых объектов, внимание к лицам должно выборочно снижать активность альфа-диапазона в визуальных областях с отбором по лицам, таких как FFA, внимание к сценам должно уменьшать альфа-диапазон активность в областях, отобранных для выбора места, таких как PPA, и внимание к инструментам должно снизить активность альфа-диапазона по сравнению с областями, отобранными для выбора инструментов, вентральных и дорсальных зрительных путей.ЭЭГ не является сильным методом локализации нейронных источников мозговой активности, но, учитывая, что области FFA, PPA и постулируемые специализированные области инструментов расположены в разных областях коры головного мозга, закономерности альфа-модуляции с вниманием в этих областях можно было бы ожидать. для получения дифференциальных альфа-паттернов ЭЭГ на коже черепа. Учитывая, что можно ожидать, что такие паттерны будут лишь незначительно отличаться и трудно предсказать, одним из способов оценки различных паттернов альфа для внимания к разным объектам является включение машинного обучения для декодирования альфа-паттернов ЭЭГ кожи головы.Таких различий следует ожидать только в том случае, если фокусная модуляция альфа также участвует в избирательном внимании объекта.

    Наши результаты по времени реакции показали, что участники, которые обращали внимание на объектно-ориентированное внимание на категории объектов, на которые указывает указание, быстрее идентифицировали объекты, на которые указывает указание. Теоретически, когда участники должны предвидеть определенную категорию объектов, они будут искажать нейронную активность в областях коры, специализированных для этого типа объекта, и, возможно, также искажать активность в областях коры, обрабатывающих все визуальные особенности нижнего уровня, связанные с этим объектом (Коэн и Тонг, 2015).Когда цель появляется, ее визуальные свойства интегрируются, облегчая требуемое восприятие различения. Когда появляется объект из непредвиденной (необработанной) категории, активность в областях, отобранных для объекта, и связанных областях визуальных характеристик для объектов без привязки будет относительно подавлена, что задерживает интеграцию и семантический анализ несвязанных целевых изображений и замедляет время реакции.

    Топографические карты альфа-различий менялись в зависимости от категории объекта, на котором присутствовали участники.Различная альфа-топография соответствовала паттернам ЭЭГ кожи головы, которые можно было бы ожидать, если бы альфа-модуляции происходили в разных основных корковых генераторах (корковых пятнах или областях) для трех категорий объектов. Множество доказательств лежащих в основе нейроанатомических субстратов лица, сцены и обработки инструментов из исследований изображений позволяет делать некоторые прогнозы относительно наших данных в отношении предполагаемой природы фокальной корковой активности, вносящей вклад в наши топографические и декодирующие результаты.FFA с акцентом на правое полушарие (Kanwisher et al., 1997) и одинаково двусторонне распределенный PPA (Epstein and Kanwisher, 1998), в принципе, предсказывают дифференциальное альфа-распределение скальпа и, возможно, более низкую альфа-мощность в целом по правой затылочной кости. при посещении лиц. Наша альфа-топография посещаемости минус посещаемость в целом соответствовала этому прогнозу (рис.3 В ). Однако мы надеемся прояснить, что мы не предполагаем, что мы можем локализовать лежащие в основе корковые генераторы регистрируемой активности кожи головы, используя методы, которые мы использовали здесь; поэтому мы обратились к декодированию.

    Наш анализ декодирования убедительно подтверждает утверждение о том, что внимание модулирует альфа-топографии в зависимости от категории объекта и согласуется с временными курсами различий в альфа-образцах, наблюдаемых на графиках топографических различий скальпа.В нашем анализе декодирования статистически значимая точность декодирования с высокой вероятностью обеспечивает прямое свидетельство того, что альфа-топография содержит информацию о выбранной категории объекта, и, следовательно, что внимание, основанное на объектах сверху вниз, модулирует альфа-топографию в соответствии с категорией объекта, на который указывает (обслуживаемый) объект. . Мы наблюдали, что статистически значимое декодирование происходило в диапазоне 500-800 мс после спасения / предварительной цели, что указывает на то, что паттерны альфа-топографии на коже черепа надежно модулировались нашим манипулированием вниманием в этом временном диапазоне (рис.4). Важно отметить, что диапазон 500–800 мс соответствует периодам на графиках альфа-топографических разностей, где изображения стабилизировались.

    Чтобы проверить, были ли наши результаты декодирования специфичными для альфа-диапазона, мы выполнили ту же процедуру декодирования SVM для мощности в тета-, бета- и гамма-диапазонах и не обнаружили значительного превосходного декодирования в период ожидания для этих полосы частот (рис. 5). Этот результат согласуется с гипотезой о том, что осцилляторная нейронная активность в альфа-диапазоне механически участвует в упреждающем внимании, тогда как активность в других частотных диапазонах ЭЭГ не модулируется в соответствующих целевых визуальных областях ЭЭГ человека.

    В двух последующих экспериментах мы непосредственно оценили две альтернативные интерпретации наших результатов декодирования из эксперимента 1. Во-первых, различия в альфа-топографии скальпа после спасения могут отражать чисто сенсорную обработку, связанную с каждым сигналом (например, треугольник против круга). Это должно быть применимо только к декодированию с повышенной вероятностью (хотя и незначительным по нашим тестам), наблюдаемому в ранний период после спасения (∼0–200 мс) на рисунке 4, а не к декодированию с более длительной задержкой.Действительно, мы проверили это в эксперименте 2, в котором участники выполняли ту же задачу и видели те же сигналы и цели, что и в эксперименте 1, но форма сигнала не предсказывала предстоящую категорию объекта. Мы наблюдали статистически значимое декодирование в период после спасения / предварительной цели от 0 до 200 мс, связанное с физическими функциями реплики (Bae and Luck, 2018), но не наблюдали значимого декодирования позже в интервале от реплики к цели.

    Второе альтернативное объяснение наших результатов декодирования из эксперимента 1 состоит в том, что они были вызваны различиями в наборах задач в зависимости от условий объекта.Задача для лиц, например, заключалась в различении пола, в то время как для сцен — различать городские сцены и природные сцены, оставляя открытой возможность того, что наше декодирование в конце периода после спасения отражало различия в поставленных задачах (Hubbard et al., 2019 ), а не контроль внимания над выбором объекта, как мы предлагаем. Мы можем отклонить эту альтернативу на основе результатов эксперимента 3, в котором реплики предсказывали соответствующий целевой объект, но задача распознавания была одинаковой для всех категорий объектов: различать, был ли объект, на который была подана подсказка, был в фокусе или размыт.Таким образом, мы смогли воспроизвести подготовительные эффекты внимания, связанные с альфа-альфа с большей задержкой, о которых сообщалось в эксперименте 1, при одновременном контроле факторов набора задач.

    Наши результаты показывают, что альфа-модуляция ЭЭГ связана с объектно-избирательным вниманием, расширяя предыдущие выводы о том, что альфа-модуляция связана с вниманием к пространственным местоположениям и визуальным особенностям низкого уровня. Используя подход к декодированию SVM, мы выявили различия в топографических паттернах мощности альфа-канала во время выборочного внимания к разным категориям объектов.Кроме того, мы связали временной диапазон, в течение которого было достигнуто статистически значимое декодирование, с топографическими картами с усилением альфа-канала и наблюдали, что альфа-модуляция согласуется с временным ходом подготовительного внимания, наблюдаемым в предыдущих исследованиях. В целом, эти результаты подтверждают модель, согласно которой нейронная активность в альфа-диапазоне функционирует как модулятор внимания сенсорной обработки как для зрительных функций низкого уровня, так и для нейронных репрезентаций высокого порядка, таких как репрезентации объектов.

    Сноски

    • Эта работа была поддержана грантом Mh217991 на имя G.R.M. и M.D. S.N. поддерживался T32EY015387. Мы благодарим Майкла Дж. Тарра, Центр нейронных основ познания и Департамент психологии Университета Карнеги-Меллона (http://www.tarrlab.org/) за изображения стимулов на лице при финансовой поддержке премии Национального научного фонда 0339122. Мы также благодарим Стивена Дж. Лака и Ги-Йеула Бэ за советы по анализу с использованием методов декодирования, а также Атиша Кумара и Тамима Хассана за помощь в сборе данных.

    • Авторы заявляют об отсутствии конкурирующих финансовых интересов.

    • Переписку следует направлять Джорджу Р. Мангуну по адресу grmangun {at} ucdavis.
    Leave a Reply

    Добавить комментарий

    Ваш адрес email не будет опубликован. Обязательные поля помечены *