Расчёт циклических характеристик электроэнцефалограммы для исследования электрической активности мозга

Обложка
  • Авторы: Аристов В.В.1, Кубряк О.В.2,3, Степанян И.В.4
  • Учреждения:
    1. Федеральный исследовательский центр «Информатика и управление» РАН
    2. Федеральное государственное бюджетное образовательное учреждение высшего образования "Национальный исследовательский университет "МЭИ"
    3. Федеральное государственное бюджетное научное учреждение "НИИ нормальной физиологии им. П.К. Анохина"
    4. Институт машиноведения им. А.А. Благонравова РАН
  • Выпуск: Том 31, № 4 (2023)
  • Страницы: 469-483
  • Раздел: Статьи
  • URL: https://journals.rcsi.science/0869-6632/article/view/250977
  • DOI: https://doi.org/10.18500/0869-6632-003051
  • EDN: https://elibrary.ru/ZTBPSQ
  • ID: 250977

Цитировать

Полный текст

Аннотация

Цель исследования — экспериментальная проверка предлагаемого способа анализа ЭЭГ, основанного на построении графа связности анализируемого сигнала, в котором амплитуды отображаются вершинами, а их взаимное расположение друг относительно друга — дугами. Отображение ЭЭГ-сигнала в структуре графа обуславливает появление циклических структур с возможностью расчёта их численных характеристик. В результате исследования разработаны критерии инициализации начальных условий счётного алгоритма. Рассчитаны следующие параметры: число циклов и число Эйлера в записи ЭЭГ. Приведены клубочные представления графов. Предлагаемый алгоритм имеет масштабирующий параметр, выбор которого влияет на итоговые результаты. Вторым свободным параметром предложенного алгоритма является степень искусственного загрубления сигнала. Рассмотрены варианты применения алгоритма для многоканальных ЭЭГ-сигналов с обработкой многоканального сигнала путём поканального выявления семантических единиц и построением обобщённого семантического графа связности. Приведён пример проанализированного многоканального сигнала ЭЭГ, который был предварительно обработан с приведением всех амплитуд к натуральным числам в соответствии с рассчитанными характеристиками. Приведён пример ЭЭГ испытуемого с закрытыми глазами во время спокойного бодрствования и ЭЭГ испытуемого с открытыми глазами. В Заключении показано, что итоговые показатели могут варьироваться в значительных пределах (от нуля до десятков тысяч и более) в зависимости от конкретного отведения канала ЭЭГ. Анализ циклических структур электроэнцефалограммы представляется потенциальным способом оценки различных состояний человека за счёт возможности их различения с помощью предлагаемого способа. Исследование имеет ограниченный, пилотный характер.

Об авторах

Владимир Владимирович Аристов

Федеральный исследовательский центр «Информатика и управление» РАН

Россия, 119333, г. Москва, ул. Вавилова, 44/2

Олег Витальевич Кубряк

Федеральное государственное бюджетное образовательное учреждение высшего образования "Национальный исследовательский университет "МЭИ"; Федеральное государственное бюджетное научное учреждение "НИИ нормальной физиологии им. П.К. Анохина"

ORCID iD: 0000-0001-7296-5280
SPIN-код: 4789-2893
Scopus Author ID: 14042079400
ResearcherId: D-1303-2013
Ул. Красноказарменная, д.14, стр.1

Иван Викторович Степанян

Институт машиноведения им. А.А. Благонравова РАН

ORCID iD: 0000-0003-3176-5279
SPIN-код: 5644-6735
Россия, 101000, Москва, Малый Харитоньевский переулок, д.4

Список литературы

  1. Freeman W. J. W.G. Walter: The living brain // In: Palm G., Aertsen A. (eds) Brain Theory. Berlin, Heidelberg: Springer, 1986. P. 237–238. doi: 10.1007/978-3-642-70911-1_17.
  2. Fontanillo Lopez C. A., Li G., Zhang D. Beyond technologies of electroencephalography-based brain-computer interfaces: A systematic review from commercial and ethical aspects // Front. Neurosci. 2020. Vol. 14. P. 611130. doi: 10.3389/fnins.2020.611130.
  3. Craik A., He Y., Contreras-Vidal J. L. Deep learning for electroencephalogram (EEG) classification tasks: a review // J. Neural Eng. 2019. Vol. 16, no. 3. P. 031001. doi: 10.1088/1741-2552/ab0ab5.
  4. Douibi K., Le Bars S., Lemontey A., Nag L., Balp R., Breda G. Toward EEG-based BCI applications for industry 4.0: Challenges and possible applications // Front. Hum. Neurosci. 2021. Vol. 15. P. 705064. doi: 10.3389/fnhum.2021.705064.
  5. Alimardani M., Hiraki K. Passive brain-computer interfaces for enhanced human-robot interaction // Front. Robot. AI. 2020. Vol. 7. P. 125. doi: 10.3389/frobt.2020.00125.
  6. Batista A. Brain-computer interfaces for basic neuroscience // Handbook of Clinical Neurology. 2020. Vol. 168. P. 233–247. doi: 10.1016/B978-0-444-63934-9.00017-2.
  7. Lotte F., Bougrain L., Cichocki A., Clerc M., Congedo M., Rakotomamonjy A., Yger F. A review of classification algorithms for EEG-based brain–computer interfaces: a 10 year update // J. Neural Eng. 2018. Vol. 15, no. 3. P. 031005. doi: 10.1088/1741-2552/aab2f2.
  8. Schwilden H. Concepts of EEG processing: from power spectrum to bispectrum, fractals, entropies and all that // Best Practice & Research Clinical Anaesthesiology. 2006. Vol. 20, no. 1. P. 31–48. doi: 10.1016/j.bpa.2005.09.001.
  9. Анохин К. В. Когнитом: в поисках фундаментальной нейронаучной теории сознания // Журнал высшей нервной деятельности им. И.П. Павлова. 2021. T. 71, № 1. С. 39–71. doi: 10.31857/S0044467721010032.
  10. Побаченко С. В., Колесник А. Г., Бородин А. С., Калюжин В. В. Сопряженность параметров энцефалограммы мозга человека и электромагнитных полей шумановского резонатора по данным мониторинговых исследований // Биофизика. 2006. Т. 51, № 3. С. 534–538.
  11. Saroka K. S., Vares D. E., Persinger M. A. Similar spectral power densities within the Schumann resonance and a large population of quantitative electroencephalographic profiles: Supportive evidence for Koenig and Pobachenko // PLoS ONE. 2016. Vol. 11, no. 1. P. e0146595. doi: 10.1371/journal.pone.0146595.
  12. Ma Y., Shi W., Peng C.-K., Yang A. C. Nonlinear dynamical analysis of sleep electroencephalography using fractal and entropy approaches // Sleep Medicine Reviews. 2018. Vol. 37. P. 85–93. doi: 10.1016/j.smrv.2017.01.003.
  13. Lutz A., Lachaux J.-P., Martinerie J., Varela F. J. Guiding the study of brain dynamics by using first-person data: Synchrony patterns correlate with ongoing conscious states during a simple visual task // Proc. Natl. Acad. Sci. U. S. A. 2002. Vol. 99, no. 3. P. 1586–1591. doi: 10.1073/pnas.032658199.
  14. Kubryak O. The Anticipating heart // In: Nadin M. (eds) Anticipation and Medicine. Cham: Springer, 2017. P. 49–65. doi: 10.1007/978-3-319-45142-8_4.
  15. Adelhofer N., Schreiter M. L., Beste C. Cardiac cycle gated cognitive-emotional control in superior frontal cortices // NeuroImage. 2020. Vol. 222. P. 117275. doi: 10.1016/j.neuroimage.2020.117275.
  16. Heck D. H., Kozma R., Kay L. M. The rhythm of memory: how breathing shapes memory function // J. Neurophysiol. 2019. Vol. 122, no. 2. P. 563–571. doi: 10.1152/jn.00200.2019.
  17. Aristov V., Stepanyan I. Hypothesis of cyclic structures of pre- and consciousness as a transition in neuron-like graphs to a special type of symmetry // Symmetry. 2022. Vol. 14, no. 3. P. 505. doi: 10.3390/sym14030505.
  18. Stepanyan I. V., Mekler A. A. Chaotic algorithms of analysis of cardiovascular systems and artificial intelligence // In: Hu Z., Petoukhov S., He M. (eds) Advances in Artificial Systems for Medicine and Education III. AIMEE 2019. Vol. 1126 of Advances in Intelligent Systems and Computing. Cham: Springer, 2020. P. 231–240. doi: 10.1007/978-3-030-39162-1_21.
  19. Stepanyan I. V., Lednev M. Y., Aristov V. V. Genetic interpretation of neurosemantics and kinetic approach for studying complex nets: Theory and experiments // In: Hu Z., Petoukhov S., He M. (eds) Advances in Artificial Systems for Medicine and Education IV. AIMEE 2020. Vol. 1315 of Advances in Intelligent Systems and Computing. Cham: Springer, 2020. P. 13–28. doi: 10.1007/978-3-030-67133-4_2.
  20. Iakovidou N. D. Graph theory at the service of electroencephalograms // Brain Connect. 2017. Vol. 7, no. 3. P. 137–151. doi: 10.1089/brain.2016.0426.
  21. Sporns O. Graph theory methods: applications in brain networks // Dialogues in Clinical Neuroscience. 2018. Vol. 20, no. 2. P. 111–121. doi: 10.31887/DCNS.2018.20.2/osporns.

Данный сайт использует cookie-файлы

Продолжая использовать наш сайт, вы даете согласие на обработку файлов cookie, которые обеспечивают правильную работу сайта.

О куки-файлах