Исследование волновых процессов и ритмической активности головного мозга человека с применением системы ортогональных функций Уолша

Обложка

Цитировать

Полный текст

Аннотация

Цель настоящего исследования — изучение волновых процессов и ритмической активности головного мозга на основе многомасштабных параметрических отображений электроэнцефалограмм, полученных в результате алгоритмического применения системы дискретных функций. Методы. Для визуализации был использован разработанный ранее разномасштабный метод построения параметрических отображений молекулярно-генетической информации, при котором набор четырёх нуклеотидов рассматривается как система ортогональных функций Уолша. Результаты. В статье предложен новый метод визуализации данных электроэнцефалографии для исследования ритмических и волновых процессов биоэлектрической активности головного мозга. Для анализа данных электроэнцефалографии предварительно был осуществлен этап перекодирования зарегистрированных амплитуд путём взаимно-однозначного преобразования ЭЭГ-сигнала в символьную последовательность, алфавит которой состоял из четырех символов. На основе этого метода было проведено сравнение сигналов ЭЭГ испытуемого в состоянии покоя и при умственной нагрузке. В исследовании анализировали показания электродов, регистрирующих биопотенциалы лобных долей головного мозга. Заключение. Новые методы позволили выявить различные конфигурации кластеров в частотном пространстве визуализации, что можно использовать для сравнительного анализа энцефалограмм и выявления особенностей регистрируемых ЭЭГ-сигналов. Разработано специализированное программное обеспечение как инструмент изучения ритмической активности головного мозга путём построения параметрических отображений электроэнцефалограмм.  

Об авторах

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

Михаил Юрьевич Леднев

Институт машиноведения им. А.А. Благонравова РАН

ORCID iD: 0000-0002-5919-0190
SPIN-код: 4277-6912
Scopus Author ID: 57216152928
ResearcherId: AAH-1782-2022
Россия, 101000, Москва, Малый Харитоньевский переулок, д.4

Список литературы

  1. Ke J., Du J., Luo X. The effect of noise content and level on cognitive performance measured by electroencephalography (EEG) // Automation in Construction. 2021. Vol. 130. P. 103836. doi: 10.1016/j.autcon.2021.103836.
  2. Prasanna J. P., Subathra M. S. P., Mohammed M. A., Maashi M. S., Garcia-Zapirain B., Sairamya N. J., George S. T. Detection of focal and non-focal electroencephalogram signals using fast Walsh-Hadamard transform and artificial neural network // Sensors. 2020. Vol. 20, no. 17. P. 4952. doi: 10.3390/s20174952.
  3. Goker H., Tosun M. Fast Walsh–Hadamard transform and deep learning approach for diagnosing psychiatric diseases from electroencephalography (EEG) signals // Neural Comput. Applic. 2023. Vol. 35. P. 23617–23630. doi: 10.1007/s00521-023-08971-6.
  4. Goshvarpour A., Goshvarpour A. Analytic representation vs. angle modulation of Hilbert transform of fast Walsh-Hadamard coefficients (HTFWHC) in epileptic EEG classification // Braz. J. Phys. 2023. Vol. 53. P. 15. doi: 10.1007/s13538-022-01231-3.
  5. Mohsen S., Ghoneim S. S. M., Alzaidi M. S., Alzahrani A., Ali Hassan A. M. Classification of electroencephalogram signals using LSTM and SVM based on fast walsh-hadamard transform // Comput. Mater. Contin. 2023. Vol. 75, no. 3. P. 5271–5286. doi: 10.32604/cmc.2023.038758.
  6. Shakya N., Dubey R., Shrivastava L. Stress detection using EEG signal based on fast Walsh Hadamard transform and voting classifier // Preprint Research Square. 2021. doi: 10.21203/rs.3.rs- 782483/v1.
  7. Ergun E., Aydemir O. A hybrid BCI using singular value decomposition values of the fast walsh-hadamard transform coefficients // IEEE Transactions on Cognitive and Developmental Systems. 2020. Vol. 15, no. 2. P. 454–463. doi: 10.1109/TCDS.2020.3028785.
  8. Yuan X., Cai Z. A generalized Walsh system and its fast algorithm // IEEE Transactions on Signal Processing. 2021. Vol. 69. P. 5222–5233. doi: 10.1109/TSP.2021.3099635.
  9. Widdess-Walsh P. Resting but not idle: Insights into epilepsy network suppression from intracranial EEG // Epilepsy Currents. 2024. Vol. 24, no. 1. P. 25–27. doi: 10.1177/1535759723 1213247.
  10. Vaithialingam B., Rudrappa S. Intraoperative visualisation of 3 Hz spike–wave epileptic discharges in the electroencephalographic signal of bispectral index monitor in a patient with absence seizures // Indian J. Anaesth. 2024. Vol. 68, no. 2. P. 209–210. doi: 10.4103/ija.ija_710_23.
  11. Salami A., Andreu-Perez J., Gillmeister H. Finding neural correlates of depersonalisation/ derealisation disorder via explainable CNN-based analysis guided by clinical assessment scores // Artif. Intell. Med. 2024. Vol. 149. P. 102755. doi: 10.1016/j.artmed.2023.102755.
  12. Taylor J. A., Garrido M. I. Porthole and Stormcloud: tools for visualisation of spatiotemporal M/EEG statistics // Neuroinformatics. 2020. Vol. 18. no. 3. P. 351–363. doi: 10.1007/s12021- 019-09447-6.
  13. QiHan P. W., Alipal J., Suberi A. A. M., Fuad N., Wahab M. H. A., Idrus S. Z. S. A new perspective on visualising EEG signal of post-stroke patients // IOP Conf. Ser.: Mater. Sci. Eng. 2020. Vol. 917, no. 1. P. 012047. doi: 10.1088/1757-899X/917/1/012047.
  14. Gomez L. C., Herv as R., Gonz alez I., Villarreal V. Studying the generalisability of cognitive load measured with EEG // Biomedical Signal Processing and Control. 2021. Vol. 70. P. 103032. doi: 10.1016/j.bspc.2021.103032.
  15. Caillet B., Devenes S., Ma ` tre G., Hight D., Mirra A., Levionnois O., Simalatsar A. General Anaesthesia Matlab-based Graphical User Interface: A tool for EEG signal acquisition, processing and visualisation offline and in real-time. 2023. doi: 10.13140/RG.2.2.33243.68647.
  16. Cao J., Zhao Y., Shan X., Wei H. L., Guo Y., Chen L., Erkoyuncu J. A., Sarrigiannis P. G. Brain functional and effective connectivity based on electroencephalography recordings: A review // Hum. Brain Mapp. 2022. Vol. 43, no. 2. P. 860–879. doi: 10.1002/hbm.25683.
  17. Cabanero L., Herv as R., Gonz alez I., Fontecha J., Mond ejar T., Bravo J. Characterisation of mobile-device tasks by their associated cognitive load through EEG data processing // Future Generation Computer Systems. 2020. Vol. 113. P. 380–390. doi: 10.1016/j.future.2020.07.013.
  18. Costadopoulos N., Islam M. Z., Tien D. A knowledge discovery and visualisation method for unearthing emotional states from physiological data // Int. J. Mach. Learn. & Cyber. 2021. Vol. 12, no. 3. P. 843–858. doi: 10.1007/s13042-020-01205-4.
  19. Montazeri S., Pinchefsky E., Tse I., Marchi V., Kohonen J., Kauppila M., Airaksinen M., Tapani K., Nevalainen P., Hahn C., Tam E. W. Y., Stevenson N. J., Vanhatalo S. Building an open source classifier for the neonatal EEG background: A systematic feature-based approach from expert scoring to clinical visualization // Front. Hum. Neurosci. 2021. Vol. 15. P. 675154. doi: 10.3389/fnhum.2021.675154.
  20. Goldberger A. L., Amaral L. A., Glass L., Hausdorff J. M., Ivanov P. C., Mark R. G., Mietus J. E., Moody G. B., Peng C. K., Stanley H. E. PhysioBank, PhysioToolkit, and PhysioNet: components of a new research resource for complex physiologic signals // Circulation. 2000. Vol. 101, no. 23. P. E215–E220. doi: 10.1161/01.cir.101.23.e215.
  21. Zym I., Tukaev S., Seleznov I., Kiyono K., Popov A., Chernykh M., Shpenkov O. Electroencephalograms during Mental Arithmetic Task Performance // Data. 2019. Vol. 4, no. 1. P. 14. doi: 10.3390/data4010014.
  22. Stepanyan I. V., Lednev M. Y.. Visualization of the Signals Entropy Structure Based on Walsh– Hadamard Functions // Symmetry. 2024. Vol. 16, no. 1. P. 59. doi: 10.3390/sym16010059.
  23. Степанян И. В., Леднев М. Ю. Алгоритмы визуализации молекулярно-генетических последовательностей в пространствах двоично-ортогональных функций Уолша. М.: «КДУ», «Добросвет», 2020. 193 с. doi: 10.31453/kdu.ru.978-5-7913-1159-7-2020-193.
  24. Аристов В. В., Кубряк О. В., Степанян И. В. Расчёт циклических характеристик электроэнцефалограммы для исследования электрической активности мозга // Известия вузов. ПНД. 2023. Т. 31, № 4. С. 469–483. doi: 10.18500/0869-6632-003051.

Дополнительные файлы

Доп. файлы
Действие
1. JATS XML
Скачать

Согласие на обработку персональных данных с помощью сервиса «Яндекс.Метрика»

1. Я (далее – «Пользователь» или «Субъект персональных данных»), осуществляя использование сайта https://journals.rcsi.science/ (далее – «Сайт»), подтверждая свою полную дееспособность даю согласие на обработку персональных данных с использованием средств автоматизации Оператору - федеральному государственному бюджетному учреждению «Российский центр научной информации» (РЦНИ), далее – «Оператор», расположенному по адресу: 119991, г. Москва, Ленинский просп., д.32А, со следующими условиями.

2. Категории обрабатываемых данных: файлы «cookies» (куки-файлы). Файлы «cookie» – это небольшой текстовый файл, который веб-сервер может хранить в браузере Пользователя. Данные файлы веб-сервер загружает на устройство Пользователя при посещении им Сайта. При каждом следующем посещении Пользователем Сайта «cookie» файлы отправляются на Сайт Оператора. Данные файлы позволяют Сайту распознавать устройство Пользователя. Содержимое такого файла может как относиться, так и не относиться к персональным данным, в зависимости от того, содержит ли такой файл персональные данные или содержит обезличенные технические данные.

3. Цель обработки персональных данных: анализ пользовательской активности с помощью сервиса «Яндекс.Метрика».

4. Категории субъектов персональных данных: все Пользователи Сайта, которые дали согласие на обработку файлов «cookie».

5. Способы обработки: сбор, запись, систематизация, накопление, хранение, уточнение (обновление, изменение), извлечение, использование, передача (доступ, предоставление), блокирование, удаление, уничтожение персональных данных.

6. Срок обработки и хранения: до получения от Субъекта персональных данных требования о прекращении обработки/отзыва согласия.

7. Способ отзыва: заявление об отзыве в письменном виде путём его направления на адрес электронной почты Оператора: info@rcsi.science или путем письменного обращения по юридическому адресу: 119991, г. Москва, Ленинский просп., д.32А

8. Субъект персональных данных вправе запретить своему оборудованию прием этих данных или ограничить прием этих данных. При отказе от получения таких данных или при ограничении приема данных некоторые функции Сайта могут работать некорректно. Субъект персональных данных обязуется сам настроить свое оборудование таким способом, чтобы оно обеспечивало адекватный его желаниям режим работы и уровень защиты данных файлов «cookie», Оператор не предоставляет технологических и правовых консультаций на темы подобного характера.

9. Порядок уничтожения персональных данных при достижении цели их обработки или при наступлении иных законных оснований определяется Оператором в соответствии с законодательством Российской Федерации.

10. Я согласен/согласна квалифицировать в качестве своей простой электронной подписи под настоящим Согласием и под Политикой обработки персональных данных выполнение мною следующего действия на сайте: https://journals.rcsi.science/ нажатие мною на интерфейсе с текстом: «Сайт использует сервис «Яндекс.Метрика» (который использует файлы «cookie») на элемент с текстом «Принять и продолжить».