Információ

Motoros képek osztályozása EEG adatok alapján

Motoros képek osztályozása EEG adatok alapján


We are searching data for your request:

Forums and discussions:
Manuals and reference books:
Data from registers:
Wait the end of the search in all databases.
Upon completion, a link will appear to access the found materials.

Egyetemi hallgató vagyok, aki a motoros képeket EEG adatokból próbálja osztályozni!

Nincs tapasztalatom az EEG -vel vagy idegtudományi háttérrel, csak nagyon alapvető ismereteim vannak az EEG, az ERD/ERS és a frekvenciatartomány működéséről azokból a lapokból, amelyeket megpróbáltam elolvasni, de nem értem, és az alapötlet, hogy mit csinálják. Ésszerű ismeretekkel rendelkezem a felügyelt gépi tanulásról is.

Azt tervezem, hogy az ERD/ERS segítségével osztályozom a bal lábat, a jobb kezet és a pihenést a motoros képek valós idejű osztályozásához!

Mi a legegyszerűbb módja ennek?

Eddig 7-30 Hz közötti sávot adtam át Mu és Béta hullámhosszra, mivel ezek kapcsolódnak a motorképhez, valamint eltávolítják az alapvonalat, és most ábrázoltam a teljesítményspektrális sűrűséget. Ezeket az adatokat egy alapvető SVM -en keresztül továbbítottam; lineáris és gauss, optimalizált paraméterek gyenge eredménnyel (átlagosan 60% -os pontosság)

Fogalmam sincs, hogyan kell elvégezni a funkciók kivonását, hol kell kezdeni, hogyan kell megfelelően osztályozni az EEG adatokat. és hogyan kell ezt valós időben megtenni.

Ha valaki tudna segíteni, és megadná a lépéseket, hogyan tovább, nagyon hálás lennék!

Az agyi számítógépes interfészek területén szeretnék dolgozni, mivel lenyűgözőnek tartom, ez az első lépésem :)

Itt található a link az adatkészlethez és annak részleteihez BCI verseny: IVc


Feladatátvitel tanulása az EEG osztályozáshoz a motoros képeken alapuló BCI rendszerben

A motor-képi agy-számítógép interfész rendszer (MI-BCI) tábla kilátással rendelkezik a fejlesztésre. A hosszú kalibrálási idő és az elég MI parancsok hiánya azonban korlátozza a gyakorlatban történő használatát. A parancskészlet kibővítése érdekében új parancsként adjuk hozzá a hagyományos MI parancsok kombinációit a parancskészlethez. Továbbá tervezünk egy transzfer tanuláson alapuló algoritmust, hogy csökkentsük az EEG jel és az edzési modell kalibrálási idejét. Készítünk funkciókivonót a hagyományos parancsok adatai alapján, és mintákat adunk át az új parancsok adatain keresztül. Az algoritmusunk és a hagyományos algoritmusok közötti átlagos pontosság összehasonlításával, valamint az algoritmusunkban megjelenő térbeli minták megjelenítésével azt találjuk, hogy algoritmusunk pontossága sokkal magasabb, mint a hagyományos algoritmusoké, különösen az alacsony minőségű adatkészletek esetében. Ezenkívül a térbeli minták megjelenítése jelentős. Az átviteli tanuláson alapuló algoritmus kihasználja a forrásadatokból származó információkat. Kibővítjük a parancskészletet, miközben lerövidítjük a kalibrálási időt, ami jelentős jelentőséggel bír az MI-BCI alkalmazás szempontjából.

1. Bemutatkozás

Az agytevékenységet dekódoló technikaként az elektroencefalogramon (EEG) alapuló Brain-Computer Interface (BCI) lehetővé teszi az emberek számára, hogy a perifériás izomtevékenység bevonása nélkül lépjenek kapcsolatba a számítógéppel, ami kommunikációs hidat épít az agy és a számítógép között. A jelfeldolgozással, a mintaosztályozással, a gépi tanulással és más technikákkal a BCI rendszer különféle agyi tevékenységeket, például figyelmes mentális állapotokat [1], motoros képeket [2–5] (MI) stb. vezérlő eszközök. Például fel lehetne használni a pilóta nélküli légi járművek irányítására [5], a forrasztók elősegítésére [6], a mozgáskorlátozott betegek, például az amiotrófiás laterális szklerózis [7], az agytörzsi stroke [2, 8] gyógyulására.

Az EEG jelosztályozással kapcsolatos legtöbb tanulmány között a kutatókat nagyon aggasztja a motoros képekből generált EEG jel, amelyet széles körben használnak sok BCI alkalmazásban [2–5]. A motoros képalkotás egy BCI paradigma, amelyben az agyi aktivitás a szenzomotoros kéregben keletkezik a végtagmozgás képzeletében [9], például bal kéz (LH), jobb kéz (RH) és mindkét láb (F). Az MI kísérlet során az alfa-sáv (8-12 Hz) és a béta-sáv (13-30 Hz) ereje növekszik vagy csökken az ipsilaterális féltekén és a kontralateralis féltekén található szenzomotoros kéregben [10, 11]. Az EEG jel által megfigyelt teljesítménycsökkentést és -növelést eseményhez kapcsolódó deszinkronizációnak (ERD) és eseményhez kapcsolódó szinkronizációnak (ERS) nevezik [12]. Az ERD/ERS minták felhasználhatók az agyi tevékenység lefordítására és a végtagok fantáziájának osztályozására a gépi tanulás révén.

A legtöbb MI-BCI ígéretes alkalmazás azonban prototípus, és még mindig alig használják a laboratóriumokon kívül. Azok az okok között, amelyek megakadályozzák az MI-BCI széles körű alkalmazását a gyakorlatban, kettőre szeretnénk megoldást adni, ezek a hosszú kalibrálási idő [13–16] és az elégséges MI-parancsok hiánya [17].

Az első probléma, nevezetesen a hosszú kalibrálási idő azt jelenti, hogy a kutatók nagyszámú kalibrálási kísérletet igényelnek egy tantárgy- és feladat-specifikus modell oktatásához, ami időigényes az adatgyűjtésben és a képzési modellben. Az EEG jel tárgyak közötti és feladatok közötti változékonysága miatt [18] az oktatási mintáknak tartalmazniuk kell a modell felépítéséhez szükséges minden MI parancs EEG adatait. Így a BCI adatgyűjtése sok időt vesz igénybe. Az adatkészletek közötti változékonyság pedig megnehezíti, hogy minden tantárgyhoz illeszkedő modellt adjunk, ami meghosszabbítja az oktatási modell idejét. Ami a második kérdést illeti, az elegendő MI -parancs hiánya miatt kevésbé elérhető a BCI -k számára. A hagyományos MI kísérletben az alanyoknak csaknem négyféle parancsot kell elképzelniük: bal kéz, jobb kéz, mindkét láb és nyelv [19].

Annak érdekében, hogy további parancsokat adjon hozzá a BCI rendszerhez, az egyes végtagok kombinációját hozzáadhatja a parancskészlethez. Például a meglévő MI parancs (LH, RH és F) alapján kombinált parancsokat kaphatunk, a bal és a jobb kéz egyidejű mozgását (LH & ampRH), a bal kéz és mindkét láb mozgását egyidejűleg (LH & ampF) , és a jobb kéz és mindkét láb mozgása egyszerre (RH & ampF). A kutatóknak azonban ugyanazt az adathalmazt kell összegyűjteniük az új MI parancsokhoz, mint a régi parancsokhoz, ami megsokszorozza az adatgyűjtésre fordított időt. A nagyobb MI adatkészlet meghosszabbítja a modellképzésre fordított időt is. Ezenkívül, ami egy új témát illeti, az új MI parancsok elképzelése nehezebb, mint a tipikus parancsok, ami arra készteti őket, hogy ezeket a parancsokat hosszú ideig gyakorolják a felvétel előtt. A teljes hat parancs növekvő száma és összetettsége miatt a parancskészlet bővítése kevésbé megvalósítható.

Annak érdekében, hogy lerövidítsük a modellépítésre fordított időt, és kibővítsük a parancskészletet, az átviteli tanulásnak mélyreható hatása lenne. Az átviteli tanulási algoritmusok a forrástartományból származó adatkészleteket, jellemzőket vagy modellparamétereket [20] használják a modell képzésére a célterületen, hogy csökkentsék a képzési adatok skáláját a céltartományban, ami csökkenti a mintavételi és képzési költségeket. Az EEG jel osztályozásában számos algoritmus létezik, amelyek feladatok közötti feladatátvitelre és tárgy-tárgy átvitelre épülnek, válaszul az intertask és a tárgyak közötti változékonyságra. Ezen algoritmusok közül a Common Spatial Pattern algoritmuson (CSP) alapuló funkciókivonók az egyik fő technika. A CSP módszere térbeli szűrőket tervez, amelyek maximalizálják két adatosztály megkülönböztethetőségét, és a szűrt adatok eltéréseit optimálisnak minősítik [21–23]. A CSP és az átviteli tanulás alapján a kutatók sok algoritmust fejlesztettek ki, hogy térbeli szűrőket állítsanak elő a forrástartományból, például Regularized CSP [24–26], stacionárius alterületi CSP [27], Bayesian CSP [28]. A paraméterek beállításával, a közös alterület megkeresésével és a Bayes -féle modellel a forrás alanyok hasonló jellemzői megoszthatók, és a forrástartományból származó funkciók kivonói felhasználhatók a céltartományban.

A parancskészlet -bővítés okozta kalibrálási időhosszabbítás megoldása az új parancsokhoz gyűjtött adatkészlet méretarányának csökkentése. Ezért annak érdekében, hogy a kalibrálási idő meghosszabbításának feltevése alapján megnöveljék a parancsok számát, helyénvaló a lehető legtöbbet kihozni az új szűrők és osztályozók számára rendelkezésre álló adatokból. Míg az EEG jelek feladatok közötti változékonysága osztályonként változik, az alapvető jellemzői változatlanok maradnak az osztályok között. Így bár ésszerűtlen egyszerűen hozzáadni a régi parancsok oktatóhalmazát az új osztályokhoz, az előző képzési sorozatból összegyűjtött előzetes ismeretek felhasználhatók az új osztályok szűrőinek és osztályozóinak építéséhez. Következésképpen az átviteli tanulás használata a modell felépítéséhez optimális megoldás. A tipikus parancsokból származó adatokat és az új parancsokat forrásadatnak, illetve céladatnak tekintjük. A forrásadatok felhasználásával javítjuk a céladatok modelljének tulajdonságait.

Ebben a dolgozatban térbeli mintaátviteli algoritmust kínálunk. A régi MI parancsok adatkészleteiből előállított térbeli szűrők alkalmazása előtt szűrőfolyamatot adunk hozzá. Annak érdekében, hogy csökkenjen a generált szűrők és az objektív szűrők különbsége, elutasítjuk a rosszul teljesítő szűrőket a halászarány alapján [29, 30].

A cikk többi része a következőképpen van felépítve. A 2. szakaszban bemutatjuk kísérleti paradigmánkat, adatkészletünket és algoritmusunkat. A 3. szakaszban a kísérleti eredmények láthatók. A cikk az eredmények 4. pontban leírt megbeszélésével zárul.

2. Anyagok és módszerek

Ebben a részben a kísérletünket és a kísérletben rögzített adatokhoz használt algoritmusunkat mutatjuk be.

2.1. Kísérlet és adatfeldolgozás
2.1.1. Kísérlet

A kísérletben 5 egészséges alany agyi aktivitását rögzítettük. A BCI paradigma hat különböző motoros képalkotó feladatból állt, nevezetesen a bal kéz (1. osztály), a jobb kéz (2. osztály), mindkét láb (3. osztály), bal és jobb kéz (4. osztály), bal kéz és mindkét láb (5. osztály), és a jobb kéz és mindkét láb (6. osztály). A hagyományos parancsok alapján az alanyok jobban ismerték a kombinált parancsokat, mint az új testrészek elképzelése. Következésképpen az LH & ampF, az RH & ampF és az LH & ampRH választottuk új parancsként.

A kísérlet 6 menetből állt, amelyeket rövid szünetek választottak el. Egy kísérlet 60 kísérletből állt (a hat osztály mindegyikéből 10), így összesen 360 kísérlet történt minden alanyon (60 vizsgálat minden osztályban).

A kísérlet alanyai kényelmes széken ültek a számítógép képernyője előtt. A próba elején egy rögzítő kereszt jelent meg a fehér képernyőn. 500 ms elteltével egy vagy két nyíl formájában megjelenő kép, amely a hat osztály egyikének megfelelő, különböző irányokat mutat, és 4 másodpercig a képernyőn maradt. A képek és az MI parancsok közötti kapcsolatot az 1. (a) ábra mutatja. A kép arra késztette az alanyokat, hogy a kért módon végezzék el az MI feladatot, amíg a rögzítő kereszt ismét megjelenik a kép megjelenése után. Az alany rövid szünetet tartott 2,5 másodpercig, és várta a következő tárgyalást. A paradigmát az 1. (b) ábra szemlélteti.


4. Megbeszélés

Az elektroencefalográfia (EEG) energiájának elemzése hasznos módszer az agyi jelfeldolgozásban. Az EEG frekvenciasávokat legjobban EEG-alapú agy-számítógép interfész (BCI) kifejlesztésére lehet használni a 3D kézmozdulati pályák dekódolásához [29]. A frontális EEG spektrális modulációját a motoros készségek elsajátítása során vizsgálták, és a delta, théta és gamma aktivitások jelentős csökkenését találták ismételt gyakorlás után [4]. Az fMRI -n és a MEG -n végzett vizsgálatok megerősítették, hogy az idegi korrelációk összefüggnek a motoros készségekkel. A szakemberek felfedik az agy tapasztalatokkal kapcsolatos ideghálózatát, ami kiváló motoros teljesítményüknek köszönhető [2]. Vizsgálatunk azt vizsgálja, hogy az EEG -korreláció képes -e megjósolni az általános sportképzés egyénekre gyakorolt ​​hatását. Megállapítottuk, hogy nyilvánvaló különbség van a régiók közötti EEG korrelációban, mint az EEG energia az edzéscsoport és az alapcsoport között, amikor az alanyok motoros képalkotási feladatokat végeznek. Hasonló vizsgálatokat végeztek korábban. Herz és mtsai. [15] feltárta a domináns kapcsolást a β-sáv (13 �  Hz) az M1 és az SMA között az alkar izometrikus összehúzódása során. A motoros béta erőteljesebb hatását az occipitális gamma esetében a lassú válaszoknál találták [30]. Ezzel a vizsgálattal bebizonyítottuk, hogy a régiók közötti EEG korreláció pontosabb mérőszám az általános sportedzés hatásának kimutatására, mint az EEG energia.

Megközelítésünk nemcsak az edzéshatást jósolja, hanem betekintést nyújt az edzéshatás mögött rejlő EEG összefüggésekbe is. Eredményeink azt mutatják, hogy a bal alsó inferior frontális és a bal középső temporális (F7-T3) közötti korreláció a legdiszkriminatívabb az alanyok között, akik alacsonyabb értékűek a képzési csoportban. Ezt úgy értelmezhetjük, mint a jobb agyi hatékonyságot a képzési csoport motoros képeiben. Sami és Miall [31] megállapította, hogy a lokális hatékonyságban változás következik be az alacsonyabb frontális és kisagyi régiókban, és különbséget tesz a procedurális tanulás és a joystick -tanulás között. Farah és mtsai. [32] eseményhez kapcsolódó potenciáljuk vizsgálatában 200  ms-on belüli képalkotás hatását találták az occipitalis és a posterior temporális régiókban. Az időbeli lebeny elsősorban a hallás, a beszédértés és a memória azonosításáért felelős. A homloklebeny felelős a nyelvért, az érzelmekért és néhány segédmotoros funkcióért, ami befolyásolja a mozgás tervezését és megszervezését [33]. A csökkent korreláció a bal alsó frontális és a bal középső temporális között azt sugallja, hogy a segédmotoros funkció kevésbé kapcsolódik a beszédértéshez az edzéscsoportban. Ez a viselkedés automatizálásával magyarázható a hosszú távú sportedzések után. Ebben a tanulmányban, amikor a képzőcsoport motoros képalkotási feladatokat kap, automatikusan elvégezhetik a megfelelő tevékenységeket komplex beszédértés nélkül.

Általánosságban elmondható, hogy ezek a jelentős EEG általános energiajellemzők a bal középső temporális (T3) és a bal occipitalis (O1) középpontba állnak, amelyek nagyban hasonlítanak az fMRI szakirodalomban leírt csomópontokhoz [34]. Az előbbi funkciók el vannak nyomva, míg az utóbbival kapcsolatos funkciók megerősödnek a képzési csoportban. Chang és mtsai. [35] összehasonlította az elit íjászok és a nem íjászok aktiválási térképeit az íjászat mentális próbája során, és megállapította, hogy az elit íjászok neurális korrelátumai jobban összpontosultak és hatékonyabban szerveződtek, mint a nem -íjászoké. A megerősített korrelációk a bal occipitalissal összhangban vannak ezzel a tanulmánygal, amely azt sugallja, hogy a bal occipital fontosabb szerepet játszik a képzési csoportban. Ez a terület közelebb kerül a sportképzés által érintett más területekhez. Lehetséges azonban, hogy az EEG általános energia -korrelációjának mérésével előfordul, hogy a bal középső időbeli elnyomott korrelációk megtörténnek. Úgy véljük, hogy a bal középső temporális kapcsolatok más területekkel gyengülnek a sportedzés után, mert az edzőcsoport a halláson vagy beszédértésen kívül inkább az izom memóriájára támaszkodik. Ez új betekintést nyújt az általános sportedzés hatásába. Farah és mtsai. [36] arról számolt be, hogy a vizuális képalkotás részleges volt, és nagyobb volt a bal hátsó temporális oldalon, mint a jobb. A motoros képalkotási feladatokban a bal oldalon is van oldalirány. Hasonló eredményt kapunk ebben a tanulmányban, hogy a két agy mindkét oldalon a bal oldalon található. A fennmaradó két EEG korrelációt, a bal hátsó temporális-jobb hátsó temporális (T5-T6) és a jobb hátsó temporális-középső frontális (T6-Fz), nehéz megmagyarázni a tanulmányban, amely további vizsgálatokat igényel.

Az EEG kiváló időbeli felbontása lehetővé teszi a különböző élettani folyamatok különböző frekvenciasávokban való megnyilvánulását. Ebben a tanulmányban a motoros képalkotási feladatok összefüggésbe hozhatók az uralkodó régiók közötti kapcsolódással β-Zenekar. A béta -korreláció elemzése következetes eltéréseket mutat az EEG általános energia -korrelációjával az edzéscsoport és az alapcsoport között. Ez összhangban van a korábbi elektrofiziológiai vizsgálatok eredményeivel [37]. A béta -aktivitás szorosan összefügg a kortikális motorrendszer működésével [38]. Vizsgálatunkban a béta sáv bizonyult a legjobb biológiai korrelációnak, és az előrejelzési erősség gyengébb volt az alfa, a delta és a théta frekvenciatartományokban. Csatlakozás a β-a tónusos mozgások során fellépő sávot megfigyelték a kortikális régiók között, valamint a corticomuscularis kapcsolatokban [39], és valószínűleg fontos szerepet játszik a motoros állapot megőrzésében [40]. A béta -korreláció elemzése további informatív eredményeket eredményez. Erős béta -korreláció a jobb hátsó temporális (T6) kifejezéssel a sportképző csoportban, ami azt jelzi, hogy a jobb hátsó temporális béta -sáv létfontosságú szerepet játszik az agyi régiók kölcsönhatásában az edzés után.


A vizuális és motoros képeket kísérő EEG-tevékenység topográfiai megoszlása ​​élénk és nem élénk képalkotókban.

A mentális képalkotás legújabb tanulmányai a képi élmény neuropszichológiai kísérőire összpontosítottak. A neuropszichológiai kutatások lehetővé teszik a képek elméleteinek és azoknak más mentális funkciókkal, például észleléssel és motoros vezérléssel való összefüggéseinek tesztelését olyan körülmények között, amelyek kiküszöbölik a nemkívánatos keresleti jellemzők hatásait a résztvevők teljesítményére. Az elektroencefalogram (EEG) kényelmes, nem invazív mérést biztosít a kéreg aktiválására, és széles körben használják. Az első tanulmányt, amely az EEG változásai és a képek közötti kapcsolatról számolt be, Adrian & amp; Matthews (1934) végezte. Golla, Hutton & amp; Walter (1943) és Short (1953) azt sugallták, hogy a vizuális képeket az occipitális EEG alfa ritmus elnyomása jelzi. Costello és McGregor (1957) arra a következtetésre jutottak, hogy az alfa ritmus elnyomásának mértéke egyrészt a kép élénkségének, másrészt a magasabb rendű gondolkodási folyamatoknak a következménye.

Davidson és Schwartz (1977) a kinesztétikai és vizuális módszerek képalkotásának öngenerálása során vizsgálta a modalitásspecifikus EEG mintázást. A nyakszirti és a szenzoros motoros alfa -aktivitás különböző mintáit figyelték meg a kinesztétikai és a vizuális képalkotás során, ahol az utóbbi feladat során nagyobb relatív occipitális aktiváció történt. Ezek az eredmények arra engednek következtetni, hogy a képalkotás a kortikális régió aktiválásával jár együtt, amely rendszerint ugyanazon modalitáson belül részt vesz az észlelési feldolgozásban. Ezt a vizsgálatot sajnos korlátozta, hogy az elektródák elhelyezése csak két helyen (O1 és C3) történt.

A kéreg működésének EEG topográfiai elemzését a teljes fejbőrön Duffy, Burchfield & amp; Lombroso (1979), Duffy, Denckla, Bartels & Sandini (1980) és Uemuru, Ryu, Shioura & amp; Yokota (1983) írták le. Marks, Uemura, Tatsuno és Imamura (1985) hat élénk és hat nem élénk képalkotó topográfiai térképét vizsgálta vizuális képalkotási és számítási feladatokban.Az élénk képalkotók számára létrehozott képtérkép széles körű kortikális aktiválást mutatott a bal nyakszirt és a parietális kéregben, ami ellentétes azzal a hipotézissel, hogy a képeket a térbeli gondolkodással és a jobb agyfélteke specializációjával lehet egyenlővé tenni. Valójában a nem élénk képalkotók jelezték a jobb agyfélteke fókuszát, amely frontálisnak tűnt.

Weiss, Beyer, Hansen, Rost & amp; Paproth (1987) továbbfejlesztett EEG technikát alkalmaztak egy olyan kísérletben, amely a motoros fantáziát hasznosította, és megfigyelte, hogy az összes EEG átlagos bal oldali occipitalis területen gyakorolt ​​gyakorisága magasabb volt a mozgás mentális gyakorlása során. Ez volt az első tanulmányok egyike, amely a képi képeket kísérő EEG változásokat a vizuális módtól eltérő módon jelentette.

A neuropszichológiai módszerek fontos módszertani előnyt biztosítanak a képalkotás kognitív és egyéb teljesítménymutatóival szemben, amelyek megkérdőjelezhetők azzal az indokkal, hogy a kísérletező hatások, a keresleti jellemzők és a hallgatólagos tudás eredményeként elfogultak lehetnek (pl. Intons-Peterson, 1983). Jelentős vitákat váltott ki az, hogy a saját maga által jelentett képi élénkséget használták az alanyok „élénk” és „nem élénk” képalkotók csoportjaira osztásának eszközeként, mivel ezek a módszerek érzékenyek a nem kívánt keresleti jellemzőkre (Berger & Gaunitz, 1979, Isaac & amp; Marks) , 1994 Marks, 1973, 1983, 1989 Sheehan & amp; Neisser, 1969). Ha azonban megbízható és kiszámítható különbségek születnek a képalkotás EEG-kísérőanyagában az élénk jelentések alapján élénk és nem élénk képalkotóként besorolt ​​alanycsoportok között, aligha kétséges, hogy az ilyen jelentések a különböző mentális tapasztalatok érvényes leírói . Ez azért van, mert lehetetlen lenne, hogy az alanyok megváltoztassák EEG -jük topográfiai eloszlását, hogy kielégítsék a kísérleti hipotézisek igényeit, még abban a valószínűtlen esetben sem, ha nem ismerik ezeket az információkat. Ezért a kísérleti megfigyelések magyarázataként a kereslet jellemzői biztonságosan kizárhatók.

Hasonló érvek érvényesek arra az állításra is, miszerint a Vividness of Visual Imagery Questionnaire („Vividness of Visual Imagery Questionnaire”) „túlzott magabiztosság” formájában a műszer műtermékeinek van kitéve azok között, akik a legélénkebb képeket jelentik (Cohen & amp; Saslona, ​​1990, McKelvie, 1994). Ha az élénk és nem élénk képalkotók eltéréseket mutatnak a kortikális aktiváció mértékében azokban a régiókban, amelyekről úgy gondolják, hogy felelősek a mentális képalkotásért, akkor valószínűtlen, hogy a megfigyelt hatásokért a különböző szintű bizalom felelős.

A képkutatásban metateoretikus feltevés volt az a felfogás, hogy a képeket ugyanazok a mechanizmusok generálják, mint az alárendelt észlelést, az úgynevezett „funkcionális egyenértékűség” elvét (Finke, 1980, 1989 Kosslyn, 1980 Paivio, 1971 Shepard & amp; Podgorny, 1978) ). Az itt közölt kísérlet a vizuális és motoros képeket kísérő EEG topográfiai változásokat vizsgálta. A kísérletet a funkcionális ekvivalencia elvéből következő hipotézisek vizsgálatára végezték a cselekvés tervezése és ellenőrzése keretében: (1) A vizuális és kinesztétikai módszerek képalkotása különböző kéregaktivációs mintákat hoz létre, amelyek megfelelnek a kortikális ismert különbségeknek e két módozat megszervezése? (2) Különbözik-e a kérgi aktiváció mintázata vagy foka azoknál a résztvevőknél, akik élénk vagy nem élénk képekkel rendelkeznek?

Tizenhat alanyt, 11 férfit és öt nőt, 26-48 év közötti életkorban (átlagéletkor 34,6 év) választottak élénk vagy nem élénk képalkotónak a Vividness of Visual Imagery Questionnaire (VVIQ Marks, 1973) pontszámuk alapján. ) és a Vividness of Movement Imagery Questionnaire (VMIQ Isaac, Marks & amp Russell, 1986). A VVIQ-ban és a VMIQ-ban az alanyokat arra kérik, hogy gondoljanak egy sor tárgyra és tevékenységre, és értékeljék az egyes képek élénkségét egy ötfokú skálán:

1 = tökéletesen tiszta és olyan élénk, mint a normál látás

2 = világos és ésszerűen élénk

3 = közepesen tiszta és élénk

5 = egyáltalán nincs kép, csak "tudja", hogy egy tárgyra gondol (VVIQ) a készség (VMIQ)

A VVIQ első négy eleme a következő:

Az 1–4. Pontok megválaszolásakor gondoljon egy rokonra vagy barátra, akit gyakran lát (de jelenleg nincs veled), és alaposan fontolja meg azt a képet, amely elméje előtt áll.

1. Az arc, a fej, a váll és a test pontos kontúrja.

2. Az arc, a fej, a váll és a test jellegzetes pózai.

3. A pontos kocsi, a lépés hossza stb.

4. A különböző színek, amelyeket néhány ismert ruhában viselnek.

Mind a 16 kérdésre először nyitott, majd csukott szemmel válaszolunk. A VMIQ első négy eleme a következő:

Gondoljon az alábbi cselekmények mindegyikére, és osztályozza a képeket a tisztaság és az élénkség mértéke szerint, ahogyan azt a minősítési skála mutatja:

Mind a 24 elemre vizuális választ kapunk, ha azt képzeljük, hogy valaki mást hajt végre, majd kinesztetikusan úgy képzeljük el, hogy maga hajtja végre a műveleteket.

Összesen 60 résztvevő töltötte ki mindkét kérdőívet, és a nyolc legmagasabb és nyolc legalacsonyabb pontozót választották ki az összesített pontszámból. Valamennyien diákok vagy munkatársak voltak (akadémiai és általános) a Nyugat -Ausztráliai Egyetemen és a Perthi Queen Elizabeth II Kórházban. Mindannyian jobbkezesek és gyógyszeresek voltak, és részt vettek a kísérlet első szakaszában. Tizenkét alanyt, nyolc férfit és négy nőt választottak ki a 26-48 éves korosztályba (átlagéletkor 33,6 év). Ezek a résztvevők voltak a VVIQ hat legmagasabb és hat legalacsonyabb pontszerzője. Az átlagos képi pontszámok és szórások a két alanycsoport esetében a következők voltak: magas képalkotók, VVIQ -47,7 (SD = 11,7), VMIQ - 66,6 (SD = 17,5) alacsony képalkotók, VVIQ - 81,5 (SD = 18,3), VMIQ - 128,6 (SD = 25,4).

A kísérlet két szakaszból állt. Az első szakaszban az EEG -adatokat a kiindulási pihenőidő alatt, valamint a vizuális és kinesztétikai módszerek képei során gyűjtötték. A második szakaszban EEG adatokat gyűjtöttek, miközben az alanyok két, egymáshoz illeszkedő fizikai és mentális feladatot hajtottak végre. Két motoros feladat volt, az ujjak megérintése és az ökölbe szorítás, mind elképzelt, mind ténylegesen végrehajtott.

A fej előkészítése magában foglalta a nemzetközi 10-20 rendszer szerinti mérést és jelölést. A helyeket csiszoló krémmel készítettük el, és aranyozott csészeelektródákat vittünk fel Redox EEG géllel. Huszonegy elektródát alkalmaztak, bár csak 16-ot használtak az itt közölt topográfiai elemzésben. Összekapcsolt füleket használtak referenciaelektródákként. Egy Nihon Kohden 21 csatornás EEG gépet használtak az összes EEG nyomkövetés rögzítésére és megtekintésére. A felső és aluláteresztő szűrőket 35 Hz -re, illetve 0,53 Hz -re állítottuk be, az érzékenységet 7 [[mikro] volt]/mm -re, a papírsebességet pedig 30 mm/s/értékre. Egy PDP 11/73 számítógép digitalizálta az EEG jeleket a következő 16 csatornáról: F8, F4, F3, F7, T4, C4, Cz, C3, T3, T6, P4, Pz, P3, T5, O2, O1.

A kísérlet 1. szakaszában a nyugalmi állapotú EEG adatokat 16 alanyból gyűjtöttük össze, akiket ezután vizuális képek előállítására kértünk fel, miközben folyamatos EEG felvételeket készítettünk 30 másodpercig. Ezeket a képeket a VVIQ első négy eleme és utasításai alapján hozták létre (lásd fent). További 30 másodperc kiindulási EEG -t rögzítettek, mielőtt az alanyokat felkérték a mozgásmódban történő képalkotásra a VMIQ első négy eleme segítségével (lásd fent). Végül az alap EEG 30 másodpercét rögzítettük.

A 2. szakaszban az eredeti 16 fős csoportból 12 alany adatot szolgáltatott két további feladathoz képi feltétel mellett, majd ténylegesen végrehajtva. Az alanyokat arra kérték, képzeljék el, hogy sorrendben megérintik a hüvelykujjukat a kívánt kezük négy ujjával. Ezután azt az utasítást kapták, hogy ténylegesen hajtsák végre ezt a hüvelykujj-és ujj-érintő feladatot. Ezután megkérték őket, képzeljék el, hogy ökölbe szorítják a preferált kezet. Végül azt az utasítást kapták, hogy hozzanak létre egy öklöt. Összesen 30 másodperc EEG -adatot gyűjtöttek össze e négy kísérleti körülmények között.

A digitalizált EEG hullámformákat grafikus képernyőn (Tektronix 4205) jelenítettük meg, és a műtárgyakkal szennyezett metszeteket kiküszöböltük a további elemzésekből, minden 2 másodperces korszak szemrevételezésével. Ezt professzionális EEG technikusok segítségével végezték. A felvétel azon részeit, amelyek „letelepedésnek”, szemmozgás-műtermékeknek vagy ismeretlen forrásból származó tüskéknek tulajdoníthatók, elutasították. Ha több mint 5 másodperc adatot veszít folyamatosan, vagy több mint öt korszakot kell törölni bármely 30 másodperces próba során, akkor a munkamenet megszakad. Ez csak egy esetben fordult elő. Legalább 20 s és legfeljebb 30 s adat állt rendelkezésre minden egyes témáról és állapotról.

Az átlagos teljesítményspektrumokat az öt fő frekvenciasávra számítottuk ki: delta (1-3 Hz), théta (4-7 Hz), alfa (8-13 Hz), béta 1 (14-20 Hz) és béta 2 (21- 28 Hz). A fejbőr feletti energiaelosztást minden frekvenciasávban színkódolt topográfiai formátumban jelenítettük meg minden körülményhez. Az itt közölt összes elemzésben az EEG térképeket négy negyedre osztottuk, amelyek a bal és jobb frontális régióknak, valamint a bal és a jobb hátsó régióknak felelnek meg. Ez volt az adatcsökkentés szokásos eljárása a kórház neurológiai osztályán, ahol az adatokat gyűjtötték. A négy kvadráns adataihoz hozzájáruló elektródák a következők voltak: jobb elülső, F8, F4, T4, C4 és Cz bal elülső, F7, F3, T3, C3 és Cz jobb hátsó, T6, P4, Pz és O2 bal hátsó, T5 , P3, Pz és O1. Cz közös volt az elülső és Pz a hátsó negyedekben. Bár ez általában csökkenteni fogja a látszólagos aktivitási szintek közötti különbségeket a kvadránsok között, kívánatos volt, hogy ezekből a központilag elhelyezett elektródákból származó adatokat tartalmazzunk, ahelyett, hogy törölnénk őket az elemzésből (lásd az Eredmények című részt).

A kísérlet minden szakaszában az összes műtermékmentes adatot többváltozós varianciaanalízisben használtuk a Statisztikai elemző rendszer csomag segítségével. Ez összehasonlította az élénk és nem élénk képalkotók csoportjait az egyes feladatokban és feltételekben öt frekvenciasáv és négy kortikális negyed esetében.

Az eredményeket az alábbiakban négy szakaszban mutatjuk be: a vizuális képalkotási feladat az alapvonallal szemben (1. szakasz N = 16), a mozgásképi feladat és az alapvonal (1. szakasz N = 16), elképzelve a tényleges ujjérintéssel szemben (2. szakasz N = 12) elképzelt vs tényleges ökölbe szorítás (2. szakasz N = 12).

A varianciaanalízis jelentős fő hatásokat tárt fel a frekvenciasávra (F (4, 12) = 94,7, p [kevesebb, mint .0001) és a helyszínre (F (3, 12) = 3,64, p [kevesebb, mint], 02). Az alfa -sáv tartalmazta a legnagyobb különbségeket az átlagban és a szórásban a kísérleti körülmények következtében, ezért külön -külön elemezték a 2 (csoportok) x 2 (feltételek) x 4 (helyszínek) varianciaanalízisben (1. táblázat).

Nagyon jelentős fő hatása volt a helynek, és jelentős háromirányú kölcsönhatás volt a csoport, a helyszín és az állapot között. Ezt a kölcsönhatást az 1. ábra szemlélteti.

Ezek az eredmények azt mutatják, hogy az EEG alfa aktivitása gyengül a vizuális képek során a bal hátsó kvadráns élénk képalkotóiban, de kissé fokozódik a nem élénk képalkotókban. Ezt megerősítette az élénk képcsoporton belüli kontrasztanalízis, amely kimutatta, hogy a csillapítás mértéke eltér a négy negyed között, a bal hátsó kvadráns okozza a legnagyobb mértékű csillapítást.

Egy ismételt méréses varianciaanalízis a frekvenciasávra gyakorolt ​​jelentős fő hatást mutatott ki: F (4, 12) = 83,7, p [kevesebb, mint] .0001. A legnagyobb különbségeket ismét az alfa -sávban figyeltük meg, ezért ezt külön -külön elemeztük (2. táblázat).

Ebből az elemzésből kiderül, hogy az alfa frekvenciasáv ismét jelentős lokalizációs hatást váltott ki (F (3, 42) = 6,39, p [kevesebb, mint 0,01), és hogy az x élénk csoport feltétel kölcsönhatása rendkívül jelentős volt (F (1, 14)) = 12,1, p [kevesebb, mint] .005), amint azt a 2. ábra szemlélteti.

Az ismételt mérések varianciaanalízise a frekvenciasáv jelentős fő hatását mutatta ki: F (4, 5) = 145,5, p [kevesebb mint] .0001. Az alfa volt az a frekvenciasáv, ahol a legnagyobb különbségek voltak az átlagban és a szórásban, ezért külön elemezték (lásd 3. táblázat).

Ez az elemzés azt mutatta, hogy jelentős fő hatása volt a helymeghatározásnak (F (3, 30) = 5,38, p [kevesebb, mint 0,05), és nagyon jelentős háromirányú kölcsönhatás volt a csoport, a hely és az állapot között (F (3, 30) ) = 14,2, p [kevesebb, mint] .001). Amint a 3. ábra mutatja, az EEG alfa ritmusa szelektíven reagált a különböző kortikális területeken, és ami még fontosabb, szignifikáns kölcsönhatás volt a képi élénkség, a lokalizáció és a feladat között.

Ismét az alfa frekvenciasáv mutatta a legnagyobb érzékenységet a feladat változásaira, ezért statisztikailag elemezték egy ismételt mérési varianciaanalízissel (4. táblázat).

Ez az elemzés ismét bebizonyította, hogy a helymeghatározás jelentős fő hatás, és hogy statisztikailag szignifikáns különbség van a két kísérleti körülmény között nagy és alacsony képi élénkségről beszámoló alanyok között [ILLUSTRATION FOR 4. ÁBRA KIHAGYOTT].

Ez a kísérlet megerősítette a korábbi eredményeket, amelyek azt sugallták, hogy az EEG és különösen az alfa ritmus érzékeny a mentális folyamatok kísérleti manipulációjára. A tanulmány megállapította, hogy a vizuális és kinesztétikai módszerek képalkotása különböző kérgi aktivációs mintákat generál. Továbbá, ahogyan azt feltételezzük, statisztikailag megbízható különbségek vannak az EEG-válaszok mintázásában azokban a résztvevőkben, akiket az élénk vagy nem élénk képekről készített jelentéseik alapján választottak ki, miközben különböző típusú képalkotási feladatokat végeztek. Ezek a különbségek különösen az alfa frekvenciasávon belül láthatók, amely következetesen eltérő választ mutat az élénk és nem élénk képalkotók esetében. Mind a négy feladat esetében az x csoport feltétel interakciója statisztikailag szignifikáns vagy közel volt a szignifikanciához. A feladatok közül kettőnél (a VVIQ képalkotó ujjainak érintésének első elemeinek vizuális képalkotása) jelentős háromirányú kölcsönhatás volt az élénkség, a helyszín és az állapot között. Ebből arra lehet következtetni, hogy ezek az adatok tükrözik a regionalizált kortikális aktiváció különböző szintjeit azoknál az egyéneknél, akik élénk és nem élénk képeket élnek át, és részt vesznek a képalkotás folyamatában.

Ezek az eredmények megerősítik, hogy a VVIQ és a VMIQ segítségével kapott ötpontos értékelések formájában a képi élénkség önbevallásos mérései a különböző mentális tapasztalatok érvényes mércéi (Isaac & amp; Marks, 1994 Marks, 1973, 1983, 1989). Az élénk és nem élénk képalkotók közötti információfeldolgozási különbségek tanulmányozását megkérdőjelezték azzal az indokkal, hogy a résztvevők szándékosan vagy akaratlanul megváltoztathatták teljesítményüket, hogy megfeleljenek a kísérletező hipotéziseinek (Berger & Gaunitz, 1979 Sheehan & amp; Neisser) , 1969). Más kutatók azt javasolták, hogy a VVIQ -ból kapott képalkotó intézkedések a „túlzott magabiztosság” miatti elfogultságokból származó műtermékek lehetnek (Cohen & amp; Saslona, ​​1990, McKelvie, 1994).

Az itt alkalmazott módszerek hatékonyan kiküszöbölték a kísérleti hatásokat, a megfelelési hatásokat, a keresleti jellemzőket és a túlzott magabiztosságot, mint a csoportkülönbségek lehetséges meghatározóit. A két alanycsoport EEG topográfiai válaszaiban észlelt neuropszichológiai különbségeket rendkívül valószínűtlen, hogy ilyen hatások okozták volna. Lehetetlen lett volna, hogy az alanyok ilyen következetesen megváltoztassák az EEG -erő topográfiai megoszlását a feltételek és feladatok között, folyamatos biofeedback, hosszabb gyakorlatok és a nyomozók által keresett adatok teljes ismerete nélkül. Az a felvetés, miszerint a „túlzott magabiztosság” torzításai a bal agyféltekés EEG alfa csillapításában is megnyilvánulhattak, szintén nagyon valószínűtlen lenne, különösen annak a neurológiai bizonyítéknak a fényében, hogy ez az agyrégió a vizuális képalkotáshoz szükséges folyamatok helyszíne (Farah, 1984) , 1988 Farah, Gazzaniga, Holtzman & amp; Kosslyn, 1985).

Ezek az eredmények megerősítik Marks és mtsai korábbi megállapításait. (1985) szerint az élénk vagy nem élénk képek differenciált jelentésére kiválasztott alanyok jelentős különbségeket mutatnak az EEG mintázásban a vizuális képek során. Az a tény, hogy majdnem azonos eredményeket figyeltek meg japán és ausztrál csoportokban is, arra utal, hogy az alfa -csillapítás a bal hátsó kéregben az élénk vizualizáció megbízható és robusztus kísérője. Az élénk csoporton belüli vizuális képek során az alfa teljesítmény csökkenése a bal hátsó régióban megerősíti Farah (1984, 1988) és Farah et al. (1985) különböző eljárások alkalmazásával. A tanulmány adatai számos forrásból származó bizonyítékokkal egészítik ki azt, hogy a képalkotásért felelős modul a bal féltekén található.

Más kísérleti tervek gyakran figyelmen kívül hagyták az alapintézkedéseket, ami félrevezető képet eredményezhetett a képek lokalizációjáról. E tanulmány eredményeiből, Marks et al. (1985), hogy mindkét féltekén különbségek vannak az élénk és a nem élénk csoportok között, és hogy összetett kölcsönhatás van a képi élénkség, a feladat és a kortikális lokalizáció között. Mindenesetre ez a kísérlet megerősíti azt a bizonyítékot, hogy az alfa -csillapítás a vizuális képek objektív mutatója, amely alátámasztja az ezen a területen végzett korábbi munkát (Costello & amp McGregor, 1957 Short, 1953 Marks et al., 1985).

A motoros képalkotási feladat adatai ismét azt sugallják, hogy az élénk és nem élénk képalkotók között különbségek vannak a képeknek a nyugalmi EEG-re gyakorolt ​​hatásában. Érdekes módon azonban az alfa -csillapításban mutatkozó különbségek ellentétes irányba mutatnak a vizuális képalkotási feladat eredményeivel. A mozgásképek az élénk képalkotók alfa -fokozásával jártak, nem pedig a csillapítással, a legnagyobb különbség a bal hátsó régióban következett be. Mivel nem ismertek hasonló kísérleti tervek, ezeket az eredményeket nehéz értelmezni, bár a változás irányának konzisztenciája a tárgycsoportokon belül megbízható jelenségre utal. Az egyetlen hasonlóság a kétféle kép között az, hogy mindkettőre a legnagyobb választ adó EEG frekvenciasáv azonosnak tűnik, az alfa -sáv. Ezen adatok megértéséhez várni kell a motoros képeket kísérő EEG -válaszok további vizsgálatára.

Az ujjal érintő feladat eredményei azt mutatták, hogy az élénk képalkotók növelik az alfa teljesítményét, különösen a jobb hátsó negyedben, szemben a nem élénk képalkotók által mutatott alfa csillapítással. A mozgásképi feladat sok tendenciája megismétlődik, jelezve, hogy ezeknek a csoportoknak a frekvenciasávja, a kvadráns és a változás iránya megbízható megállapítások, és hogy egy feladat képalkotása és tényleges végrehajtása egybehangzó hatásokat eredményez az EEG -n (Weiss et al., 1987).A 3. ábra a csoport, az állapot és a hely közötti erős háromirányú kölcsönhatás jellegét szemlélteti, és azt jelzi, hogy a jobb hátsó kvadránsban van a legnagyobb különbség a kortikális aktivációban a két csoport és állapot között.

Az ökölkészítési feladatban a két képcsoport ismét eltért az alfa-válasz változásának irányától, az élénk képalkotók az alfa-csökkenést és a nem-élénk képalkotókat növelték a tényleges izomválasz során. Ahogy az ujjal érintő feladatnál is, a csoportok közötti különbség a jobb agyféltekében volt a legnagyobb.

Ezek az EEG adatok lehetővé tették némi megkülönböztetést a különböző régiók képalkotási feladatokra adott válaszai között, különösen az alfa frekvenciasávban. További kutatásokra van szükség ahhoz, hogy meghatározzuk az alfa ritmusban bekövetkező különböző változások okait, amelyeket a kétféle kép esetében megfigyeltek. Ebből a szempontból az agytérképezési módszerek valószínűleg egyre fontosabb szerepet játszanak, különösen azok, amelyek nagyobb felbontást biztosítanak, mint az EEG. Mielőtt a funkcionális egyenértékűségre vonatkozó határozott következtetéseket levonnánk, mélyebb elemzésre van szükség a képalkotás és az észlelési folyamatok szerepének a cselekvés tervezésében és ellenőrzésében.

A szerzők hálásak a segítségért, amelyet Richard Lockwood, Frank Mastaglia, Sue Tanner, Gary Thickbroom, Alan Pearson, Alan Walmsley és Bill Hopkin kapott.

Adrian, E. D. & amp; Matthews, B. H. C. (1934), The Berger ritmus: Potenciális változások az occipitalis lebenyből az emberben. Agy, 57, 355-385.

Berger, G. H. & amp; Gaunitz, S. C. B. (1979). Önértékelt képek és kódolási stratégiák a vizuális memóriában. British Journal of Psychology, 68, 283-288.

Cohen, B. H. és Saslona, ​​M. (1990). A szokásos vizualizátor előnye. Journal of Mental Imagery, 14, 101-112.

Costello, C. G. és McGregor, P. (1957). A vizuális képzet egyes aspektusai és az alfa ritmus kapcsolata. Journal of Mental Science, 103, 786-795.

Davidson, R.J. & amp; Schwartz, G. E. (1977). A zenei képzés hatása az EEG aszimmetria mintáira zenei és nem zenei öngenerációs feladatok során. Pszichofiziológia, 14, 58-63.

Duffy, F. H., Burchfield, J. L. és Lombroso, C. T. (1979). Agyi elektromos aktivitás -leképezés (BEAM): Új módszer az EEG klinikai minőségének és a potenciális adatok kibővítésére. Annals of Neurology, 5, 309-321.

Duffy, F. H., Denckla, M. B., Bartels, P. H. & amp; Sandini, G. (1980). Diszlexia. Regionális különbségek az agy elektromos aktivitásában topográfiai térképezéssel, Annals of Neurology, 1, 412-420.

Farah, M. J. (1984). A mentális képek neurológiai alapjai: A komponensek elemzése. Cognition, 18, 245-272.

Farah, M. J. (1988). A vizuális képek valóban vizuálisak? Elhanyagolt bizonyítékok a neurofiziológiából. Pszichológiai Szemle, 95, 307-317.

Farah, M. J., Gazzaniga, M. S., Holtzman, J. D. & amp; Kosslyn, S. M. (1985). A bal agyfélteke alapja a vizuális mentális képeknek? Neuropsychologia, 23, 115-118.

Finke, R. A. (1980). Az egyenértékűség szintjei a képekben és az észlelésben. Pszichológiai Szemle, 87, 113-132.

Finke, R. A. (1989). A mentális képalkotás alapelvei. Cambridge, MA: MIT Press.

Golla, F., Hutton, E. L. & amp; Walter, W. G. (1943). A mentális képzetek objektív vizsgálata: 1 Élettani kísérők. Journal of Mental Science, 89, 216-223.

Intons-Peterson, M. J. (1983). Képi paradigmák: Mennyire érzékenyek a kísérleti elvárásokra? Journal of Experimental Psychology: Human Perception and Performance, 9, 394-412.

Isaac, A. & amp; Marks, D. F. (1994). Egyéni különbségek a mentális képi tapasztalatokban: Fejlődési változások és specializáció. British Journal of Psychology, 85, 479-500.

Isaac, A., Marks, D. F. & amp; Russell, D. G. (1986). A mozgás képeinek értékelésére szolgáló eszköz. A mozgásképek élénksége kérdőív. Journal of Mental Imagery, 10, 23-30.

Kosslyn, S. M. (1980). Kép és elme. Cambridge, MA: Harvard University Press.

McKelvie, S. J. (1994). A Vividness of Visual Imagery kérdőív, mint az arcfelismerő teljesítmény előrejelzője. British Journal of Psychology, 85, 93-104.

Marks, D. F. (1973). Vizuális képi különbségek a képek felidézésében. British Journal of Psychology, 64, 17-24.

Marks, D. F. (1983). Mentális képzetek és tudat: elméleti áttekintés. In A. A. Sheikh (szerk.), Imagery: Current Theory, Research, and Application, 96-130. New York: Wiley.

Marks, D. F. (1989). Építse meg a vizuális képek élénk kérdőív érvényességét. Perceptuális és motoros készségek, 69, 707-718.

Marks, D. F., Uemura, K., Tatsuno, J. & amp; Imamura, Y. (1985). A képek EEG topográfiai elemzése. J. McGaugh (szerk.), Contemporary Psychology: Biological Processes and Theoretical Issues, 211-223. Amszterdam: Elsevier.

Paivio, A. (1971). Képi és verbális folyamatok. New York: Holt, Rinehart és Winston.

Sheehan, P. W. és Neisser, U. (1969). Néhány változó, amely befolyásolja a képek élénkségét a felidézés során. British Journal of Psychology, 60, 71-80.

Shepard, R. N. és Podgorny, P. (1978). Az észlelési folyamatokhoz hasonlító kognitív folyamatok. In W. K. Estes (szerk.), Handbook of Learning and Cognogn Processes, vol. 5. Hillsdale, NJ: Erlbaum.

Short, P. L. (1953). A mentális képzetek objektív vizsgálata. British Journal of Psychology, 44, 38-51.

Uemura, K., Ryu, H., Shioura, A. & amp; Yokota, N. (1983). EEG topográfiai rendszer a magasabb funkcionális lokalizáció klinikai vizsgálatához. Ausztráliai téli konferencia az agykutatásról. Queenstown, Új -Zéland.

Weiss, T., Beyer, L., Hansen, E., Rost, R. & amp; Paproth, A. (1987). Motoros fantázia: Néhány neurofiziológiai összefüggés dinamikája. Idegtudomány, 22, 511.


1. Bemutatkozás

Az elmúlt években az agy-számítógép interfész (BCI) technológia, amely egy olyan új technológiává vált, amely lehetővé teszi az emberi agy és a számítógépek vagy más elektronikus eszközök közötti kommunikációt, sok ideg-izom-bénulásos beteg számára nyújtott kényelmet [1-3]. Az elektroencefalográfia (EEG) az egyik legszélesebb körben alkalmazott BCI-módszer magas időbeli felbontása, alacsony költsége és nem invazivitása miatt [4]. Különösen a spontán EEG-n alapuló motoros képalkotó BCI kapott egyre nagyobb figyelmet a neurorehabilitáció területén [5-7].

Mivel a motoros EEG jelek nagyon gyengék, a jel-zaj arány nagyon alacsony, és az interferencia jelek könnyen befolyásolják őket, a különböző osztályozási módszerek általában nehezen érik el a kívánt hatást. A hagyományos gépi tanulási módszerek számos algoritmusát használták a motoros képalkotó EEG jelek osztályozására, beleértve a K legközelebbi szomszéd (KNN) [8], a támogató vektorgép (SVM) [9], a lineáris diszkriminanciaanalízis (LDA) [10], a közös térbeli minta (CSP) [11], és így tovább. A számítástechnika gyors fejlődésével a mély tanulási algoritmus, mint speciális neurális hálózati algoritmus egyre fontosabb helyet foglal el a mesterséges intelligencia (AI) területén. Az elmúlt években sok tudós megpróbált mély tanulási algoritmusokat használni a motoros képi EEG jelek osztályozásához. Ha a mélytanulási algoritmust használják az EEG jelek osztályozására, akkor a nyers EEG adatok bemenetként használhatók a jó osztályozási eredmények eléréséhez.

Az EEG jeleket általában többcsatornás elektróda kupakok segítségével szerzik be. A közös elektróda kupakok 32 vagy 64 csatornás elektródákból állnak. Minél több csatornát használ a motoros képalkotó EEG osztályozási algoritmus, annál gazdagabb az EEG adatokban található információ, annál valószínűbb, hogy jó osztályozási eredményeket kap, mivel az elektródacsatornák számának növekedésével az osztályozási algoritmus költsége is nő.

Az elektródacsatornák hatékony felhasználása érdekében itt kétféle mélytanulási osztályozási algoritmust állítunk össze, különböző elektródacsatorna -kombinációkat választunk ki, osztályozzuk a bal és jobb ököl motor EEG jeleit, majd megkapjuk az elektródák száma közötti összefüggési görbét. csatornák és az osztályozási pontosság.


Bevezetés

Az önkéntes agyaktivációt széles körben vizsgálták tudatzavarok (DOC) esetén. E törekvések célja egy olyan diagnosztikai eszköz kifejlesztése, amely megkülönbözteti a nem reagáló betegeket a reagáló betegektől, ha a betegek súlyosan megbénultak, és nem tudnak viselkedési szempontból reagálni a külső ingerekre. Ezekben a tanulmányokban egyszerű utasításokat mutattak be, amelyeket gondolattal lehet végrehajtani [1] - [13]. Egy lehetséges parancskövetés észlelhető a kapott agyi aktiválásban képalkotó módszerekkel (funkcionális mágneses rezonancia képalkotás, fMRI) vagy neurofiziológiával (elektroencefalogram, EEG). Az ilyen diagnosztikai eszköz alkalmazásának talán legígéretesebb megközelítése az agyi számítógépes interfész (BCI) kutatás technikáin alapul. Cruse és mtsai. [3] kifejlesztett egy eljárást, amelyben a betegek válaszát gépi tanulási technikákkal osztályozták. Egy támogató vektorgép a sávszűrős tevékenységet az EEG központi pozícionált csatornáin rögzítette. A legérdekesebb módon úgy tűnt, hogy az egyedülálló betegek parancsot mutatnak. Ennek a kutatásnak az eredményei azonban nem vitathatatlanok. Goldfine és mtsai. [14] bebizonyította, hogy a tanulmány adatai nem felelnek meg a statisztikai modell feltételezésének, ami mesterségesen alacsony p-értékeket eredményezett. A megfelelő permutációs teszt alkalmazásával a szerzők kimutatták, hogy egyik betegnél sem volt bizonyíték a parancs követésére. Valójában a hamis pozitív eredmények nagy problémát jelentenek, amikor gépi tanulási technikákat alkalmaznak a DOC -ban szenvedő betegeknél. A BCI kutatások során nyilvánvaló, hogy a vizsgálatok résztvevői végzik a teszteket. A DOC kutatásban alig tudjuk, hogy a beteg követi -e a parancsot vagy sem. Ezenkívül a DOC-betegek adatai eltérnek a szokásos BCI-adatoktól a sok műtermék-forrás miatt, mint például a sztereotip mozgások, de a kóros agyi aktivitás is. Ezek a körülmények rendkívüli követelményeket támasztanak az adatelemzéssel szemben.

Cruse és mtsai. [3] sávszűrős adatokat és támogató vektorgépet (SVM) használt az osztályozáshoz. Az egészséges résztvevők csoportja átlagosan 0,68 osztályozási pontosságot adott azokban az esetekben, amelyeket lényegesen a véletlen fölött lehetett besorolni. Ez az átlag nem tartalmazott három alanyt, akik 0,44 és .53 közötti osztályozási pontosságot mutattak. Így mind a 12 résztvevő átlaga 0,63 körül lehet. A tanulmány célja az volt, hogy megvitassuk az EEG-funkciókat az önkéntes agyi aktiváció kimutatására DOC-ban szenvedő betegeknél. Ezért megvizsgáltuk más markerek és egyéb osztályozási módszerek pontosságát egészséges résztvevőkben, és alkalmaztuk őket a DOC betegek adataira.


Bevezetés

Az agy-számítógép interfész (BCI) forró kutatási témává vált, mivel egyre gyakrabban használják a játékalkalmazásokban 1 és a stroke-rehabilitációban 2,3,4,5,6,7 az elképzelt feladat agyi jeleinek tervezett célokra történő lefordítására. a bénult végtag mozgása. Például a BCI által vezérelt 2,8,9 kerekesszékeket fejlesztik ki, hogy lehetővé tegyék a fogyatékkal élők számára a ház körüli manőverezést és az alapvető feladatok elvégzését. Ezenkívül BCI kutatásokat is végeznek annak érdekében, hogy előre felderítsék, hogy egy személy rohamrohamot fog szenvedni, hogy tájékoztassák őket a balesetek vagy súlyos sérülések megelőzése érdekében 10,11,12. A nem invazív érzékelőkkel kapott elektroencefalográfia (EEG) jelet széles körben alkalmazták 12,13 ezekre a célokra, mivel olcsó, könnyen használható, és nem igényel műtétet, mint az invazív érzékelők. A nem invazív érzékelőket használó BCI megközelíti a szükséges technológiai fejlesztéseket, és az idegi tevékenységeket értelmes információkká alakítja, amelyek felhasználhatók a tevékenységtől függő neuroplaszticitás vagy a rehabilitációs robotok meghajtására. Bár ígéretes eredményeket értek el, a rehabilitációs BCI még mindig új és feltörekvő terület. Ezért, ha az EEG jel használatával nagyobb pontossággal osztályozhatja a különböző feladatokat, nemcsak a játék és a rehabilitáció szempontjából lesz előnyös, hanem segít a betegségek vagy rendellenes viselkedésformák, például a 12,14. Roham, az alvási apnoe 15, az alvási szakaszok 16 jobb felismerésében , 17, és álmosság 18 észlelése. Ezért nagyon kívánatos egy olyan BCI rendszer kifejlesztése, amely nagy pontossággal képes osztályozni a különböző típusú EEG jeleket.

A közös térbeli mintát széles körben használják a jellemzők EEG jelekből történő osztályozásához. A válaszadó frekvenciatartomány azonban témánként változik, és ezért az alanyfüggő BCI 19,20,21,22,23,24,25 -öt javasolják leginkább. A rosszul kiválasztott frekvenciasáv nem kívánt vagy redundáns információkat tartalmazhat, és ronthatja a teljes rendszer teljesítményét. A frekvenciasávok kiválasztása kulcsfontosságú szerepet játszik a jelentős funkciók kinyerésében, és a szűrők manuális hangolása nehéz feladat lesz. Ennek a problémának a megoldására számos tárgyfüggő, több frekvenciasávot használó megközelítést javasoltak 21,26,27,28,29,30,31,32,33,34,35,36. Ezek a módszerek több szűrősávot használnak a jel különböző alsávokba történő szűrésére, majd a CSP-t használják a szolgáltatások kinyerésére. Egyes megközelítések különböző módszereket javasoltak a legjobb 21, 24, 32, 34 alsávok kiválasztására, míg más megközelítések a 20, 28, 31, 35, 36, 37 különböző jellemzőválasztási technikákat vették figyelembe az összes alsáv felhasználásával, hogy ígéretes eredményeket érjenek el. Bár több alsáv megfelelő használata elősegítette a jobb teljesítmény elérését, ugyanakkor növelte a rendszer számítási összetettségét 38. Kevés kutató fontolóra vette a 39,40,41,42,43 CSP algoritmus közvetlen javítását is a jobb teljesítmény érdekében. Más javasolt módszerek 23 hullámcsomag -bontást, empirikus mód -bontást 19,29, Riemann -tangens térképezést 22,44, mesterséges neurális hálózatokat 40,45,46 és mély tanulást 47,48 használnak.

A mély tanulás az utóbbi időben széles körű figyelmet kapott a jelfeldolgozás területén. Az EEG jelek osztályozására azonban még nincs teljesen feltárva. Ebben a tanulmányban a tárgyfüggő megközelítésre összpontosítunk, és javaslatot teszünk egy Optimized CSP and LSTM alapú előrejelző, OPTICAL. Az LSTM hálózat egy visszatérő ideghálózat, amely LSTM rétegekből áll, amelyek képesek hosszabb ideig szelektíven emlékezni a fontos információkra, és leginkább a szekvencia előrejelzésére használják. Amint arról korábbi munkáinkban beszámoltunk 30, a rendszer számítási bonyolultságának alacsony szinten tartása érdekében az OPTICAL egyetlen Butterworth sávszűrőt használ, 7–30 Hz-es határfrekvenciákkal. Ígéretes 10 × 10-szeres kereszt-érvényesítési eredményeket kaptunk az OPTICAL használatával, amelyet a BCI Competition IV 1. 49 és a GigaDB 50. adatkészlet segítségével értékeltünk. Az OPTICAL javulást mutatott az osztályozási teljesítményben (17,48% és 31,81% -os átlagos téves besorolási arányt ért el a BCI Competition IV 1. és GigaDB adatkészlet esetében), és előnyös lehet a rehabilitációs célú továbbfejlesztett BCI rendszerek kifejlesztésében. Ettől eltekintve, ha megfelelően alkalmazzák, segíthet a rohamok, az alvási apnoe és az alvási szakaszok nagyobb pontosságú észlelésében is. A kapott eredmények felülmúlják a többi versengő módszert. Így megmutattuk, hogy az LSTM hálózat megfelelő használata elősegítheti a továbbfejlesztett BCI rendszerek kifejlesztését. Szinte az összes kapcsolódó munka 19,20,23,26,31,34,35,51,52 figyelembe vette az MI feladatok osztályozását, amelyek a bináris osztályú MI EEG jel osztályozási problémára korlátozódtak. Meg kell azonban jegyezni, hogy a valós idejű EEG-jel zajt és egyéb tevékenységeket tartalmaz (például a szem pislogását, a szemgolyó fel/le mozgatását, a szemgolyó balra/jobbra mozgatását, az állkapocs összeszorítását és a fej balra/jobbra történő mozgását). feladathoz kapcsolódó EEG jelek. Ezért fontos megmutatni, hogy a javasolt megközelítés akkor képes jól teljesíteni, ha a megvalósítás valós időben történik. Ezért a nyugalmi állapotú és a feladathoz nem kapcsolódó EEG jeleket felhasználva megmutatjuk, hogy a javasolt módszer jól teljesít a valós idejű osztályozáshoz. Ebből a célból a többosztályos MI-feladatok hagyományos CSP-algoritmus használatával történő osztályozásához az egy-szemben pihenés módszert alkalmaztuk (mivel az egy-szemben pihenés módszer lényegesen jobb eredményeket hoz, mint a többosztályos osztályozás). . A GigaDB adatkészletet, amely a nyugalmi állapotú és egyéb, nem feladatokkal kapcsolatos jelek rögzítését is biztosítja, az OPTICAL valós idejű megvalósításának hatékonyságának bemutatására használták fel. A valós idejű megvalósításhoz átlagosan 17,78% -os téves osztályozási arányt értünk el 52 alanyon keresztül a GigaDB adatkészlet használatával.


Szerzői hozzájárulások

YH megtervezte a tanulmányt, elvégezte az elemzést, megírta a dolgozat első vázlatát, felülvizsgálta azt, és végrehajtotta a társszerzők összes megjegyzését a végső változat létrehozásához. Az AT és a PH tanulmányi anyagok előkészítését, az adatok rögzítését, a betegek toborzását és az adatkezelést végezte, és hozzájárult a kézirat technikai részéhez. Az AU és az AB technikai és statisztikai szempontból felügyelte a munkát, és ötleteket adott az elemzés elvégzéséhez és az eredmények bemutatásához. SL elvégezte a betegek neurológiai vizsgálatát. Az SL, RN és ET klinikai szempontból felügyelte a munkát. A felsorolt ​​szerzők mindegyike elolvasta, megjegyezte és jóváhagyta a kéziratot.

Összeférhetetlenségi nyilatkozat

A szerzők kijelentik, hogy a kutatást olyan kereskedelmi vagy pénzügyi kapcsolatok hiányában végezték, amelyek potenciális összeférhetetlenségként értelmezhetők.


A motoros képek osztályozása EEG adatok felhasználásával - Pszichológia

Dr. Ratna Sharma

Stressz és kognitív elektroképes labor

Tekintettel arra, hogy az AIIMS kiemelten kezeli az orvosbiológiai kutatásokat, és mivel tudományos képzést kaptam az AIIMS hallgatójaként és oktatóként is, mindig szerencsés voltam, hogy stratégiai helyzetben lehetek, hogy jelentősen hozzájárulhassak az kutatási területet azáltal, hogy új projekteket, technikákat és módszereket fogalmaz meg és fejleszt, amelyek hozzáadott értéket képviselnek mind a meglévő tudásterülethez, mind pedig az új és innovatív kutatások előrehaladásához. Az elmúlt 26 évben a neurofiziológia területén dolgoztam.

Az indiai kormány Tudományos és Technológiai Minisztériumának finanszírozásával 2011 -ben létrehozták az AIIMS Élettani Tanszékén a Stressz és Kognitív Elektromos Képalkotó Labort.

Az elmúlt 8-9 évben megkíséreltünk jelentős mértékben hozzájárulni a különböző kognitív területek idegi alapjainak megértéséhez, egészséges egyénekben, valamint neuropszichiátriai és neurodegeneratív rendellenességekben.

Több mint 380 egészséges felnőtt, 65 gyermek, 55 idős és 250 beteg (beleértve a Parkinson -kór és az Alzheimer -kórt, az enyhe kognitív károsodást, a skizofréniát, az autizmust, a figyelemhiányos hiperaktív rendellenességet, a glaukómát és a szenvedélybetegséget) több mint 380 egészséges felnőtt, EEG adatai szerepeltek a korosztály széles körében. összegyűjtötték és elemezték a kiindulási és a különböző kognitív területek tesztelése során.

Különféle kognitív területeket vizsgálnak az észleléstől, a memóriától (verbális és képi), a munkamemóriától, az interferenciától, a figyelemtől (hallási és vizuális) az érzelmekig. Ez lehetővé tette számunkra, hogy standardizáljuk az életkorral kapcsolatos kognitív változásokat mindkét nemben a kognitív területeken.

Az alapvető jelenségeket, például a stressz miatti változásokat, a meditációt, a nyelvet, az audiovizuális integrációt, a motoros képeket és a binokuláris rivalizálást szintén a kutatás fő területei középpontba helyezték. Eddig a neurális korrelációt mutatott az aktivált hálózatok, azok idegi forrásai és koherens aktiválása tekintetében az alapállapotokhoz képest a kvantitatív EEG segítségével.

A kvantitatív EEG (QEEG) az EEG módszertani elemzése, amely az alapul szolgáló fiziológiát és patofiziológiát tükröző mennyiségi mérőszámok levezetésére szolgál.

A laboratóriumunkban olyan QEEG -méréseket alkalmazunk, mint a spektrális teljesítmény, a koherencia, az EEG -mikroállapotok, a forrás -lokalizáció, a kapcsolódási mérések, az okozati összefüggések és a gráfelméleti intézkedések a betegek és az egészséges kontrollok agyi aktivitásának tanulmányozására.

Laboratóriumunk egyik fő erőssége a 128 csatornás EEG-t használó sűrű tömb EEG-felvétel, amely nagyobb pontosságot és pontosságot biztosít az EEG-aktivitás agyi forrásainak lokalizálásában 6239 voxel között, amelyek közvetlenül korrelálnak az MRI által feltárt struktúrákkal.

A laboratórium egyik figyelemre méltó hozzájárulása a mentális zavarok megértéséhez az agyi források azonosítása a bal alsó parietális lebenyben és a bal temporális gyri -ban a skizofréniában lerövidült nyugalmi állapotban lévő EEG -mikroállapot számára (https://doi.org/10.1016/j.schres). 2018.06.020). Az EEG mikroállapotok az agy elektromos mezőjének pillanatnyi térbeli konfigurációja a fejbőrön, amely kvázi stabil „funkcionális mikroállapotokat” tükröz, amelyeket a különböző intrakraniális generátorok aktivitása okoz. A Lab azonosított egy egészséges személyek EEG mikrostátusát is, amely megjósolja a vizuális térbeli munkamemória feladatának eredményét fiatal felnőtt alanyokban, növekvő memóriaterheléssel (http://dx.doi.org/10.1016/j.bbr.2016.08.020).

Jelenleg egy fontos EEG biomarkert teszünk közzé, amely az agyforrás -kapcsolódási méréseken alapul, és amely jó érzékenységet és specifitást mutatott az Alzheimer -kór, az enyhe kognitív károsodás és az egészséges idős kontrollok megkülönböztetésében. Jelenleg a gráfelmélettel foglalkozunk, hogy tanulmányozzuk az agyhálózatok dinamikáját a klaszterezési együttható, a jellemző úthossz és a kicsi világ együtthatójának mérésével. Ezek a gráfelméleti intézkedések segítenek azonosítani azokat az agyrégiókat, amelyek egészségügyi és betegségállapotokban az agyhálózatok csomópontjaiként és csomópontjaiként funkcionálnak. Sok komplex valós jelenséget, beleértve az EEG jeleket, a nemlineáris dinamika és a káoszelmélet jellemzi. Ezért azt tervezzük, hogy beépítjük a komplexitás és a stabilitás nemlineáris dinamikus méréseit, hogy számszerűsítsük az agydinamika kritikus aspektusait.

A betegek QEEG adatait ezen elemzési stratégiák segítségével gyűjtötték össze és elemezték. A laboratórium együttműködik a New Delhi AIIMS Neurológiai, Pszichiátriai, Deaddiction Center, Gyermekneurológiai és Szemészeti Tanszékével.

Mi célja egy olyan platform kifejlesztése a pszichiátriai és neurodegeneratív rendellenességekben szenvedő betegek szűrésére és profilozására, amelyek idegi aláírásként /biomarkerként használhatók ezekben a betegségekben. Ez rendkívül fontos olyan körülmények között, mint a demencia, az ADHD, az autizmus, a depresszió, ahol nincs objektív aranyszabvány a diagnózishoz, ami gyakran túl-/alul diagnosztizáláshoz vezet.

A kutatócsoportba tartozik egy professzor (Prof Ratna Sharma), három adjunktus (dr. Simran Kaur, Dr Prashant Tayade, Dr Suriya Prakash), tíz PhD, öt MD, négy MSc hallgató és egy ICMR RA. A (publikált és közzététel alatt álló) kutatási publikációk nemzetközi és nemzeti eredeti cikkeket foglalnak magukban, amelyeket az intézet is elismeréssel fogadott (AIIMS Excellency Award 2017 díjat kapott) és más fórumok (APPI díjak), valamint más kutatási támogatások különböző finanszírozási ügynökségektől (DST, DBT, DHR, Ayush, AIIMS).

Célunk, hogy felgyorsítsuk kutatásainkat mind az alapvető, mind a klinikai idegtudományokban. A fenti célon túlmenően az EEG -t is előkészítjük az idegsebészeti műtét előtti eszközként annak érdekében, hogy feltérképezzük és lokalizáljuk a fontos funkciók területeit, például a nyelvet, a mozgást, a látást stb., Hogy megvédjük ezeket a funkciókat a tumor eltávolítása során.

Végezetül, ez a kutatás lehet -e az alapja annak, hogy esetleg nagyobb terhelés vagy stressz esetén növeljék az egészséges alany szellemi képességeit, vagy helyreállítsák a mentális és fizikai képességeket betegség esetén. Ezen lehetőségek megvalósítása érdekében azon dolgozunk, hogy az EEG -t számítógépek/ gépek irányítására használjuk. Tanulmány készül egy agyi számítógépes felület létrehozására a motoros képek EEG adatai alapján, gépi tanulási algoritmus és mu ritmusalapú visszacsatolási képzés segítségével rehabilitációs célokra.

  1. A szakdolgozat fő témavezetőként versenyzett: 9 PhD, 5 MD, 1 MSc
  2. A szakdolgozat vezetői témakörében folyik: 2 PhD, 2 MD
  3. Tézismunka, amelyet társvezető főfelügyelőként végeznek/ fejeznek be: 3 PhD, 5 MD, 3 MSc.
  4. A szakdolgozat más osztályok fővezérjeként folyik/ fejeződik be: 3 DM Gyermekneurológia és 1 DM Pszichiátria (De-addiction)
  5. Posztdoktori hallgatók: 2 kutató munkatárs

Publikációk:

Teljes hosszúságú kiadványok: 51

Absztrakt kiadvány: 116

Dr. Ratna Sharma

Teljes hosszúságú cikk megjelent: Első szerző/ megfelelő szerző BOLD -ban


Bevezetés

Az elektroencefalogramon (EEG) alapuló agy-számítógép interfész (BCI) kutatások során a motoros képeken alapuló BCI nagy figyelmet kapott az elmúlt két évtizedben [1]. A motorképeken alapuló BCI az alany motoros szándékát parancsjelré alakítja a motoros képállapotok (például a bal és jobb kéz mozgásának képzelete) valós idejű észlelése révén. Pfurtscheller et al. [2], [3] kifejlesztette az első motorképeken alapuló BCI-t, amely az EEG teljesítményváltozásainak észlelésén alapul, az eseményhez kapcsolódó szinkronizálás és szinkronizálás (ERD/ERS) néven, mozgással kapcsolatos mu (8–12 Hz) és béta (18–26 Hz) ritmusok. Farkasmancs et al. [4] egy másik motorképeken alapuló megközelítést javasolt, amely arra tanítja a felhasználókat, hogy szabályozzák a mu/béta ritmusok amplitúdóját a 2-D kurzor mozgásának szabályozásához. Összehasonlítva más, általánosan használt EEG jelekkel, például az eseményhez kapcsolódó P300 potenciállal és vizuálisan kiváltott potenciállal (VEP), a motoros képalkotáson alapuló BCI nem igényel külső ingereket, és teljesen független lehet az izomtevékenységtől [4]. elfogadható a felhasználók számára.

Jelenleg a gépi tanulási technikák fontos szerepet játszanak a motorképeken alapuló BCI megvalósításában [5], [6]. Mivel a motoros képalkotás során bekövetkező EEG-változások mind a frekvencia-, mind a térbeli területeken tárgyspecifikusak, a címkézett adatok gyűjtéséhez kalibrációra van szükség a térbeli szűrők és osztályozók optimalizálása érdekében [7]. Ezenkívül más rögzítési paraméterek (pl. Elektróda helyzete, bőrrel való érintkezés és rendszerzaj) és az EEG jelek nem-stacionáriussága is kihívást jelent a rendszer újrakalibrálására különböző munkamenetek között, még ugyanazon felhasználó számára is. A kalibrálási eljárás mindig munka- és időigényes, ezért komolyan korlátozza a BCI-k gyakorlatiasságát a valós környezetben.

A közelmúltban számos motoros képalkotáson alapuló BCI-tanulmány adaptív módszereket vagy nulla képzési módszereket fejlesztett ki a munkamenet-munkamenet és a témák közötti változékonyság okozta problémák megoldására [8]-[10]. Ezeket a módszereket azon feltételezések alapján javasolták, hogy a tárgyakon belüli és a különböző tantárgyakon belül közös EEG térbeli minták léteznek. Tekintettel az alanyok anatómiájának nagy változékonyságára, előfordulhat, hogy az alanyból származó térbeli szűrők nem optimálisak egy másik számára. Ezenkívül a reprodukálható munkamenet-munkamenet közötti térbeli szűrők keresése továbbra is munka- és időigényes, mivel minden egyes személyre vonatkozóan jó címkézett kísérleti adatok szükségesek. Alternatív megoldás az, hogy stabil állapot-állapotú térbeli szűrőket találunk, amelyeket rövid kísérleti munkamenet útján, munkaigényes címkézés, például néhány perces pihenő EEG nélkül is meg lehet szerezni. Az állapot-állapot megoldás alapfeltételezése az, hogy egyes funkcióspecifikus EEG-komponensek (például motoros alkatrészek) térbeli mintázata viszonylag stabil az egyik állapotból a másikba. A motorképeken alapuló BCI-ben ésszerű feltételezni, hogy a mu/béta-komponensek térbeli mintái következetesen az elsődleges szenzomotoros kéregben helyezkednek el mind a nyugalmi, mind a motoros képalkotási állapot alatt minden egyes alany esetében. E hipotézis alapján lehetséges, hogy nyugalmi állapotban rögzített, nem címkézett EEG-adatok alapján térbeli szűrőket lehet származtatni, és alkalmazni lehet az EEG-adatok osztályozására a motoros képalkotási BCI gyakorlatok során.

Az EEG térbeli szűrők munka közbeni fordításának megvalósításához két előfeltételnek kell teljesülnie. Először is, az EEG források térben stabilak mind nyugalmi, mind működő állapotban, és tükröződhetnek észlelhető EEG oszcillációkkal. Másodszor, a térbeli szűrők elsajátítására használt módszer teljesen felügyelet nélküli, így a képzési adatok nem igényelnek munkaigényes megjegyzéseket. Korábbi tanulmányok kimutatták, hogy a kézmozgások motoros felvételei során bekövetkező EEG változásokat a mu/béta ritmusok (ERD/ERS) EEG teljesítménymodulációi uralják a kézterületen, amely a szenzomotoros kéreg legnagyobb alterülete [2]. Korábbi tanulmányok az alapértelmezett agyhálózatok agytevékenységeit is jelentették, amikor az agy üresjáratban marad [11], [12]. Pontosabban: a spontán mu/béta ritmusok gyakran erős aktivitást mutatnak pihenés közben, ami az elsődleges szenzomotoros kéreg üresjáratát jelzi [13]. Ezért e tanulmány hipotézise az, hogy nyugalmi állapotban a mu/béta ritmusok EEG -változásainak térbeli mintázata összhangban van a kézmozdulatok képeivel. A nyugalmi EEG-ből származó térbeli szűrők használatának előnyei kettősek: (1) nem igényel munkaigényes címkézést (2) a kísérleti adatok könnyen elérhetők, anélkül, hogy az alanyok figyelmét vagy intézkedéseit megkövetelnék.

Felügyelet nélküli módszerre van szükség a címke nélküli nyugalmi EEG adatok térbeli szűrőinek megkereséséhez. A független komponens -elemzés (ICA) gyakorlati megoldás, mivel a fejbőr EEG -jét alkotó, egymást átfedő agyforrás -tevékenységeket funkcionálisan specifikus komponensekre bonthatja [14]. Ezenkívül számos tanulmány, amely az ICA-t alkalmazza az átlagolt ERP-k, a folyamatos EEG-rekordok és/vagy eseményhez kapcsolódó EEG-adatkísérletek lebontására, kimutatta, hogy a független motoros komponensek nagyon konzisztensek voltak a fejbőr előrejelzései és spektrális profiljai tekintetében a különböző mentális feladatok során [15] - [17]. Feltételezzük tehát, hogy a címkézetlen nyugalmi EEG -re alkalmazott ICA térbeli szűrőket találhat a különböző motorképi állapotok megkülönböztetésére.

A tanulmány célja annak vizsgálata, hogy megvalósítható-e az állapotinvariáns EEG térbeli szűrők leállítása, nyugvó EEG alapján, motoros képalkotás alapú BCI-hez. A nyugalmi EEG-ből származó térbeli szűrők használatának pontosságát az egypróba EEG osztályozásához a bal- és jobbkezes mozgások során összehasonlítjuk a motoros képállapotban gyűjtött adatokból származó térbeli szűrők használatával. Ezenkívül ez a tanulmány összehasonlítja a javasolt állapot-állapot módszert a meglévő munkamenet-munkamenet módszerrel [10].


Szerzői hozzájárulások

YH megtervezte a tanulmányt, elvégezte az elemzést, megírta a dolgozat első vázlatát, felülvizsgálta azt, és végrehajtotta a társszerzők összes megjegyzését a végső változat létrehozásához. Az AT és a PH tanulmányi anyagok előkészítését, az adatok rögzítését, a betegek toborzását és az adatkezelést végezte, és hozzájárult a kézirat technikai részéhez. Az AU és az AB technikai és statisztikai szempontból felügyelte a munkát, és ötleteket adott az elemzés elvégzéséhez és az eredmények bemutatásához. SL elvégezte a betegek neurológiai vizsgálatát. Az SL, RN és ET klinikai szempontból felügyelte a munkát. A felsorolt ​​szerzők mindegyike elolvasta, megjegyezte és jóváhagyta a kéziratot.

Összeférhetetlenségi nyilatkozat

A szerzők kijelentik, hogy a kutatást olyan kereskedelmi vagy pénzügyi kapcsolatok hiányában végezték, amelyek potenciális összeférhetetlenségként értelmezhetők.


4. Megbeszélés

Az elektroencefalográfia (EEG) energiájának elemzése hasznos módszer az agyi jelfeldolgozásban. Az EEG frekvenciasávokat legjobban EEG-alapú agy-számítógép interfész (BCI) kifejlesztésére lehet használni a 3D kézmozdulati pályák dekódolásához [29]. A frontális EEG spektrális modulációját a motoros készségek elsajátítása során vizsgálták, és a delta, théta és gamma aktivitások jelentős csökkenését találták ismételt gyakorlás után [4]. Az fMRI -n és a MEG -n végzett vizsgálatok megerősítették, hogy az idegi korrelációk összefüggnek a motoros készségekkel. A szakemberek felfedik az agy tapasztalatokkal kapcsolatos ideghálózatát, ami kiváló motoros teljesítményüknek köszönhető [2]. Vizsgálatunk azt vizsgálja, hogy az EEG -korreláció képes -e megjósolni az általános sportképzés egyénekre gyakorolt ​​hatását. Megállapítottuk, hogy nyilvánvaló különbség van a régiók közötti EEG korrelációban, mint az EEG energia az edzéscsoport és az alapcsoport között, amikor az alanyok motoros képalkotási feladatokat végeznek. Hasonló vizsgálatokat végeztek korábban. Herz és mtsai. [15] feltárta a domináns kapcsolást a β-sáv (13 �  Hz) az M1 és az SMA között az alkar izometrikus összehúzódása során. A motoros béta erőteljesebb hatását az occipitális gamma esetében a lassú válaszoknál találták [30]. Ezzel a vizsgálattal bebizonyítottuk, hogy a régiók közötti EEG korreláció pontosabb mérőszám az általános sportedzés hatásának kimutatására, mint az EEG energia.

Megközelítésünk nemcsak az edzéshatást jósolja, hanem betekintést nyújt az edzéshatás mögött rejlő EEG összefüggésekbe is. Eredményeink azt mutatják, hogy a bal alsó inferior frontális és a bal középső temporális (F7-T3) közötti korreláció a legdiszkriminatívabb az alanyok között, akik alacsonyabb értékűek a képzési csoportban. Ezt úgy értelmezhetjük, mint a jobb agyi hatékonyságot a képzési csoport motoros képeiben. Sami és Miall [31] megállapította, hogy a lokális hatékonyságban változás következik be az alacsonyabb frontális és kisagyi régiókban, és különbséget tesz a procedurális tanulás és a joystick -tanulás között. Farah és mtsai. [32] eseményhez kapcsolódó potenciáljuk vizsgálatában 200  ms-on belüli képalkotás hatását találták az occipitalis és a posterior temporális régiókban. Az időbeli lebeny elsősorban a hallás, a beszédértés és a memória azonosításáért felelős. A homloklebeny felelős a nyelvért, az érzelmekért és néhány segédmotoros funkcióért, ami befolyásolja a mozgás tervezését és megszervezését [33]. A csökkent korreláció a bal alsó frontális és a bal középső temporális között azt sugallja, hogy a segédmotoros funkció kevésbé kapcsolódik a beszédértéshez az edzéscsoportban. Ez a viselkedés automatizálásával magyarázható a hosszú távú sportedzések után. Ebben a tanulmányban, amikor a képzőcsoport motoros képalkotási feladatokat kap, automatikusan elvégezhetik a megfelelő tevékenységeket komplex beszédértés nélkül.

Általánosságban elmondható, hogy ezek a jelentős EEG általános energiajellemzők a bal középső temporális (T3) és a bal occipitalis (O1) középpontba állnak, amelyek nagyban hasonlítanak az fMRI szakirodalomban leírt csomópontokhoz [34]. Az előbbi funkciók el vannak nyomva, míg az utóbbival kapcsolatos funkciók megerősödnek a képzési csoportban. Chang és mtsai. [35] összehasonlította az elit íjászok és a nem íjászok aktiválási térképeit az íjászat mentális próbája során, és megállapította, hogy az elit íjászok neurális korrelátumai jobban összpontosultak és hatékonyabban szerveződtek, mint a nem -íjászoké. A megerősített korrelációk a bal occipitalissal összhangban vannak ezzel a tanulmánygal, amely azt sugallja, hogy a bal occipital fontosabb szerepet játszik a képzési csoportban. Ez a terület közelebb kerül a sportképzés által érintett más területekhez. Lehetséges azonban, hogy az EEG általános energia -korrelációjának mérésével előfordul, hogy a bal középső időbeli elnyomott korrelációk megtörténnek. Úgy véljük, hogy a bal középső temporális kapcsolatok más területekkel gyengülnek a sportedzés után, mert az edzőcsoport a halláson vagy beszédértésen kívül inkább az izom memóriájára támaszkodik. Ez új betekintést nyújt az általános sportedzés hatásába. Farah és mtsai. [36] arról számolt be, hogy a vizuális képalkotás részleges volt, és nagyobb volt a bal hátsó temporális oldalon, mint a jobb. A motoros képalkotási feladatokban a bal oldalon is van oldalirány. Hasonló eredményt kapunk ebben a tanulmányban, hogy a két agy mindkét oldalon a bal oldalon található. A fennmaradó két EEG korrelációt, a bal hátsó temporális-jobb hátsó temporális (T5-T6) és a jobb hátsó temporális-középső frontális (T6-Fz), nehéz megmagyarázni a tanulmányban, amely további vizsgálatokat igényel.

Az EEG kiváló időbeli felbontása lehetővé teszi a különböző élettani folyamatok különböző frekvenciasávokban való megnyilvánulását. Ebben a tanulmányban a motoros képalkotási feladatok összefüggésbe hozhatók az uralkodó régiók közötti kapcsolódással β-Zenekar. A béta -korreláció elemzése következetes eltéréseket mutat az EEG általános energia -korrelációjával az edzéscsoport és az alapcsoport között. Ez összhangban van a korábbi elektrofiziológiai vizsgálatok eredményeivel [37]. A béta -aktivitás szorosan összefügg a kortikális motorrendszer működésével [38]. Vizsgálatunkban a béta sáv bizonyult a legjobb biológiai korrelációnak, és az előrejelzési erősség gyengébb volt az alfa, a delta és a théta frekvenciatartományokban. Csatlakozás a β-a tónusos mozgások során fellépő sávot megfigyelték a kortikális régiók között, valamint a corticomuscularis kapcsolatokban [39], és valószínűleg fontos szerepet játszik a motoros állapot megőrzésében [40]. A béta -korreláció elemzése további informatív eredményeket eredményez. Erős béta -korreláció a jobb hátsó temporális (T6) kifejezéssel a sportképző csoportban, ami azt jelzi, hogy a jobb hátsó temporális béta -sáv létfontosságú szerepet játszik az agyi régiók kölcsönhatásában az edzés után.


1. Bemutatkozás

Az elmúlt években az agy-számítógép interfész (BCI) technológia, amely egy olyan új technológiává vált, amely lehetővé teszi az emberi agy és a számítógépek vagy más elektronikus eszközök közötti kommunikációt, sok ideg-izom-bénulásos beteg számára nyújtott kényelmet [1-3]. Az elektroencefalográfia (EEG) az egyik legszélesebb körben alkalmazott BCI-módszer magas időbeli felbontása, alacsony költsége és nem invazivitása miatt [4]. Különösen a spontán EEG-n alapuló motoros képalkotó BCI kapott egyre nagyobb figyelmet a neurorehabilitáció területén [5-7].

Mivel a motoros EEG jelek nagyon gyengék, a jel-zaj arány nagyon alacsony, és az interferencia jelek könnyen befolyásolják őket, a különböző osztályozási módszerek általában nehezen érik el a kívánt hatást.A hagyományos gépi tanulási módszerek számos algoritmusát használták a motoros képalkotó EEG jelek osztályozására, beleértve a K legközelebbi szomszéd (KNN) [8], a támogató vektorgép (SVM) [9], a lineáris diszkriminanciaanalízis (LDA) [10], a közös térbeli minta (CSP) [11], és így tovább. A számítástechnika gyors fejlődésével a mély tanulási algoritmus, mint speciális neurális hálózati algoritmus egyre fontosabb helyet foglal el a mesterséges intelligencia (AI) területén. Az elmúlt években sok tudós megpróbált mély tanulási algoritmusokat használni a motoros képi EEG jelek osztályozásához. Ha a mélytanulási algoritmust használják az EEG jelek osztályozására, akkor a nyers EEG adatok bemenetként használhatók a jó osztályozási eredmények eléréséhez.

Az EEG jeleket általában többcsatornás elektróda kupakok segítségével szerzik be. A közös elektróda kupakok 32 vagy 64 csatornás elektródákból állnak. Minél több csatornát használ a motoros képalkotó EEG osztályozási algoritmus, annál gazdagabb az EEG adatokban található információ, annál valószínűbb, hogy jó osztályozási eredményeket kap, mivel az elektródacsatornák számának növekedésével az osztályozási algoritmus költsége is nő.

Az elektródacsatornák hatékony felhasználása érdekében itt kétféle mélytanulási osztályozási algoritmust állítunk össze, különböző elektródacsatorna -kombinációkat választunk ki, osztályozzuk a bal és jobb ököl motor EEG jeleit, majd megkapjuk az elektródák száma közötti összefüggési görbét. csatornák és az osztályozási pontosság.


Bevezetés

Az önkéntes agyaktivációt széles körben vizsgálták tudatzavarok (DOC) esetén. E törekvések célja egy olyan diagnosztikai eszköz kifejlesztése, amely megkülönbözteti a nem reagáló betegeket a reagáló betegektől, ha a betegek súlyosan megbénultak, és nem tudnak viselkedési szempontból reagálni a külső ingerekre. Ezekben a tanulmányokban egyszerű utasításokat mutattak be, amelyeket gondolattal lehet végrehajtani [1] - [13]. Egy lehetséges parancskövetés észlelhető a kapott agyi aktiválásban képalkotó módszerekkel (funkcionális mágneses rezonancia képalkotás, fMRI) vagy neurofiziológiával (elektroencefalogram, EEG). Az ilyen diagnosztikai eszköz alkalmazásának talán legígéretesebb megközelítése az agyi számítógépes interfész (BCI) kutatás technikáin alapul. Cruse és mtsai. [3] kifejlesztett egy eljárást, amelyben a betegek válaszát gépi tanulási technikákkal osztályozták. Egy támogató vektorgép a sávszűrős tevékenységet az EEG központi pozícionált csatornáin rögzítette. A legérdekesebb módon úgy tűnt, hogy az egyedülálló betegek parancsot mutatnak. Ennek a kutatásnak az eredményei azonban nem vitathatatlanok. Goldfine és mtsai. [14] bebizonyította, hogy a tanulmány adatai nem felelnek meg a statisztikai modell feltételezésének, ami mesterségesen alacsony p-értékeket eredményezett. A megfelelő permutációs teszt alkalmazásával a szerzők kimutatták, hogy egyik betegnél sem volt bizonyíték a parancs követésére. Valójában a hamis pozitív eredmények nagy problémát jelentenek, amikor gépi tanulási technikákat alkalmaznak a DOC -ban szenvedő betegeknél. A BCI kutatások során nyilvánvaló, hogy a vizsgálatok résztvevői végzik a teszteket. A DOC kutatásban alig tudjuk, hogy a beteg követi -e a parancsot vagy sem. Ezenkívül a DOC-betegek adatai eltérnek a szokásos BCI-adatoktól a sok műtermék-forrás miatt, mint például a sztereotip mozgások, de a kóros agyi aktivitás is. Ezek a körülmények rendkívüli követelményeket támasztanak az adatelemzéssel szemben.

Cruse és mtsai. [3] sávszűrős adatokat és támogató vektorgépet (SVM) használt az osztályozáshoz. Az egészséges résztvevők csoportja átlagosan 0,68 osztályozási pontosságot adott azokban az esetekben, amelyeket lényegesen a véletlen fölött lehetett besorolni. Ez az átlag nem tartalmazott három alanyt, akik 0,44 és .53 közötti osztályozási pontosságot mutattak. Így mind a 12 résztvevő átlaga 0,63 körül lehet. A tanulmány célja az volt, hogy megvitassuk az EEG-funkciókat az önkéntes agyi aktiváció kimutatására DOC-ban szenvedő betegeknél. Ezért megvizsgáltuk más markerek és egyéb osztályozási módszerek pontosságát egészséges résztvevőkben, és alkalmaztuk őket a DOC betegek adataira.


Bevezetés

Az agy-számítógép interfész (BCI) forró kutatási témává vált, mivel egyre gyakrabban használják a játékalkalmazásokban 1 és a stroke-rehabilitációban 2,3,4,5,6,7 az elképzelt feladat agyi jeleinek tervezett célokra történő lefordítására. a bénult végtag mozgása. Például a BCI által vezérelt 2,8,9 kerekesszékeket fejlesztik ki, hogy lehetővé tegyék a fogyatékkal élők számára a ház körüli manőverezést és az alapvető feladatok elvégzését. Ezenkívül BCI kutatásokat is végeznek annak érdekében, hogy előre felderítsék, hogy egy személy rohamrohamot fog szenvedni, hogy tájékoztassák őket a balesetek vagy súlyos sérülések megelőzése érdekében 10,11,12. A nem invazív érzékelőkkel kapott elektroencefalográfia (EEG) jelet széles körben alkalmazták 12,13 ezekre a célokra, mivel olcsó, könnyen használható, és nem igényel műtétet, mint az invazív érzékelők. A nem invazív érzékelőket használó BCI megközelíti a szükséges technológiai fejlesztéseket, és az idegi tevékenységeket értelmes információkká alakítja, amelyek felhasználhatók a tevékenységtől függő neuroplaszticitás vagy a rehabilitációs robotok meghajtására. Bár ígéretes eredményeket értek el, a rehabilitációs BCI még mindig új és feltörekvő terület. Ezért, ha az EEG jel használatával nagyobb pontossággal osztályozhatja a különböző feladatokat, nemcsak a játék és a rehabilitáció szempontjából lesz előnyös, hanem segít a betegségek vagy rendellenes viselkedésformák, például a 12,14. Roham, az alvási apnoe 15, az alvási szakaszok 16 jobb felismerésében , 17, és álmosság 18 észlelése. Ezért nagyon kívánatos egy olyan BCI rendszer kifejlesztése, amely nagy pontossággal képes osztályozni a különböző típusú EEG jeleket.

A közös térbeli mintát széles körben használják a jellemzők EEG jelekből történő osztályozásához. A válaszadó frekvenciatartomány azonban témánként változik, és ezért az alanyfüggő BCI 19,20,21,22,23,24,25 -öt javasolják leginkább. A rosszul kiválasztott frekvenciasáv nem kívánt vagy redundáns információkat tartalmazhat, és ronthatja a teljes rendszer teljesítményét. A frekvenciasávok kiválasztása kulcsfontosságú szerepet játszik a jelentős funkciók kinyerésében, és a szűrők manuális hangolása nehéz feladat lesz. Ennek a problémának a megoldására számos tárgyfüggő, több frekvenciasávot használó megközelítést javasoltak 21,26,27,28,29,30,31,32,33,34,35,36. Ezek a módszerek több szűrősávot használnak a jel különböző alsávokba történő szűrésére, majd a CSP-t használják a szolgáltatások kinyerésére. Egyes megközelítések különböző módszereket javasoltak a legjobb 21, 24, 32, 34 alsávok kiválasztására, míg más megközelítések a 20, 28, 31, 35, 36, 37 különböző jellemzőválasztási technikákat vették figyelembe az összes alsáv felhasználásával, hogy ígéretes eredményeket érjenek el. Bár több alsáv megfelelő használata elősegítette a jobb teljesítmény elérését, ugyanakkor növelte a rendszer számítási összetettségét 38. Kevés kutató fontolóra vette a 39,40,41,42,43 CSP algoritmus közvetlen javítását is a jobb teljesítmény érdekében. Más javasolt módszerek 23 hullámcsomag -bontást, empirikus mód -bontást 19,29, Riemann -tangens térképezést 22,44, mesterséges neurális hálózatokat 40,45,46 és mély tanulást 47,48 használnak.

A mély tanulás az utóbbi időben széles körű figyelmet kapott a jelfeldolgozás területén. Az EEG jelek osztályozására azonban még nincs teljesen feltárva. Ebben a tanulmányban a tárgyfüggő megközelítésre összpontosítunk, és javaslatot teszünk egy Optimized CSP and LSTM alapú előrejelző, OPTICAL. Az LSTM hálózat egy visszatérő ideghálózat, amely LSTM rétegekből áll, amelyek képesek hosszabb ideig szelektíven emlékezni a fontos információkra, és leginkább a szekvencia előrejelzésére használják. Amint arról korábbi munkáinkban beszámoltunk 30, a rendszer számítási bonyolultságának alacsony szinten tartása érdekében az OPTICAL egyetlen Butterworth sávszűrőt használ, 7–30 Hz-es határfrekvenciákkal. Ígéretes 10 × 10-szeres kereszt-érvényesítési eredményeket kaptunk az OPTICAL használatával, amelyet a BCI Competition IV 1. 49 és a GigaDB 50. adatkészlet segítségével értékeltünk. Az OPTICAL javulást mutatott az osztályozási teljesítményben (17,48% és 31,81% -os átlagos téves besorolási arányt ért el a BCI Competition IV 1. és GigaDB adatkészlet esetében), és előnyös lehet a rehabilitációs célú továbbfejlesztett BCI rendszerek kifejlesztésében. Ettől eltekintve, ha megfelelően alkalmazzák, segíthet a rohamok, az alvási apnoe és az alvási szakaszok nagyobb pontosságú észlelésében is. A kapott eredmények felülmúlják a többi versengő módszert. Így megmutattuk, hogy az LSTM hálózat megfelelő használata elősegítheti a továbbfejlesztett BCI rendszerek kifejlesztését. Szinte az összes kapcsolódó munka 19,20,23,26,31,34,35,51,52 figyelembe vette az MI feladatok osztályozását, amelyek a bináris osztályú MI EEG jel osztályozási problémára korlátozódtak. Meg kell azonban jegyezni, hogy a valós idejű EEG-jel zajt és egyéb tevékenységeket tartalmaz (például a szem pislogását, a szemgolyó fel/le mozgatását, a szemgolyó balra/jobbra mozgatását, az állkapocs összeszorítását és a fej balra/jobbra történő mozgását). feladathoz kapcsolódó EEG jelek. Ezért fontos megmutatni, hogy a javasolt megközelítés akkor képes jól teljesíteni, ha a megvalósítás valós időben történik. Ezért a nyugalmi állapotú és a feladathoz nem kapcsolódó EEG jeleket felhasználva megmutatjuk, hogy a javasolt módszer jól teljesít a valós idejű osztályozáshoz. Ebből a célból a többosztályos MI-feladatok hagyományos CSP-algoritmus használatával történő osztályozásához az egy-szemben pihenés módszert alkalmaztuk (mivel az egy-szemben pihenés módszer lényegesen jobb eredményeket hoz, mint a többosztályos osztályozás). . A GigaDB adatkészletet, amely a nyugalmi állapotú és egyéb, nem feladatokkal kapcsolatos jelek rögzítését is biztosítja, az OPTICAL valós idejű megvalósításának hatékonyságának bemutatására használták fel. A valós idejű megvalósításhoz átlagosan 17,78% -os téves osztályozási arányt értünk el 52 alanyon keresztül a GigaDB adatkészlet használatával.


A vizuális és motoros képeket kísérő EEG-tevékenység topográfiai megoszlása ​​élénk és nem élénk képalkotókban.

A mentális képalkotás legújabb tanulmányai a képi élmény neuropszichológiai kísérőire összpontosítottak. A neuropszichológiai kutatások lehetővé teszik a képek elméleteinek és azoknak más mentális funkciókkal, például észleléssel és motoros vezérléssel való összefüggéseinek tesztelését olyan körülmények között, amelyek kiküszöbölik a nemkívánatos keresleti jellemzők hatásait a résztvevők teljesítményére. Az elektroencefalogram (EEG) kényelmes, nem invazív mérést biztosít a kéreg aktiválására, és széles körben használják. Az első tanulmányt, amely az EEG változásai és a képek közötti kapcsolatról számolt be, Adrian & amp; Matthews (1934) végezte. Golla, Hutton & amp; Walter (1943) és Short (1953) azt sugallták, hogy a vizuális képeket az occipitális EEG alfa ritmus elnyomása jelzi. Costello és McGregor (1957) arra a következtetésre jutottak, hogy az alfa ritmus elnyomásának mértéke egyrészt a kép élénkségének, másrészt a magasabb rendű gondolkodási folyamatoknak a következménye.

Davidson és Schwartz (1977) a kinesztétikai és vizuális módszerek képalkotásának öngenerálása során vizsgálta a modalitásspecifikus EEG mintázást. A nyakszirti és a szenzoros motoros alfa -aktivitás különböző mintáit figyelték meg a kinesztétikai és a vizuális képalkotás során, ahol az utóbbi feladat során nagyobb relatív occipitális aktiváció történt. Ezek az eredmények arra engednek következtetni, hogy a képalkotás a kortikális régió aktiválásával jár együtt, amely rendszerint ugyanazon modalitáson belül részt vesz az észlelési feldolgozásban. Ezt a vizsgálatot sajnos korlátozta, hogy az elektródák elhelyezése csak két helyen (O1 és C3) történt.

A kéreg működésének EEG topográfiai elemzését a teljes fejbőrön Duffy, Burchfield & amp; Lombroso (1979), Duffy, Denckla, Bartels & Sandini (1980) és Uemuru, Ryu, Shioura & amp; Yokota (1983) írták le. Marks, Uemura, Tatsuno és Imamura (1985) hat élénk és hat nem élénk képalkotó topográfiai térképét vizsgálta vizuális képalkotási és számítási feladatokban. Az élénk képalkotók számára létrehozott képtérkép széles körű kortikális aktiválást mutatott a bal nyakszirt és a parietális kéregben, ami ellentétes azzal a hipotézissel, hogy a képeket a térbeli gondolkodással és a jobb agyfélteke specializációjával lehet egyenlővé tenni. Valójában a nem élénk képalkotók jelezték a jobb agyfélteke fókuszát, amely frontálisnak tűnt.

Weiss, Beyer, Hansen, Rost & amp; Paproth (1987) továbbfejlesztett EEG technikát alkalmaztak egy olyan kísérletben, amely a motoros fantáziát hasznosította, és megfigyelte, hogy az összes EEG átlagos bal oldali occipitalis területen gyakorolt ​​gyakorisága magasabb volt a mozgás mentális gyakorlása során. Ez volt az első tanulmányok egyike, amely a képi képeket kísérő EEG változásokat a vizuális módtól eltérő módon jelentette.

A neuropszichológiai módszerek fontos módszertani előnyt biztosítanak a képalkotás kognitív és egyéb teljesítménymutatóival szemben, amelyek megkérdőjelezhetők azzal az indokkal, hogy a kísérletező hatások, a keresleti jellemzők és a hallgatólagos tudás eredményeként elfogultak lehetnek (pl. Intons-Peterson, 1983). Jelentős vitákat váltott ki az, hogy a saját maga által jelentett képi élénkséget használták az alanyok „élénk” és „nem élénk” képalkotók csoportjaira osztásának eszközeként, mivel ezek a módszerek érzékenyek a nem kívánt keresleti jellemzőkre (Berger & Gaunitz, 1979, Isaac & amp; Marks) , 1994 Marks, 1973, 1983, 1989 Sheehan & amp; Neisser, 1969). Ha azonban megbízható és kiszámítható különbségek születnek a képalkotás EEG-kísérőanyagában az élénk jelentések alapján élénk és nem élénk képalkotóként besorolt ​​alanycsoportok között, aligha kétséges, hogy az ilyen jelentések a különböző mentális tapasztalatok érvényes leírói . Ez azért van, mert lehetetlen lenne, hogy az alanyok megváltoztassák EEG -jük topográfiai eloszlását, hogy kielégítsék a kísérleti hipotézisek igényeit, még abban a valószínűtlen esetben sem, ha nem ismerik ezeket az információkat. Ezért a kísérleti megfigyelések magyarázataként a kereslet jellemzői biztonságosan kizárhatók.

Hasonló érvek érvényesek arra az állításra is, miszerint a Vividness of Visual Imagery Questionnaire („Vividness of Visual Imagery Questionnaire”) „túlzott magabiztosság” formájában a műszer műtermékeinek van kitéve azok között, akik a legélénkebb képeket jelentik (Cohen & amp; Saslona, ​​1990, McKelvie, 1994). Ha az élénk és nem élénk képalkotók eltéréseket mutatnak a kortikális aktiváció mértékében azokban a régiókban, amelyekről úgy gondolják, hogy felelősek a mentális képalkotásért, akkor valószínűtlen, hogy a megfigyelt hatásokért a különböző szintű bizalom felelős.

A képkutatásban metateoretikus feltevés volt az a felfogás, hogy a képeket ugyanazok a mechanizmusok generálják, mint az alárendelt észlelést, az úgynevezett „funkcionális egyenértékűség” elvét (Finke, 1980, 1989 Kosslyn, 1980 Paivio, 1971 Shepard & amp; Podgorny, 1978) ). Az itt közölt kísérlet a vizuális és motoros képeket kísérő EEG topográfiai változásokat vizsgálta. A kísérletet a funkcionális ekvivalencia elvéből következő hipotézisek vizsgálatára végezték a cselekvés tervezése és ellenőrzése keretében: (1) A vizuális és kinesztétikai módszerek képalkotása különböző kéregaktivációs mintákat hoz létre, amelyek megfelelnek a kortikális ismert különbségeknek e két módozat megszervezése? (2) Különbözik-e a kérgi aktiváció mintázata vagy foka azoknál a résztvevőknél, akik élénk vagy nem élénk képekkel rendelkeznek?

Tizenhat alanyt, 11 férfit és öt nőt, 26-48 év közötti életkorban (átlagéletkor 34,6 év) választottak élénk vagy nem élénk képalkotónak a Vividness of Visual Imagery Questionnaire (VVIQ Marks, 1973) pontszámuk alapján. ) és a Vividness of Movement Imagery Questionnaire (VMIQ Isaac, Marks & amp Russell, 1986). A VVIQ-ban és a VMIQ-ban az alanyokat arra kérik, hogy gondoljanak egy sor tárgyra és tevékenységre, és értékeljék az egyes képek élénkségét egy ötfokú skálán:

1 = tökéletesen tiszta és olyan élénk, mint a normál látás

2 = világos és ésszerűen élénk

3 = közepesen tiszta és élénk

5 = egyáltalán nincs kép, csak "tudja", hogy egy tárgyra gondol (VVIQ) a készség (VMIQ)

A VVIQ első négy eleme a következő:

Az 1–4. Pontok megválaszolásakor gondoljon egy rokonra vagy barátra, akit gyakran lát (de jelenleg nincs veled), és alaposan fontolja meg azt a képet, amely elméje előtt áll.

1. Az arc, a fej, a váll és a test pontos kontúrja.

2. Az arc, a fej, a váll és a test jellegzetes pózai.

3. A pontos kocsi, a lépés hossza stb.

4. A különböző színek, amelyeket néhány ismert ruhában viselnek.

Mind a 16 kérdésre először nyitott, majd csukott szemmel válaszolunk. A VMIQ első négy eleme a következő:

Gondoljon az alábbi cselekmények mindegyikére, és osztályozza a képeket a tisztaság és az élénkség mértéke szerint, ahogyan azt a minősítési skála mutatja:

Mind a 24 elemre vizuális választ kapunk, ha azt képzeljük, hogy valaki mást hajt végre, majd kinesztetikusan úgy képzeljük el, hogy maga hajtja végre a műveleteket.

Összesen 60 résztvevő töltötte ki mindkét kérdőívet, és a nyolc legmagasabb és nyolc legalacsonyabb pontozót választották ki az összesített pontszámból. Valamennyien diákok vagy munkatársak voltak (akadémiai és általános) a Nyugat -Ausztráliai Egyetemen és a Perthi Queen Elizabeth II Kórházban. Mindannyian jobbkezesek és gyógyszeresek voltak, és részt vettek a kísérlet első szakaszában. Tizenkét alanyt, nyolc férfit és négy nőt választottak ki a 26-48 éves korosztályba (átlagéletkor 33,6 év). Ezek a résztvevők voltak a VVIQ hat legmagasabb és hat legalacsonyabb pontszerzője. Az átlagos képi pontszámok és szórások a két alanycsoport esetében a következők voltak: magas képalkotók, VVIQ -47,7 (SD = 11,7), VMIQ - 66,6 (SD = 17,5) alacsony képalkotók, VVIQ - 81,5 (SD = 18,3), VMIQ - 128,6 (SD = 25,4).

A kísérlet két szakaszból állt. Az első szakaszban az EEG -adatokat a kiindulási pihenőidő alatt, valamint a vizuális és kinesztétikai módszerek képei során gyűjtötték. A második szakaszban EEG adatokat gyűjtöttek, miközben az alanyok két, egymáshoz illeszkedő fizikai és mentális feladatot hajtottak végre. Két motoros feladat volt, az ujjak megérintése és az ökölbe szorítás, mind elképzelt, mind ténylegesen végrehajtott.

A fej előkészítése magában foglalta a nemzetközi 10-20 rendszer szerinti mérést és jelölést. A helyeket csiszoló krémmel készítettük el, és aranyozott csészeelektródákat vittünk fel Redox EEG géllel. Huszonegy elektródát alkalmaztak, bár csak 16-ot használtak az itt közölt topográfiai elemzésben. Összekapcsolt füleket használtak referenciaelektródákként. Egy Nihon Kohden 21 csatornás EEG gépet használtak az összes EEG nyomkövetés rögzítésére és megtekintésére. A felső és aluláteresztő szűrőket 35 Hz -re, illetve 0,53 Hz -re állítottuk be, az érzékenységet 7 [[mikro] volt]/mm -re, a papírsebességet pedig 30 mm/s/értékre.Egy PDP 11/73 számítógép digitalizálta az EEG jeleket a következő 16 csatornáról: F8, F4, F3, F7, T4, C4, Cz, C3, T3, T6, P4, Pz, P3, T5, O2, O1.

A kísérlet 1. szakaszában a nyugalmi állapotú EEG adatokat 16 alanyból gyűjtöttük össze, akiket ezután vizuális képek előállítására kértünk fel, miközben folyamatos EEG felvételeket készítettünk 30 másodpercig. Ezeket a képeket a VVIQ első négy eleme és utasításai alapján hozták létre (lásd fent). További 30 másodperc kiindulási EEG -t rögzítettek, mielőtt az alanyokat felkérték a mozgásmódban történő képalkotásra a VMIQ első négy eleme segítségével (lásd fent). Végül az alap EEG 30 másodpercét rögzítettük.

A 2. szakaszban az eredeti 16 fős csoportból 12 alany adatot szolgáltatott két további feladathoz képi feltétel mellett, majd ténylegesen végrehajtva. Az alanyokat arra kérték, képzeljék el, hogy sorrendben megérintik a hüvelykujjukat a kívánt kezük négy ujjával. Ezután azt az utasítást kapták, hogy ténylegesen hajtsák végre ezt a hüvelykujj-és ujj-érintő feladatot. Ezután megkérték őket, képzeljék el, hogy ökölbe szorítják a preferált kezet. Végül azt az utasítást kapták, hogy hozzanak létre egy öklöt. Összesen 30 másodperc EEG -adatot gyűjtöttek össze e négy kísérleti körülmények között.

A digitalizált EEG hullámformákat grafikus képernyőn (Tektronix 4205) jelenítettük meg, és a műtárgyakkal szennyezett metszeteket kiküszöböltük a további elemzésekből, minden 2 másodperces korszak szemrevételezésével. Ezt professzionális EEG technikusok segítségével végezték. A felvétel azon részeit, amelyek „letelepedésnek”, szemmozgás-műtermékeknek vagy ismeretlen forrásból származó tüskéknek tulajdoníthatók, elutasították. Ha több mint 5 másodperc adatot veszít folyamatosan, vagy több mint öt korszakot kell törölni bármely 30 másodperces próba során, akkor a munkamenet megszakad. Ez csak egy esetben fordult elő. Legalább 20 s és legfeljebb 30 s adat állt rendelkezésre minden egyes témáról és állapotról.

Az átlagos teljesítményspektrumokat az öt fő frekvenciasávra számítottuk ki: delta (1-3 Hz), théta (4-7 Hz), alfa (8-13 Hz), béta 1 (14-20 Hz) és béta 2 (21- 28 Hz). A fejbőr feletti energiaelosztást minden frekvenciasávban színkódolt topográfiai formátumban jelenítettük meg minden körülményhez. Az itt közölt összes elemzésben az EEG térképeket négy negyedre osztottuk, amelyek a bal és jobb frontális régióknak, valamint a bal és a jobb hátsó régióknak felelnek meg. Ez volt az adatcsökkentés szokásos eljárása a kórház neurológiai osztályán, ahol az adatokat gyűjtötték. A négy kvadráns adataihoz hozzájáruló elektródák a következők voltak: jobb elülső, F8, F4, T4, C4 és Cz bal elülső, F7, F3, T3, C3 és Cz jobb hátsó, T6, P4, Pz és O2 bal hátsó, T5 , P3, Pz és O1. Cz közös volt az elülső és Pz a hátsó negyedekben. Bár ez általában csökkenteni fogja a látszólagos aktivitási szintek közötti különbségeket a kvadránsok között, kívánatos volt, hogy ezekből a központilag elhelyezett elektródákból származó adatokat tartalmazzunk, ahelyett, hogy törölnénk őket az elemzésből (lásd az Eredmények című részt).

A kísérlet minden szakaszában az összes műtermékmentes adatot többváltozós varianciaanalízisben használtuk a Statisztikai elemző rendszer csomag segítségével. Ez összehasonlította az élénk és nem élénk képalkotók csoportjait az egyes feladatokban és feltételekben öt frekvenciasáv és négy kortikális negyed esetében.

Az eredményeket az alábbiakban négy szakaszban mutatjuk be: a vizuális képalkotási feladat az alapvonallal szemben (1. szakasz N = 16), a mozgásképi feladat és az alapvonal (1. szakasz N = 16), elképzelve a tényleges ujjérintéssel szemben (2. szakasz N = 12) elképzelt vs tényleges ökölbe szorítás (2. szakasz N = 12).

A varianciaanalízis jelentős fő hatásokat tárt fel a frekvenciasávra (F (4, 12) = 94,7, p [kevesebb, mint .0001) és a helyszínre (F (3, 12) = 3,64, p [kevesebb, mint], 02). Az alfa -sáv tartalmazta a legnagyobb különbségeket az átlagban és a szórásban a kísérleti körülmények következtében, ezért külön -külön elemezték a 2 (csoportok) x 2 (feltételek) x 4 (helyszínek) varianciaanalízisben (1. táblázat).

Nagyon jelentős fő hatása volt a helynek, és jelentős háromirányú kölcsönhatás volt a csoport, a helyszín és az állapot között. Ezt a kölcsönhatást az 1. ábra szemlélteti.

Ezek az eredmények azt mutatják, hogy az EEG alfa aktivitása gyengül a vizuális képek során a bal hátsó kvadráns élénk képalkotóiban, de kissé fokozódik a nem élénk képalkotókban. Ezt megerősítette az élénk képcsoporton belüli kontrasztanalízis, amely kimutatta, hogy a csillapítás mértéke eltér a négy negyed között, a bal hátsó kvadráns okozza a legnagyobb mértékű csillapítást.

Egy ismételt méréses varianciaanalízis a frekvenciasávra gyakorolt ​​jelentős fő hatást mutatott ki: F (4, 12) = 83,7, p [kevesebb, mint] .0001. A legnagyobb különbségeket ismét az alfa -sávban figyeltük meg, ezért ezt külön -külön elemeztük (2. táblázat).

Ebből az elemzésből kiderül, hogy az alfa frekvenciasáv ismét jelentős lokalizációs hatást váltott ki (F (3, 42) = 6,39, p [kevesebb, mint 0,01), és hogy az x élénk csoport feltétel kölcsönhatása rendkívül jelentős volt (F (1, 14)) = 12,1, p [kevesebb, mint] .005), amint azt a 2. ábra szemlélteti.

Az ismételt mérések varianciaanalízise a frekvenciasáv jelentős fő hatását mutatta ki: F (4, 5) = 145,5, p [kevesebb mint] .0001. Az alfa volt az a frekvenciasáv, ahol a legnagyobb különbségek voltak az átlagban és a szórásban, ezért külön elemezték (lásd 3. táblázat).

Ez az elemzés azt mutatta, hogy jelentős fő hatása volt a helymeghatározásnak (F (3, 30) = 5,38, p [kevesebb, mint 0,05), és nagyon jelentős háromirányú kölcsönhatás volt a csoport, a hely és az állapot között (F (3, 30) ) = 14,2, p [kevesebb, mint] .001). Amint a 3. ábra mutatja, az EEG alfa ritmusa szelektíven reagált a különböző kortikális területeken, és ami még fontosabb, szignifikáns kölcsönhatás volt a képi élénkség, a lokalizáció és a feladat között.

Ismét az alfa frekvenciasáv mutatta a legnagyobb érzékenységet a feladat változásaira, ezért statisztikailag elemezték egy ismételt mérési varianciaanalízissel (4. táblázat).

Ez az elemzés ismét bebizonyította, hogy a helymeghatározás jelentős fő hatás, és hogy statisztikailag szignifikáns különbség van a két kísérleti körülmény között nagy és alacsony képi élénkségről beszámoló alanyok között [ILLUSTRATION FOR 4. ÁBRA KIHAGYOTT].

Ez a kísérlet megerősítette a korábbi eredményeket, amelyek azt sugallták, hogy az EEG és különösen az alfa ritmus érzékeny a mentális folyamatok kísérleti manipulációjára. A tanulmány megállapította, hogy a vizuális és kinesztétikai módszerek képalkotása különböző kérgi aktivációs mintákat generál. Továbbá, ahogyan azt feltételezzük, statisztikailag megbízható különbségek vannak az EEG-válaszok mintázásában azokban a résztvevőkben, akiket az élénk vagy nem élénk képekről készített jelentéseik alapján választottak ki, miközben különböző típusú képalkotási feladatokat végeztek. Ezek a különbségek különösen az alfa frekvenciasávon belül láthatók, amely következetesen eltérő választ mutat az élénk és nem élénk képalkotók esetében. Mind a négy feladat esetében az x csoport feltétel interakciója statisztikailag szignifikáns vagy közel volt a szignifikanciához. A feladatok közül kettőnél (a VVIQ képalkotó ujjainak érintésének első elemeinek vizuális képalkotása) jelentős háromirányú kölcsönhatás volt az élénkség, a helyszín és az állapot között. Ebből arra lehet következtetni, hogy ezek az adatok tükrözik a regionalizált kortikális aktiváció különböző szintjeit azoknál az egyéneknél, akik élénk és nem élénk képeket élnek át, és részt vesznek a képalkotás folyamatában.

Ezek az eredmények megerősítik, hogy a VVIQ és a VMIQ segítségével kapott ötpontos értékelések formájában a képi élénkség önbevallásos mérései a különböző mentális tapasztalatok érvényes mércéi (Isaac & amp; Marks, 1994 Marks, 1973, 1983, 1989). Az élénk és nem élénk képalkotók közötti információfeldolgozási különbségek tanulmányozását megkérdőjelezték azzal az indokkal, hogy a résztvevők szándékosan vagy akaratlanul megváltoztathatták teljesítményüket, hogy megfeleljenek a kísérletező hipotéziseinek (Berger & Gaunitz, 1979 Sheehan & amp; Neisser) , 1969). Más kutatók azt javasolták, hogy a VVIQ -ból kapott képalkotó intézkedések a „túlzott magabiztosság” miatti elfogultságokból származó műtermékek lehetnek (Cohen & amp; Saslona, ​​1990, McKelvie, 1994).

Az itt alkalmazott módszerek hatékonyan kiküszöbölték a kísérleti hatásokat, a megfelelési hatásokat, a keresleti jellemzőket és a túlzott magabiztosságot, mint a csoportkülönbségek lehetséges meghatározóit. A két alanycsoport EEG topográfiai válaszaiban észlelt neuropszichológiai különbségeket rendkívül valószínűtlen, hogy ilyen hatások okozták volna. Lehetetlen lett volna, hogy az alanyok ilyen következetesen megváltoztassák az EEG -erő topográfiai megoszlását a feltételek és feladatok között, folyamatos biofeedback, hosszabb gyakorlatok és a nyomozók által keresett adatok teljes ismerete nélkül. Az a felvetés, miszerint a „túlzott magabiztosság” torzításai a bal agyféltekés EEG alfa csillapításában is megnyilvánulhattak, szintén nagyon valószínűtlen lenne, különösen annak a neurológiai bizonyítéknak a fényében, hogy ez az agyrégió a vizuális képalkotáshoz szükséges folyamatok helyszíne (Farah, 1984) , 1988 Farah, Gazzaniga, Holtzman & amp; Kosslyn, 1985).

Ezek az eredmények megerősítik Marks és mtsai korábbi megállapításait. (1985) szerint az élénk vagy nem élénk képek differenciált jelentésére kiválasztott alanyok jelentős különbségeket mutatnak az EEG mintázásban a vizuális képek során. Az a tény, hogy majdnem azonos eredményeket figyeltek meg japán és ausztrál csoportokban is, arra utal, hogy az alfa -csillapítás a bal hátsó kéregben az élénk vizualizáció megbízható és robusztus kísérője. Az élénk csoporton belüli vizuális képek során az alfa teljesítmény csökkenése a bal hátsó régióban megerősíti Farah (1984, 1988) és Farah et al. (1985) különböző eljárások alkalmazásával. A tanulmány adatai számos forrásból származó bizonyítékokkal egészítik ki azt, hogy a képalkotásért felelős modul a bal féltekén található.

Más kísérleti tervek gyakran figyelmen kívül hagyták az alapintézkedéseket, ami félrevezető képet eredményezhetett a képek lokalizációjáról. E tanulmány eredményeiből, Marks et al. (1985), hogy mindkét féltekén különbségek vannak az élénk és a nem élénk csoportok között, és hogy összetett kölcsönhatás van a képi élénkség, a feladat és a kortikális lokalizáció között. Mindenesetre ez a kísérlet megerősíti azt a bizonyítékot, hogy az alfa -csillapítás a vizuális képek objektív mutatója, amely alátámasztja az ezen a területen végzett korábbi munkát (Costello & amp McGregor, 1957 Short, 1953 Marks et al., 1985).

A motoros képalkotási feladat adatai ismét azt sugallják, hogy az élénk és nem élénk képalkotók között különbségek vannak a képeknek a nyugalmi EEG-re gyakorolt ​​hatásában. Érdekes módon azonban az alfa -csillapításban mutatkozó különbségek ellentétes irányba mutatnak a vizuális képalkotási feladat eredményeivel. A mozgásképek az élénk képalkotók alfa -fokozásával jártak, nem pedig a csillapítással, a legnagyobb különbség a bal hátsó régióban következett be. Mivel nem ismertek hasonló kísérleti tervek, ezeket az eredményeket nehéz értelmezni, bár a változás irányának konzisztenciája a tárgycsoportokon belül megbízható jelenségre utal. Az egyetlen hasonlóság a kétféle kép között az, hogy mindkettőre a legnagyobb választ adó EEG frekvenciasáv azonosnak tűnik, az alfa -sáv. Ezen adatok megértéséhez várni kell a motoros képeket kísérő EEG -válaszok további vizsgálatára.

Az ujjal érintő feladat eredményei azt mutatták, hogy az élénk képalkotók növelik az alfa teljesítményét, különösen a jobb hátsó negyedben, szemben a nem élénk képalkotók által mutatott alfa csillapítással. A mozgásképi feladat sok tendenciája megismétlődik, jelezve, hogy ezeknek a csoportoknak a frekvenciasávja, a kvadráns és a változás iránya megbízható megállapítások, és hogy egy feladat képalkotása és tényleges végrehajtása egybehangzó hatásokat eredményez az EEG -n (Weiss et al., 1987). A 3. ábra a csoport, az állapot és a hely közötti erős háromirányú kölcsönhatás jellegét szemlélteti, és azt jelzi, hogy a jobb hátsó kvadránsban van a legnagyobb különbség a kortikális aktivációban a két csoport és állapot között.

Az ökölkészítési feladatban a két képcsoport ismét eltért az alfa-válasz változásának irányától, az élénk képalkotók az alfa-csökkenést és a nem-élénk képalkotókat növelték a tényleges izomválasz során. Ahogy az ujjal érintő feladatnál is, a csoportok közötti különbség a jobb agyféltekében volt a legnagyobb.

Ezek az EEG adatok lehetővé tették némi megkülönböztetést a különböző régiók képalkotási feladatokra adott válaszai között, különösen az alfa frekvenciasávban. További kutatásokra van szükség ahhoz, hogy meghatározzuk az alfa ritmusban bekövetkező különböző változások okait, amelyeket a kétféle kép esetében megfigyeltek. Ebből a szempontból az agytérképezési módszerek valószínűleg egyre fontosabb szerepet játszanak, különösen azok, amelyek nagyobb felbontást biztosítanak, mint az EEG. Mielőtt a funkcionális egyenértékűségre vonatkozó határozott következtetéseket levonnánk, mélyebb elemzésre van szükség a képalkotás és az észlelési folyamatok szerepének a cselekvés tervezésében és ellenőrzésében.

A szerzők hálásak a segítségért, amelyet Richard Lockwood, Frank Mastaglia, Sue Tanner, Gary Thickbroom, Alan Pearson, Alan Walmsley és Bill Hopkin kapott.

Adrian, E. D. & amp; Matthews, B. H. C. (1934), The Berger ritmus: Potenciális változások az occipitalis lebenyből az emberben. Agy, 57, 355-385.

Berger, G. H. & amp; Gaunitz, S. C. B. (1979). Önértékelt képek és kódolási stratégiák a vizuális memóriában. British Journal of Psychology, 68, 283-288.

Cohen, B. H. és Saslona, ​​M. (1990). A szokásos vizualizátor előnye. Journal of Mental Imagery, 14, 101-112.

Costello, C. G. és McGregor, P. (1957). A vizuális képzet egyes aspektusai és az alfa ritmus kapcsolata. Journal of Mental Science, 103, 786-795.

Davidson, R.J. & amp; Schwartz, G. E. (1977). A zenei képzés hatása az EEG aszimmetria mintáira zenei és nem zenei öngenerációs feladatok során. Pszichofiziológia, 14, 58-63.

Duffy, F. H., Burchfield, J. L. és Lombroso, C. T. (1979). Agyi elektromos aktivitás -leképezés (BEAM): Új módszer az EEG klinikai minőségének és a potenciális adatok kibővítésére. Annals of Neurology, 5, 309-321.

Duffy, F. H., Denckla, M. B., Bartels, P. H. & amp; Sandini, G. (1980). Diszlexia. Regionális különbségek az agy elektromos aktivitásában topográfiai térképezéssel, Annals of Neurology, 1, 412-420.

Farah, M. J. (1984). A mentális képek neurológiai alapjai: A komponensek elemzése. Cognition, 18, 245-272.

Farah, M. J. (1988). A vizuális képek valóban vizuálisak? Elhanyagolt bizonyítékok a neurofiziológiából. Pszichológiai Szemle, 95, 307-317.

Farah, M. J., Gazzaniga, M. S., Holtzman, J. D. & amp; Kosslyn, S. M. (1985). A bal agyfélteke alapja a vizuális mentális képeknek? Neuropsychologia, 23, 115-118.

Finke, R. A. (1980). Az egyenértékűség szintjei a képekben és az észlelésben. Pszichológiai Szemle, 87, 113-132.

Finke, R. A. (1989). A mentális képalkotás alapelvei. Cambridge, MA: MIT Press.

Golla, F., Hutton, E. L. & amp; Walter, W. G. (1943). A mentális képzetek objektív vizsgálata: 1 Élettani kísérők. Journal of Mental Science, 89, 216-223.

Intons-Peterson, M. J. (1983). Képi paradigmák: Mennyire érzékenyek a kísérleti elvárásokra? Journal of Experimental Psychology: Human Perception and Performance, 9, 394-412.

Isaac, A. & amp; Marks, D. F. (1994). Egyéni különbségek a mentális képi tapasztalatokban: Fejlődési változások és specializáció. British Journal of Psychology, 85, 479-500.

Isaac, A., Marks, D. F. & amp; Russell, D. G. (1986). A mozgás képeinek értékelésére szolgáló eszköz. A mozgásképek élénksége kérdőív. Journal of Mental Imagery, 10, 23-30.

Kosslyn, S. M. (1980). Kép és elme. Cambridge, MA: Harvard University Press.

McKelvie, S. J. (1994). A Vividness of Visual Imagery kérdőív, mint az arcfelismerő teljesítmény előrejelzője. British Journal of Psychology, 85, 93-104.

Marks, D. F. (1973). Vizuális képi különbségek a képek felidézésében. British Journal of Psychology, 64, 17-24.

Marks, D. F. (1983). Mentális képzetek és tudat: elméleti áttekintés. In A. A. Sheikh (szerk.), Imagery: Current Theory, Research, and Application, 96-130. New York: Wiley.

Marks, D. F. (1989). Építse meg a vizuális képek élénk kérdőív érvényességét. Perceptuális és motoros készségek, 69, 707-718.

Marks, D. F., Uemura, K., Tatsuno, J. & amp; Imamura, Y. (1985). A képek EEG topográfiai elemzése. J. McGaugh (szerk.), Contemporary Psychology: Biological Processes and Theoretical Issues, 211-223. Amszterdam: Elsevier.

Paivio, A. (1971). Képi és verbális folyamatok. New York: Holt, Rinehart és Winston.

Sheehan, P. W. és Neisser, U. (1969). Néhány változó, amely befolyásolja a képek élénkségét a felidézés során. British Journal of Psychology, 60, 71-80.

Shepard, R. N. és Podgorny, P. (1978). Az észlelési folyamatokhoz hasonlító kognitív folyamatok. In W. K. Estes (szerk.), Handbook of Learning and Cognogn Processes, vol. 5. Hillsdale, NJ: Erlbaum.

Short, P. L. (1953). A mentális képzetek objektív vizsgálata. British Journal of Psychology, 44, 38-51.

Uemura, K., Ryu, H., Shioura, A. & amp; Yokota, N. (1983). EEG topográfiai rendszer a magasabb funkcionális lokalizáció klinikai vizsgálatához. Ausztráliai téli konferencia az agykutatásról. Queenstown, Új -Zéland.

Weiss, T., Beyer, L., Hansen, E., Rost, R. & amp; Paproth, A. (1987). Motoros fantázia: Néhány neurofiziológiai összefüggés dinamikája. Idegtudomány, 22, 511.


Bevezetés

Az elektroencefalogramon (EEG) alapuló agy-számítógép interfész (BCI) kutatások során a motoros képeken alapuló BCI nagy figyelmet kapott az elmúlt két évtizedben [1]. A motorképeken alapuló BCI az alany motoros szándékát parancsjelré alakítja a motoros képállapotok (például a bal és jobb kéz mozgásának képzelete) valós idejű észlelése révén. Pfurtscheller et al. [2], [3] kifejlesztette az első motorképeken alapuló BCI-t, amely az EEG teljesítményváltozásainak észlelésén alapul, az eseményhez kapcsolódó szinkronizálás és szinkronizálás (ERD/ERS) néven, mozgással kapcsolatos mu (8–12 Hz) és béta (18–26 Hz) ritmusok. Farkasmancs et al. [4] egy másik motorképeken alapuló megközelítést javasolt, amely arra tanítja a felhasználókat, hogy szabályozzák a mu/béta ritmusok amplitúdóját a 2-D kurzor mozgásának szabályozásához. Összehasonlítva más, általánosan használt EEG jelekkel, például az eseményhez kapcsolódó P300 potenciállal és vizuálisan kiváltott potenciállal (VEP), a motoros képalkotáson alapuló BCI nem igényel külső ingereket, és teljesen független lehet az izomtevékenységtől [4]. elfogadható a felhasználók számára.

Jelenleg a gépi tanulási technikák fontos szerepet játszanak a motorképeken alapuló BCI megvalósításában [5], [6]. Mivel a motoros képalkotás során bekövetkező EEG-változások mind a frekvencia-, mind a térbeli területeken tárgyspecifikusak, a címkézett adatok gyűjtéséhez kalibrációra van szükség a térbeli szűrők és osztályozók optimalizálása érdekében [7]. Ezenkívül más rögzítési paraméterek (pl. Elektróda helyzete, bőrrel való érintkezés és rendszerzaj) és az EEG jelek nem-stacionáriussága is kihívást jelent a rendszer újrakalibrálására különböző munkamenetek között, még ugyanazon felhasználó számára is. A kalibrálási eljárás mindig munka- és időigényes, ezért komolyan korlátozza a BCI-k gyakorlatiasságát a valós környezetben.

A közelmúltban számos motoros képalkotáson alapuló BCI-tanulmány adaptív módszereket vagy nulla képzési módszereket fejlesztett ki a munkamenet-munkamenet és a témák közötti változékonyság okozta problémák megoldására [8]-[10]. Ezeket a módszereket azon feltételezések alapján javasolták, hogy a tárgyakon belüli és a különböző tantárgyakon belül közös EEG térbeli minták léteznek. Tekintettel az alanyok anatómiájának nagy változékonyságára, előfordulhat, hogy az alanyból származó térbeli szűrők nem optimálisak egy másik számára. Ezenkívül a reprodukálható munkamenet-munkamenet közötti térbeli szűrők keresése továbbra is munka- és időigényes, mivel minden egyes személyre vonatkozóan jó címkézett kísérleti adatok szükségesek. Alternatív megoldás az, hogy stabil állapot-állapotú térbeli szűrőket találunk, amelyeket rövid kísérleti munkamenet útján, munkaigényes címkézés, például néhány perces pihenő EEG nélkül is meg lehet szerezni. Az állapot-állapot megoldás alapfeltételezése az, hogy egyes funkcióspecifikus EEG-komponensek (például motoros alkatrészek) térbeli mintázata viszonylag stabil az egyik állapotból a másikba. A motorképeken alapuló BCI-ben ésszerű feltételezni, hogy a mu/béta-komponensek térbeli mintái következetesen az elsődleges szenzomotoros kéregben helyezkednek el mind a nyugalmi, mind a motoros képalkotási állapot alatt minden egyes alany esetében. E hipotézis alapján lehetséges, hogy nyugalmi állapotban rögzített, nem címkézett EEG-adatok alapján térbeli szűrőket lehet származtatni, és alkalmazni lehet az EEG-adatok osztályozására a motoros képalkotási BCI gyakorlatok során.

Az EEG térbeli szűrők munka közbeni fordításának megvalósításához két előfeltételnek kell teljesülnie. Először is, az EEG források térben stabilak mind nyugalmi, mind működő állapotban, és tükröződhetnek észlelhető EEG oszcillációkkal. Másodszor, a térbeli szűrők elsajátítására használt módszer teljesen felügyelet nélküli, így a képzési adatok nem igényelnek munkaigényes megjegyzéseket. Korábbi tanulmányok kimutatták, hogy a kézmozgások motoros felvételei során bekövetkező EEG változásokat a mu/béta ritmusok (ERD/ERS) EEG teljesítménymodulációi uralják a kézterületen, amely a szenzomotoros kéreg legnagyobb alterülete [2]. Korábbi tanulmányok az alapértelmezett agyhálózatok agytevékenységeit is jelentették, amikor az agy üresjáratban marad [11], [12]. Pontosabban: a spontán mu/béta ritmusok gyakran erős aktivitást mutatnak pihenés közben, ami az elsődleges szenzomotoros kéreg üresjáratát jelzi [13]. Ezért e tanulmány hipotézise az, hogy nyugalmi állapotban a mu/béta ritmusok EEG -változásainak térbeli mintázata összhangban van a kézmozdulatok képeivel. A nyugalmi EEG-ből származó térbeli szűrők használatának előnyei kettősek: (1) nem igényel munkaigényes címkézést (2) a kísérleti adatok könnyen elérhetők, anélkül, hogy az alanyok figyelmét vagy intézkedéseit megkövetelnék.

Felügyelet nélküli módszerre van szükség a címke nélküli nyugalmi EEG adatok térbeli szűrőinek megkereséséhez. A független komponens -elemzés (ICA) gyakorlati megoldás, mivel a fejbőr EEG -jét alkotó, egymást átfedő agyforrás -tevékenységeket funkcionálisan specifikus komponensekre bonthatja [14]. Ezenkívül számos tanulmány, amely az ICA-t alkalmazza az átlagolt ERP-k, a folyamatos EEG-rekordok és/vagy eseményhez kapcsolódó EEG-adatkísérletek lebontására, kimutatta, hogy a független motoros komponensek nagyon konzisztensek voltak a fejbőr előrejelzései és spektrális profiljai tekintetében a különböző mentális feladatok során [15] - [17]. Feltételezzük tehát, hogy a címkézetlen nyugalmi EEG -re alkalmazott ICA térbeli szűrőket találhat a különböző motorképi állapotok megkülönböztetésére.

A tanulmány célja annak vizsgálata, hogy megvalósítható-e az állapotinvariáns EEG térbeli szűrők leállítása, nyugvó EEG alapján, motoros képalkotás alapú BCI-hez. A nyugalmi EEG-ből származó térbeli szűrők használatának pontosságát az egypróba EEG osztályozásához a bal- és jobbkezes mozgások során összehasonlítjuk a motoros képállapotban gyűjtött adatokból származó térbeli szűrők használatával. Ezenkívül ez a tanulmány összehasonlítja a javasolt állapot-állapot módszert a meglévő munkamenet-munkamenet módszerrel [10].


A motoros képek osztályozása EEG adatok felhasználásával - Pszichológia

Dr. Ratna Sharma

Stressz és kognitív elektroképes labor

Tekintettel arra, hogy az AIIMS kiemelten kezeli az orvosbiológiai kutatásokat, és mivel tudományos képzést kaptam az AIIMS hallgatójaként és oktatóként is, mindig szerencsés voltam, hogy stratégiai helyzetben lehetek, hogy jelentősen hozzájárulhassak az kutatási területet azáltal, hogy új projekteket, technikákat és módszereket fogalmaz meg és fejleszt, amelyek hozzáadott értéket képviselnek mind a meglévő tudásterülethez, mind pedig az új és innovatív kutatások előrehaladásához. Az elmúlt 26 évben a neurofiziológia területén dolgoztam.

Az indiai kormány Tudományos és Technológiai Minisztériumának finanszírozásával 2011 -ben létrehozták az AIIMS Élettani Tanszékén a Stressz és Kognitív Elektromos Képalkotó Labort.

Az elmúlt 8-9 évben megkíséreltünk jelentős mértékben hozzájárulni a különböző kognitív területek idegi alapjainak megértéséhez, egészséges egyénekben, valamint neuropszichiátriai és neurodegeneratív rendellenességekben.

Több mint 380 egészséges felnőtt, 65 gyermek, 55 idős és 250 beteg (beleértve a Parkinson -kór és az Alzheimer -kórt, az enyhe kognitív károsodást, a skizofréniát, az autizmust, a figyelemhiányos hiperaktív rendellenességet, a glaukómát és a szenvedélybetegséget) több mint 380 egészséges felnőtt, EEG adatai szerepeltek a korosztály széles körében. összegyűjtötték és elemezték a kiindulási és a különböző kognitív területek tesztelése során.

Különféle kognitív területeket vizsgálnak az észleléstől, a memóriától (verbális és képi), a munkamemóriától, az interferenciától, a figyelemtől (hallási és vizuális) az érzelmekig. Ez lehetővé tette számunkra, hogy standardizáljuk az életkorral kapcsolatos kognitív változásokat mindkét nemben a kognitív területeken.

Az alapvető jelenségeket, például a stressz miatti változásokat, a meditációt, a nyelvet, az audiovizuális integrációt, a motoros képeket és a binokuláris rivalizálást szintén a kutatás fő területei középpontba helyezték. Eddig a neurális korrelációt mutatott az aktivált hálózatok, azok idegi forrásai és koherens aktiválása tekintetében az alapállapotokhoz képest a kvantitatív EEG segítségével.

A kvantitatív EEG (QEEG) az EEG módszertani elemzése, amely az alapul szolgáló fiziológiát és patofiziológiát tükröző mennyiségi mérőszámok levezetésére szolgál.

A laboratóriumunkban olyan QEEG -méréseket alkalmazunk, mint a spektrális teljesítmény, a koherencia, az EEG -mikroállapotok, a forrás -lokalizáció, a kapcsolódási mérések, az okozati összefüggések és a gráfelméleti intézkedések a betegek és az egészséges kontrollok agyi aktivitásának tanulmányozására.

Laboratóriumunk egyik fő erőssége a 128 csatornás EEG-t használó sűrű tömb EEG-felvétel, amely nagyobb pontosságot és pontosságot biztosít az EEG-aktivitás agyi forrásainak lokalizálásában 6239 voxel között, amelyek közvetlenül korrelálnak az MRI által feltárt struktúrákkal.

A laboratórium egyik figyelemre méltó hozzájárulása a mentális zavarok megértéséhez az agyi források azonosítása a bal alsó parietális lebenyben és a bal temporális gyri -ban a skizofréniában lerövidült nyugalmi állapotban lévő EEG -mikroállapot számára (https://doi.org/10.1016/j.schres). 2018.06.020). Az EEG mikroállapotok az agy elektromos mezőjének pillanatnyi térbeli konfigurációja a fejbőrön, amely kvázi stabil „funkcionális mikroállapotokat” tükröz, amelyeket a különböző intrakraniális generátorok aktivitása okoz. A Lab azonosított egy egészséges személyek EEG mikrostátusát is, amely megjósolja a vizuális térbeli munkamemória feladatának eredményét fiatal felnőtt alanyokban, növekvő memóriaterheléssel (http://dx.doi.org/10.1016/j.bbr.2016.08.020).

Jelenleg egy fontos EEG biomarkert teszünk közzé, amely az agyforrás -kapcsolódási méréseken alapul, és amely jó érzékenységet és specifitást mutatott az Alzheimer -kór, az enyhe kognitív károsodás és az egészséges idős kontrollok megkülönböztetésében. Jelenleg a gráfelmélettel foglalkozunk, hogy tanulmányozzuk az agyhálózatok dinamikáját a klaszterezési együttható, a jellemző úthossz és a kicsi világ együtthatójának mérésével. Ezek a gráfelméleti intézkedések segítenek azonosítani azokat az agyrégiókat, amelyek egészségügyi és betegségállapotokban az agyhálózatok csomópontjaiként és csomópontjaiként funkcionálnak. Sok komplex valós jelenséget, beleértve az EEG jeleket, a nemlineáris dinamika és a káoszelmélet jellemzi. Ezért azt tervezzük, hogy beépítjük a komplexitás és a stabilitás nemlineáris dinamikus méréseit, hogy számszerűsítsük az agydinamika kritikus aspektusait.

A betegek QEEG adatait ezen elemzési stratégiák segítségével gyűjtötték össze és elemezték. A laboratórium együttműködik a New Delhi AIIMS Neurológiai, Pszichiátriai, Deaddiction Center, Gyermekneurológiai és Szemészeti Tanszékével.

Mi célja egy olyan platform kifejlesztése a pszichiátriai és neurodegeneratív rendellenességekben szenvedő betegek szűrésére és profilozására, amelyek idegi aláírásként /biomarkerként használhatók ezekben a betegségekben. Ez rendkívül fontos olyan körülmények között, mint a demencia, az ADHD, az autizmus, a depresszió, ahol nincs objektív aranyszabvány a diagnózishoz, ami gyakran túl-/alul diagnosztizáláshoz vezet.

A kutatócsoportba tartozik egy professzor (Prof Ratna Sharma), három adjunktus (dr. Simran Kaur, Dr Prashant Tayade, Dr Suriya Prakash), tíz PhD, öt MD, négy MSc hallgató és egy ICMR RA. A (publikált és közzététel alatt álló) kutatási publikációk nemzetközi és nemzeti eredeti cikkeket foglalnak magukban, amelyeket az intézet is elismeréssel fogadott (AIIMS Excellency Award 2017 díjat kapott) és más fórumok (APPI díjak), valamint más kutatási támogatások különböző finanszírozási ügynökségektől (DST, DBT, DHR, Ayush, AIIMS).

Célunk, hogy felgyorsítsuk kutatásainkat mind az alapvető, mind a klinikai idegtudományokban. A fenti célon túlmenően az EEG -t is előkészítjük az idegsebészeti műtét előtti eszközként annak érdekében, hogy feltérképezzük és lokalizáljuk a fontos funkciók területeit, például a nyelvet, a mozgást, a látást stb., Hogy megvédjük ezeket a funkciókat a tumor eltávolítása során.

Végezetül, ez a kutatás lehet -e az alapja annak, hogy esetleg nagyobb terhelés vagy stressz esetén növeljék az egészséges alany szellemi képességeit, vagy helyreállítsák a mentális és fizikai képességeket betegség esetén. Ezen lehetőségek megvalósítása érdekében azon dolgozunk, hogy az EEG -t számítógépek/ gépek irányítására használjuk. Tanulmány készül egy agyi számítógépes felület létrehozására a motoros képek EEG adatai alapján, gépi tanulási algoritmus és mu ritmusalapú visszacsatolási képzés segítségével rehabilitációs célokra.

  1. A szakdolgozat fő témavezetőként versenyzett: 9 PhD, 5 MD, 1 MSc
  2. A szakdolgozat vezetői témakörében folyik: 2 PhD, 2 MD
  3. Tézismunka, amelyet társvezető főfelügyelőként végeznek/ fejeznek be: 3 PhD, 5 MD, 3 MSc.
  4. A szakdolgozat más osztályok fővezérjeként folyik/ fejeződik be: 3 DM Gyermekneurológia és 1 DM Pszichiátria (De-addiction)
  5. Posztdoktori hallgatók: 2 kutató munkatárs

Publikációk:

Teljes hosszúságú kiadványok: 51

Absztrakt kiadvány: 116

Dr. Ratna Sharma

Teljes hosszúságú cikk megjelent: Első szerző/ megfelelő szerző BOLD -ban


Feladatátvitel tanulása az EEG osztályozáshoz a motoros képeken alapuló BCI rendszerben

A motor-képi agy-számítógép interfész rendszer (MI-BCI) tábla kilátással rendelkezik a fejlesztésre. A hosszú kalibrálási idő és az elég MI parancsok hiánya azonban korlátozza a gyakorlatban történő használatát. A parancskészlet kibővítése érdekében új parancsként adjuk hozzá a hagyományos MI parancsok kombinációit a parancskészlethez. Továbbá tervezünk egy transzfer tanuláson alapuló algoritmust, hogy csökkentsük az EEG jel és az edzési modell kalibrálási idejét. Készítünk funkciókivonót a hagyományos parancsok adatai alapján, és mintákat adunk át az új parancsok adatain keresztül. Az algoritmusunk és a hagyományos algoritmusok közötti átlagos pontosság összehasonlításával, valamint az algoritmusunkban megjelenő térbeli minták megjelenítésével azt találjuk, hogy algoritmusunk pontossága sokkal magasabb, mint a hagyományos algoritmusoké, különösen az alacsony minőségű adatkészletek esetében. Ezenkívül a térbeli minták megjelenítése jelentős. Az átviteli tanuláson alapuló algoritmus kihasználja a forrásadatokból származó információkat. Kibővítjük a parancskészletet, miközben lerövidítjük a kalibrálási időt, ami jelentős jelentőséggel bír az MI-BCI alkalmazás szempontjából.

1. Bemutatkozás

Az agytevékenységet dekódoló technikaként az elektroencefalogramon (EEG) alapuló Brain-Computer Interface (BCI) lehetővé teszi az emberek számára, hogy a perifériás izomtevékenység bevonása nélkül lépjenek kapcsolatba a számítógéppel, ami kommunikációs hidat épít az agy és a számítógép között. A jelfeldolgozással, a mintaosztályozással, a gépi tanulással és más technikákkal a BCI rendszer különféle agyi tevékenységeket, például figyelmes mentális állapotokat [1], motoros képeket [2–5] (MI) stb. vezérlő eszközök. Például fel lehetne használni a pilóta nélküli légi járművek irányítására [5], a forrasztók elősegítésére [6], a mozgáskorlátozott betegek, például az amiotrófiás laterális szklerózis [7], az agytörzsi stroke [2, 8] gyógyulására.

Az EEG jelosztályozással kapcsolatos legtöbb tanulmány között a kutatókat nagyon aggasztja a motoros képekből generált EEG jel, amelyet széles körben használnak sok BCI alkalmazásban [2–5]. A motoros képalkotás egy BCI paradigma, amelyben az agyi aktivitás a szenzomotoros kéregben keletkezik a végtagmozgás képzeletében [9], például bal kéz (LH), jobb kéz (RH) és mindkét láb (F). Az MI kísérlet során az alfa-sáv (8-12 Hz) és a béta-sáv (13-30 Hz) ereje növekszik vagy csökken az ipsilaterális féltekén és a kontralateralis féltekén található szenzomotoros kéregben [10, 11]. Az EEG jel által megfigyelt teljesítménycsökkentést és -növelést eseményhez kapcsolódó deszinkronizációnak (ERD) és eseményhez kapcsolódó szinkronizációnak (ERS) nevezik [12]. Az ERD/ERS minták felhasználhatók az agyi tevékenység lefordítására és a végtagok fantáziájának osztályozására a gépi tanulás révén.

A legtöbb MI-BCI ígéretes alkalmazás azonban prototípus, és még mindig alig használják a laboratóriumokon kívül. Azok az okok között, amelyek megakadályozzák az MI-BCI széles körű alkalmazását a gyakorlatban, kettőre szeretnénk megoldást adni, ezek a hosszú kalibrálási idő [13–16] és az elégséges MI-parancsok hiánya [17].

Az első probléma, nevezetesen a hosszú kalibrálási idő azt jelenti, hogy a kutatók nagyszámú kalibrálási kísérletet igényelnek egy tantárgy- és feladat-specifikus modell oktatásához, ami időigényes az adatgyűjtésben és a képzési modellben. Az EEG jel tárgyak közötti és feladatok közötti változékonysága miatt [18] az oktatási mintáknak tartalmazniuk kell a modell felépítéséhez szükséges minden MI parancs EEG adatait. Így a BCI adatgyűjtése sok időt vesz igénybe. Az adatkészletek közötti változékonyság pedig megnehezíti, hogy minden tantárgyhoz illeszkedő modellt adjunk, ami meghosszabbítja az oktatási modell idejét. Ami a második kérdést illeti, az elegendő MI -parancs hiánya miatt kevésbé elérhető a BCI -k számára. A hagyományos MI kísérletben az alanyoknak csaknem négyféle parancsot kell elképzelniük: bal kéz, jobb kéz, mindkét láb és nyelv [19].

Annak érdekében, hogy további parancsokat adjon hozzá a BCI rendszerhez, az egyes végtagok kombinációját hozzáadhatja a parancskészlethez. Például a meglévő MI parancs (LH, RH és F) alapján kombinált parancsokat kaphatunk, a bal és a jobb kéz egyidejű mozgását (LH & ampRH), a bal kéz és mindkét láb mozgását egyidejűleg (LH & ampF) , és a jobb kéz és mindkét láb mozgása egyszerre (RH & ampF). A kutatóknak azonban ugyanazt az adathalmazt kell összegyűjteniük az új MI parancsokhoz, mint a régi parancsokhoz, ami megsokszorozza az adatgyűjtésre fordított időt. A nagyobb MI adatkészlet meghosszabbítja a modellképzésre fordított időt is. Ezenkívül, ami egy új témát illeti, az új MI parancsok elképzelése nehezebb, mint a tipikus parancsok, ami arra készteti őket, hogy ezeket a parancsokat hosszú ideig gyakorolják a felvétel előtt. A teljes hat parancs növekvő száma és összetettsége miatt a parancskészlet bővítése kevésbé megvalósítható.

Annak érdekében, hogy lerövidítsük a modellépítésre fordított időt, és kibővítsük a parancskészletet, az átviteli tanulásnak mélyreható hatása lenne. Az átviteli tanulási algoritmusok a forrástartományból származó adatkészleteket, jellemzőket vagy modellparamétereket [20] használják a modell képzésére a célterületen, hogy csökkentsék a képzési adatok skáláját a céltartományban, ami csökkenti a mintavételi és képzési költségeket. Az EEG jel osztályozásában számos algoritmus létezik, amelyek feladatok közötti feladatátvitelre és tárgy-tárgy átvitelre épülnek, válaszul az intertask és a tárgyak közötti változékonyságra. Ezen algoritmusok közül a Common Spatial Pattern algoritmuson (CSP) alapuló funkciókivonók az egyik fő technika. A CSP módszere térbeli szűrőket tervez, amelyek maximalizálják két adatosztály megkülönböztethetőségét, és a szűrt adatok eltéréseit optimálisnak minősítik [21–23]. A CSP és az átviteli tanulás alapján a kutatók sok algoritmust fejlesztettek ki, hogy térbeli szűrőket állítsanak elő a forrástartományból, például Regularized CSP [24–26], stacionárius alterületi CSP [27], Bayesian CSP [28]. A paraméterek beállításával, a közös alterület megkeresésével és a Bayes -féle modellel a forrás alanyok hasonló jellemzői megoszthatók, és a forrástartományból származó funkciók kivonói felhasználhatók a céltartományban.

A parancskészlet -bővítés okozta kalibrálási időhosszabbítás megoldása az új parancsokhoz gyűjtött adatkészlet méretarányának csökkentése. Ezért annak érdekében, hogy a kalibrálási idő meghosszabbításának feltevése alapján megnöveljék a parancsok számát, helyénvaló a lehető legtöbbet kihozni az új szűrők és osztályozók számára rendelkezésre álló adatokból. Míg az EEG jelek feladatok közötti változékonysága osztályonként változik, az alapvető jellemzői változatlanok maradnak az osztályok között. Így bár ésszerűtlen egyszerűen hozzáadni a régi parancsok oktatóhalmazát az új osztályokhoz, az előző képzési sorozatból összegyűjtött előzetes ismeretek felhasználhatók az új osztályok szűrőinek és osztályozóinak építéséhez. Következésképpen az átviteli tanulás használata a modell felépítéséhez optimális megoldás. A tipikus parancsokból származó adatokat és az új parancsokat forrásadatnak, illetve céladatnak tekintjük. A forrásadatok felhasználásával javítjuk a céladatok modelljének tulajdonságait.

Ebben a dolgozatban térbeli mintaátviteli algoritmust kínálunk. A régi MI parancsok adatkészleteiből előállított térbeli szűrők alkalmazása előtt szűrőfolyamatot adunk hozzá. Annak érdekében, hogy csökkenjen a generált szűrők és az objektív szűrők különbsége, elutasítjuk a rosszul teljesítő szűrőket a halászarány alapján [29, 30].

A cikk többi része a következőképpen van felépítve. A 2. szakaszban bemutatjuk kísérleti paradigmánkat, adatkészletünket és algoritmusunkat. A 3. szakaszban a kísérleti eredmények láthatók. A cikk az eredmények 4. pontban leírt megbeszélésével zárul.

2. Anyagok és módszerek

Ebben a részben a kísérletünket és a kísérletben rögzített adatokhoz használt algoritmusunkat mutatjuk be.

2.1. Kísérlet és adatfeldolgozás
2.1.1. Kísérlet

A kísérletben 5 egészséges alany agyi aktivitását rögzítettük. A BCI paradigma hat különböző motoros képalkotó feladatból állt, nevezetesen a bal kéz (1. osztály), a jobb kéz (2. osztály), mindkét láb (3. osztály), bal és jobb kéz (4. osztály), bal kéz és mindkét láb (5. osztály), és a jobb kéz és mindkét láb (6. osztály). A hagyományos parancsok alapján az alanyok jobban ismerték a kombinált parancsokat, mint az új testrészek elképzelése. Következésképpen az LH & ampF, az RH & ampF és az LH & ampRH választottuk új parancsként.

A kísérlet 6 menetből állt, amelyeket rövid szünetek választottak el. Egy kísérlet 60 kísérletből állt (a hat osztály mindegyikéből 10), így összesen 360 kísérlet történt minden alanyon (60 vizsgálat minden osztályban).

A kísérlet alanyai kényelmes széken ültek a számítógép képernyője előtt. A próba elején egy rögzítő kereszt jelent meg a fehér képernyőn. 500 ms elteltével egy vagy két nyíl formájában megjelenő kép, amely a hat osztály egyikének megfelelő, különböző irányokat mutat, és 4 másodpercig a képernyőn maradt. A képek és az MI parancsok közötti kapcsolatot az 1. (a) ábra mutatja. A kép arra késztette az alanyokat, hogy a kért módon végezzék el az MI feladatot, amíg a rögzítő kereszt ismét megjelenik a kép megjelenése után. Az alany rövid szünetet tartott 2,5 másodpercig, és várta a következő tárgyalást. A paradigmát az 1. (b) ábra szemlélteti.


Nézd meg a videót: - Dodor motoros okosságok - A kanyarodás (Június 2022).


Hozzászólások:

  1. Bitten

    Nagyszerű, ez egy nagyon értékes darab.

  2. Luduvico

    Remélem, megtalálja a helyes döntést.



Írj egy üzenetet