Використання оптимальної просторової фільтрації методом спільної просторової моделі для класифікації сигналів ЕЕГ відповідно до виду мозкової активності


Анотація

Під час реєстрації ЕЕГ внаслідок об'ємної провідності сигнал від кожного окремого джерела потрапляє одночасно до багатьох відведень. Тому зареєстрований багатоканальний сигнал ЕЕГ надає досить розмиту картину мозкової активності людини, що суттєво ускладнює задачу інтерпретації такого сигналу. Одним з ефективних методів отримання інформативного сигналу з багатоканального запису ЕЕГ є використання оптимальної просторової фільтрації, коли у вихідному сигналі досягається максимальний вміст сигналу саме з тіеї ділянки мозку, яка відповідає певному виду мозкової активності. В роботі запропоновано алгоритм класифікації сигналів ЕЕГ із застосуванням оптимальної просторової фільтрації методом спільної просторової моделі для ідентифікації двох класів мозкової активності - уявних рухів лівою та правою рукою. Для оцінки якості алгоритму використовувався запис ЕЕГ, відомий як BCI Competition IV dataset 2b. Для визначення ефективності алгоритму результат його роботи порівнювався з результатом роботи алгоритму без використання оптимальної просторової фільтрації. Завдяки використанню просторової фільтрації методом спільної просторової моделі вдалося підвищити середню точність класифікації записів ЕЕГ з 0,74 до 0,79, що свідчить про ефективність цього методу.

Бібліографічний опис

 
ДСТУ ГОСТ 7.1:2006 У транслітерації (формат Harvard)
 
Кицун П. Г. Використання оптимальної просторової фільтрації методом спільної просторової моделі для класифікації сигналів ЕЕГ відповідно до виду мозкової активності / П.Г. Кицун // Вісник НТУУ «КПІ». Серія Радіотехніка. Радіоапаратобудування. – 2017. – № 71. – с. 36-39. Kytsun, P. H. (2017) The use of optimal spatial filtering by the method of common spatial pattern for the classification of EEG signals according to the type of brain activity. Visn. NTUU KPI, Ser. Radioteh. radioaparatobuduv., no. 71, pp. 36-39. (in Ukrainian)
 

Повний текст:


Посилання


Nicolas-Alonso L. F. and Gomez-Gil J. (2012) Brain computer interfaces, a review. Sensors (Basel, Switzerland), vol. 12, no. 2, pp. 1211-79. DOI:10.3390/s120201211.

Boninger M. L., Wechsler L. R., and Stein J. (2014) Robotics, stem cells, and brain-computer interfaces in rehabilitation and recovery from stroke: updates and advances. American journal of physical medicine & rehabilitation, vol. 93, no. 11, Suppl 3, pp. S145-54. DOI:10.1097/PHM.0000000000000128.

Blankertz B., Tangermann M., Vidaurre C., Fazli S., Sannelli C., Haufe S., Maeder C., Ramsey L., Sturm I., Curio G., and Muller K.-R. (2010) The Berlin Brain-Computer Interface: Non-Medical Uses of BCI Technology. Frontiers in neuroscience, vol. 4, p. 198. DOI:10.3389/fnins.2010.00198.

Yong X. and Menon C. (2015) EEG classification of different imaginary movements within the same limb. PloS one, vol. 10, no. 4, p. e0121896. DOI:10.1371/journal.pone.0121896.

Yuan H. and He B. (2014) Brain-computer interfaces using sensorimotor rhythms: current state and future perspectives. IEEE transactions on bio-medical engineering, vol. 61, no. 5, pp. 1425-35. DOI:10.1109/TBME.2014.2312397.

Blankertz B., Tomioka R., Lemm S., Kawanabe M., and Muller K.-r. (2008) Optimizing Spatial filters for Robust EEG Single-Trial Analysis. IEEE Signal Processing Magazine, vol. 25, no. 1, pp. 41-56. DOI:10.1109/MSP.2008.4408441.

Tangermann M., Muller K.-R., Aertsen A., Birbaumer N., Braun C., Brunner C., Leeb R., Mehring C., Miller K. J., Muller-Putz G. R., Nolte G., Pfurtscheller G., Preissl H., Schalk G., Schlogl A., Vidaurre C., Waldert S., and Blankertz B. (2012) Review of the BCI Competition IV. Frontiers in neuroscience, vol. 6, p. 55. DOI:10.3389/fnins.2012.00055.




##submission.copyrightStatement##

##submission.license.cc.by4.footer##