Я разработчик Java, совершенно не знакомый с мозговыми волнами и тому подобным. Может кто подскажет как их сравнить?
Например, как я могу сравнить:
и это:
На каких областях обучения мне следует сосредоточиться? Я понимаю, что здесь задействовано распознавание образов. Кроме этого, что еще? Связанные вопросы:
Область исследования, на которой вы должны сосредоточиться, - это та, для которой вы уже определили в своем абзаце выше, которая представляет собой «интерфейс мозг-компьютер» на основе ЭЭГ.
Сигналы ЭЭГ сравниваются по их «особенностям». Каждый из сигналов, которые вы предоставили выше, имеет разные функции. Этими характеристиками могут быть среднее значение, дисперсия, частота, эксцесс, асимметрия каждого из сигналов (статистические параметры, которые также включают фрактальную размерность, параметры Хьорта, общий пространственный паттерн, фактор Фано...) или мощность, рассчитанная через частотное пространство. алгоритмы, такие как быстрое преобразование Фурье.
Более сложные методы, такие как слепое разделение источников, эмпирическая декомпозиция по моде и когерентность вейвлетов (подход в фазовой области), должны дать дополнительную информацию, но они больше предназначены для исследовательских целей.
Наиболее распространенным алгоритмом постобработки является вейвлет-преобразование, отображающее энергию как функцию времени и частоты.
Во время припадка вейвлет-преобразование будет отображать четкий периодический сигнал высокой энергии на более низкой частоте. Несмотря на то, что вейвлет-преобразование очень эффективно точно указывает, где и как происходит захват, вейвлет-преобразование является очень продвинутым (сложным для реализации) и работает со скоростью O (n ^ 2) для простой реализации и O (nlogn) для быстрой реализации. Это довольно дорого в вычислительном отношении.
Что вам нужно реализовать, так это обнаружение приступов в реальном времени на основе характеристик ЭЭГ.
(оффлайн) Сначала это делается путем захвата сигнала ЭЭГ, когда у него случается припадок, с помощью ЭЭГ-гарнитуры или посредством исследования, оценивающего характеристики этого типа припадков. (это можно сделать даже с одним электродом).
(в режиме реального времени) Как только это будет сделано, подключите пациента к гарнитуре ЭЭГ и вычислите характеристики сигнала приступа через каждые две секунды образцов, когда они передаются на вычислительную платформу. Характеристики постоянно сравниваются с пороговыми характеристиками. Когда все эти функции имеют соответствующие пороговые значения (все A, B, C и D соответствуют пороговым значениям). Отправить оповещение о приступе.
Пороговый подход является базовым, но поскольку наш мозг постоянно меняется, а ЭЭГ зависит от многих и многих внешних переменных, на практике обычно используется обнаружение приступа с помощью искусственных нейронных сетей (ИНС). приступ происходит, но на самом деле может ПРЕДСКАЗАТЬ, когда произойдет приступ! (*)
Одна проблема, которую я вижу в том, что вы пытаетесь сделать, заключается в том, что пациент будет постоянно подключен к гарнитуре, чтобы выполнять прогнозирование припадков в реальном времени. Расстояние между вашим USB и гарнитурой будет жестким ограничением. Гарнитура нуждается в частой подзарядке. Emotiv EPOC (одна популярная гарнитура) содержит 16 электродов, которые могут быть довольно обременительны при ношении. Мокрые электроды дают лучшие данные, но требуют деликатной подготовки, которая может занять много времени. При постоянном ношении я бы выбрал гарнитуру, содержащую несколько электродов в ключевых местах, таких как лобно-полярная доля (поскольку припадок улавливается легче, чем другие паттерны ЭЭГ, нам не нужно много электродов) и выбрал бы тот, который эстетически безопасен. приятная (одна из Neurosky или одна из последних гарнитур от Emotiv, т.е. Insight) и имеет длительное время автономной работы
Удачи
(*) Прогнозирование начала припадка в модели эпилепсии срезов гиппокампа in vitro с использованием искусственных нейронных сетей на основе Гаусса и вейвлетов. - А. Чиу
Шонни123
АлисаД
Сина Торрес
Сина Торрес