Классификация сигналов ЭЭГ

Я работаю над проектом, связанным с интерфейсом мозг-компьютер, и столкнулся с этой проблемой.

Какие инструменты и методы используются для классификации сигналов ЭЭГ, которые извлекаются из мозга с помощью устройства, которым в моем случае является мобильная гарнитура Neurosky Mindwave ? Мне нужно было абстрактное представление о том, каким должен быть дизайн системы?

Сигнал, который извлекается с помощью электрода, установленного на головном мозге, состоит из всех типов сигналов ЭЭГ, присутствующих в спектре ЭЭГ , т.е. дельта, альфа, бета, гамма, мю. Как я могу его классифицировать?

Я читал о некоторых методах, таких как использование дискретного быстрого преобразования Фурье, а затем извлечение мощности полосы, но я не очень хорошо это понял, поэтому может кто-нибудь указать мне правильное направление. Я действительно ценю твою помощь.

Спасибо.

@Робин_Крамер? Это кажется хорошим вопросом для вас
@honi Я посмотрю на это позже :)

Ответы (1)

BCI имеет примерно два разных подхода к извлечению признаков. Я обращусь к ним обоим.

Когда записывается ЭЭГ, вы можете увидеть характер активности в определенном канале с течением времени. Это временная область. Временная область преимущественно используется для анализа потенциалов, связанных с событиями. Одним из приложений BCI является программа проверки правописания P300. Отображается матрица букв, и буквы выделяются по одной. Всякий раз, когда буква, о которой вы думали (т.е. которой уделяли внимание, т.е. ожидали), компонент, называемый P300, покажет большее отклонение.

P300 (или P3) — это положительное отклонение примерно через 300–400 миллисекунд после предъявления стимула. Амплитуда P300 выше, когда вы воспринимаете что-то ожидаемое, и меньше, когда вы видите что-то неожиданное (или непредвиденное). Спеллер P300 — это аккуратный и простой способ произносить по одной букве за раз, таким образом (см. также Интерфейс мозг-компьютер с ЭЭГ: как назвать воображаемое движение чужого объекта? )

ERP

Быстрое преобразование Фурье (FTT), о котором вы просили, используется для преобразования временной области в частотную область. Каждый сигнал во временной области можно разделить на простые синусоиды с разными частотами, амплитудами и фазами. Амплитуды также называют мощностью частот. Частоты сгруппированы (см. также Имеет ли смысл/существует ли независимая от стимула ERP? ), а мощность коррелирует со множеством различных когнитивных состояний (сонливость, внимательность и т. д. См. также Являются ли мозговые волны электромагнитными волнами? )

BCI в частотной области использует мощность полосы частот. Сосредотачивая больше или меньше внимания, тем самым уменьшая или увеличивая мощность в альфа-диапазоне, вы можете, например, перемещать курсор по экрану (также обсуждается здесь: Интерфейс мозг-компьютер с ЭЭГ: как назвать воображаемое движение не- самообъект? ).

БПФ

Существует третья область, а именно частотно-временная область (см. Как сравнивать мозговые волны? ), и есть еще много других способов взглянуть на данные, такие как когерентность и синхронизация, и я уверен (но не знаю), что он используется для приложений BCI.

Для получения дополнительной информации о BCI см. Надежный ли интерфейс ЭЭГ мозг-компьютер?

Классификация сигналов ЭЭГ
СпросиСетьПолитика конфиденциальности1y, 0v