Выделение и локализация источников электрической активности мозга, наиболее значимых для управления интерфейсом мозг-компьютер, основанным на воображении движений

Оглавление

ВВЕДЕНИЕ

ГЛАВА 1. ИНТЕРФЕЙС МОЗГ-КОМПЬЮТЕР: ТЕХНИЧЕСКИЕ И ФИЗИОЛОГИЧЕСКИЕ ПРЕДПОСЫЛКИ СОЗДАНИЯ. МЕТОДЫ ИССЛЕДОВАНИЯ АКТИВНОСТИ МОЗГА, СВЯЗАННОЙ С УПРАВЛЕНИЕМ ИМК

1.1. Интерфейс мозг-компыотер

1.2. Природа электроэнцефалограммы и ее регистрация

1.3. Физиологические предпосылки создания ИМК, основанных на регистрации электроэнцефалограммы

1.4. Локализация источников активности мозга. Обратная задача электроэнцефалографии

1.4.1. Формулировка и методы решения прямой задачи ЭЭГ

1.4.2. Принцип взаимности (reciprocity principle) для прямой задачи ЭЭГ

1.4.3. Формулировка и методы решения обратной задачи ЭЭГ

1.5. Метод независимых компонент для выделения источников электрической активности мозга

ГЛАВА 2. МЕТОДИКА

2.1. Методы классификации паттернов ЭЭГ

2.1.1 Байесовский классификатор

2.1.2. Метод Multi-class Common Spatial Patterns

2.2. Оценка качества работы ИМК



2.2.1 Матрица ошибок.

2.2.2. Количественные показатели



2.3. Экспериментальная методика

2.3.1. Первая серия экспериментов

2.3.2. Вторая серия экспериментов

2.3.3. Третья серия экспериментов

2.4. Обработка экспериментальных данных

2.4.1. Первая серия экспериментов

2.4.2. Вторая серия экспериментов

2.4.3. Третья серия экспериментов

ГЛАВА 3. РЕЗУЛЬТАТЫ

3.1. Первая серия экспериментов

3.2. Вторая серия экспериментов

3.3. Третья серия экспериментов

3.3.1. Данные ЭЭГ

3.3.2. Анализ произвольного управления

3.3.3. Анализ данныхфМРТ

3.3.4. Локализация источников электрической активности мозга, наиболее значимых для управления ИМК

ГЛАВА 4. ОБСУЖДЕНИЕ

ВЫВОДЫ

СПИСОК ЛИТЕРАТУРЫ



Введение

В настоящее время интенсивное развитие получила технология прямого сопряжения мозга человека или животного с внешним устройством. Система, обеспечивающая сопряжение, называется интерфейсом мозг-компыотер (ИМК), или интерфейсом мозг-машина, а иногда и прямым нейрональным интерфейсом или нейроинтерфейсом. Такая система позволяет человеку или животному взаимодействовать с окружением, минуя мышечную активность, и может служить для передачи информации как от мозга к устройству, так и в обратном направлении. В основе прямого управления устройством через ИМК лежит преобразование различных сигналов мозга в команды устройству. Практически всегда такое преобразование осуществляет компьютер, что дало название методу. Отличительной чертой ИМК является наличие обратной связи - тот, кто управляет устройством через интерфейс, видит результаты исполнения своих намерений в реальном времени или с очень небольшой задержкой.

Интерфейс такого типа был создан и в лаборатории математической нейробиологии обучения(ЛМНО) Института Высшей Нервной Деятельности и Нейрофизиологии РАН. В его основе лежит преобразование электрических сигналов, регистрируемых при помощи электроэнцефалографа, отражающих интегральную активность мозга при воображении различных движений. Подобный ИМК может также использоваться для управления движениями внешнего устройства, так как вполне естественно ассоциировать эти движения с движениями самого оператора. Таким образом, технология предоставляет возможность самостоятельного перемещения для парализованных людей.

Система ИМК ЛМНО относится к классу тех ИМК, в которых определенная задача ставится в соответствие выполнению определенной


 LORETA (Low Resolution Electromagnetic Tomography). Данный метод, предложенный в работе (Pascual-Marqui R.D., 1994), предполагает, что все возможные положения источников известны, так что задача минимизации ошибки становится линейной. Он относится к методам, использующим регуляризацию, которые в общем случае минимизируют функционал ||{/ — GD||2 + aL(D), где а> 0 - регуляризационный параметр. Функция L(D) позволяет включить в задачу минимизации ошибки приближения различные ограничения, например на норму решения. Существует несколько способов выбора параметра a (Eden L., 1977).

LORETA использует в качестве L(D) функцию ||BVRD||f. Матрица W является диагональной, причем Wu = 1/||С, ||, а матрица В задает дискретный лапласиан, исходя из нумерации вершин модели. Таким образом, поощряется гладкость решения и делается попытка скомпенсировать малый вклад источников, расположенных в глубине борозд.

В данном случае решение можно найти явно:

D = (GGT + aWBTBWylGTU

В работах (Pascual-Marqui R.D., 1999) и (Yao D, 2001) на модельных данных была продемонстрирована высокая точность данного подхода. Вместе с тем, в (Gretch R., 2008) указывается, что данный метод может давать значительную ошибку при нахождении фокальных источников. Метод реализован в рамках бесплатного программного продукта LORETA, который доступен для некоммерческого использования.

BESA (Brain electric source analysis). Данный метод, предложенный изначально в (Scherg М., 1986) и развитый в (Scherg М., 2002), основан на предположении, что запись содержит временные интервалы, на протяжении которых активность создается ограниченным числом дипольных источников, не меняющих своего положения. При этом минимизируется функция, являющаяся взвешенной суммой остаточной дисперсии, оценки активации источников, которая увеличивается при активации данных источников вне рассматриваемого интервала по времени, а также числа одновременно