CC BY
77
UNIVERSUM:
ХИМИЯ И БИОЛОГИЯ
• 7universum.com
ИНФОРМАЦИОННАЯ МОДЕЛЬ ЭЛЕКТРОФИЗИОЛОГИЧЕСКИХ СИГНАЛОВ МОЗГА
Артемов Станислав Игоревич
аспирант, кафедра биотехнических систем, Санкт-Петербургский государственный электротехнический университет
«ЛЭТИ» им. В.И. Ульянова (Ленина), 197376, Россия, г. Санкт-Петербург, улица Профессора Попова, дом 5
E-mail: thethingzero@mail. ru
Целью исследования является разработка и обоснование модели электрофизиологических сигналов мозга, позволяющей преодолеть ограничение модели вызванных потенциалов при разработке интерфейсов мозг-компьютер. Ограничением модели вызванных потенциалов является интерпретация «спонтанной активности» как помехи. Следствием этого ограничения является необходимость накопления при обработке. В качестве альтернативной модели выбрана информационная модель электрофизиологических сигналов мозга. Информационная модель электрофизиологических сигналов мозга основана на модели вызванных потенциалов. Отличием информационной модели электрофизиологических сигналов мозга от модели вызванных потенциалов является интерпретация «спонтанной активности» как волн вызванных потенциалов, связанных с последовательной переработкой
Артемов С.И. Информационная модель электрофизиологических сигналов мозга //
Universum: Химия и биология : электрон. научн. журн. 2015. № 12 (19) .
URL: http://7universum.com/ru/nature/archive/item/2809
INFORMATIONAL MODEL OF ELECTROPHYSIOLOGICAL BRAIN SIGNALS
Stanislav Artemov
Post-graduate Student, Chair of Biotechnical Systems, Saint-Petersburg State Electrotechnical University, 197376, Russia, Saint-Petersburg, Professor Popov Street, 5
АННОТАЦИЯ
информации областями мозга. С точки зрения информационной модели электрофизиологические сигналы мозга включают повторяющиеся фазоамплитудные последовательности экстремумов, при помощи которых происходит обмен информацией между областями мозга. На основе информационной модели разработан метод структурно-лингвистического анализа сигналов. Выполнено определение качественного и количественного состава множества паттернов электрофизиологических сигналов мозга методом структурно-лингвистического анализа сигналов. Выполнен анализ качественного и количественного состава множества паттернов электрофизиологических сигналов мозга. Выявлена связь между восприятием стимулов и составом множества паттернов электрофизиологических сигналов мозга при выделении паттернов методом структурно-лингвистического анализа сигналов. Результаты использования метода структурно-лингвистического анализа сигналов доказывают эффективность использования информационной модели электрофизиологических сигналов мозга в интерфейсах мозг-компьютер.
ABSTRACT
The aim of research is to develop and explain the model of electrophysiological brain signals which allows overcoming the limitations of the model of evoked potentials in the development of brain-computer interface. The limitation of models evoked potentials is the interpretation of "spontaneous activity" as the interference. The consequence of this limitation is the accumulation necessity during processing. As an alternative model, information model of electrophysiological brain signals is selected. Information model of electrophysiological brain signals is based on the model of evoked potentials. The difference of informational model of electrophysiological signals from the brain patterns of evoked potentials is the interpretation of "spontaneous activity" as waves of evoked potentials associated with consistent information processing areas of the brain. In terms of information model, electrophysiological brain signals include repeating phase-amplitude sequence of extreme by which information is exchanged between
the regions of the brain. Based on the information model, a method of structural and linguistic analysis of the signals is developed. Definition of certain qualitative and quantitative composition of the set patterns of electrophysiological brain signals is made by structural and linguistic analysis of the signals. The analysis of the qualitative and quantitative composition of the set patterns of electrophysiological brain signals is carried out. The connection between the perception of stimuli and the composition of the set patterns of electrophysiological signals the brain patterns by the allocation of structural and linguistic analysis of the signals is identified. The results of using the method of structural and linguistic analysis of signals prove the effectiveness of the information model use of electrophysiological signals in the brain-computer interface.
Ключевые слова: электрофизиология, электроэнцефалография,
исследование восприятия, интерфейс, мозг-компьютер.
Keywords: electrophysiology, electroencephalography, study of perception, interface, brain-computer.
Введение
Актуальность исследований электрофизиологических сигналов мозга обусловлена разработкой интерфейсов мозг-компьютер [4, с. 1; 5, с. 1; 9, с. 1; 10, с. 1; 11, с. 1]. Как показано там же, современные разработки в области интерфейсов мозг-компьютер основаны на методе вызванных потенциалов.
Проблемой метода вызванных потенциалов является необходимость накопления сигнала электроэнцефалограммы для выделения волны вызванного потенциала. В соответствии с известной из литературы аддитивной моделью [12, с. 83], сигнал, регистрируемый отведением электроэнцефалографа, является взвешенной суммой сигналов множества областей мозга. Весовые коэффициенты определяются удаленностью областей мозга от места крепления отведения электроэнцефалографа.
Различные области мозга постоянно излучают сигнал, известный как «спонтанная активность». Спонтанная активность и аддитивность сигнала, регистрируемого отведением электроэнцефалографа, являются причиной того, что соотношение сигнал-шум при обнаружении вызванного потенциала имеет очень низкие значения [9, с. 1]. Поэтому для обнаружения волны вызванного потенциала, соответствующей предъявляемому стимулу, используется накопление синхронных относительно предъявления стимула временных интервалов сигнала электроэнцефалограммы.
Цель
Целью настоящего исследования является разработка и обоснование модели электрофизиологических сигналов мозга, позволяющей преодолеть ограничения модели вызванных потенциалов.
Рабочая гипотеза
По данным таких известных исследователей, как П. Линдсей (1974) [6, с. 70], Saeid Sanei (1990) [12, с. 7] и многих других, при предъявлении стимула сигнал от рецепторов проходит последовательную обработку в различных областях мозга. Поэтому в различные моменты времени относительно предъявления стимула импульсы электрической активности формируются различными областями мозга, что проявляется в виде «спонтанной активности» [12, с. 2]. Сигнал целевого вызванного потенциала, синхронизированного с предъявлением стимула, фиксируется как суперпозиция с сигналами «спонтанной активности». Этим объясняются низкие значения отношения сигнал-шум при обнаружении волны вызванного потенциала. В настоящем исследовании предлагается использование информационной модели для обработки электрофизиологических сигналов мозга без подавления «спонтанной активности» накоплением.
В «спонтанной активности» содержатся сообщения, которыми обмениваются области мозга в процессе переработки информации. Поэтому при анализе электрофизиологических сигналов мозга возможно использование
«спонтанной активности» для поиска признаков реакции мозга на предъявление стимулов.
Информационная модель электрофизиологических сигналов мозга включает следующие положения.
1. В процессе последовательной переработки сигналов рецепторов различными областями мозга формируется временная последовательность экстремумов значений напряжения в отведениях электроэнцефалографа.
2. Такие последовательности различаются между собой амплитудными и фазовыми отношениями входящих в их состав экстремумов и могут характеризовать текущий процесс переработки мозгом информации.
3. Фазоамплитудные последовательности, вызываемые процессом
восприятия текущего стимула, преобладают над другими последовательностями, если сформирована доминанта внимания
(А.А. Ухтомский, 1978) [8, с. 7].
4. С точки зрения информационной модели деятельность мозга определяется как качественный и количественный состав множества фазоамплитудных последовательностей, входящих в состав электрофизиологических сигналов мозга.
Методика
На основе информационной модели разработан метод структурнолингвистического анализа сигналов (СЛАС) [3, с. 50]. Методом СЛАС производится поиск в сигнале фазоамплитудных последовательностей -символов - и формирование для анализируемого сигнала множества символов -алфавита. Разработано инструментальное средство обработки сигналов методом СЛАС [7, с. 1]. В качестве количественной меры сложности качественного и количественного состава алфавита сигнала используется энтропия алфавита сигнала, выделяемого методом СЛАС.
Результаты
Результаты применения метода СЛАС представлены в публикации [1, с. 48; 2, с. 65]. Выявлено изменение энтропии
электрофизиологических сигналов областей мозга при восприятии визуальных стимулов. При восприятии визуальных стимулов динамики энтропии различных областей мозга становятся более сходными.
Выводы
Полученные результаты свидетельствуют о наличии связи между восприятием стимулов и сложностью составов множеств паттернов электрофизиологических сигналов областей мозга. Так как выделение паттернов сигналов производится в соответствии с информационной моделью, подтверждается эффективность использования информационной модели в интерфейсах мозг-компьютер.
Список литературы:
1. Артемов С.И. Обнаружение восприятия стимулов на основе динамики распределения параметров структурного состава сигнала электроэнцефалограммы по отведениям, определяемой методом структурно-лингвистического анализа сигналов // Естественные и математические науки в современном мире. - Новосибирск, 2015. - № 3 (27). - С. 48-57.
2. Артемов С.И. Увеличение пространственного разрешения электроэнцефалографии при использовании обработки на основе метода структурно-лингвистического анализа сигналов // Естественные и математические науки в современном мире. - Новосибирск, 2015. -№ 8 (32). - С. 65-71.
3. Артемов С.И., Дюк В.А., Попова Е.А. и др. Поиск устойчивых паттернов в электроэнцефалограмме человека в ответ на предъявление ему коротких подпороговых визуальных стимулов / С.И. Артемов, Дюк В.А., Е.А. Попова, Ю.И. Сенкевич // Биотехносфера. - 2013. - № 1. - С. 50-54.
4. Ганин И.П., Шишкин С.Л., Кочетова А.Г. и др. Интерфейс - мозг -компьютер «На волне p300»: исследование эффекта номера стимулов в последовательности их предъявления / И.П. Ганин, С.Л. Шишкин, А.Г. Кочетова, А.Я. Каплан / [Электронный ресурс]. - Режим доступа: URL: http://brain.bio.msu.ru/papers/Ganin_Shishkin_Kochetova_Kaplan_2012_FizChel _P300_BCI_Effect_of_Stimulus_Position_m_a°/o20Stimulus_Tram.pdf (дата обращения: 25.10.2014).
5. Каплан А.Я., Кочетова А.Г., Шишкин С.Л. и др. Экспериментально-
теоретические основания и практические реализации технологии «интерфейс - мозг - компьютер» / А.Я. Каплан, А.Г. Кочетова, С.Л. Шишкин, И.А. Басюл, И.П. Г анин, А.Н. Васильев, С.П. Либуркина / [Электронный ресурс]. - Режим доступа: URL:
http://brain.bio.msu.ru/papers/ (дата обращения: 22.09.2013).
6. Линдсей П., Норман Д. Переработка информации у человека. - М.: «Мир», 1974. - 555 с.
7. Сенкевич Ю.И., Юлдашев З.М., Артемов С.И. Свидетельство о государственной регистрации программ для ЭВМ № 2013613966 («Программа отображения динамики показателей функционального состояния биообъекта по данным измерения электрофизиологических сигналов (версия 1.0)). - М.: РОСПАТЕНТ ФГУ ФИПС, 2013.
8. Ухтомский А.А. Избранные труды. - Л.: «Наука», 1978.
9. Ciniburk Jind^rich Suitability of Huang Hilbert Transformation for ERP detection 1. - 3. October 2008, Izola, Slovenia / [Электронный ресурс]. -Режим доступа: URL: http://dsc.ijs.si/files/papers/S104%20Ciniburk.pdf (дата обращения: 25.10.2014).
10. Gerson A., Parra L., Sajda P. Single-trial analysis of EEG for Enabling
Cognitive User Interfaces / [Электронный ресурс]. - Режим доступа: / URL: http: //bme.ccny.cuny. edu/faculty/lparra/publish/NEChapter2006.pdf (дата
обращения: 31.01.2015).
11. Huang Y., Erdogmus D., Hild K. et al. Mathan Santosh Mixed Effects Models
for Single-Trial ERP Detection in Noninvasive Brain Computer Interface Design E-Book Preprint Bentham Science Publishers October 20, 2009 / [Электронный ресурс]. - Режим доступа: URL:
http://www.ohsu.edu/xd/research/centers-institutes/institute-on-development-and-disability/reknew/research/upload/Mixed-Effects-Models-for-Single-Trial-ERP-Detection.pdf (дата обращения: 25.10.2014).
12. Saeid S., Chambers J.A. EEG signal processing / [Электронный ресурс]. -
Режим доступа:
URL: http://classes.engineering.wustl.edu/ese497/images/2/20/EEG_Book.pdf (дата обращения: 31.01.2015).
References:
1. Artemov S.I. Detection of the perception of stimuli on the basis of the dynamics of the distribution parameters of the structural composition of signal-lead EEG, determined by structural and linguistic analysis of signals. Estestvennye I matematicheskie nauki v sovremennom mire. [Natural and mathematical sciences in the modern world], Novosobirsk, 2015, no. 3 (27), pp. 48-57. (In Russian).
2. Artemov S.I. The increase in the spatial resolution of EEG using the processing on the basis of structural and linguistic analysis of signals Estestvennye I matematicheskie nauki v sovremennom mire. [Natural and mathematical sciences in the modern world], Novosobirsk, 2015, no. 8 (32), pp. 65-71 (In Russian).
3. Artemov S.I., Diuk V.A., Popova E.A. Search of sustainable patterns in human EEG in response to the presentation of his short subliminal visual stimuli. Biosfera. [Biosphere], 2003, no. 1, pp. 50-54 (In Russian).
4. Ganin I.P., Shishkin S.L., Kochetova A.G. Interface - the brain - the computer
“In the wake of p300”: study the effect of number of stimuli in their order of presentation. Available at:
http: //brain.bio .msu.ru/papers/Ganin_Shishkin_Kochetova_Kaplan_2012_F izCh el_P300_BCI_Effect_of_Stimulus_Position_in_a%20Stimulus_T rain.pdf (accessed: 25 October 2014).
5. Kaplan A.Ia., Kochetova A.G., Shishkin S.L. Experimental and theoretical basis and practical implementation of technology “interface - the brain - the computer”. Available at: http://brain.bio.msu.ru/papers/ (accessed: 22 September 2013).
6. Lindsei P., Norman D. Processing of information in humans. Moscow, “Mir” Publ., 1974. 555 p. (In Russian).
7. Senkevich Iu.I., Iuldashev Z.M., Artemov S.I. Certificate of state registration of computer programs number 2013613966 ("Program display dynamics of the functional state of the biological object according to the measurement of electrophysiological signals (version 1.0). Moscow, ROSPATENT FGU FIPS Publ., 2013. (In Russian).
8. Ukhtomskii A.A. Selected works. Leningrad, “Nauka” Publ. 1978. (In Russian).
9. Ciniburk JindTich Suitability of Huang Hilbert Transformation for ERP
detection 1. 3. October 2008, Izola, Slovenia. Available at:
http://dsc.ijs.si/files/papers/S104%20Ciniburk.pdf (accessed: 25 October 2014).
10. Gerson A., Parra L., Sajda P. Single-trial analysis of EEG for Enabling Cognitive User Interfaces. Available at:
http://bme.ccny.cuny.edu/faculty/lparra/publish/NEChapter2006.pdf (accessed: 31 January 2015).
11. Huang Y., Erdogmus D., Hild K. Mathan Santosh Mixed Effects Models
for Single-Trial ERP Detection in Noninvasive Brain Computer Interface Design E-Book Preprint Bentham Science Publishers October 20, 2009. Available at: http://www.ohsu.edu/xd/research/centers-institutes/institute-on-
development-and-disability/reknew/research/upload/Mixed-Effects-Models-for-Single-Trial-ERP-Detection.pdf (accessed: 25 October 2014.
12. Saeid S., Chambers J.A. EEG signal processing. Available at: http://classes.engineering.wustl.edu/ese497/images/2/20/EEG_Book.pdf (accessed: 31 January 2015).
