CC BY
1
Яковлева, Т. В. Анализ временных рядов ЭЭГ пациентов с алкогольной зависимостью с помощью нейронных сетей / Т. В. Яковлева, А. В. Крысько // Российский журнал биомеханики. - 2024. - Т. 28, № 1. - С. 125-142. - DOI 10.15593/RZhBiomeh/2024.1.10
РОССИИСКИИ ЖУРНАЛ БИОМЕХАНИКИ № 1,2024
RUSSIAN JOURNAL OF BIOMECHANICS
https ://ered.pstu. ru/index.php/rjb
Научная статья
БС! 10.15593/RZhBiomeh/2024.1.10 УДК 531/534: [57+61]
АНАЛИЗ ВРЕМЕННЫХ РЯДОВ ЭЭГ ПАЦИЕНТОВ С АЛКОГОЛЬНОЙ ЗАВИСИМОСТЬЮ С ПОМОЩЬЮ НЕЙРОННЫХ СЕТЕЙ
Т.В. Яковлева, А.В. Крысько
Саратовский государственный технический университет имени Гагарина Ю.А., Саратов, Российская Федерация
О СТАТЬЕ
АННОТАЦИЯ
Получена: 12 октября 2023 Одобрена: 14 марта 2024 Принята к публикации: 15 марта 2024
Ключевые слова:
ЭЭГ-сигнал, вейвлет-анализ, STFT, CNN, машинное обучение, показатели Ляпунова, мультимасштабная энтропия
Алкоголизм - это серьезное заболевание, которое создает проблемы для современного общества, в настоящее время существуют общепринятые стандартные тесты или процедуры для выявления алкоголизма. В данном исследовании предлагается новая методология на основе комплексного подхода к изучению временных рядов ЭЭГ, основанная на сочетании методов нелинейной динамики и машинного обучения. В этом исследовании мы применяем кодирование сигнала в виде 16-канального изображения, которое подается на обучение в модель ResNet50 и GoogLeNet. Для предварительной обработки данных применяется быстрое преобразование Фурье и вейвлет-преобразование. Наряду с применением нейронных сетей исследование сигналов ЭЭГ было проведено с помощью вычисления показателей Ляпунова и мультимасштабной энтропии. Предварительно был исследован вопрос выбора наиболее эффективного материнского вейвлета. Исследовались вейвлет-преобразования Морле, Мейера, Мексиканская шляпа, Добеши, Гаусса. Был вычислен спектр из пяти показателей Ляпунова методом Сано-Савада. Для подтверждения достоверности результатов предварительно старший показатель Ляпунова был вычислен еще тремя методами: Вольфа, Канца, Розенштейна. Ранее апробация методов проводилась на таких классических задач, как гиперхаотическое отображение Энона, логистическое отображение, аттрактор Рёсслера и аттрактор Лоренца. Применение нескольких подходов для анализа временных рядов ЭЭГ необходимо для подтверждения достоверности результатов. На основе разработанной методики выявлено, что модель GoogLeNet более эффективна, чем ResNet50. Обнаружено, что использование вейвлет-преобразования, по сравнению с преобразованием Фурье, для диагностики пациентов с алкогольной зависимостью дает более высокую точность.
©ПНИПУ
Введение
5 % глобального бремени болезней вызвано вредным употреблением алкоголя. По оценкам, в глобальных масштабах 237 млн мужчин и 46 млн женщин страдают расстройствами, связанными с употреблением алкоголя, причем наиболее высокие уровни распространенности приходятся на мужчин и женщин в Европейском регионе 14,8 и 3,5 % и в странах Америки (11,5 и 5,1 %) [36].
© Яковлева Татьяна Владимировна - к.ф.-м.н., доцент, e-mail: van-tan1987@mail.ru. 0000-0003-3238-2317 © Крысько Антон Вадимович - д.ф.-м.н., профессор, e-mail: anton.krvsko@amail.com. 0000-0002-9389-5602
Эта статья доступна в соответствии с условиями лицензии Creative Commons Attribution-NonCommercial 4.0 International License (CC BY-NC 4.0)
This work is licensed under a Creative Commons Attribution-NonCommercial 4.0 International License (CC BY-NC 4.0)
В последние десятилетия число пациентов с алкогольной зависимостью возрастает. По данным доклада Всемирной организации здравоохранения (ВОЗ) во всем мире 3 млн смертей ежегодно происходят в результате вредного употребления алкоголя. Это составляет 5,3 % всех смертей. Более трех четвертей этих случаев смерти произошли среди мужчин. В целом более
Недиагностированный на ранних стадиях алкоголизм может нанести ущерб жизни человека. Он влияет на нервную систему, приводя к изменениям в поведении и общем функционировании. Раннее распознавание алкоголизма имеет решающее значение для предотвращения этих глубоких изменений и смягчения его серьезных последствий.
Исследования предполагают наличие корреляции между злоупотреблением алкоголем и поведенческой расторможенностью, но нейрофизиологическая основа этой взаимосвязи остается в значительной степени неопределенной, что усложняет диагностику заболевания. Алкоголизм проявляется множеством симптомов, а его влияние на функцию мозга можно наблюдать с помощью нескольких методов визуализации, включая позитронно-эмиссионную томографию (ПЭТ), магнитно-резонансную томографию (МРТ) и функциональную магнитно-резонансную томографию (фМРТ). Среди них
электроэнцефалография (ЭЭГ) выделяется своей способностью регистрировать электрическую активность мозга в режиме реального времени, позволяя понять аномальные закономерности, связанные с алкоголизмом. Это делает ЭЭГ важным инструментом для изучения поведения нейронов и оценки состояния человека.
Сигналы электроэнцефалограммы (ЭЭГ) идеально подходят для отслеживания нейронных изменений, связанных с алкогольной зависимостью, благодаря их неинвазивному характеру, точности в реальном времени и всестороннему представлению сложной динамики мозга. В отличие от других методов диагностики, анализ ЭЭГ не требует взаимодействия с пациентом, что упрощает диагностический процесс. В анализе используется гибридный подход, который объединяет линейные, нелинейные и статистические характеристики ритмов ЭЭГ для управления присущей им нелинейностью и сложностью электрической активности мозга. Линейные характеристики позволяют различать нормальные и алкогользависимые паттерны ЭЭГ, подчеркивая непредсказуемость и сложную нелинейную природу сигналов от лиц, зависимых от алкоголя. Статистические функции дополнительно фиксируют изменчивость сигнала ЭЭГ, кульминацией которых является надежный гибридный набор функций, предназначенный для точного выявления алкогольной зависимости посредством анализа ЭЭГ.
В последние годы разработано и описано в литературе несколько методов выявления алкоголизма по сигналам ЭЭГ. Сиули и др. [31] представили улучшенную систему анализа для идентификации алкогольных сигналов ЭЭГ с использованием схемы оптимальной выборки на основе распределения (OAS) и подходящего алгоритма машинного обучения. Для выявления алкогольных состояний мозга были применены четыре хорошо известных метода машинного обучения (таблица решений, машина опорных векторов (SVM), k-ближайший сосед (k-NN) и
логистическая регрессия). Ли [42] предложил двунаправленную схему на основе нейронной сети для решения проблемы выявления алкоголизма по сигналам ЭЭГ с использованием набора данных об алкоголизме UCI. Результаты экспериментов в базе данных UCI показали, что алгоритм таблицы решений на основе OAS обеспечивают точность 99,58 % с низким уровнем ложных срабатываний 0,40 %, что на 9,58 % лучше существующих алгоритмов. Предложенная система анализа может быть использована для выявления алкоголизма и определения степени связанных с алкоголизмом изменений сигналов ЭЭГ.
В последнее время все больше внимания уделяется применению технологий нейронных сетей для изучения сигналов ЭЭГ. Хуанг и др. [12] разработали новую классификационную сеть ЭЭГ, разделимую сеть ЭЭГ (SEEGNet), основанную на преобразовании Гильберта -Хуанга (HHT) и разделимую сверточную нейронную сеть (CNN) с билинейной интерполяцией. Лаухерн и др. [22] предложили EEGNet, компактную сверточную нейронную сеть для основанных на ЭЭГ интерфейсов «мозг - компьютер» (BCI), которая может обобщать различные парадигмы BCI при наличии ограниченных данных и создавать интерпретируемые функции. Сравнительное исследование спектральной плотности мощности (PSD), полученной от нормальных, эпилептических и алкогольных сигналов ЭЭГ, было выполнено Фауст и др. [9]. Для расчета спектров плотности мощности использовались метод быстрого преобразования Фурье (БПФ), метод авторегрессии (AR) и метод Бурга. Анураги и др. [4] исследовали систему машинного обучения на основе эмпирического вейвлет-преобразования (EWT) для обнаружения алкоголизма по сигналам ЭЭГ. Рахматулин [27] представил метод быстрой и анонимной диагностики алкоголизма с помощью нейронных сетей. Рассмотрены вейвлет-преобразование и быстрое преобразование Фурье. Бавкар и др. [5] предложили новый метод выявления алкоголизма с использованием гибридных признаков ЭЭГ. Узкополосные фильтры Баттерворта были разработаны для разделения ритмов ЭЭГ. Бхуванешвари и др. [6] разработали две новые функции активации: Tuned-Softmax (TS) и в-Softmax (ßS), которые ускоряют и улучшают производительность CNN.
Производительность оценивалась по стандартным функциям активации, таким как Sigmoid и Softmax. Хан и др. [16] предложили оценочную схему для объективной диагностики расстройств, вызванных употреблением алкоголя (AUD), с использованием трехмерной сверточной нейронной сети (CNN). Мухтар и др. [25] специально применили сверточные нейронные сети (CNN) для классификации сигналов ЭЭГ для выявления алкоголизма. Было проведено сравнение с другими подходами, использующими тот же набор данных. Фаузи и др. [10] предложили новый автоматический и адаптивный алгоритм выбора выборочных преобразований для улучшения данных. Ким и др. [35] предложили новую модель глубокого обучения для
решения некоторых проблем, возникающих при анализе данных биосигналов, таких как ЭЭГ и ЭКГ, для прогнозирования и диагностики заболеваний с использованием традиционных методов глубокого обучения. Яо и др. [23] исследовали проблему слияния признаков в электроэнцефалографии (ЭЭГ). Был предложен фильтр признаков, сохраняющий информацию. Это превращает проблему фильтрации объектов в проблему перевода изображений. Фаяз и др. [18] представили новый метод предварительной обработки сигналов электроэнцефалографии (ЭЭГ) во временной области.
Предлагаемый метод (метод визуализации пиков) (PVM) основан на выделении пиков с характерным диапазоном ширины и высоты. Нирадж и др. [41] предложили архитектуру глубокого обучения, использующую комбинацию быстрого преобразования Фурье (FFT), сверточной нейронной сети (CNN), долгосрочной краткосрочной памяти (LSTM) и недавно предложенного механизма внимания для извлечения пространственно-временных характеристик из многоканальных сигналов ЭЭГ. Цзяцзе и др. [11] обсудили, как употребление алкоголя влияет на сигналы ЭЭГ и как извлечение характеристик из этих сигналов помогает отличить алкоголиков от неалкоголиков с помощью графического пользовательского интерфейса (GUI). Чжанг и др. [26] предложили новый метод выявления предрасположенности к алкоголизму по преобразованным изображениям сигналов ЭЭГ с использованием традиционных и глубоких экстракторов признаков. В этом подходе используются метод двумерного извлечения признаков, методы компьютерного зрения (CV), такие как трансферное обучение с использованием сверточных нейронных сетей (CNN). Хур и др. [14] разработали эффективный метод распознавания активности человека, а именно Iss2Image (сигнал инерционного датчика в изображение), новую технику кодирования для преобразования сигнала инерционного датчика в изображение с минимальными искажениями, а также модель CNN для классификации активности на основе изображений.
Помимо искусственного интеллекта, методы нелинейной динамики показали свою эффективность в диагностике таких состояний, как шизофрения, с использованием спектров показателей Ляпунова, энтропийного и вейвлет-анализа. Этот диапазон инновационных подходов подчеркивает динамическое пересечение нейронных сетей, машинного обучения и нелинейной динамики в совершенствовании анализа сигналов ЭЭГ.
Кутепов и др. [13, 43] изучали сигнал электроэнцефалограммы (ЭЭГ) при шизофрении путем оценки показателя Ляпунова. Для расчета наибольшего показателя Ляпунова (LLE) использовались алгоритмы Канца, Розенштейна и Вольфа, а спектр показателя рассчитывался с помощью алгоритма Сано - Савады. Также предложен метод визуального анализа,
сочетающий преимущества топографического анализа и кросс-корреляционного анализа. Крыско и др. [21] использовали анализ главных компонент (PCA) для удаления шума, вейвлет-преобразование, методы Вольфа, Канца, Розенштейна и нейронные сети для расчета спектра показателя Ляпунова (LCE) для сигналов ЭЭГ от пациента с шизофренией. Яковлева и др. [20] методами нелинейной динамики обработали фрагменты ЭЭГ, содержащие «островолновой» паттерн активности мозга у больного фокальной структурной эпилепсией. В [19, 37] используются следующие методы: метод главных компонент для снижения шума, вейвлет-преобразование, методы Вольфа, Канца, Розенштейна, мультимасштабной энтропии и сложности Лемпеля -Зива, методы нейронных сетей для вычисления спектра показателя Ляпунова. Исследования показали, что хаотичность сигналов ЭЭГ у шизофреников выше, чем у здоровых людей.
Определение состояния активности мозга по ЭЭГ остается проблемой из-за плохой интерпретируемости сигнала и межсубъектной вариабельности. В данной статье впервые предлагается методология анализа сигналов ЭЭГ пациентов, страдающих алкогольной зависимостью. Методика основана на интегрированном подходе временных рядов, который сочетает в себе методы нелинейной динамики и машинного обучения. Для достижения этой цели было использовано несколько методов, включая алгоритмы машинного обучения, модели глубокого обучения и методы нелинейной динамики. В алгоритмах машинного обучения для преобразования сигналов использовались быстрое преобразование Фурье и вейвлет-анализ [41-43]. Такие модели, как GoogLeNet и ResNet50, были обучены на преобразованных данных. Кроме того, сигналы ЭЭГ анализировались с использованием показателей Ляпунова и мультимасштабной энтропии. Использование нескольких подходов к анализу временных рядов ЭЭГ необходимо для обеспечения надежных результатов.
Методы и данные
В данной работе построена методология анализа электрической активности головного мозга пациентов с алкогольной зависимостью и контрольной группы по записям ЭЭГ с целью ранней диагностики заболевания. Предлагаемая методология анализа сигналов ЭЭГ представляет собой комплексный подход к изучению временных рядов. Для этих целей использованы алгоритмы машинного обучения, модели глубокого обучения и методы нелинейной динамики. Для алгоритмов машинного обучения были использованы различные преобразования сигнала, такие как быстрое преобразование Фурье и вейвлет-анализ. В качестве моделей применялись GoogLeNet и ResNet50, которые обучались на полученных после преобразования данных для выявления закономерностей указывающих на алкогольную зависимость. Эта многогранная методоло-
Рис. 1. Схема размещения электродов «10-20 %»
гия использует сильные стороны каждого аналитического метода для повышения точности и эффективности диагностики.
Набор данных
Набор данных сигналов ЭЭГ получен в НИИ психического здоровья Томского НИМЦ РАН (Mental Health Research Institute, Tomsk National Research Medical Center of the Russian Academy of Sciences) и был подготовлен для исследования. Сигналы ЭЭГ регистрировались с использованием 16 электродов на голове: T6, T5, T4, T3, F8, F7, O2, O1, P4, P3, C4, C3, F4, F3, FP2, FP1 по схеме размещения «10-20 %» (рис. 1).
Полный набор данных состоит из 96 субъектов. Испытуемые были разделены на контрольную группу и группу пациентов с алкогольной зависимостью. Запись ЭЭГ производилась в состоянии покоя с закрытыми глазами участников, с частотой дискретизации 256 Гц. В рассматриваемом наборе данных представлено 30 записей из контрольной группы и 66 записей из группы
7.812 8.594 Time (s)
б
Рис. 2. ЭЭГ пациента: а - из контрольной группы; б - с алкогольной зависимостью
пациентов с алкогольной зависимостью (рис. 2). Изначально количество записей было не сбалансированно, и сами записи по длительности были различны, поэтому на этапе сегментации данных они были предварительно обработаны специальным образом, чтобы избежать дисбаланса классов.
Процесс сегментации осуществлялся с использованием функции прямоугольного окна. Чтобы сбалансировать классы и обеспечить сбалансированное представление, были тщательно рассчитаны коэффициенты смещения окна.
Этот расчет имел решающее значение для стандартизации процесса сегментации и обеспечения последовательного анализа всех данных. Балансировка классов осуществляется коэффициентами при смещении окна, по следующей формуле:
дМ = г ■ м / к [ g ], (1)
где г - номер сегмента, g - группа (g е{0,1}), м -
ширина окна, к - коэффициент балансировки набора данных для данной группы g. Этот процесс оконной
визуализации делит более длинный сигнал ЭЭГ на более мелкие сегменты, при этом каждый сегмент рассматривается как экземпляр в наборе данных. Всего было проанализировано п случаев, п из которых относились к контрольной группе, а да к группе с диагнозом алкоголизма.
В этом исследовании преодоление проблемы дисбаланса классов в наборе данных сигналов ЭЭГ имело первостепенное значение для обеспечения точности и надежности нашего анализа. Чтобы добиться баланса классов, мы использовали библиотеку (вгск^атркг - инструмент, предназначенный для сложных методов выборки в проектах на базе РуТвгск. Эта библиотека облегчила подбор коэффициента к посредством стратегического подхода к нарезке данных сигнала ЭЭГ. Для классов, характеризующихся меньшим размером выборки, мы применили технику перекрывающихся срезов. Этот метод предполагает создание срезов сигналов ЭЭГ с преднамеренным перекрытием для недостаточно представленного класса, тем самым увеличивая эффективный размер набора данных для этого класса без искусственного раздувания данных. Регулируя коэффициент перекрытия срезов, мы смогли точно настроить баланс между классами, гарантируя, что каждый класс будет одинаково представлен в наборе данных. Этот метод не только устраняет дисбаланс, но также сохраняет целостность и изменчивость данных сигнала ЭЭГ, что имеет решающее значение для последующих этапов анализа.
Преобразования сигнала
Как показывает проведенный анализ известной литературы по данной тематике, наиболее эффективными являются методы линейного анализа одномерных сигналов в частотной или частотно-
временной области [7, 24]. В этом исследовании был предложен комплексный подход к обработке сигналов ЭЭГ с использованием алгоритмов машинного обучения, моделей глубокого обучения и методов нелинейной динамики. Для преобразования сигналов для алгоритмов машинного обучения использовались быстрое преобразование Фурье и вейвлет-анализ, а модели GoogLeNet и Яе&'Ме(50 обучались на преобразованных данных.
Оконное преобразование Фурье
БТЕТ - операция, принимающая одномерный временной ряд я [?] в качестве входных данных и
возвращающая 2-мерную таблицу 5[г, f ]. Каждый
столбец 5[г,:] является дискретным преобразованием
Фурье (БЕТ) фрагмента длины, обозначаемой Ь = 2", сигнала я , идущего от индекса Ц к индексу Ъ1 + Ь -1,
умноженной на вторую последовательность ^, называемую «оконной функцией».
Это приводит к следующей формуле, которую берем в качестве определения 5ТЕТ:
где обозначает оператор дискретного
преобразования Фурье (БЕТ), г - целое число, выражающее индекс среза, а Ц - соответствующую начальную точку. Начальные индексы Ц временных
интервалов обычно расположены на равном расстоянии друг от друга, поэтому необходимо только установить первый индекс Ь0 и интервал АЬ между Ьг и Ьг+1. Этот интервал обычно определяется в процентах от Ь через отношение а , называемое перекрытием: АЬ = [аЬ], где
[ ] обозначает целую часть. Наконец, существует несколько вариантов для сужающейся функции ^. Распространенным является окно Ханна, определяемое
(2)
как
и Г/1 1 1 Г 2пк
Пт I к I =---С08 -
2 2 I Ь-1
(3)
БТЕТ может давать разные результаты по вопросам разрешения спектрограмм. Существует противоречие в выборе временного разрешения и частотного разрешения. Широкая длина окна даст лучшее разрешение по частоте, но плохое разрешение по времени, в то время как более узкая длина окна даст хорошее разрешение по времени, но плохое разрешение по частоте. Выбирая соответствующую длину окна и перекрытие, можно получить лучшую визуализацию на спектрограмме. В данном исследовании выбраны следующие параметры: дина окна 32, перекрытие 16, частота дискретизации временного ряда 256.
Вейвлет-преобразование
Начиная с материнского вейвлета у, семейство у т 5
«дочерних вейвлетов» может быть получено простым масштабированием и переводом у :
(4)
где 5 - коэффициент масштабирования или расширения, который управляет шириной вейвлета и является параметром трансляции, управляющим
местоположением вейвлета.
Масштабирование вейвлета означает его растяжение (если > 1) или сжатие (если 5 < 1), в то время как его
перевод означает изменение его положения во времени. Учитывая временной ряд л-(/) е I? (Р). его
непрерывное вейвлет-преобразование (CWT) относительно вейвлета является функцией двух переменных, № (т, я):
^у(т,5 )=!У(' ^ у* [ V
Положение вейвлета во временной области задается т; в то время как его положение в частотной области задается 5. Следовательно, вейвлет-преобразование, отображая исходный ряд в функцию от т и 5 , дает нам информацию одновременно о времени и частоте. Формулы вейвлета и преобразования Фурье очень похожи. Основные различия заключаются в том, что в преобразовании Фурье нет параметра временной локализации, и что вместо вейвлет-функции есть функции косинуса и синуса.
По хорошо известным свойствам преобразования Фурье сразу видно, что CWT также может быть представлен в частоте, как
(6)
(т, 5) = ^ (5ю)X(ю)¿ютйю.
Рис. 3. Этапы обнаружения алкоголизма при помощи ResNet и GoogLeNet модели
Рис. 4. Обертка для предобученных нейронных сетей для анализа сигналов
Нейронные сети
Искусственная нейронная сеть - это эмуляция биологической нейронной системы. Это параллельная система, способная решать сложные задачи. Самое большое преимущество перед другими классификаторами жестких вычислений заключается в том, что она терпима к отсутствующим данным, ошибкам в данных и позволяет аппроксимировать данные. Вдобавок к этому, как правило, она обладает более высокой эффективностью по сравнению с другими. В данной работе разработаны нейронные сети, основанные на ResNet50 и GoogLeNet (рис. 3, 4).
За основу выбраны стандартные реализации этих нейронных сетей. Аналогичным подходом может быть приспособлена любая другая нейронная сеть для исследований сигналов.
Мультимасштабная энтропия
Согласно методу расчета мультимасштабной энтропии (М8Б), описанному в работах [20, 37], для заданного дискретного временного ряда {х1,..., х,..., хн} определяется последовательность из упрощенного временного ряда {у(т)} относительно масштабирующего
параметра т. Исходный временной ряд делится на неперекрывающиеся окна длиной т, и далее значения усредняются для каждого окна. Таким образом, каждый элемент упрощенного временного ряда вычисляется по формуле:
(т)
'= - X х, 1 < ] < N / т . (7)
Т '=(}-1)т+1
Для первого масштаба временной ряд {у(1)}
эквивалентен исходному временному ряду. Длина
каждого временного ряда соответствует длине исходного временного ряда, деленного на масштабирующий параметр .
Вычисление количественной меры энтропии 5 для каждого упрощенного временного ряда производится по формуле:
X N-тпт ( т,г, N) = I" ,1=1 '
Е V ' ' > -т 'т+1
(8)
где т - приращение длины вектора данных, г - размер ячейки фазового пространства (погрешность), "'т -вероятность повторения последовательности данных заданной длины в исходных данных [8].
Показатели Ляпунова
Организм человека представляет собой сложную динамическую систему, параметры которой меняются в зависимости от времени и целого ряда внутренних и внешних факторов. С одной стороны, развитие системы описывается устойчивыми закономерностями, повторяющимися с определенной цикличностью, а с другой стороны, динамика системы достаточно хаотична, что и определяет сложность анализируемых сигналов. Современные представления об особенностях сигналов ЭЭГ указывают на необходимость исследования выраженности их хаотических компонент с применением методов нелинейной динамики. Оценка степени их нерегулярности может стать важным признаком для классификации некоторых функциональных состояний организма, а также распознавания ряда патологий. Одним из наиболее надежных способов детектирования хаоса является определение скорости разбегания фазовых траекторий сигнала, которую можно оценить на основе расчета показателей Ляпунова. Геометрический смысл этих показателей заключается в том, что две точки, начальные значения которых расположены в некоторой окрестности радиуса е, за время Т разойдутся в " -мерный эллипсоид по " главным полуосям и в момент времени г радиусы будут определяться
значениями ее
' = 1,...,п .
Знак старшего показателя Ляпунова полностью характеризует тип колебаний динамической системы. Положительный показатель является признаком хаотичности динамической системы. Старший показатель Ляпунова (Lei) позволяет идентифицировать тип динамической системы с точки зрения присутствия хаотического поведения, а также способен отражать уровень хаотичности сигнала. Спектр показателей Ляпунова даёт возможность качественно оценить свойства локальной устойчивости аттрактора. Положительные показатели Ляпунова служат мерой среднего экспоненциального расхождения соседних траекторий, а отрицательные - мерой средней экспоненциальной сходимости траекторий к аттрактору. Сумма показателей Ляпунова есть средняя дивергенция потока фазовых траекторий, которая для диссипативной системы (т.е. системы, имеющей аттрактор) всегда должна быть отрицательной.
Аналитическое определение показателей Ляпунова для большинства задач не представляется возможным, поскольку для этого необходимо знать аналитическое решение системы дифференциальных уравнений. Однако существуют достаточно надёжные алгоритмы, позволяющие найти все показатели Ляпунова, используя численные методы. Единого метода для вычисления показателя Ляпунова не существует. Ранее для исследования сигналов ЭЭГ при таких заболеваниях, как эпилепсия [37] и шизофрения [19-21], хорошо себя зарекомендовали следующие алгоритмы вычисления старшего показателей Ляпунова (Lei): метод Вольфа [34], Канца [15] и Розенштейна [28], а также для вычисления спектра показателей Ляпунова - метод Сано - Савада [30].
Результаты и обсуждение
В данном исследовании машинное обучение проводилось в общей сложности за 20 эпох. В алгоритме был использован инструмент оптимизации
гиперпараметров для определения оптимального количества эпох с помощью библиотеки optuna.
Следует отметить, что разработанная нейронная сеть (см. рис. 3. 4) находила оптимальное решение достаточно быстро по сравнению со многими моделями глубокого обучения [17, 29, 32, 33].
В табл. 1 и 2 представлены метрики сравнительных результатов работы двух моделей на обучающем и тестовом наборе моделей ResNet и GoogLeNet на преобразованных данных с использованием Short Time Fourier Transform и Wavelet Transform.
В данной работе STFT (рис. 5) и вейвлет-преобразование (рис. 6) были применены к сигналам ЭЭГ для каждого из пациентов с алкогольной зависимостью (см. рис. 5, б) и пациентов из контрольной группы (см. рис. 5, a) для каждого из 16 каналов. Полученные Фурье- и вейвлет-спектры подавались на обучение в нейронную сеть. В качестве примера на рис. 5, 6 представлены спектры для одного пациента из каждой группы (контроля и с алкогольной зависимостью).
Результаты спектров Фурье показали, что энергетическая мощность частот сигналов ЭЭГ пациентов с алкогольной зависимостью в отдельных каналах лобной (F3, F4) и височной (Т6) областей головного мозга выше по сравнению с сигналами ЭЭГ пациентов из контрольной группы. Результаты вейвлет-спетров показали, что в каналах теменной области (Р3, Р4), области центральной борозды (С3, С4) и затылочной области (О1) на сигналах ЭЭГ пациентов с алкогольной зависимостью преобладают высокочастотные колебания, в то время как на сигналах ЭЭГ пациентов из контрольной группы - низкочастотные. Исходя из представленных метрик (табл. 1, 2), можно сделать выводы об эффективности используемых методов: точность при использовании вейвлет-преобразования выше, чем при использовании преобразования Фурье; при этом сеть GoogLeNet более эффективна, чем ResNet50 в рамках данного исследования.
Таблица 1
Метрики моделей при использовании Short Time Fourier Transform
Модель Этап Метрики
Accuracy Precision Recall F1Score
ResNet50 Train 0,994884 0,993632 0,996206 0,994753
Test 0,585363 0,565047 0,597546 0,572978
GoogLeNet Train 0,989906 0,987383 0,991911 0,989171
Test 0,56875 0,567185 0,623801 0,585208
зо 30
О 10 20 30 0 10 20 30 0 10 20 30 0 10 20 30
б
Рис. 5. STFT преобразование сигнала ЭЭГ пациента: а - из контрольной группы; б - с алкогольной зависимостью
о 100 200
а
Т5
ТЗ
Ж
50 Ж
100- Ф •
150-
к ^
к 200
200 100
02 (
а
100 200
100 200
100 200
б
Рис. 6. Вейвлет-преобразование сигнала ЭЭГ пациента: а - из контрольной группы;
б - с алкогольной зависимостью
1,2 1,15 1,1 1,05 1
0,95 0,9 0,85 0,8 0,75 0,7
Fp1 Fp2 F3 F4 C3 C4 P3 P4 O1 O2 F7 F8 T3 T4 T5 T6
-•—Контрольная группа (молодые) -•— Молодые с алкогольной зависимостью
Контрольная группа (пожилые) Пожилые с алкогольной зависимостью
Рис. 7. График усредненного значения энтропии по каналам
Метрики моделей при использовании Wavelet Transform
Таблица 2
Модель Этап Метрики
Accuracy Precision Recall F1Score
ResNet50 Train 0,989270 0,988096 0,990198 0,988538
Test 0,570962 0,597466 0,543606 0,559625
GoogLeNet Train 0,953192 0,921823 0,986830 0,951456
Test 0,638845 0,597433 0,878177 0,703475
Наряду с разработанной нейронной сетью в данном исследовании для оценки сложности сигналов ЭЭГ был проведен анализ таких характеристик нелинейной динамики, как мультимасштабная энтропия и спектр показателей Ляпунова. Энтропийные методы учитывают нелинейную природу сигнала, что упускается в частотных методах, работают на выборках короткой длины и в большинстве своем устойчивы к помехам. Энтропия представляется как показатель уровня хаотичности в динамической системе, а значит, может применяться для анализа непредсказуемости ЭЭГ-сигнала. Значение энтропии тем выше, чем сложнее анализируемый сигнал. С этой целью записи ЭЭГ из контрольной группы и группы пациентов с алкогольной зависимостью были поделены на две подгруппы: молодые (18 - 30 лет) и взрослые (50 - 65 лет). Для этих подгрупп был получен график усредненного значения энтропии по каналам (рис. 7), также топографическое распределение энтропии по всем каналам (рис. 8). Наибольшие значения мультимасштабной энтропии у пациентов с
алкогольной зависимостью наблюдаются в затылочной части и в канале Т4 (см. рис. 8 в, г), в то время как у контрольной группы преимущественно в лобной части (см. рис. 8 a, б).
Для оценки средней экспоненциальной дивергенции или конвергенции близлежащих траекторий в фазовом пространстве в данном исследовании был вычислен спектр из 5 показателей Ляпунова методом Сано - Савада [30].
Положительное значение показателей Ляпунова показывает, что исследуемая система хаотична. Ранее метод Сано - Савада показал высокую эффективность при исследовании не только медико-биологических сигналов [39], но и сигналов другой природы, в частности механических [37, 38] и физических (логистическое отображение, аттрактор Рёсслера, отображение Энона) [37]. В работах [37, 38] с помощью спектра показателей Ляпунова для сигналов механических распределенных систем были выявлены такие колебательные режимы, как хаос и гиперхаос.
I
V/
1.1
1.05
1
0.95
0.9
0.85
0.8
0.75
I
ч/
I
1.1
1.08 1.06 1.04 1.02 1
0.98 0.96 0.94 0.92
Рис. 8. Топографическое распределение мультимасштабной энтропии по каналам: а - группа контроля, молодые; б - группа контроля, взрослые; в - пациенты с алкогольной зависимостью, молодые; г - пациенты с алкогольной зависимостью, взрослые
I
V/
0.145
0.14
0.135
0.13
0.125
0.12
0.115
0.11
0.105
0.1
I
I
0.235
0.23
0.225
0.22
0.21
Рис. 9. Топографическое распределение старшего показателя Ляпунова (Lei) по каналам: а - группа контроля, молодые; б - группа контроля, взрослые; в - пациенты с алкогольной зависимостью, молодые; г - пациенты с алкогольной зависимостью, взрослые
б
а
в
г
б
а
в
г
При этом достоверность результатов достигалась сопоставлением значений старшего показателя Ляпунова, вычисленного разными методами [37-39]. Следовательно, представлены результаты, полученные с помощью метода Сано - Савады, подчеркивающие его эффективность в выявлении динамической сущности изучаемых систем, от сложных паттернов сигналов ЭЭГ до сложного поведения механических и физических систем. Поэтому в данном исследовании приведены результаты, полученные с помощью метода Сано - Савада.
На рис. 9 представлены графики распределения старшего показателя Ляпунова (Lei) для каждой из четырех подгрупп по всем каналам. Старший показатель Ляпунова для всех подгрупп Lei > 0, при этом наибольшее значение показателя для группы контроля наблюдается в височной зоне (см. рис. 9 a, б), а для пациентов с алкогольной зависимостью преимущественно в затылочной области (см. рис. 9 в, г) и в лобной для подгруппы молодых (см. рис. 9 г).
Эти результаты подчеркивают различное влияние алкогольной зависимости на динамику мозга: в некоторых областях наблюдается повышенная динамическая сложность, измеряемая старшим показателем Ляпунова. Доминирующее положение височной области в контрольной группе и важность затылочной и лобной областей в группах с алкогольной зависимостью подчеркивают потенциальные нейрофизиологические различия между этими группами. Такие различия в динамическом поведении различных областей мозга могут дать ценную информацию о механизмах, лежащих в основе алкогольной зависимости, и ее влиянии на функции мозга.
На рис. 10 представлены графики распределения второго показателя Ляпунова (Le2) для каждой из четырех подгрупп по всем каналам. Второй показатель Ляпунова в некоторых каналах имеет положительное значение, а в отдельных каналах - отрицательное значение. При этом отрицательное значение показателя Le2 для группы контроля наблюдается преимущественно в затылочной зоне (см. рис. 10 а, б), что позволяет предположить более стабильное динамическое поведение в этой области. И, наоборот, у пациентов с алкогольной зависимостью наблюдается смесь положительных и отрицательных значений Le2, причем отрицательные значения особенно присутствуют в лобной и теменной областях (см. рис. 10 в, г). Эта закономерность предполагает, что алкогольная зависимость может быть связана с изменениями динамической стабильности этих областей мозга, возможно, отражая влияние алкоголя на нервную активность и связь. Различия в значениях Le2 в разных областях мозга и подгруппах подчеркивают нюансы влияния алкогольной зависимости на динамику мозга. Наличие отрицательных значений Le2 в определенных областях
как для контрольной, так и для зависимых от алкоголя групп подчеркивает области относительной динамической стабильности, тогда как положительные значения указывают на области потенциальной динамической нестабильности.
Начиная с третьего показателя Ляпунова, во всех каналах Le3, Le4 и Le5 имеют отрицательное значение. На рис. 11, 12, 13 представлены графики распределения третьего (Le3), четвертого (Le4) и пятого (Le5) показателей Ляпунова соответственно для каждой из четырех подгрупп по всем каналам.
Анализ топографического распределения показателей Le3-Le5 выявляет отчетливые закономерности динамической активности в разных областях мозга, которые варьируются в зависимости от возраста и клинической группы. В контрольной группе молодых самые низкие значения показателя Ляпунова наблюдались в затылочной (канал O1) и лобной (канал Fp1) областях (рис. 11, а, 12, а, 13, а), для контрольной группы взрослых - преимущественно в височной (канал T3) области (рис. 11, б, 12, б, 13, б), для группы молодых пациентов с алкогольной зависимостью -преимущественно в лобной зоне (канал F4) (рис. 11 в, 12, в, 13, в), для группы взрослых пациентов с алкогольной зависимостью - преимущественно в теменной зоне (канал P3) (рис. 11, г, 12, г, 13, г).
Эти результаты подчеркивают вариабельность динамики мозга не только между контрольной и алкогольной зависимыми группами, но также и между различными возрастными категориями внутри этих групп. Наблюдаемые закономерности позволяют предположить, что алкогольная зависимость может влиять на динамическое поведение мозга в определенных областях, что имеет значение для понимания нейрофизиологических эффектов алкогольной зависимости на протяжении всей жизни.
Заключение
В данной работе разработан комплексный подход детектирования наличия алкогольной зависимости у пациентов на базе анализа временных рядов ЭЭГ с использованием алгоритма машинного обучения и метода глубокого обучения с использованием Google Colab и библиотек Python, а также методов нелинейной динамики.
Разработаны нейронные сети для изучения ЭЭГ-сигналов пациентов с алкогольной зависимостью с использованием сложных сверток оконного преобразования Фурье и вейвлет-преобразования с целью выявления характерных паттернов патологической активности мозга. Проведенные исследования показали, что использование вейвлет-преобразования, по сравнению с преобразованием Фурье, для диагностики пациентов с алкогольной зависимостью дает более высокую точность.
I
V/
0.01
0.005
0
-0.005
-0.01
-0.015
-0.02
-0.025
I
0.005 О
-0.005
-0.01
-0.015
-0.02
-0.025
Рис. 10. Топографическое распределение второго показателя Ляпунова (Le2) по каналам: а - группа контроля, молодые; б - группа контроля, взрослые; в - пациенты с алкогольной зависимостью, молодые; г - пациенты с алкогольной зависимостью, взрослые
ЧУ
-0.1
-0.15
-0.2
-0.25
I
V/
I
-0.1
-0.12
-0.14
-0.16
-0.18
-0.2
-0.22
Рис. 11. Топографическое распределение третьего показателя Ляпунова (Le3) по каналам: а - группа контроля, молодые; б - группа контроля, взрослые; в - пациенты с алкогольной зависимостью, молодые; г - пациенты с алкогольной зависимостью, взрослые
б
а
в
г
б
а
в
г
Рис. 12. Топографическое распределение четвертого показателя Ляпунова (Le4) по каналам: а - группа контроля, молодые; б - группа контроля, взрослые; в - пациенты с алкогольной зависимостью, молодые; г - пациенты с алкогольной зависимостью, взрослые
б
в
г
в г
Рис. 13. Топографическое распределение пятого показателя Ляпунова (Le5) по каналам: а - группа контроля, молодые; б - группа контроля, взрослые; в - пациенты с алкогольной зависимостью, молодые; г - пациенты с алкогольной зависимостью, взрослые
Предложенная новая методология исследования сигналов ЭЭГ пациентов с алкогольной зависимостью на основе сверточных нейронных сетей включает применение моделей ResNet50 и GoogLeNet. На основе проведенных исследований выявлено, что модель GoogLeNet более эффективна по сравнению с ResNet50.
В качестве дополнительных характеристик нелинейной динамики для оценки сложности ЭЭГ-сигналов вычислены мультимасштабная энтропия и спектр из 5 показателей Ляпунова методом Сано -Савада. Результаты проведенного исследования
Список литературы
1. Мухамедов А.М., Леонов С.В., Поликанова И.С., Чертополохов В.А., Якушина А.А., Исаев А.В., Чернозубов Д.Я., Чаирез. И.О. Непараметрическая идентификация движений глаз спортсменов-борцов с применением дифференциальной нейронной сети // Российский журнал биомеханики. - 2023. -Т. 27, № 2. -С. 75-84
2. Патрикеев И.А., Крючков А.Н., Фрейнд Г.Г., Юрлов Р.А., Рец А.В. Применение вейвлет-фильтрации для оценки выраженности полиморфизма ядер клеток инвазивной протоковой карциномы молочных желез // Российский журнал биомеханики. - 2004. - Т 8, №4. - C. 91-96
3. Степанян И.В., Гроховский С.С., Савкин М.А. Выявление патобиомеханических маркеров статокинезиограмм на примере нейросетевой идентификации постинсультного состояния // Российский журнал биомеханики. - 2023, -Т. 27, № 1. - С. 98-108.
4. Anuragi A., Sisodia D.S. Empirical wavelet transform based automated alcoholism detecting using EEG signal features // Biomedical Signal Processing and Control. - 2020. - Vol. 57, no. 101777. DOI: 10.1016/j.bspc.2019.101777
5. Bavkar S., Iyer B., Deosarkar S. Detection of alcoholism: An EEG hybrid features and ensemble subspace K-NN based approach // Distributed Computing and Internet Technology: 15th International Conference, ICDCIT 2019, Bhubaneswar, India, January 10-13, - 2019, Proceedings 15. - Springer International Publishing, 2019. - P. 161-168. DOI: 10.1007/978-3-030-05366-6_13
6. Bhuvaneshwari M., Kanaga E.G.M. Convolutional neural network for addiction detection using improved activation function // 2021 5th International Conference on Computing Methodologies and Communication (ICCMC). - IEEE, 2021. - P. 996-1000. DOI: 10.1109/ICCMC51019.2021.9418022
7. Buriro A.B. Classification of alcoholic EEG signals using wavelet scattering transform-based features // Computers in Biology and Medicine. - 2021. - Vol. 139. - P. 104969. DOI: 10.1016/j.compbiomed.2021.104969
8. Costa M., Goldberger A. L., Peng C. K. Multiscale entropy analysis of biological signals // Physical review E. - 2005. -Vol. 71, no. 2. - P. 021906.
9. Faust O., Acharya R.U., Allen A.R., Lin C.M. Analysis of EEG signals during epileptic and alcoholic states using AR modeling techniques // IRBM. - 2008. - Vol. 29. - P 44-52. DOI: 10.1016/j.rbmret.2007.11.003
10. Fawzi A. Samulowitz H., Turaga D., Frossard P. Adaptive data augmentation for image classification // 2016 IEEE international conference on image processing (ICIP). - IEEE, 2016. - P. 3688-3692. DOI: 10.1109/ICIP.2016.7533048
показали высокую эффективность применения данных характеристик для анализа сигналов ЭЭГ как при выявлении патологической активности головного мозга (разделение на группы здоровых и больных), так и с учетом возрастных особенностей (разделение на подгруппы молодых и взрослых).
Это исследование подчеркивает потенциал сочетания глубокого обучения с методами нелинейной динамики для улучшения диагностики и понимания алкогольной зависимости посредством анализа сигналов ЭЭГ.
11. Fayyaz A., Maqbool M., Saeed M. Classifying alcoholics and control patients using deep learning and peak visualization method // Proceedings of the 3rd International Conference on Vision, Image and Signal Processing. - 2019. - P. 1-6. DOI: 10.1145/3387168.3389119
12. Huang W., Xue Y., Hu L., Liuli H. S-EEGNet: Electroencephalogram signal classification based on a separable convolution neural network with bilinear interpolation // EEE Access. - 2020. - Vol. 8. - P. 131636131646. DOI: 10.1109/ACCESS.2020.3009665
13. Hur T., Bang J., Huynh-The T., Lee J., Kim J.-I., Lee, S., Iss2Image: A novel signal-encoding technique for CNN-based human activity recognition // Sensors. - 2018. -Vol. 18, no. 11. - P. 3910. DOI: 10.3390/s18113910
14. Jiajie L. Clinical decision support system for alcoholism detection using the analysis of EEG signals // IEEE Access. -2018. - Vol. 6. - P. 61457-61461.
DOI: 10.1109/ACCESS.2018.2876135
15. Kantz H. A robust method to estimate the maximal Lyapunov exponent of a time series // Physics letters A. - 1994. -Vol. 185, no. 1. - P. 77-87.
16. Khan D.M. Yahya N., Kamel N., Faye I. Effective connectivity in default mode network for alcoholism diagnosis // IEEE Transactions on Neural Systems and Rehabilitation Engineering. - 2021. - Vol. 29. - P. 796-808.
17. Kim S., Chun H.W. Spatial and Contextual EEG Information Machine Learning for the Diagnosis of Brain Disease. -2017.
18. Kim S., Kim J., Chun H.W. Wave2vec: Vectorizing electroencephalography bio-signal for prediction of brain disease // International journal of environmental research and public health. - 2018. - Vol. 15, no. 8. - P. 1750.
DOI: 10.3390/ijerph15081750
19. Krysko V.A. Papkova I.V., Saltykova O.A., Yakovleva T.V., Pavlov S.P., Zhigalov M.V., Petrov D. Yu., Krysko A.V. Visualization of amplitude-frequency characteristics of EEG of pathological and cognitive functions of the brain from a position of nonlinear dynamics // Journal of Physics: Conference Series. - IOP Publishing, 2019. - Vol. 1260, no. 7. - P. 072010. DOI: 10.1088/1742-6596/1260/7/072010
20. Kutepov I.E., Krysko A.V., Dobriyan V.V., Yakovleva T.V., Krylova E.Yu., Krysko V.A., Visualization of EEG signal entropy in schizophrenia // Scientific Visualization. - 2020. -Vol. 12, no. 1. - P. 1-9. DOI: 10.26583/sv.12.1.01
21. Kutepov I.E., Dobriyan V.V., Zhigalov M.V., Stepanov M.F., Krysko A.V., Yakovleva T.V., Krysko V.A., EEG analysis in patients with schizophrenia based on Lyapunov exponents // Informatics in medicine unlocked. - 2020. - Vol. 18. -P. 100289. DOI: 10.1016/j.imu.2020.100289
22. Lawhem V.J., Solon A.J., Waytowich N.R., Gordon S.M., Hung C.P., Lance B.J. EEGNet: a compact convolutional neural network for EEG-based brain-computer interfaces // Journal of neural engineering. - 2018. - Vol. 15, no. 5. -P. 056013. DOI: 10.48550/arXiv. 1611.08024
23. Lebedev M.A., Nicolelis M.A.L. Brain-machine interfaces: past, present and future // TRENDS in Neurosciences. - 2006.
- Vol. 29, no. 9. - P. 536-546. DOI: 10.1016/j.tins.2006.07.004
24. Malar E., Gauthaam M. Wavelet analysis of EEG for the identification of alcoholics using probabilistic classifiers and neural networks // International Journal of Intelligence and Sustainable Computing. - 2020. - Vol. 1, no. 1. - P. 3-18. DOI: 10.1504/IJISC.2020. 104822
25. Mukhtar H., Qaisar S.M., Zaguia A. Deep convolutional neural network regularization for alcoholism detection using EEG signals // Sensors. - 2021. - Vol. 21, no. 16. - P. 5456. DOI: 10.3390/s21165456
26. Neeraj, Singhal V., Mathew J., Behera R.K. Detection of alcoholism using EEG signals and a CNN-LSTM-ATTN network // Computers in biology and medicine. - 2021. -Vol. 138. - P. 104940.
DOI: 10.1016/j.compbiomed.2021. 104940
27. Rakhmatulin I. Python (deep learning and machine learning) for EEG signal processing on the example of recognizing the disease of alcoholism // arXiv preprint arXiv:2010.11667. -2020. DOI: 10.2139/ssrn.3717324
28. Rosenstein M.T., Collins J.J., De Luca C.J. A practical method for calculating largest Lyapunov exponents from small data sets // Physica D: Nonlinear Phenomena. - 1993. -Vol. 65, no. 1-2. - P. 117-134.
DOI: 10.1016/0167-2789(93)90009-P.
29. Salankar N., Qaisar S.M., Plawiak P., Tadeusiewicz R., Hammad M., EEG based alcoholism detection by oscillatory modes decomposition second order difference plots and machine learning // Biocybernetics and Biomedical Engineering. - 2022. - Vol. 42, no. 1. - P. 173-186. DOI: 10.1016/j.bbe.2021.12.009
30. Sano M., Sawada Y. Measurement of the Lyapunov spectrum from a chaotic time series // Physical review letters. - 1985. -Vol. 55, no. 10. - P. 1082. DOI: 10.1103/PhysRevLett. 55.1082.
31. Siuly S. Bajaj V., Sengur A., Zhang Y. An advanced analysis system for identifying alcoholic brain state through EEG signals // International Journal of Automation and Computing.
- 2019. - Vol. 16. - P. 737-747. DOI: 10.1007/s11633-019-1178-7
32. Wang F., Zhong Sh., Peng J., Jiang J., Liu Y. Data augmentation for EEG-based emotion recognition with deep convolutional neural networks // MultiMedia Modeling: 24th International Conference, MMM 2018, Bangkok, Thailand, February 5-7, 2018, Proceedings, Part II 24. - Springer
International Publishing, 2018. - P. 82-93. DOI: 10.1007/978-3-319-73600-6_8
33. Wilaiprasitporn T., Ditthapron A., Matchaparn K., Tongbuasirilai T., Banluesombatkul N., Chuangsuwanich E. Affective EEG-based person identification using the deep learning approach // IEEE Transactions on Cognitive and Developmental Systems. - 2019. - Vol. 12, no. 3. -P. 486-496. DOI: 10.1109/TCDS.2019.2924648
34. Wolf A. Determining Lyapunov exponents from a time series // Physica D: nonlinear phenomena. - 1985. - Vol. 16, no. 3.
- P. 285-317.
35. Wolpaw J.R. Birbaumer N., McFarland D.J., Pfurtscheller G., Vaughan T.M. Brain-computer interfaces for communication and control // Clinical Neurophysiology. - 2002. - Vol. 113, no. 6. - P. 767-791. DOI: 10.1016/S1388-2457(02)00057-3
36. Word health organization [Электронный ресурс]. - URL: https://www.who.int (дата обращения: 12.03.2024).
37. Yakovleva T.V. Awrejcewicz J., Kruzhilin V.S., Krysko V.A. On the chaotic and hyper-chaotic dynamics of nanobeams with low shear stiffness // Chaos: An Interdisciplinary Journal of Nonlinear Science. - 2021. - Vol. 31, no. 2. DOI: 10.1063/5.0032069
38. Yakovleva T.V., Awrejcewicz J., Krysko A.V., Krechin A.N., Krysko V.A., Quantifying chaotic dynamics of nanobeams with clearance // International Journal of Non-Linear Mechanics. - 2022. - Vol. 144. - P. 104094.
DOI: 10.1016/j. ijnonlinmec.2022. 104094
39. Yakovleva T.V., Dobriyan V.V., Yaroshenko T.Y., Krysko-jr V.A. Mathematical Modeling and Diagnostics Using Neural Networks and a Genetic Algorithm for Epilepsy Patients. In: Badriev, I.B., Banderov, V., Lapin, S.A. (eds) Mesh Methods for Boundary-Value Problems and Applications. Lecture Notes in Computational Science and Engineering. - 2022. -Vol. 141. DOI: 10.1007/978-3-030-87809-2_42
40. Yakovleva T.V., Kutepov I.E., Karas A.Yu., Yakovlev N.M., Dobriyan V.V., Papkova I.V., Zhigalov M.V., Saltykova O.A., Krysko A.V., Yaroshenko T.Yu., Erofeev N.P., Krysko V.A. EEG Analysis in Structural Focal Epilepsy Using the Methods of Nonlinear Dynamics (Lyapunov Exponents, Lempel-Ziv Complexity, and Multiscale Entropy) // The Scientific World Journal. - 2020. - P. 8407872.
DOI: 10.1155/2020/8407872
41. Yao Y., Plested J., Gedeon T. Information-preserving feature filter for short-term EEG signals // Neurocomputing. - 2020.
- Vol. 408. - P. 91-99. DOI: 10.1016/j.neucom.2019.11.106.
42. Yukang L. EEG alcoholism classification based on BDNN // ABCs 2021 - 4th ANU Bio-inspired Computing conference. P. 175.
43. Zhang H., Silva F.H.S., Ohata E.F., Medeiros A.G. Reboufas F. Bi-dimensional approach based on transfer learning for alcoholism pre-disposition classification via EEG signals // Frontiers in Human Neuroscience. - 2020. - Vol. 14. - P. 365. DOI: 10.3389/fnhum.2020.00365
Финансирование. Работа выполнена при поддержке гранта РНФ № 22-71-10083. Конфликт интересов. Авторы заявляют об отсутствии конфликта интересов.
PROCESSING EEG SIGNALS ALCOHOL-ADDICTED PATIENTS USING NEURAL NETWORKS
T.V. Yakovleva, A.V. Krysko
Yuri Gagarin State Technical University of Saratov, Saratov, Russian Federation
ABSTRACT
Alcoholism is one of the most common diseases, which creates problems for contemporary society. To date, there are still no standardized methods and tests to detect this disease. This study presents a new methodology based on an integrated approach to the study of Electroencephalography (EEG) signals, using a combination of nonlinear dynamics and machine learning methods. We applied signal encoding in the form of a 16-channel image, which was fed into the ResNet20 and GoogLeNet models for training. Wavelet transforms and fast Fourier transforms were considered for data preprocessing. In addition to the application of neural networks, the study of EEG signals was carried out by computing Lyapunov exponents and multiscale entropy. The question of choosing the most effective maternal wavelet was previously investigated. The wavelet transformations of Morlet, Meyer, Mexican Hat, Daubechies, and Gauss were studied. A spectrum of five Lyapunov exponents was calculated using the Sano-Savada method. To confirm the reliability of the results, the senior Lyapunov exponent was previously calculated by three more methods: Wolf, Kantz, Rosenstein. Previously, the methods were tested on such classical problems as the hyperchaotic Henon map, logistic map, Rossler attractor and Lorenz attractor. The use of several approaches for the analysis of EEG signals confirmed the reliability of the results. The study demonstrates that the GoogLeNet model is more efficient than ResNet50. The experiment results showed that, based on the developed methodology, the GoogLeNet model is more efficient than ResNet50. The results of the experiment show that the wavelet transform, compared to the Fourier transform, gives higher accuracy for the analysis of EEG signals of patients with alcoholism.
©PNRPU
ARTICLE INFO
Received: 12 October 2023 Approved: 14 March 2024 Accepted for publication: 15 March 2024
Key words:
alcoholism, EEG signal, STFT, wavelet transform, CNN, machine learning, deep learning, Lyapunov exponents, multiscale entropy
