|
Аннотация.
В статье описывается разработанный программный сервис, предназначенный для автоматизации процесса предварительной обработки и фильтрации данных сигнала ЭЭГ с синхронизированной видеозаписью для анализа континуальных процессов мозга. Представление сигнала осуществляется в форме матрицы топографических карт распределения мощности сигнала по эпохам заданной длительности в заданных частотных диапазонах, позволяющей пользователю производить сравнительный анализ нескольких записей ЭЭГ во времени. Сервис предоставляет возможность детального анализа выбранного фрагмента записи, включающую оценку динамики изменения параметров фрагмента записи во времени. Сервис позволяет выполнять такой анализ с использованием синхронизированной видеозаписи участника с видеотрекингом его физиологических параметров, таких как частота дыхания, кровяное давление, пульс, насыщение крови кислородом, движения головы, открытость/закрытость рта и глаз. Данная аналитика обеспечивает гибкую систему фильтрации и предварительной обработки данных ЭЭГ. Апробация сервиса по обработке и анализу данных ЭЭГ выполнена на примере автоматизации метода распознавания медитативного состояния человека, характеризующегося направлением внимания в ощущения тела и абстрагированием от внешних стимулов.
Ключевые слова:
сигнал ЭЭГ, пространственное распределение мощности, классификация состояний активности мозга.
Стр. 72-85.
DOI 10.14357/20718632230407
EDN HUUWNP Литература
1. Cox R., Fell J. Analyzing human sleep EEG: A methodological primer with code implementation. Sleep Medicine Reviews. 2020; 54 (12):101353. 2. Al-Salman W., Li Y., Oudah A., Almaged S. Sleep stage classification in EEG signals using the clustering approach based probability distribution features coupled with classification algorithms. Neuroscience Research. 2023; 188 (3): 51-67. 3. Cahn R., Polich J. Meditation states and traits: EEG, ERP, and neuroimaging studies. Psychological Bulletin. 2006; 4. Díaz M. H., Córdova F. M., Cañete L., Palominos F., Cifuentes F., Rivas G. Inter-channel Correlation in the EEG Activity During a Cognitive Problem Solving Task with an Increasing Difficulty Questions Progression. Procedia Computer Science. 2015; 55: 1420-1425. 5. Díaz M. H., Córdova F. M., Cañete L., Palominos F., Cifuentes F., Sánchez C., Herrera M. Order and Chaos in the Brain: Fractal Time Series Analysis of the EEG Activity During a Cognitive Problem Solving Task. Procedia Computer Science. 2015; 55: 1410-1419. 6. Tong S., Thakor N. V. Quantitative EEG Analysis Methods and Clinical Applications. Artech House. 2009; 7. Erlichman M., Electroencephalographic (EEG) video monitoring. Health Technol Assess Rep. 1990;(4):1-14. PMID: 2104066. 8. Mizrahi E. M. Electroencephalographic-video monitoring in neonates, infants, and children. J Child Neurol. 1994; 9 (l): 46-56. 9. Mizrahi E. M. Pediatric electroencephalographic video monitoring. J Clin Neurophysiol. 1999; 16(2):100-110. 10. Othman W., Kashevnik A., Ryabchikov I., Shilov N. Contactless Camera-Based Approach for Driver Respiratory Rate Evaluation in Vehicle Cabin. 2022 Intelligent Systems Conference, Amsterdam, The Netherlands, 1-2, September 2022, Springer, Cham. 2022. Vol. 2. 11. Othman W., Kashevnik A. Video-Based Real-Time Heart Rate Detection for Drivers Inside the Cabin Using a Smartphone. 2022 IEEE International Conference on Internet of Things and Intelligence System (IOTAIS 2022), Bali, Indonesia, 24-26 November 2022IEEE. 2022. 1–5. 12. Hamoud B., Kashevnik A., Othman W., Shilov N. Neural Network Model Combination for Video-Based Blood Pressure Estimation: New Approach and Evaluation. Sensors, MDPI AG, Basel, Switzerland. 2023. Vol. 23(4). P. 1–16. 13. Das R. K., Martin A., Zurales T., Dowling D., Khan A. A Survey on EEG Data Analysis Software. Sci. 2023; 5(2): 23. 14. Ahani A., Wahbeh H., Nezamfar H. Quantitative change of EEG and respiration signals during mindfulness meditation. J NeuroEngineering Rehabil. 2014; 11: 87. 15. Padmavathi K., Meenakshi K., Swaraja K., Rajani A., Raju M. S. EEG based interpretation of human brain activity during yoga and meditation using machine learning: A systematic review. Complementary Therapies in Clinical Practice. 2021; 43: 101329. 16. Cahn B. R., Delorme A. Polich J. Occipital gamma activation during Vipassana meditation. Cogn Process. 2010; 11: 39–56. 17. Travis F. Comparison of coherence, amplitude, and eLORETA patterns during Transcendental Meditation and TM-Sidhi practice. International J. of Psychophysiology. 2011; 81(3): 198-202. 18. Kjaer T. W., Bertelsen C., Piccini P., Brooks D, Alving J, Lou H. C. Increased dopamine tone during meditation-induced change of consciousness. Cogn. Brain Research. 2002; 13(2): 255-259. 19. Oppenheim A. V., Schafer R., Buck J. R. Discrete-Time Signal Processing. Prentice Hall. 1999. 20. Deng J., Guo J., Yang J., Xue N., Kotsia I., Zafeiriou S. ArcFace: Additive Angular Margin Loss for Deep Face Recognition. IEEE Transactions on Pattern Analysis and Machine Intelligence, vol. 44, no. 10, pp. 5962-5979, 1 Oct. 2022. 21. Yaqoob M. K., Ali S. F., Bilal M., Hanif M. S., Al-Saggaf U. M. ResNet Based Deep Features and Random Forest Classifier for Diabetic Retinopathy Detection. Sensors, 20023; 21(11): 3883.
|
