Анализ спектральной плотности мощности сигналов ЭЭГ

На сегодняшний день, обработка сигналов ЭЭГ играет ключевую роль в исследовании и классификации мозговой активности человека. Подобные исследования были проведены и в этой работе для оценки активности мозга на основе анализа спектра мощности. Для этого применен особый подход, включающий как анализ независимых компонент (АНК) и метод главных компонент (МГК), данные методы были использованы в настоящей работе для изучения электрической активности мозга, а конкретно для определения связи между визуальным вниманием и ЭЭГ. Предлагаемый метод классификации ЭЭГ может быть очень полезным для прогнозирования действий или намерения совершить действие, которое широко используется в разработке нейрокомпьютерного интерфейса (НКИ).

Известно, что сигналы ЭЭГ являются мерой активности головного мозга, которая изменяется в зависимости от задач, выполняемых человеком. Эти изменения подразделяются на несколько различных диапазонов частот, называемые дельта, тета, альфа, бета и гамма. Точная классификация электрической активности человеческого мозга помогает в неврологической диагностике, а также для определения стандартов в разработке приборов. Эта классификация также помогает в создании нейрокомпьютерных интерфейсов, которые набирают популярность в исследовательской отрасли.

Методика

На рисунке 1 представлены все шаги работы программы для спектрального анализа.  Предварительная обработка сигнала и последующий анализ был произведен с помощью инструмента EEGLAB среды matlab.

Рисунок 1. Алгоритм работы программы анализа ЭЭГ

Предварительная обработка

Фильтрация сигналов ЭЭГ была выполнена в диапазоне частот от 0,1 Гц до 60 Гц, с применением КИХ-фильтра второго порядка. Также был использован режекторный фильтр для устранения помех линии электропередачи (50 Гц).

Расчет спектрально плотности мощности

На рисунке 2 показано распределение мощности сигнала в зависимости от частоты.

Рисунок 2. Спектры мощности сигналов до обработки

Анализ независимых компонент

Наиболее часто используемый метод для обработки ЭЭГ- анализ Фурье и вейвлет-преобразования. Эти методы подходят для одноканальных данных ЭЭГ, так как эти данные отличаются непостоянством и случайностью. Но эти методы не подходят для прогнозирования взаимозависимости данных разных каналов. В случае многоканальных сигналов больше подходит сравнительно недавно предложенный метод АНК, который способен эффективно разделять статистически независимые сигналы.

Метод главных компонент

МГК – это классический метод анализа многомерных данных, который очень полезен при сжатии данных, уменьшении размерности и т.д.

Результаты

В этом исследовании были проанализированы данные ЭЭГ, которые были получены при оценке визуального внимания. Всего было проведено 80 испытаний (32-канала). Электроды располагаются по системе 10-20 и общее время записи составляла 119 секунд, сигналы отбираются на частоте от 256 Гц. Вышеуказанные данные после обработки дают следующие результаты (рисунок 3 и в таблица 1).

Рисунок 3. Спектры мощности (Δ) дельта (0,1-4 Гц) диапазон (B) theta (4‑8 Гц), (C) альфа (8-13 Гц) и (D) бета (13-30 Гц)

Таблица 1.

Полосы частот и изменения мощности