Identification of significant leads in the EEG during recognition imaginary movements

Full Text

Введение В докладе Агентства стратегических инициатив в рамках развития платформы национальной технологической инициативы отмечается значимость развития нейрокомпьютерных интерфейсов (НКИ) в России как с научно-технической, так и с коммерческой позиции [1]. НКИ можно определить как коммуникационный комплекс, не требующий периферической мышечной активности и позволяющий оператору посылать команды внешнему исполнительному устройству только посредством активности головного мозга [2]. Реализация НКИ в основном представляет собой 3-уровневый процесс. Во-первых, сигналы ЭЭГ считываются с помощью электродов, расположенных на скальпе человека, производится их предварительная обработка с целью удаления различных артефактов и малоинформативных частей сигнала. Во-вторых, производится декомпозиция сигнала на значимые компоненты и выделение в сигнале значимых коррелятов. В-третьих, обработанный сигнал передается системе принятия решения и от нее к исполнительному устройству. В последние годы достигнут значительный прогресс в распознавании и классификации выполнения различных видов воображаемых задач [3]. На текущий момент одним из основных методов управления в НКИ являются ЭЭГ-корреляты воображаемых движений конечностями [4, 5]. Несмотря на то, что в распознавании ЭЭГ-сигналов достигнуты успехи, в основном благодаря современным методам машинного обучения, цифровой обработке сигналов и алгоритмам слепого разделения (blind source separation) [6, 7], остается нерешенным ряд серьезных проблем на пути создания коммерческих систем НКИ для широкого использования. Например, создание недорогих аппаратов регистрации ЭЭГ с небольшим количеством отведений, разработанных под конкретную задачу управления с помощью НКИ. Цель исследования Целью настоящего исследования является выявление локализации значимых ЭЭГ-отведений при распознавании паттерна воображаемого движения в ведущей руке для снижения сложности аппаратной части НКИ. Меньшее количество используемых ЭЭГ-отведений должно привести к увеличению эффективности и уменьшению стоимости разрабатываемого оборудования. Материалы и методы В исследовании участвовали семь студентов-добровольцев Самарского государственного медицинского университета, все правши, возраст 19-21 год. Все добровольцы дали информированное согласие на участие в эксперименте. В работе использовались ЭЭГ-записи 128-канального прибора Brain Vision actiCHamp (Германия). Электроды располагались на голове испытуемых согласно международной системе «10-20» (модификация «10-5») [8]. Референтный электрод находился у правого уха. Активные усилители ЭЭГ-сигнала находились непосредственно на электродах. На рис. 1 показана схема расположения электродов на голове испытуемых в нашем исследовании. Записи ЭЭГ проводились в экранированной от электромагнитных помех звуко- и светоизолированной лаборатории. Аппарат ЭЭГ работал от аккумуляторов. ЭЭГ-сигналы были записаны с частотой дискретизации 1000 Гц. При проведении анализа были использованы программные средства MathWork® MATLAB версии R2015a (http://www.mathworks.com), EEGLab Toolbox версии 13.5.4b (https://sccn.ucsd.edu/eeglab/), пакет статистической обработки данных R версии 3.1.3 (https://www.r-project.org). Рис. 1. Схема расположения электродов ЭЭГ на голове испытуемых Условия проведения экспериментов. Перед проведением экспериментов все участники проходили тестирование на сонливость по шкалам сонливости Эпворта [9], Каролинской [10], Стэнфордской [11]. Испытуемые располагались в удобном кресле в расслабленном состоянии в положении сидя с закрытыми глазами, голова опиралась затылком на подголовник, руки располагались на подлокотниках ладонями вниз. Первые 5 минут каждой сессии экспериментаторы следили за состоянием испытуемого, в случае наблюдения сильного возбуждения (по данным визуальной оценки ЭЭГ-сигнала) эксперимент откладывался. Стимулом к осуществлению воображаемого действия служил звуковой сигнал средней громкости длительностью 0,1 сек и тональностью 1000 Гц. Сразу после предъявления стимула испытуемые должны были мысленно представить сжимание и разжимание правой ладони в кулак без совершения реального движения. В каждой сессии экспериментатор предъявлял испытуемому 10 стимулов со случайной периодичностью - один стимул через каждые 6-12 сек. Испытуемые были проинструктированы, чтобы воображаемое действие производилось в спокойном среднем темпе, примерно как сжимание и разжимание тороидального резинового кистевого эспандера в течение 1-2 сек. Статистические методы и компьютерная реализация. При анализе ЭЭГ-сигналов мы использовали t-критерий Стьюдента (Student's t-test). Этот критерий применяется для проверки нулевой гипотезы о равенстве средних значений двух совокупностей. Использование t-критерия Стьюдента требует нормальности распределения выборок, поэтому мы использовали тест Шапиро - Уилка (Shapiro - Wilk test) [12] для проверки нормальности распределения амплитуд в ЭЭГ-сигналах. Статистика критерия Шапиро - Уилка имеет вид где - квадрат оценки среднеквадратического отклонения Ллойда; - количество наблюдений; - табличные коэффициенты [12]. В R данный критерий реализован как функция «shapiro.test». T-критерий Стьюдента по модификации Уэлча (Welch) рассчитывается по формуле где и - среднее значение по первой и второй выборкам; и - дисперсия первой и второй выборок; и - объем первой и второй выборок. В R данный критерий реализован как функция «t.test». Результаты исследования и их обсуждение Основная идея нашей работы - выбор обобщенного показателя и сравнение получившейся выборки из 10 показателей (по количеству предъявления стимулов в одной сессии) на каждом отведении ЭЭГ между данными при воображении движения и фоновым ЭЭГ-сигналом (т. е. отрезком записи ЭЭГ без воображения движения). В качестве такого показателя мы выбрали сумму модулей амплитуд на отведении в течение длительности одной эпохи. За эпоху мы приняли 5-секундный отрезок ЭЭГ-сигнала с момента предъявления звукового стимула испытуемым. В качестве эпохи для фонового ЭЭГ-сигнала мы использовали 5-секундный отрезок ЭЭГ-сигнала, предшествующий предъявлению стимула. После сбора данных мы исключили из исследования те отведения, на которых при визуальном анализе имеются явные отклонения или артефакты. Таких отведений было от 1 до 5 в разных сессиях записи. Далее мы суммировали значения модулей амплитуд в эпохе ЭЭГ-сигнала при воображении движения и сравнивали с таким же показателем эпохи фонового ЭЭГ-сигнала. Формально t-критерий Стьюдента рассчитан на выборки из популяций с нормальным распределением и гомогенной дисперсией. Однако из исследований известно, что он сохраняет мощность и при нарушении данных условий в определенных пределах [13-15]. Проверку на нормальность мы проводили с помощью теста Шапиро - Уилка. Следуя работе [15], мы считали значимым различием отношение дисперсий при > 3,33 и < 0,30. Мы проанализировали данные восьми экспериментальных сессий семи испытуемых. Соответственно, выборка состояла из 160 эпох - 80 эпох воображаемого движения и 80 эпох фонового ЭЭГ-сигнала. После проверки с помощью t-критерия Стьюдента мы отобрали такие ЭЭГ-отведения, для которых значение p-value меньше 0,05. В таблице представлены номера и наименования ЭЭГ-отведений, на которых значение p-value < 0,05 встречалось в трех и более сессиях из восьми. ЭЭГ-отведения, отобранные после проверки t-критерием Стьюдента ЭЭГ-отведение Количество сессий, в которых значение p-value < 0,05 Номер Наименование 110 AFF6h 3 70 AFF2h 3 99 CPP1h 3 4 F4 3 102 FFC4h 3 122 FFT10h 3 56 FT8 3 29 FT9 3 37 P1 3 7 P3 3 51 P5 4 45 PO3 3 46 PO4 3 93 PO9 3 107 POO1 3 13 T7 3 Отбор отведений для задач НКИ в основном определяется выбором частотного диапазона для анализа ЭЭГ-сигнала. В частности, для анализа альфа (8-14 Гц), бета (14-30 Гц) и мю (9-11 Гц) ритмов головного мозга человека, которые широко применяются в НКИ, обычно выбираются отведения F3, F4, С3, С4, P3, P4 [16]. В работе [5] авторы используют отведения С3, С4, P3, P4, O1, O2. Наши результаты в ряде случаев совпадают с существующей практикой расположения ЭЭГ-отведений. На рис. 2 представлена локализация ЭЭГ-отведений на голове, как традиционно используемых для задач НКИ, так и полученных в результате нашего исследования. Рис. 2. Расположение отведений на голове человека: - штриховкой влево показаны отведения, которые традиционно применяются в исследованиях НКИ и взяты из литературных источников (отведения F3, C3, C4, P4, O1, O2); - штриховкой вправо показаны значимые отведения, которые получены в результате нашего исследования (AFF2h, AFF6h, FFC4h, FFT10h, FT8, FT9, T7, CPP1h, P1, P5, PO3, PO4, POO1, PO9); - штриховкой квадратами показаны отведения, которые совпали в литературных данных и нашем исследовании (F4, P3) Полученные нами отведения F4 и P3 совпали с традиционно используемыми. Отведения AFF2h, AFF6h, FFC4h очень близки к традиционно используемому отведению F4. Группа отведений CPP1h, P1, P5, PO3, POO1, PO4, PO9 также находится в одной области с традиционно используемыми отведениями P3, P4, O1, O2. Однако полученные нами отведения FT9, T7, FFT10h, FT8 не совпадают с литературными данными и расположены относительно далеко от традиционно используемых отведений. Также интересно отметить, что вблизи традиционно используемых отведений F3, C3, C4 наше исследование не показало значимых отведений. Заключение В основном результаты нашего исследования совпали с текущими литературными данными по выбору значимых ЭЭГ-отведений для задач НКИ. Для распознавания воображаемого движения правой кистью наиболее подходящими ЭЭГ-отведениями, по нашему мнению, являются отведение в центроиде между отведениями AFF2h, AFF6h, FFC4h (в международной системе нотации отведений «10-5» наиболее близкое к этой точке отведение обозначается как F4h) и отведение в центроиде между отведениями P3, P1, PO3 (наиболее близкое к этой точке отведение обозначается как PPO3h). Получены интересные результаты в ранее широко не использовавшихся в НКИ отведениях FT9, T7, FFT10h, FT8, которые требуют дополнительных экспериментальных данных, а также проверки на более сложном уровне обработки сигналов - с использованием современных методов кластеризации, классификации и машинного обучения.

About the authors

Sergey N Agapov

IT Universe LLC

Specialist of Laboratory 3, Eroshevskogo st., Samara, 443086, Russian Federation

Vladimir A Bulanov

IT Universe LLC

Head of Laboratory 3, Eroshevskogo st., Samara, 443086, Russian Federation

Nikolay G Gubanov

Samara State Technical University

(Ph.D. (Techn.)), Associate Professor 244, Molodogvardeiskaya st., Samara, 443100, Russian Federation

Alexander V Zakharov

Samara State Medical University

(Ph.D. (Medical.)), Associate Professor 18, Gagarina st., Samara, 443079, Russian Federation

Mariya S Sergeeva

Samara State Medical University

(Ph.D. (Biolog.)), Associate Professor 18, Gagarina st., Samara, 443079, Russian Federation

References

Supplementary files