Изменение частотной модуляции электроэнцефалографической активности в условиях воображаемого и реального движения конечностями

Обложка


Цитировать

Полный текст

Открытый доступ Открытый доступ
Доступ закрыт Доступ предоставлен
Доступ закрыт Доступ платный или только для подписчиков

Аннотация

Введение. Изучение электроэнцефалографической активности как маркера происходящих в мозге когнитивных процессов традиционно делает упор на анализе в частотной области, рассматривая ритмы электроэнцефалограммы (ЭЭГ) как потенциальные носители требуемой для исследования информации. В тоже время, анализ эффектов частотной модуляции ЭЭГ требует совершенствования подходов в области цифровой обработки сигналов. Учитывая, что частотная модуляции ЭЭГ так же как и амплитудная может являться маркером ряда состояний, перспективным представляется разработка метода детекции этого феномена и оценка с его помощью ряда показателей динамики мозга, связанных с системами биологической обратной связи.

Цель. Оценить феномены частотной модуляции при выполнении пользователем задач, связанных с управлением внешними устройствами на основе интерфейса мозг–компьютер, реализованных на феноменах электрической активности, возникающей в районе моторной коры.

Материалы и методы. Для получения данных была сформирована группа из тридцати добровольцев обоих полов в возрасте от 17 до 23 лет. Участники эксперимента должны были выполнить четыре команды и повторить их в неизвестном для них порядке, заданным программой. Эксперимент проводился двумя способами: физически и мысленно. То есть при первом способе каждая команда соответствовала определенному движению человека, при втором — те же команды выполнялись воображаемо, движение представлялось мысленно. Команда считалась успешно исполненной, если добровольцу удавалось повторить и удержать заданное программой положение в течение двух секунд.

Результаты. На основе разработанного метода оценки частотной модуляции ЭЭГ проведено исследование динамики электрической активности мозга в диапазоне 9–12 Гц в условиях выполнения пользователем реального и воображаемого движения. Сравнительный анализ показал, что различия во многом касаются только состояния, когда испытуемый не достигал цели. При этом в большей степени различия затрагивали эксперименты, где испытуемый должен был производить реальные, а не воображаемые движения. Возникновение значимых различий между низко- и высокочастотными модуляциями связано с невозможностью для пользователя сгенерировать требуемую команду, что он может увидеть, по механизму биологической обратной связи. Установлено, что чем большее число высокочастотных перестроек наблюдается на ЭЭГ, тем меньшее число низкочастотных перестроек происходит на этой же эпохе анализа.

Выводы. Полученные результаты существенно расширяют представления о механизмах частотной модуляции ЭЭГ. В целом методики и алгоритмы, лежащие в основе анализа, позволившего их выявить, могут быть использованы для решения широкого класса задач, связанных с обработкой ЭЭГ-сигналов, включая совершенствование методов детекции по ЭЭГ ошибок пользователя при управлении устройствами интерфейса мозг–компьютер.

Полный текст

Доступ закрыт

Об авторах

Ярослав Александрович Туровский

Воронежский государственный университет; Институт проблем управления имени В. А. Трапезникова

Автор, ответственный за переписку.
Email: yaroslav_turovsk@mail.ru
ORCID iD: 0000-0002-5290-885X
SPIN-код: 6494-4501

 кандидат медицинских наук, доктор технических наук, доцент

Россия, Воронеж; Москва

Анастасия Сергеевна Давыдова

Воронежский государственный университет

Email: asya.dinastija@yandex.ru
ORCID iD: 0000-0001-8546-0986
SPIN-код: 5288-8737
Россия, Воронеж

Виктор Юрьевич Алексеев

Воронежский государственный университет

Email: Quindecim413@mail.ru
ORCID iD: 0000-0002-4541-9978
SPIN-код: 8689-7496
Россия, Воронеж

Список литературы

  1. Krausz G., Scherer R., Korisek G., et al. Critical decision-speed and information transfer in the «Graz Brain-Computer Interface» // Аppl. Psychophysiol. Biofeedback. 2003. Vol. 28, No. 3. P. 233–240. doi: 10.1023/a:1024637331493
  2. Yadav D., Yadav S., Veer K. A comprehensive assessment of Brain Computer Interfaces: Recent trends and challenges // J. Neurosci. Methods. 2020. Vol. 346. P. 108918. doi: 10.1016/j.jneumeth.2020.108918
  3. Saravanakumar D., Ramasubba Reddy M. A Visual Keyboard System using Hybrid Dual Frequency SSVEP Based Brain Computer Interface with VOG Integration. In: 2018 International Conference on Cyberworlds (CW); 03–05 October 2018. Singapore; 2018. P. 258–263. doi: 10.1109/CW.2018.00053
  4. Müller–Putz G.R., Eder E., Wriessnegger S.C., et al. Comparison of DFT and lock-in amplifier features and search for optimal electrode positions in SSVEP-based BCI // J. Neurosci. Methods. 2008. Vol. 168, No. 1. Р. 174–181. doi: 10.1016/j.jneumeth.2007.09.024
  5. Fisher C.J., Moravec C.S., Khorshid L. The «How and Why» of Group Biofeedback for Chronic Disease Management // Аppl. Psychophysiol. Biofeedback. 2018. Vol. 43, No. 4. P. 333–340. doi: 10.1007/s10484-018-9411-7
  6. Ponomaryov V.I., Badillo L., Juarez C., et al. Storage analysis and compression of signals with application in medicine. In: Proceedings Volume 5021: Storage and Retrieval for Media Databases 2003; 22–23 January 2003. Santa Clara, USA; 2003. Vol. 5021. Р. 429–437. doi: 10.1117/12.476303
  7. Dkhil M.B., Chawech N., Wali A., et al. Towards an automatic drowsiness detection system by evaluating the alpha band of EEG signals. In: 2017 IEEE 15th International Symposium on Applied Machine Intelligence and Informatics (SAMI); 26–28 January 2017. Herl’any, Slovakia; 2017. P. 371–376. doi: 10.1109/SAMI.2017.7880336
  8. Wang W.J., Zhang G.P., Yang L.M., et al. Revisiting signal processing with spectrogram analysis on EEG, ECG and speech signals // Future Generatıon Computer Systems. 2019. Vol. 98. P. 227–232. doi: 10.1016/j.future.2018.12.060
  9. DeCusatis C.M., Koay J., Litynski D.M., et al. Wavelet transform: fundamentals, applications, and implementation using acousto-optic correlators. In: Proceedings Volume 2643: Acousto-Optics and Applications II; 4 October 1995. Gdansk-Jurata, Poland; 1995. Vol. 2643. Р. 17–37. doi: 10.1117/12.222751
  10. Кирой Н.В., Войнов В.Б., Мамин Р.А., и др. Пространственная синхронизация биоэлектрической активности мозга в состоянии интеллектуальной деятельности // Физиология человека. 1988. Т. 14, № 2. С. 326–328.
  11. Nam C.S., Nijholt N.A., Lotte F., editors. Brain-Computer Interfaces Handbook. Technological and Theoretical Advances. N.-Y.: CRC Press; 2018.
  12. Pfurtscheller G., Brunner C., Schlögl A., et al. Mu rhythm (de) synchronization and EEG single-trial classification of different motor imagery tasks // Neuroimage. 2006. Vol. 31, No. 1. P. 153–159. doi: 10.1016/j.neuroimage.2005.12.003
  13. Emami Z., Chau T. The effects of visual distractors on cognitive load in a motor imagery brain-computer interface // Behav. Brain Res. 2020. Vol. 378. P. 112240. doi: 10.1016/j.bbr.2019.112240
  14. Hommelsen M., Schneiders M., Schuld C., et al. Sensory Feedback Interferes with Mu Rhythm Based Detection of Motor Commands from Electroencephalographic Signals // Front. Hum. Neurosci. 2017. Vol. ‏11. P. 523. doi: 10.3389/fnhum.2017.00523
  15. Туровский Я.А., Борзунов С.В., Алексеев В.Ю., и др. Частотная модуляция электроэнцефалограммы при фотостимуляции // Биофизика. 2021. T. 66, № 3. C. 583–589. doi: 10.31857/S0006302921030194
  16. Кирой Н.В., Владимирский Б.М., Асланян Е.В., и др. Электрографические корреляты реальных и мысленных движений: спектральный анализ // Журнал высшей нервной деятельности. 2010. Т. 60, № 5. С. 525–533.
  17. Vasil’eva V.V. Spectral and coherent characteristics of EEG in women during various phases of menstrual cycle // Bull. Exp. Biol. Med. 2005. Vol. 140, No. 4. P. 383–384. doi: 10.1007/s10517-005-0496-7
  18. Ходырев Г.Н., Циркин В.И. Параметры основных ритмов ЭЭГ в фолликулярную и лютеиновую фазы менструального цикла // Вестник Нижегородского университета им. Н.И. Лобачевского. 2012. № 6 (1). С. 76–82.
  19. Фатеев М.М., Беляев Д.А., Ломтева А.И. Изменение показателей электроэнцефалограммы девушек в различные фазы овариально-менструального цикла // ЭНИГМА. 2020. № 22, Ч. 2. С. 123–129.
  20. Базанова О.М., Кондратенко А.В., Кузьминова О.И., и др. Альфа-активность ЭЭГ в зависимости от стадии менструального цикла и уровня прогестерона // Физиология человека. 2014. Т. 40, № 2. С. 31–40.

Дополнительные файлы

Доп. файлы
Действие
1. JATS XML
2. Рис. 1. Вид программы на этапе калибровки

Скачать (26KB)
3. Сопроводительное письмо
Скачать (85KB)
4. Рис. 2. Вид программы на этапе обследования

Скачать (26KB)
5. Рис. 3. Оценка последовательности «пик–пик» для сигнала ЭЭГ, отфильтрованного с использованием преобразования Фурье в частотном диапазоне 9–12 Гц

Скачать (13KB)
6. Рис. 4. Пример вариабельности периода пиков электроэнцефалограммы, отфильтрованной с канала F3 в частотном диапазоне 7–10 Гц при выполнении пользователем команды «Вправо»

Скачать (15KB)
7. Рис. 5. Различия между числом случаев низкочастотной и высокочастотной модуляции

Скачать (61KB)
8. Рис. 6. Результаты кластерного анализа модуляций частот электроэнцефалограммы

Скачать (22KB)

© Эко-Вектор, 2023



СМИ зарегистрировано Федеральной службой по надзору в сфере связи, информационных технологий и массовых коммуникаций (Роскомнадзор).
Регистрационный номер и дата принятия решения о регистрации СМИ: серия ПИ № ФС77-76803 от 24 сентября 2019 года


Данный сайт использует cookie-файлы

Продолжая использовать наш сайт, вы даете согласие на обработку файлов cookie, которые обеспечивают правильную работу сайта.

О куки-файлах