сквоз.проект "Нейрофизиология для психологии" И.И.Першин "Распознавание паттернов в ЭЭГ"

1. Распознавание осознания
в ЭЭГ активности:
или
Как найти то – не знаю что?

2. Машинное обучение
• Как статистика, только круче!
• Автоматический подбор уравнения
• Наука vs индустрия
• Много данных, мало смысла
• Тысячи примеров в выборке
• Трудно интерпретировать
Примеры: нейронные сети, линейная регрессия, дискриминантный
анализ, SVM, Decision Tree, Random Forest …
y = k*x + b

3. Исходные данные и предобработка:
• Система Mitsar WinEEG
• Имелась разметка для определения времени нажатия и этапа
эксперимента
• Все записи сделаны в одинаковых экспериментальных условиях.
• 149 ЭЭГ файлов
• 19 отведений по схеме 10-20, монополяр.
• Частота дискретизации 250 Гц.
• Фильтрация, выделение диапазона от 1.6 до 60 Гц
• Режекторный фильтр на 45-55 Гц.
• Частота дискретизации снижена до 125Гц

4. Общий ход работы
Подготовка выборки (сегментация)
Извлечение и отбор признаков
Классификация
. . .
profit!

5. Делаем выборку!
• Режем сигнал на короткие сегменты по 2 секунды
• Вначале вырезаем сегменты предшествовавшие нажатию
(экспериментальная выборка – там где есть наш паттерн)
• Из оставшегося сигнала случайным образом набираем сегменты
для контроля (контрольная выборка – без паттерна)
• Соотношение выборок Э : К = 1 : 10

6. Контроль влияния премоторного потенциала
Bereitschaftspotential aka pre-motor potential or readiness
potential – негативная волна, регистрируемая в моторной
коре. Предшествует реализации произвольных
движений.
• Поздний компонент (наиболее заметный) потенциала
начинается примерно за 300 мс до выполнения
движения.
• Для контроля была сформирована дополнительная
выборка со сдвигом в 300 мс относительно момента
нажатия

7. Признаки (features)
Для каждого канала в сегменте был расчитан набор параметров:
• Сложность Лемпеля-Зива ( + многоканальный вариант)
• Выборочная энтропия
• Фрактальная размерность Хигучи
• Спектральная мощность в различных диапазонах
Все они являются различными метриками сложности сигнала
простой сложный

8. Отбор признаков

9. Результаты классификации

10. Выводы:
• Классификация возможна
• Осознание не отражается в изменении спектральной мощности
• Отражается в изменении фрактальной размерности
• Зависимость сложности сигнала и осознания имеет линейный
характер.
• Премоторный потенциал не оказывает существенного влияния на
классификацию