This project represents a method for electroencephalography based on the analysis of traveling waves. The method can be applied to analysis of spatially organized physical, chemical, and biological processes. In particular, the method can be used to neurophysiological, geothermal and ocean researches and to studies of the distributed solar dynamics.
Experimental researches of the method have been carried out on the real data of human brain electroencephalography (EEG). It is shown that the proposed method outperforms the classical methods of EEG segmentation
В рамках приближения виртуального кристалла исследована зависимость поляритонного спектра
неидеальной фотонной структуры – смектического жидкого кристалла – от концентрации хаотически
внедренных инородных (по отношению к идеальной сверхрешетке) слоев (примесей). Полученные
особенности концентрационной зависимости величины энергетической щели для различных значений
номера поляритонных ветвей свидетельствуют, что путем внедрения в жидкокристаллическую
сверхрешетку определенных примесей можно добиться значительного изменения ее энергетической структуры
Техносфера Mail.ru Group, МГУ им. М.В. Ломоносова. Курс "Алгоритмы интеллектуальной обработки больших объемов данных", Лекция №3 "Различные алгоритмы кластеризации"
Лектор - Николай Анохин
Иерархическая кластеризация. Agglomerative и Divisive алгоритмы. Различные виды расстояний между кластерами. Stepwise-optimal алгоритм. Случай неэвклидовых пространств. Критерии выбора количества кластеров: rand, silhouette. DBSCAN.
Видео лекции курса https://www.youtube.com/playlist?list=PLrCZzMib1e9pyyrqknouMZbIPf4l3CwUP
В рамках приближения виртуального кристалла исследована зависимость поляритонного спектра
неидеальной фотонной структуры – смектического жидкого кристалла – от концентрации хаотически
внедренных инородных (по отношению к идеальной сверхрешетке) слоев (примесей). Полученные
особенности концентрационной зависимости величины энергетической щели для различных значений
номера поляритонных ветвей свидетельствуют, что путем внедрения в жидкокристаллическую
сверхрешетку определенных примесей можно добиться значительного изменения ее энергетической структуры
Техносфера Mail.ru Group, МГУ им. М.В. Ломоносова. Курс "Алгоритмы интеллектуальной обработки больших объемов данных", Лекция №3 "Различные алгоритмы кластеризации"
Лектор - Николай Анохин
Иерархическая кластеризация. Agglomerative и Divisive алгоритмы. Различные виды расстояний между кластерами. Stepwise-optimal алгоритм. Случай неэвклидовых пространств. Критерии выбора количества кластеров: rand, silhouette. DBSCAN.
Видео лекции курса https://www.youtube.com/playlist?list=PLrCZzMib1e9pyyrqknouMZbIPf4l3CwUP
О ДВИЖЕНИИ ЦЕНТРА ТЯЖЕСТИ И ДИСПЕРСИОННОМ РАСПЛЫВАНИИ В ПРОЗРАЧНОЙ ДИЭЛЕКТРИЧ...ITMO University
Получены выражения для скоростей движения центра тяжести и дисперсионного расплывания импульсов, содержащих на входе в волноведущую среду лишь одно полное колебание светового поля. Показано, что для таких предельно коротких по числу колебаний входных оптических импульсов эти скорости прямо пропорциональны дисперсионным характеристикам волновода и обратно пропорциональны квадрату исходной длительности импульса.
Классификация сигналов головного мозга для нейрокомпьютерного интерфейсаAzoft
Ученые всего мира работают над созданием нейрокомпьютерного интерфейса, чтобы улучшить качество жизни людей с ограниченными возможностями. R&D отдел компании Azoft не остался в стороне от этой острой темы и принял участие в международном конкурсе "Grasp-and-Lift EEG Detection". Конкурс был посвящен классификации ЭЭГ сигналов для последующей разработки нейрокомпьютерного интерфейса. В этой публикации вы найдете описание экспериментов, предпринятых нашей командой с целью систематизации движений правой руки с использованием записей ЭЭГ. Более того, вы сможете ознакомиться с одним из ярких примеров прикладного использования свёрточных нейронных сетей. Материалы о проекте вы можете найти на нашем сайте: http://www.azoft.ru/blog/klassifikaciya-signalov-golovnogo-mozga-dlya-nejrokompyuternogo-interfejsa/
АНАЛИЗ ЖИДКОКРИСТАЛЛИЧЕСКИХ ДИСПЛЕЕВ НА ОСНОВЕ ДИЭЛЕКТРИЧЕСКОГО ГИСТЕРЕЗ...Павел Ермолович
Целью данной работы является разработка и моделирование метода контроля матричных жидкокристаллических экранов и модуляторов на основе анализа диэлектрического гистерезиса. В общем случае гистерезисная петля является искаженной формой фигур Лиссажу.
Для реализации указанной цели необходимо было, на данном этапе, решить ряд задач:
Изучить процессы формирования фигур Лиссажу и выполнить расчеты для различных частотных и амплитудных параметров.
Создать экспериментальную установку для наблюдения и исследования фигур Лиссажу. Освоить методику формирования и определения параметров фигур Лиссажу.
Выполнить исследования процессов формирования диэлектрического гистерезиса в электрооптических ЖК устройствах.
Разработать метод контроля модулирующих и отображающих ЖК устройствах.
ДИФРАКЦИЯ ОДНОПЕРИОДНЫХ ТЕРАГЕРЦОВЫХ ВОЛН С ГАУССОВЫМ ПОПЕРЕЧНЫМ РАСПРЕДЕЛЕНИЕМITMO University
Получены аналитические выражения для пространственного распределения временных спектров терагерцовых волн из всего одного полного колебания на эмиттере электромагнитного поля в областях дифракций Френеля и Фраунгофера и для пространственно-временного распределения их поля в области дифракции Фраунгофера. Показано, что для терагерцовой волны с гауссовым поперечным распределением в дальней зоне дифракции происходят изменения не только пространственной, но и временной структуры излучения: из однопериодной в дальней зоне дифракции вблизи оси волна становится полуторапериодной, а ее спектр смещается в область высоких частот. Приведены оценки расстояний до характерных областей дифракции.
Задача выделения объекта на изображении: хаотично-фазовая синхронизация и аси...Semen Martynov
Применение осцилляторных нейронных сетей позволяет выделить все объекты на фотоснимке (путём группировки осцилляторов по частоте синхронизации) и переключать внимание между ними. Известны и более простые способы выделения объекта, однако данный метод максимально близко моделирует процесс распознавания, который происходит в человеческом мозгу.
О ДВИЖЕНИИ ЦЕНТРА ТЯЖЕСТИ И ДИСПЕРСИОННОМ РАСПЛЫВАНИИ В ПРОЗРАЧНОЙ ДИЭЛЕКТРИЧ...ITMO University
Получены выражения для скоростей движения центра тяжести и дисперсионного расплывания импульсов, содержащих на входе в волноведущую среду лишь одно полное колебание светового поля. Показано, что для таких предельно коротких по числу колебаний входных оптических импульсов эти скорости прямо пропорциональны дисперсионным характеристикам волновода и обратно пропорциональны квадрату исходной длительности импульса.
Классификация сигналов головного мозга для нейрокомпьютерного интерфейсаAzoft
Ученые всего мира работают над созданием нейрокомпьютерного интерфейса, чтобы улучшить качество жизни людей с ограниченными возможностями. R&D отдел компании Azoft не остался в стороне от этой острой темы и принял участие в международном конкурсе "Grasp-and-Lift EEG Detection". Конкурс был посвящен классификации ЭЭГ сигналов для последующей разработки нейрокомпьютерного интерфейса. В этой публикации вы найдете описание экспериментов, предпринятых нашей командой с целью систематизации движений правой руки с использованием записей ЭЭГ. Более того, вы сможете ознакомиться с одним из ярких примеров прикладного использования свёрточных нейронных сетей. Материалы о проекте вы можете найти на нашем сайте: http://www.azoft.ru/blog/klassifikaciya-signalov-golovnogo-mozga-dlya-nejrokompyuternogo-interfejsa/
АНАЛИЗ ЖИДКОКРИСТАЛЛИЧЕСКИХ ДИСПЛЕЕВ НА ОСНОВЕ ДИЭЛЕКТРИЧЕСКОГО ГИСТЕРЕЗ...Павел Ермолович
Целью данной работы является разработка и моделирование метода контроля матричных жидкокристаллических экранов и модуляторов на основе анализа диэлектрического гистерезиса. В общем случае гистерезисная петля является искаженной формой фигур Лиссажу.
Для реализации указанной цели необходимо было, на данном этапе, решить ряд задач:
Изучить процессы формирования фигур Лиссажу и выполнить расчеты для различных частотных и амплитудных параметров.
Создать экспериментальную установку для наблюдения и исследования фигур Лиссажу. Освоить методику формирования и определения параметров фигур Лиссажу.
Выполнить исследования процессов формирования диэлектрического гистерезиса в электрооптических ЖК устройствах.
Разработать метод контроля модулирующих и отображающих ЖК устройствах.
ДИФРАКЦИЯ ОДНОПЕРИОДНЫХ ТЕРАГЕРЦОВЫХ ВОЛН С ГАУССОВЫМ ПОПЕРЕЧНЫМ РАСПРЕДЕЛЕНИЕМITMO University
Получены аналитические выражения для пространственного распределения временных спектров терагерцовых волн из всего одного полного колебания на эмиттере электромагнитного поля в областях дифракций Френеля и Фраунгофера и для пространственно-временного распределения их поля в области дифракции Фраунгофера. Показано, что для терагерцовой волны с гауссовым поперечным распределением в дальней зоне дифракции происходят изменения не только пространственной, но и временной структуры излучения: из однопериодной в дальней зоне дифракции вблизи оси волна становится полуторапериодной, а ее спектр смещается в область высоких частот. Приведены оценки расстояний до характерных областей дифракции.
Задача выделения объекта на изображении: хаотично-фазовая синхронизация и аси...Semen Martynov
Применение осцилляторных нейронных сетей позволяет выделить все объекты на фотоснимке (путём группировки осцилляторов по частоте синхронизации) и переключать внимание между ними. Известны и более простые способы выделения объекта, однако данный метод максимально близко моделирует процесс распознавания, который происходит в человеческом мозгу.
EEG segmentation method based on analysis of traveling waves
1. А.Г. Трофимов, И.В. Колодкин, В.Л. Ушаков*, Б.М. Величковский*
Национальный исследовательский ядерный университет «МИФИ»
*Национальный исследовательский центр «Курчатовский институт», Москва
AGLOMERATIVE METHOD OF EXTRACTION
EEG-MICROSTATES BASED ON THE
ANALYSIS OF TRAVELING WAVES
АГЛОМЕРАТИВНЫЙ МЕТОД ВЫДЕЛЕНИЯ
МИКРОСОСТОЯНИЙ ЭЭГ, СВЯЗАННЫХ С
ХАРАКТЕРИСТИКАМИ БЕГУЩИХ ВОЛН
Игорь Колодкин
KolodkinIgor29@gmail.com
2. СЕГМЕНТАЦИЯ ЭЭГ
Pascual-Marqui R. D., Michel C. M., Lehmann D. Segmentation of brain electrical activity into microstates: model
estimation and validation //Biomedical Engineering, IEEE Transactions on. – 1995.
Musso F. et al. Spontaneous brain activity and EEG microstates. A novel EEG/fMRI analysis approach to explore
resting-state networks //Neuroimage. – 2010.
эталонные
представтели
микросостояний
Задача описания сигнала ЭЭГ как последовательности сменяющих друг
друга квазистационарных участков, обладающих схожими характеристикам.
сигнал ЭЭГ
2
смена
микросостояний
Микросостояние — непересекающиеся области в некотором пространстве
признаков характерных признаков ЭЭГ. В каждый момент времени сигнал ЭЭГ
находится в одном из микросостояний.
3. БЕГУЩАЯ ВОЛНА
3
Это волновое движение, при котором поверхность равных фаз
перемещается с конечной скоростью, постоянной в случае
однородных сред.
5. ПОСЛЕДОВАТЕЛЬНОСТЬ ШАГОВ
5
1. Предобработка исходных сигналов ЭЭГ.
2. Построение признаков выраженности бегущих волн.
3. Поиск сегментов и их эталонных представителей в
выделенном пространстве.
6. ВЫРАЖЕННОСТЬ БЕГУЩЕЙ ВОЛНЫ
ВДОЛЬ ЦЕПОЧКИ
6
Пусть — степень синхронности
сигналов соседних электродов
Тогда выраженность волны вдоль
цепочки определим как:
или
7. ВЫРАЖЕННОСТЬ БЕГУЩЕЙ ВОЛНЫ
В ОБЛАСТИ
7
Множество всех пар соседних
электродов
Разделение скальпа на
областиПодсчет показателей
синхронности внутри области
Подсчет выраженности волны
1.
2.
3.
4.
8. Тогда когерентность между и на частоте будет:
Пусть и — результат оконного преобразования
Фурье двух сигналов и в момент времени
КОГЕРЕНТНОСТЬ
8
10. УСТРАНЕНИЕ ЭФФЕКТА
ОБЪЕМНОЙ ПРОВОДИМОСТИ
Lagged coherence
(“zero- lag removed” coherence)
Lagged phase synchronization
(“zero- lag removed” phase synchronization)
Pascual-Marqui R. D. Coherence and phase synchronization: generalization to pairs of multivariate time series,
and removal of zero-lag contributions //arXiv preprint arXiv:0706.1776. – 2007.10
Imaginary part of coherence
Cohij
*
=
Im Sij( )
Sii ´ Sjj - Re Sij( )é
ë
ù
û
2
Im(Coh)ij =
Im Sij( )
Sii ´ Sjj
Phase Lag Index PLI*
ij =
1
t2 - t1 +1
sign Im Fi (w,t)´ Fj
*
(w,t)( )é
ë
ù
û
t=t1
t2
å
11. ВЫЧИСЛЕНИЕ ПРИЗНАКОВ
1. Вдоль цепочки или в области?
2. Какой длинной?
3. Какую выбрать частоту?
4. Какой выбрать показатель синхронности?
5. Какая длина окна для вычисления?
6. Произведение или усреднение показателей?
1. 6 вертикальных цепочек
2. 5 электродов длинной
3. = 10 Гц
4. показатель когерентности
5. t2 - t1 = 0.1 сек
6. произведение показателей
Пример:
12. ПОСЛЕДОВАТЕЛЬНОСТЬ ШАГОВ
12
1. Предобработка исходных сигналов ЭЭГ.
2. Построение признаков выраженности бегущих волн.
3. Поиск сегментов и их эталонных представителей в
выделенном пространстве.
13. АГЛОМЕРАТИВНАЯ КЛАСТЕРИЗАЦИЯ
Итеративное построение системы вложенных разбиений.
Критерий агломерации — правило слияния кластеров.
Дендрограмма — изображение кластерной структуры данных.
Оценка правдивости дендрограммы — кофенетический коэффициент
корреляции
13
ККК1 > ККК2
14. ХАРАКТЕРИСТИКИ
МИКРОСОСТОЯНИЙ
Показатели качества кластеризации:
1. Кофенетический коэффициент корреляции
2. Коэффициент детерминации
3. Индекс Дэвиса-Болдина
Характеристики микросостояний:
1. Средняя продолжительность
2. Среднеквадратическое отклонение
продолжительности
14
Dt1 Dt2 DtN
Dt =
1
N
Dti
i=1
N
å
... sk
- с.к.о продолжительности
k-го микросостояния
nk
- число сегментов k-го
микросостояния
15. ПОСТАНОВКА ЭКСПЕРИМЕНТА
Время, с
Амплитуда,
мВ
Сигнал
ЭЭГ
15
Данные записаны в НБИКС-центре НИЦ «Курчатовский институт».
64-канальный ЭЭГ BrainProducts; cхема расположения «10-20»;
частота опроса 5000 Гц; удаление артефактов — BrainAnalyzer.
Испытуемый находился в состоянии покоя.
16. СЕТИ ПОКОЯ (RSN)
16
1. Jann K. et al. Topographic electrophysiological signatures of fMRI resting state networks //PLoS One. – 2010.
2. Yuan H. et al. Exploring EEG Microstates as Electrophysiological Signatures of BOLD Resting State Networks // Proc.
Intl. Soc. Mag. Reson. Med. 20 (2010)
1. Проявляют себя в одном или нескольких участках коры
головного мозга. Все элементы сети синхронно изменяют
свою активность.
2. «… each EEG microstate was associated with one, two, or a
combination of several RSNs (Fig. 1)» (Yuan H. et al., 2010).
17. ПОКАЗАТЕЛИ СИНХРОННОСТИ
• Classic coherence
• Phase-Locking value
• Lagged coherence
(“zero- lag removed” coherence)
• Lagged phase synchronization
(“zero- lag removed” phase synchronization)
• Imaginary part of coherence
• Phase Lag Index
Pascual-Marqui R. D. Coherence and phase synchronization: generalization to pairs of multivariate time series,
and removal of zero-lag contributions //arXiv preprint arXiv:0706.1776. – 2007.17
21. МИКРОСОСТОЯНИЯ ВДОЛЬ ЦЕПОЧЕК
IMAGINARY PART OF COHERENCE
21
• 6 горизонтальных цепочек;
• длиной в 5 электродов;
• показатель перемножаются
вдоль цепочки
Характеристики микросостояний
26. ЗАКЛЮЧЕНИЕ
Наибольших интерес привлекают показатели:
• Imaginary part of coherence
• Lagged coherence
(“zero- lag removed” coherence)
• Lagged phase synchronization
(“zero- lag removed” phase synchronization)
• лучшая сегментация наблюдается при построении большого
числа цепочек длинной 4 электрода;
• значительных отличий выраженности бегущей волны от
анализируемой частоты не наблюдается (от 5 до 30 Гц);
• временные характеристики микросостояний позволяют
проводить совместный анализ данных ЭЭГ и фМРТ.
26
Editor's Notes
Вводные слова.
Расшифровка исследования
musso 2010
Что такое сегментация сигнала? связь с микросостояниями
Зачем нужно выделять микросостояния?
Постановка задачи.
Сегментация сигнала — это задача описания исходного сигнала как последовательности сменяющих друг друга сегментов. При чем сегмента — это квазистационый отрезок сигнала, внутри которого сохраняются те или иные свойства сигнала. Такая задача является одной из ключевых задач при обработке ЭЭГ, так как выделенные сегменты позволят не только представить сигнал в более компактной форме, но и лучше понять его природу. В этом частном случае сегменты интерпретируют как микросостояния. Анализ характеристик их продолжительностей, закономерностей смены одних микросостояний другими может предоставить исследователю важную информацию и служить основой для решения других задач обработки ЭЭГ
Бегущая волна – это волновое движение, при котором поверхность равных фаз (фазовые волновые фронты) перемещается с конечной скоростью, постоянной в случае однородных сред. Бегущие волны наблюдаются во многих физических, химических и биологических процессах, в частности, в реакционно-диффузных системах, процессах изменения численности популяций животных, в распределённой динамике солнечной активности.
Перенос энергии
отличие от бегущей
БЕГУЩАЯ ВОЛНА - волновое движение, при к-ром поверхность равных фаз (фазовые волновые фронты) перемещается с конечной скоростью, постоянной в случае однородных сред (см. также Волны). С Б. в., групповая скорость к-рой отлична от нуля, связан перенос энергии, импульса или др. характеристик, показательных для данного процесса.
Бегущей волной называют волну, которая при распространении в среде переносит энергию (в отличие от стоячей волны). Это может быть упругая волна в стержне, столбе газа, жидкости, электромагнитная волна вдоль длинной линии, в волноводе. Частный случай бегущей волны - стоячая волна, при которой фазовая скорость равна нулю (две одинаковые периодические бегущие волны, распространяются в противоположных направлениях гася друг друга).
Дано
Найти
{AF4, F4, …, PO4}
исследование БВ неразрывно связаны с показателями синхронности
использовать диаграмму воронова
формула sincos
Добавить анимацию
Дано
Найти
пример данных и две дендрограммы
открытые глаза
Данные из курчат.
Экспериментальные исследования предложенных алгоритмов сегментации проводились на данных электроэнцефалографии головного мозга (ЭЭГ), записанных в НБИКС-центре НИЦ «Курчатовский институт». За- пись проводилась в состоянии покоя испытуемого в течение нескольких минут, число каналов электроэнцефалографа L = 62, расположение кана- лов соответствует стандартной схеме «10-20», частота дискретизации fs = 5000 Гц. Для проведения исследований выбран промежуток записи длиной 10 с (T = 50000).
Нейронные сети состояния покоя проявляют себя спонтанными флюктуациями метаболизма в одном или нескольких участках коры головного мозга, которые определяются по динамике сигнала функциональной магнитно - резонасной томографии (фМРТ). При этом все элементы сети синхронно изменяют свою активность.
При этом все элементы сети синхронно изменяют свою активность. Нейронная сеть по умолчанию зарегистрирована при помощи фМРТ и позитронно-эмиссионной томографии (ПЭТ). Во время различных фаз сна, под действием нейротропных средств, при наркозе и различных заболеваниях мозга нейронные сети состояния покоя модифицируются. Для выяснения нейрофизиологических механизмов формирования сетей и их изменений при различных видах патологий будут исследованы как здоровые испытуемые, так и больные с депрессией, шизофренией и эпилепсией.Показано, что изменение спектра мощности в основных диапазонах ЭЭГ и связаны с динамикой сетей состояния покоя. Однако до сих пор не ясно как уровень фМРТ – сигнала связан с тем или иным ритмом ЭЭГ. Для выяснения этой связи предполагается локализовать источники ЭЭГ, которая будет записана одновременно с фМРТ. Уточнение этих локализаций будет проводиться с использованием магнитоэнцефалограммы (МЭГ).
В исследованиях( литературе) МРТ сети состояния покоя (RSNS) приобрели особую значимость. Их функциональная роль бесспорна и их физиологическое происхождение в настоящее время широко признается, мало что известно об их отношениях к нейронной активности.
Сочетание записи ЭЭГ и МРТ позволит выделить временную корреляцию между флуктуациями RSNS и динамики ЭЭГ спектральных амплитуд.
Пока только отношения между несколькими частотными ЭЭГ групп и некоторых RSNS может быть продемонстрировано, но ни одно исследование не учитывала пространственное распределение в частотной области ЭЭГ.
Объяснить нумерацию пар
упомянуть статью
факты:
общая схожесть
постоянная синхронность, моменты рассинхронности
резкость переходов, отношение показателей