НАУКА и ОБРАЗОВАНИЕ

Файл статьи: SE-BMSTU...o570.Pdf (1079.72Кб)

УДК 004.5

Россия,  МГТУ им. Н.Э. Баумана

Целью исследований, изложенных в статье, является оценка возможности применения анализа энтропии в качестве метода выделения характерных признаков сигнала электроэнцефалограммы (ЭЭГ) в приложениях интерфейса мозг-компьютер (ИМК). В первом разделе статьи приводится описание предлагаемого алгоритма, основанного на вычислении характерных признаков с помощью анализа энтропии Шеннона. Во втором разделе рассматриваются вопросы построения классификатора записей ЭЭГ. В качестве классификатора используется метод опорных векторов. В третьем разделе приводится описание тестовых данных. Далее выполняется сравнительный анализ эффективности рассматриваемого метода выделения характерных признаков с рядом других методов. К исследуемым методам относятся: оценка дисперсии сигнала; оценка спектральной плотности мощности; анализ сигнала с помощью непрерывного вейвлет-преобразования; вычисление параметров модели авторегрессии; построение общего пространственного фильтра. В качестве показателя эффективности используется значение вероятности правильного распознавания типов воображаемых движений. Производится оценка влияния на итоговую точность классификации способов предобработки сигнала ЭЭГ. В заключение делается вывод о применимости анализа энтропии в качестве метода выделения характерных признаков сигнала ЭЭГ.

1. Dornhege G., Millan J. del R., Hinterberger T., McFarland D.J., Müller K.-R., eds. Toward Brain-Computer Interfacing. A Bradford book. The MIT Press, 2007. 520 p .
2. Кропотов Ю.Д. Количественная ЭЭГ, когнитивные вызванные потенциалы мозга человека и нейротерапия. Донецк: Издатель Заславс кий А.Ю., 2010. 512 с.
3. Kalcher J., Pfurtscheller G. Discrimination between phase-locked and non-phase-locked event-related EEG activity // Electroencephalography and Clinical Neurophysiology. 1995. Vol. 94, no. 5. P. 381-384. DOI: 10.1016/0013-4694(95)00040-6
4. Pfurtscheller G., Lopes da Silva F.H. Event-related EEG/MEG synchronization and desynchronization: basic principles // Clinical Neurophysiology. 1999. Vol. 110, iss. 11. P. 1842-1857. DOI:10.1016/S1388-2457(99)00141-8
5. Xu B., Song A. Pattern Recognition of Motor Imagery EEG using Wavelet Transform // Journal of Biomedical Science and Engineering. 2008. Vol. 1, no. 1. P. 64-67. DOI:10.4236/jbise.2008.11010
6. Седов А.С., Раева С.Н. Применение вейвлет-анализа для исследования импульсной активности нейронов головного мозга человека // Нейроинформатика. 2007. Т . 2, № 1. С . 77-92 .
7. Blankertz B., Tomioka R., Lemm S., Kawanabe M., Muller K.-R. Optimizing Spatial Filters for Robust EEG Single-Trial Analysis // IEEE Signal Processing Magazine. 2008. Vol. 25, iss. 1. P. 41-56. DOI: 10.1109/MSP.2008.4408441
8. Zhang D., Wang Y., Gao X. An Algorithm for Idle-State Detection in Motor-Imagery-Based Brain-Computer Interface // Computational Intelligence and Neuroscience. 2007. Vol. 2007. Art. no. ID 39714. DOI:10.1155/2007/39714
9. Brunner C., Billinger M., Vidaurre C., Neuper C. A comparison of univariate, vector, bilinear autoregressive, and band power features for brain-computer interfaces // Medical and Biological Engineering and Computing. 2011. Vol. 49, iss. 11. P. 1337-1346. DOI: 10.1007/s11517-011-0828-x
10. Немирко А.П., Манило Л.А., Калиниченко А.Н. Сравнительный анализ применения различных оценок энтропии ЭЭГ-сигнала для распознавания стадий наркоза // Биотехносфера. 2010. № 3. С . 3-10 .
11. Oskoei M.A., Hu H. Support vector machine-based classification scheme for myoelectric control applied to upper limb // IEEE Transactions on Biomedical Engineering. 2008. Vol .   55, no . 8. P . 1956 - 1965. DOI: 10.1109/TBME.2008.919734
12. Хайкин С. Нейронные сети: полный курс: пер. с англ. 2-е изд. М.: Издательский дом «Вильямс», 2006. 1104 с.
13. Chen P.H., Lin C.J., Scholkopf B. A tutorial on ν-support vector machines // Applied Stochastic Models in Business and Industry. 2005. Vol. 21, iss. 2. P. 111-136. DOI: 10.1002/asmb.537
14. Brunner C., Leeb R., Müller-Putz G., Schlögl A., Pfurtscheller G. BCI Competition 2008 - Graz data set A // BBCI: Berlin Brain-Computer Interface: website. Режим доступа:http://www.bbci.de/competition/iv/ (дата обращения 01.08.2014).
15. Fang Y., Chen M., Zheng X. Feature Extraction of Motor Imagery in BCI with Approximate Entropy // Journal of Computational Information Systems. 2012. Vol. 8, no. 6. P. 2485-2491.