Влияние метрики на выявленную структуру временных задержек сигналов в задачах оценки электрогенеза мозга
Аннотация
В статье предлагается новый подход к изучению взаимодействия сигналов биомедицинской природы, в частности, данных электроэнцефалограмм (ЭЭГ), путем анализа структуры временных задержек пар сигналов относительно друг друга. Анализ литературы показал, что большинство методов оценки взаимодействия сигналов при анализе ЭЭГ основаны на вычислении функции когерентности, что не учитывает задержки сигналов относительно друг друга по времени. Ввиду этого предлагается рассмотреть метод анализа структуры временных задержек пар сигналов на примере данных ЭЭГ, состоящий из следующих этапов: фильтрации сигналов в нескольких перекрывающихся частотных диапазонах; нахождения последовательности временных задержек пары сигналов; вычисления матрицы расстояний между рядами временных задержек сигналов с использованием расстояния Евклида, манхэттенского расстояния и расстояния Чебышева; оценки плотности распределения для расстояний между последовательностями временных задержек на тестовой выборке. В статье приводится исследование свойств предложенного метода на модельных сигналах, построенных на основе функций с хорошо известными свойствами, а также применение метода на реальных данных ЭЭГ, что позволило выявить и проанализировать задержки реакции людей на фотостимуляцию в зависимости от различных отведений ЭЭГ. Результаты показывают, что разница временных задержек сигналов между различными отведениями ЭЭГ в большинстве случаев у испытуемых отсутствует, но у некоторых испытуемых она составляет около 0,3 сек. (при вычислении с помощью евклидовой метрики), что является существенным запаздыванием на фотостимуляцию между различными участками мозга. При этом метрики, отличные от евклидовой, дают иную оценку расстояний между последовательностями временных задержек, позволяя получить более детализированную, или, напротив, более общую картину. Данный метод может быть полезен при картировании головного мозга на основе данных ЭЭГ.
Скачивания
Литература
2. Alimuradov A. K. and Churakov P. P. (2015) Obzor i klassifikatsiya metodov obrabotki rechevykh signalov v sistemakh raspoznavaniya rechi [Review and classification of speech signal processing methods in speech recognition systems]. Izmerenie. Monitoring. Upravlenie. Kontrol [Measurement. Monitoring. Management. Control]. 12(2). P. 27–35. (in Russian)
3. Basharpoor S., Heidari F. and Molavi P. (2019) EEG coherence in theta, alpha, and beta bands in frontal regions and executive functions. Applied Neuropsychology: Adult. 28. P. 1–7. DOI
4. Cattai T., S. Colonnese M. C. Corsi D. S. Bassett, Scarano G. and Fallani F.D.V. (2021) Phase/ amplitude synchronization of brain signals during motor imagery BCI tasks. IEEE Transactions on Neural Systems and Rehabilitation Engineering. 29. P. 1168–1177. DOI
5. Iznak A. F., Iznak E. V., Damyanovich E. V. and Oleichik I. V. (2021) Differences of EEG frequency and spatial parameters in depressive female adolescents with suicidal attempts and non-suicidal self-injuries. Clinical EEG and neuroscience. 52(6). P. 406–413. DOI
6. Khan D. M., Masroor K., Jailani M. F. M., Yahya N., Yusoff M. Z. and Khan S. M. (2022) Development of wavelet coherence EEG as a biomarker for diagnosis of major depressive disorder. IEEE Sensors Journal. 22(5). P. 4315–4325. DOI
7. Kharchenko M. A. (2008) Korrelyatsionnyy analiz : uchebnoe posobie [Correlation analysis : a textbook]. Voronezh : VSU. 31 p. (in Russian)
8. Kublanov V. S, Borisov V. I. and Dolganov A. Yu. (2016) Analiz biomeditsinskikh signalov v srede Matlab. Uchebnoe posobie [Analysis of biomedical signals in the Matlab environment. Study guide]. Yekaterinburg : Ural University Press. (in Russian)
9. Laptinskaya D., Fissler P., Küster O. C., Wischniowski J., Thurm F., Elbert T., von Arnim C. A. and Kolassa I. T. (2020) Global EEG coherence as a marker for cognition in older adults at risk for dementia. Psychophysiology. 57(4). 13515. DOI
10. Ledeneva T. M., Sergienko M. A. and Tikhomirova E. A. (2020) Formirovanie bazy znaniy na osnove vydeleniya tipovykh sostoyaniy slozhnoy sistemy [Formation of a knowledge base based on the identification of typical states of a complex system]. Vestnik VGU. Seriya: Sistemnyy analiz i informatsionnye tekhnologii [Bulletin of the VSU. Series: System Analysis and Information Technology]. 1. P. 140–153. (in Russian). DOI
11. Matveev Yu. N, Simonchik K. K., Tropchenko A. Yu. and Khitrov M. V. (2013) Tsifrovaya obrabotka signalov Uchebnoe posobie po distsipline «Tsifrovaya obrabotka signalov» [Digital signal processing Textbook on the discipline «Digital signal processing»]. Saint Petersburg: St. Petersburg State University ITMO. 166 p. (in Russian)
12. Safri N. and Murayama N. (2007) Comparison of EEG-EMG time delays calculated by phase estimates and inverse FFT. Elektrika: Journal of Electrical Engineering. 9(2). P. 1–7.
13. Ten’kovskaya L. I. (2023) Correlation regression based forecast of Gazprom PJSC stock quotes. Vestnik PGU. Seriya: Ekonomika. [Bulletin of the PSU. Series: Economics.]. 18(1). P. 25– 52. (in Russian). DOI
14. Tolmacheva R. A., Obukhov Y. V., Zhavoronkova L. A. (2019) The determination of phase-coupled channels of EEG signals during cognitive and motor tests. The V international conference on Information Technology and Nanotechnology, May 21–24, 2019, Samara. 4. P. 207–213. (in Russian)
15. Turovskiy Ya. A., Borzunov S. V., Alekseev V. Yu. and Karpova M. A. (2021) Frequency modulation of electroencephalograms under photostimulation. Biophysics. 66(3). P. 583–589. (in Russian). DOI
16. Valeev S. G. and Faskhutdinova V. A. (2006) Kross-spektral’nyy analiz vremennykh ryadov [Cross-spectral analysis of time series]. Vestnik UlGTU [Bulletin of the ULSTU]. 36(4). P. 30–33. (in Russian)
17. Vityazev V. V. (2001) Spektral’no-korrelyatsionnyy analiz ravnomernykh vremennykh ryadov : uchebnoe posobie [Spectral correlation analysis of uniform time series : a textbook]. St. Petersburg : Saint Petersburg University Press. 48 p. (in Russian)
18. Zaleshin A. V. and Merzhanova G. Kh. (2019) Phase time lag between EEG phythms in human behavior on choosing a risk-associated reward. Neuroscience and Behavioral Physiology. 69(1). P. 14–22. (in Russian). DOI
- Авторы сохраняют за собой авторские права и предоставляют журналу право первой публикации работы, которая по истечении 6 месяцев после публикации автоматически лицензируется на условиях Creative Commons Attribution License , которая позволяет другим распространять данную работу с обязательным сохранением ссылок на авторов оригинальной работы и оригинальную публикацию в этом журнале.
- Авторы имеют право размещать их работу в сети Интернет (например в институтском хранилище или персональном сайте) до и во время процесса рассмотрения ее данным журналом, так как это может привести к продуктивному обсуждению и большему количеству ссылок на данную работу (См. The Effect of Open Access).
