跳转到内容

脑波分析

维基百科,自由的百科全书

脑波分析(EEG analysis)也称为脑电图分析,是用数学的信号处理以及电脑科技,从脑电图(EEG)信号中提取相关资讯。脑波分析的目的是帮助研究者对人脑有进一步的了解,辅助医生诊断以及疗法的选择,并且提升脑机接口(英语:Brain-computer Interface, 简称BCI)的技术。脑波分析的技术有许多分类的方式,若是要从脑电图信号中找到大致符合脑电图信号的数学模型[1],此方法可以分类为参数型,否则,就是非参数型的方式。传统上,大部份的脑波分析方法可以分为四类:时域频域时频分析非线性方法[2],也有一些较新的方法,包括使用深度学习(DNNs)的方法。

方法

频域法

频域分析也称为频谱分析(spectral analysis),是脑波分析的标准作法中,最有功效也方便的方法之一。频域分析会用统计及傅里叶变换找在频域中的脑波波形包含的资讯[2]。频域分析方式有许多种,最常用的是功率谱分析,因为功率谱密度反映信号的频率成份,也反映了信号功率在各频率上的分布[3]

时域法

时域法的脑波分析中有两种重要的分析方法:线性预测成份分析英语Component analysis (statistics)s。一般来说,线性预测会用过去的输出值和过去及现在的输入值进行线性组合,得到估计值。而成份分析英语Component analysis (statistics)是一种无监督的方式,将资料集映射到某特征集中[2]。时域法的参数都完全以时间为基础,不过也可以从功率谱的统计中提取。因此,时域法可以建立实际的时间诠释以及传统的频域分析之间的媒介[4]。此外,时域法提供连续量测基本信号特性的方式,其方法都是用到以时间为基础的计算,相较于传统的频域分析来说,以时间为基础的计算所需要的设备比较简单[4]

时频域方法

小波转换是典型的时频域方法,可以从暂态的生物信号中抽取出一些特性。将脑波记录进行小波分解,可以准确的找到暂态的特征,也可以确定其时间及频率的内容[5],因此小波转换像是数学显微镜,可以分析神经节律的不同尺度,研究脑信号的小幅振荡,并且忽略其他的成份[5][6]。除了小波转换外,有另一种主要的时频域方法,称为希尔伯特-黄转换,可以将脑波信号分解为一组振荡成份,称为本质模态函数(英语:Intrinsic Mode Function, 简称IMF),以取得瞬时频率的资料,[2][7]

非线性方法

许多自然界的现象是非线性且不稳定的,脑波信号也是如此,因此让脑波信号的解释更加的复杂,也让上述的线性方法受到限制。自1985年起,非线性脑波分析的先驱Rapp及Bobloyantz发表了他们第一篇非线性动态系统(混沌理论)研究结果,非线性脑波分析被广泛应用在脑波分析领域[8]。为了要使用非线性脑波分析,研究者已找到许多有用的非线性参数,例如李亚普诺夫指数相关维数英语Correlation Dimension,以及像是近似熵英语Approximate Entropy样本熵英语Sample Entropy等熵[2][9]

人工神经网络

人工神经网络(ANN)已有用在脑电图的分类上。大部份的应用中,脑电图资料在进入神经网络分析前,需要经过小波转换的前处理[10][11]。一度也很常会使用循环神经网络(RNN)在人工神经网络的脑电图分析上[11][12]。一直到深度学习以及卷积神经网络(CNN)兴起后,卷积神经网络成为近来用深度学习进行脑电图分析的新宠。靠著资料集对深层卷积神经网络进行裁剪训练,达到更好的准确性,深度卷积神经网络可以有较好的解码性能[13],此外,大量的脑电图资料作为人工神经网络的输入,需要有安全的储存方式,以及实时运算上的高运算资源需求。为了处理这些挑战,已提出将云端深度学习,用在大量脑电图资料的实时分析上[14]

应用

临床

脑电图分析常用在大脑相关疾病的诊断及预测上。例如对于癫痫发作的诊断,侦测脑电图中的癫痫样放电是很重要的一部份。详细分析脑电图有助于得知产生癫痫疾病的原因,并且了解其中的机制[11]。此外,脑电图分析也对阿兹海默症[15]颤抖的检测有帮助。

脑机介面

透过运动心像,想像右侧及左侧身体运动时的脑电图纪录,可以建立新的和机器沟通的介面[16]。根据特定空间动作下的实时脑电图分析,可以用脑机界面(BCI)发展以简单二元反应控制的设备。例如,肌萎缩性脊髓侧索硬化症的患者可以在基于脑电图的脑机介面的帮助下,进行一些日常活动。

分析工具

Brainstorm 是一个协作开源的应用程式,致力于分析大脑讯号,包括脑磁波仪(MEG),脑电图,功能性近红外线光谱英语Functional near-infrared spectroscopy(fNIRS),皮层电描技术英语Electrocorticography(ECoG),深度电极和动物侵入性神经生理学。[17]Brainstorm目标在于将脑磁波仪及脑电图作为实验技术,与科学社群共享一个全面且方便的工具。其他也有像FieldTrip英语FieldTrip等的开源分析应用程式。

其他

脑电图分析配合面部表情分析,透过连续的检测情感,可以用在检测影片中的情感[18]。其他的应用包括基于脑电图的大脑映射、个人化加密、图像注释系统等。

相关条目

参考资料

  1. ^ Pardey, J.; Roberts, S.; Tarassenko, L. A review of parametric modelling techniques for EEG analysis. Medical Engineering & Physics. January 1996, 18 (1): 2–11. ISSN 1350-4533. doi:10.1016/1350-4533(95)00024-0. 
  2. ^ 2.0 2.1 2.2 2.3 2.4 Acharya, U. Rajendra; Vinitha Sree, S.; Swapna, G.; Martis, Roshan Joy; Suri, Jasjit S. Automated EEG analysis of epilepsy: A review. Knowledge-Based Systems. June 2013, 45: 147–165. ISSN 0950-7051. doi:10.1016/j.knosys.2013.02.014. 
  3. ^ Dressler, O.; Schneider, G.; Stockmanns, G.; Kochs, E.F. Awareness and the EEG power spectrum: analysis of frequencies. British Journal of Anaesthesia. December 2004, 93 (6): 806–809. ISSN 0007-0912. PMID 15377585. doi:10.1093/bja/aeh270. 
  4. ^ 4.0 4.1 Hjorth, Bo. EEG analysis based on time domain properties. Electroencephalography and Clinical Neurophysiology. September 1970, 29 (3): 306–310. ISSN 0013-4694. doi:10.1016/0013-4694(70)90143-4. 
  5. ^ 5.0 5.1 Adeli, Hojjat; Zhou, Ziqin; Dadmehr, Nahid. Analysis of EEG records in an epileptic patient using wavelet transform. Journal of Neuroscience Methods. February 2003, 123 (1): 69–87. ISSN 0165-0270. PMID 12581851. doi:10.1016/s0165-0270(02)00340-0. 
  6. ^ Hazarika, N.; Chen, J.Z.; Ah Chung Tsoi; Sergejew, A. Classification of EEG signals using the wavelet transform 1. IEEE. 1997: 89–92. ISBN 978-0780341371. doi:10.1109/icdsp.1997.627975.  |journal=被忽略 (帮助)
  7. ^ Pigorini, Andrea; Casali, Adenauer G.; Casarotto, Silvia; Ferrarelli, Fabio; Baselli, Giuseppe; Mariotti, Maurizio; Massimini, Marcello; Rosanova, Mario. Time–frequency spectral analysis of TMS-evoked EEG oscillations by means of Hilbert–Huang transform. Journal of Neuroscience Methods. June 2011, 198 (2): 236–245. ISSN 0165-0270. PMID 21524665. doi:10.1016/j.jneumeth.2011.04.013. 
  8. ^ Stam, C.J. Nonlinear dynamical analysis of EEG and MEG: Review of an emerging field. Clinical Neurophysiology. October 2005, 116 (10): 2266–2301. ISSN 1388-2457. PMID 16115797. doi:10.1016/j.clinph.2005.06.011. 
  9. ^ Stam, C.J. Nonlinear dynamical analysis of EEG and MEG: Review of an emerging field. Clinical Neurophysiology. October 2005, 116 (10): 2266–2301. ISSN 1388-2457. PMID 16115797. doi:10.1016/j.clinph.2005.06.011. 
  10. ^ Petrosian, Arthur; Prokhorov, Danil; Homan, Richard; Dasheiff, Richard; Wunsch, Donald. Recurrent neural network based prediction of epileptic seizures in intra- and extracranial EEG. Neurocomputing. January 2000, 30 (1–4): 201–218. ISSN 0925-2312. doi:10.1016/s0925-2312(99)00126-5. 
  11. ^ 11.0 11.1 11.2 Subasi, Abdulhamit; Erçelebi, Ergun. Classification of EEG signals using neural network and logistic regression. Computer Methods and Programs in Biomedicine. May 2005, 78 (2): 87–99. ISSN 0169-2607. PMID 15848265. doi:10.1016/j.cmpb.2004.10.009. 
  12. ^ Übeyli, Elif Derya. Analysis of EEG signals by implementing eigenvector methods/recurrent neural networks. Digital Signal Processing. January 2009, 19 (1): 134–143. ISSN 1051-2004. doi:10.1016/j.dsp.2008.07.007. 
  13. ^ Schirrmeister, R.; Gemein, L.; Eggensperger, K.; Hutter, F.; Ball, T. Deep learning with convolutional neural networks for decoding and visualization of EEG pathology. IEEE. December 2017. ISBN 9781538648735. arXiv:1708.08012可免费查阅. doi:10.1109/spmb.2017.8257015.  |journal=被忽略 (帮助)
  14. ^ Hosseini, Mohammad-Parsa; Soltanian-Zadeh, Hamid; Elisevich, Kost; Pompili, Dario. Cloud-based deep learning of big EEG data for epileptic seizure prediction. IEEE. December 2016. ISBN 9781509045457. arXiv:1702.05192可免费查阅. doi:10.1109/globalsip.2016.7906022.  |journal=被忽略 (帮助)
  15. ^ Jeong, Jaeseung; Gore, John C; Peterson, Bradley S. Mutual information analysis of the EEG in patients with Alzheimer's disease. Clinical Neurophysiology. May 2001, 112 (5): 827–835. ISSN 1388-2457. doi:10.1016/s1388-2457(01)00513-2. 
  16. ^ Guger, C.; Ramoser, H.; Pfurtscheller, G. Real-time EEG analysis with subject-specific spatial patterns for a brain-computer interface (BCI). IEEE Transactions on Rehabilitation Engineering. 2000, 8 (4): 447–456. ISSN 1063-6528. doi:10.1109/86.895947. 
  17. ^ Introduction - Brainstorm. neuroimage.usc.edu. [2020-06-30]. (原始内容存档于2021-05-04). 
  18. ^ Soleymani, Mohammad; Asghari-Esfeden, Sadjad; Pantic, Maja; Fu, Yun. Continuous emotion detection using EEG signals and facial expressions. IEEE. July 2014. ISBN 9781479947614. doi:10.1109/icme.2014.6890301.  |journal=被忽略 (帮助)