Применение метода нейросетевого моделирования для исследования электрической активности мозга человека, укладывающейся в понятие «норма»
В статье проведен нейросетевой анализ электрической активности мозга человека, укладывающейся в понятие «норма». Построена нейросетевая модель (нейронная сеть Кохонена), которая позволяет автоматически классифицировать электроэнцефалограммы организованного типа. У статті проведений нейромережний а...
Saved in:
| Date: | 2008 |
|---|---|
| Main Authors: | , , |
| Format: | Article |
| Language: | Russian |
| Published: |
Інститут проблем штучного інтелекту МОН України та НАН України
2008
|
| Subjects: | |
| Online Access: | https://nasplib.isofts.kiev.ua/handle/123456789/6716 |
| Tags: |
Add Tag
No Tags, Be the first to tag this record!
|
| Journal Title: | Digital Library of Periodicals of National Academy of Sciences of Ukraine |
| Cite this: | Применение метода нейросетевого моделирования для исследования электрической активности мозга человека, укладывающейся в понятие «норма» / В.И. Черний, Т.В. Острова, И.В. Качур // Штучний інтелект. — 2008. — № 2. — С. 76-87. — Бібліогр.: 10 назв. — рос. |
Institution
Digital Library of Periodicals of National Academy of Sciences of Ukraine| _version_ | 1859532115423526912 |
|---|---|
| author | Черний, В.И. Острова, Т.В. Качур, И.В. |
| author_facet | Черний, В.И. Острова, Т.В. Качур, И.В. |
| citation_txt | Применение метода нейросетевого моделирования для исследования электрической активности мозга человека, укладывающейся в понятие «норма» / В.И. Черний, Т.В. Острова, И.В. Качур // Штучний інтелект. — 2008. — № 2. — С. 76-87. — Бібліогр.: 10 назв. — рос. |
| collection | DSpace DC |
| description | В статье проведен нейросетевой анализ электрической активности мозга человека, укладывающейся в
понятие «норма». Построена нейросетевая модель (нейронная сеть Кохонена), которая позволяет
автоматически классифицировать электроэнцефалограммы организованного типа.
У статті проведений нейромережний аналіз електричної активності мозку людини, що укладається в
поняття «норма». Побудована нейромережна модель (нейронна мережа Кохонена), яка дозволяє
автоматично класифікувати електроенцефалограми організованого типу.
|
| first_indexed | 2025-11-25T22:51:37Z |
| format | Article |
| fulltext |
«Искусственны интеллект» 2’2008 76
3-Ч
УДК 612.822.3:51+616.8-009.83
В.И. Черний, Т.В. Острова, И.В. Качур
Донецкий национальный медицинский университет им. М. Горького
ДОКТМО, Украина
Государственный университет информатики и искусственного интеллекта,
г. Донецк, Украина
Применение метода нейросетевого
моделирования для исследования
электрической активности мозга человека,
укладывающейся в понятие «норма»
В статье проведен нейросетевой анализ электрической активности мозга человека, укладывающейся в
понятие «норма». Построена нейросетевая модель (нейронная сеть Кохонена), которая позволяет
автоматически классифицировать электроэнцефалограммы организованного типа.
Наше предыдущее исследование, посвященное математическому анализу электричес-
кой активности мозга человека, укладывающейся в понятие «норма» [1], было основано
на сравнении метода формализованной оценки ЭЭГ-паттернов [1] и метода топографи-
ческого картирования мозга [1]. Для объективизации интерпретации данных спектрального
анализа ЭЭГ разработан и внедрен метод интегрального количественного анализа элект-
рической активности мозга человека (деклараційний патент А61В5/0476) [2]. В результате
этого исследования проведена интегральная оценка паттернов ЭЭГ всех 4 групп I ти-
па (организованного во времени и пространстве) единой классификации электрической
активности головного мозга по классификации Е.А. Жирмунской, В.С. Лосева [1] и
получены математические модели, отражающие изменение спектральной мощности
ЭЭГ, характерные для нормы [1].
Однако разработанные математические модели не отражают изменение когерент-
ности, которая показывает степень сходства двух исследуемых процессов ЭЭГ, причем в
каждой из составляющей ее частоте. При этом определяется не только сходство по
амплитуде и мощности колебаний, как это можно сделать при сравнении двух спектро-
грамм, но непременно при ее вычислении учитывается одновременность изменения
протекания процесса во времени [3].
Кроме того, разработанные математические модели не отражают также реактивных
перестроек электрической активности головного мозга в ответ на функциональную
нагрузку (фотостимуляцию).
Таким образом, для получения более полного представления об организованном
типе ЭЭГ, который большинство исследователей относят к понятию «норма», необходимо
установить зависимость ЭЭГ от множества дополнительных входных факторов – стандарт-
ными методами такого анализа является кластерный анализ, построение многомерных
регрессионных моделей, линейный дискриминантный анализ, байесовский подход [3].
При этом следует отметить, что хорошо развиты методы анализа для линейных моделей,
что однако не всегда соответствует действительности для сложных биологических систем,
к которым относится и изучаемое явление – электрическая активность головного мозга.
В последние годы для моделирования сложных многомерных объектов исследова-
тели все чаще обращаются к нейронным сетям. Так, в работе «Нейронные сети в
медицине» [4] дается обзор применения методов нейросетевого моделирования в практи-
Применение метода нейросетевого моделирования для исследования…
«Штучний інтелект» 2’2008 77
3-Ч
ческой медицине и биологии. Отмечается, что «нейронные сети представляют собой
нелинейные системы, позволяющие гораздо лучше классифицировать данные, чем обычно
используемые линейные методы. В приложении к медицинской диагностике они дают
возможность значительно повысить специфичность метода, не снижая его чувстви-
тельности» [4].
Широкому привлечению методов нейросетевого моделирования к медицинским
задачам способствуют и некоторые особенности таких методов по сравнению с линей-
ными: 1) нейронные сети не требуют формулировки каких-либо правил для принятия
решения, они обучаются на примерах; 2) нейронные сети обладают способностью к
обобщению (способности «видеть» сквозь шум); 3) нейронные сети обладают способ-
ностью к абстрагированию (способность извлекать идеальное из несовершенных входов) –
что позволяет применять их к широкому классу задач распознавания образов.
Целью данной статьи является проведение нейросетевого анализа электрической
активности мозга человека, укладывающейся в понятие «норма». Создание системы
автоматической классификации электроэнцефалограмм организованного типа.
Материал и методы исследования. В основу классификации положено разложение
сигнала ЭЭГ в ряд Фурье и последующий анализ спектральной плотности электрических
сигналов, зафиксированных в отведениях. Для создания системы автоматической класси-
фикации электроэнцефаллограмм мы использовали метод математического моделиро-
вания – нейронные сети [4-7].
Регистрацию биопотенциалов мозга осуществляли с помощью нейро-физиологичес-
кого комплекса. Комплекс топографического картирования ЭЭГ состоял из следующих
компонентов:
– 8-канальный электроэнцефалограф фирмы Medicor;
– персональный компьютер IBM PC AT с аналогово-цифровым преобразователем;
– специальное программное обеспечение для хранения и обработки электроэнцефало-
грамм.
Использовали чашечковые хлорсеребряные электроды, которые накладывались
в соответствии с международной системой «10 – 20» [1] в положения Fp1, Fp2, C3, C4,
O1, O2, T3, T4. Применялось монополярное отведение биопотенциалов с референтным
электродом на мочке ипсилатерального уха.
Запись ЭЭГ производили, в основном, при чувствительности ЭЭГ-канала равной
50 мкВ/см. Постоянная времени составила 0,3 с., а фильтр верхних частот – 50 Гц,
что соответствует полосе регистрируемых колебаний 0,5 – 50 Гц.
Придерживались следующего протокола записи ЭЭГ: спокойное бодрствование,
затем ахроматическая ритмическая фотостимуляция (ФТС) на частотах 2, 6, 10, 20 Гц.
Источником света служила импульсная электрическая лампа с энергией вспышек 0,3 Дж,
установленная на расстоянии 10 – 12 см от глаз испытуемого строго по средней линии.
Подавались короткие (не превышающие 20 мкс.) ритмические сигналы-вспышки.
Продолжительность, интенсивность и интервалы между вспышками были неизменны.
Вспышки подавались сериями продолжительностью до 10 секунд. Интервал времени
между сериями вспышек заданной частоты составлял не менее 2 минут.
В состав программного обеспечения входили функции быстрого преобразования
Фурье и вычисления спектров мощности, когерентности усредненно для следующих час-
тотных диапазонов ЭЭГ: δ (1 – 4 Гц), θ (5 – 7 Гц), α (8 – 12 Гц), α1 (9 – 11 Гц), β1 (13 – 20 Гц),
β2 (20 – 30 Гц). Изучались показатели абсолютной мощности (мкВ/√Гц), относительной
мощности (%) и когерентности (%) по вышеописанным частотным диапазонам. Записи
проводились для FON, FTS2, FTS6, FTS10.
Для объективизации интерпретации ЭЭГ-паттернов на основании сопоставления
формализованной оценки ЭЭГ и спектрального анализа ЭЭГ, разработан и введен в
практику ряд коэффициентов и проанализирована их информативность в оценке спект-
ральной мощности ЭЭГ:
1) kfc 1 = (δ + θ + β1)/( α + β2);
Черний В.И., Острова Т.В., Качур И.В.
«Искусственный интеллект» 2’2008 78
3-Ч
2) kfc 2 = (δ + θ)/(α + β1 + β2);
3) kfc 3 = (δ + θ + β1)/( α1 + β2);
4) kfc 4 = (δ + θ)/(α1 + β1 + β2);
5) kfc 5 = β1/β2;
6) kfc 6 = θ/δ;
7) kfc 7 = θ/α;
8) kfc 8 = θ/α1;
9) kfc 9 = δ/α;
10) kfc 10 = δ/α1;
11) kfc 11 = δ/θ;
12) kfc 12 = Σ[(L–R)/L];
13) kfc 13 = OCF = [(O1 + O2)/2 – (C1 +C2)/2] + [(C1 + C2)/2 – (F1 + F2)/2];
kfc 14 = α/α1 [1].
Изучен характер изменения показателей межполушарной когерентности (%) в
лобной (Fp1 – Fp2), теменной (С3 – С4), височной (Т3 – Т4) и затылочной (О1 – О2)
областях головного мозга и внутриполушарной когерентности слева (Fp1 – C3,
Fp1 – T3, Fp1 – O1, T3 – O1, T3 – C3, С3 – О1) и справа (Fp2 – C4, Fp2 – T4, Fp2 – O2,
T4 – O2, T4-C4, С4-О2). Рассчитывался интегральный показатель когерентности как
среднее арифметическое уровней когерентности различных областей мозга, а также
показатель средней когерентности по частотному диапазону и по всему мозгу.
Особое внимание уделялось подготовке исходного электроэнцефалографического
сигнала для дальнейшей компьютерной обработки. Визуально отбирался наиболее
представительный участок безартефактной ЭЭГ. Длительность его, в большинстве
случаев, составила 4 секунды. Для каждого ЭЭГ-паттерна были рассчитаны коэффициен-
ты, показатели абсолютной (АМ) и относительной (ОМ) мощности (всего 69 признаков)
и показатели когерентности (всего 92 признака).
Обследовано 108 добровольцев в возрасте от 21 года до 33 лет, которые после
проведенного обследования были признаны соматически и неврологически здоровыми.
Среди обследованных были 61 мужчина и 47 женщин. Электроэнцефалографические
исследования были проведены в лаборатории функциональной диагностики в стандартных
условиях. Все обследуемые во время исследования находились в условиях свето- и звуко-
изоляции, располагались полулежа в кресле с закрытыми глазами. Перед проведением ис-
следования обследуемым добровольцам объясняли суть и порядок проведения процедуры.
Несмотря на то, что в исследуемую группу были отобраны клинически здоровые
мужчины и женщины, которые не имели в анамнезе психических и неврологических
нарушений, только для 72 человек из 108 обследованных добровольцев были характерны
изменения электрической активности мозга, которые укладывались в понятие «норма».
Термин «нормальная электроэнцефалограмма» всегда относителен, а критерии, на
основании которых исследователи предлагают оценивать ЭЭГ как нормальную, весьма
дискутабельны. Большинство исследователей считают, что в нормальной электроэнцефало-
грамме должны доминировать α-активность, смешиваясь с низкоамплитудной быстрой
активностью и отдельными медленными волнами [1].
Для стандартизации исследования нами проведена формализованная оценка
электроэнцефалограмм методом систематизации, классификации и кодирования электро-
энцефалограмм человека, предложенным Е.А. Жирмунской, В.С. Лосевым [8]. Авторами
выделяется 5 основных типов ЭЭГ, которые отражают одну из наиболее важных
характеристик каждого типа – степень и характер организации целостного паттерна ЭЭГ.
Только для I-го типа ЭЭГ – организованного (во времени и пространстве) характерны
изменения электрической активности мозга, которые укладывались в понятие «норма».
Основным компонентом ЭЭГ этого типа является α-ритм, который характеризуется
высокой степенью регулярности, достаточно хорошо модулирован, имеет хороший или
слабо измененный амплитудный градиент по областям мозга [8].
Применение метода нейросетевого моделирования для исследования…
«Штучний інтелект» 2’2008 79
3-Ч
В I-й тип классификации входят четыре группы. По результатам исследования
Е.А. Жирмунской, В.С.Лосева [8] в пределах I-го типа чаще встречаются группы 2-я и
3-я (с наличием легких структурных и пространственных изменений ЭЭГ), реже – группы
1-я («идеальная норма») и 4-я, характеризующаяся заметным усилением β-колебаний
низкой частоты.
Итак, в качестве объекта классификации были использованы записи ЭЭГ, получен-
ные при обследовании 72 добровольцев, у которых изменения электрической активности
мозга укладывались в понятие «норма». Были обработаны 288 записей ЭЭГ по 8-и
отведениям (всего 2304 результата исследования) для 72 человек.
Спектр исходного ряда рассчитывался по формуле:
∑
−
=
×−×=
1
0
/2
N
n
Nnki
nk eXC π , (1)
где N – количество отсчетов во входных данных, Сk – k-ая составляющая спектра, Xn –
n-ый элемент выходных данных, i = 1− – мнимая единица. Для разложения исходного
сигнала в ряд Фурье использовалось стандартное быстрое преобразование Фурье (БПФ).
При разложении в ряд Фурье, составляющие спектра Сk – комплексные числа, при этом
фаза спектральной составляющей в построении модели классификации не учитывалась,
в расчет принималась только величина этой составляющей – |Сk|2. В стандартной записи
обрабатывались сигналы длительностью 16 секунд, полученные с дискретностью в
64
1
=∆τ секунды, что позволило рассчитывать спектр сигнала в диапазоне 0,1 – 32 Гц,
что включает в себя α, β, δ, θ частотные диапазоны ЭЭГ.
Нейросетевые модели строились с использованием пакета STATISTICA NEURAL
NETWORKS [6].
Анализ полученных результатов и их обсуждение
Результаты кластеризации в пространстве коэффициентов
мощности и когерентности для протокола записи ЭЭГ: спокойное
бодрствование
Для построения автоматической классификации электроэнцефаллограмм по
результатам исследования электрической активности мозга в состоянии спокойного
бодрствования была создана нейронная сеть Кохонена со 160-ю нейронами (160 коэф-
фициентов мощности и когерентности для протокола записи ЭЭГ: спокойное бодрст-
вование) во входном слое и четырьмя нейронами в выходном. В качестве объекта
классификации были использованы записи ЭЭГ, полученные при обследовании
72 добровольцев, у которых изменения электрической активности мозга укладывались
в понятие «норма», которые принадлежали к 1 – 4 группам I типа (организованного
во времени и пространстве) единой классификации электрической активности головного
мозга по классификации Е.А. Жирмунской, В.С. Лосева [8]. Оптимальное количество
различных кластеров, в которых проводится классификация, вычислялось с помощью
процедуры расчета коэффициента контрастности разбиения [9]. На рис. 1 представлены
результаты расчета оптимального числа кластеров (указано значение коэффициента
Contrast и 95 % доверительный интервал). Исходя из определения этого показателя
установлено, что в случае, когда объекты сосредоточены, в основном, вблизи центров
кластеров, контрастность разбиения будет иметь высокое значение, в случае, когда объек-
ты распределены в пространстве признаков однородно – низкое. Это позволяет,
рассчитав контрастность данного разбиения, сделать заключение о том, насколько
эффективным является разбиение анализируемых объектов на указанное число кластеров.
Результаты анализа указывают на аномально высокое значение показателя контрастности
Черний В.И., Острова Т.В., Качур И.В.
«Искусственный интеллект» 2’2008 80
3-Ч
в случае разбиения множества на 4 кластера. В то же время, при разбиении на более
чем 4 кластера можно говорить о разбиении равномерно распределенных объектов в
4-мерном пространстве признаков (наклоны прямых равномерного распределения
объектов и анализируемого случая не отличаются между собой). В связи с этим можно
сделать вывод, что анализируемые объекты разделяются в 160-мерном пространстве
признаков в 4 различных группы.
Рисунок 1 – Изменение коэффициента контрастности разбиения записей ЭЭГ
для различного числа кластеров (использована процедура [9])
На рис. 2 представлены положения центров кластеров в многомерном пространстве
признаков коэффициентов мощности и когерентности (в относительных единицах).
0
0,1
0,2
0,3
0,4
0,5
0,6
0,7
0,8
0,9
k
f
c
_
1
3
A
B
C
_
a
l
f
A
B
S
_
a
l
f
_
S
i
n
A
B
S
_
a
l
f
_
D
e
x
A
B
S
_
a
l
f
1
A
B
S
_
a
l
f
1
_
S
A
B
S
_
a
l
f
1
_
D
A
B
S
_
b
t
1
A
B
S
_
b
t
1
_
S
i
n
A
B
S
_
b
t
1
_
D
e
x
A
B
C
_
b
t
2
A
B
S
_
b
t
2
_
S
A
B
S
_
b
t
2
_
D
A
B
S
_
t
e
t
A
B
S
_
t
e
t
_
S
i
n
A
B
S
_
t
e
t
_
D
e
x
A
B
C
_
d
e
l
A
B
S
_
d
l
t
_
S
i
n
A
B
S
_
d
l
t
_
D
e
x
A
l
f
a
_
S
i
n
_
o
A
l
f
a
_
D
e
x
_
o
a
l
f
1
_
S
i
n
_
o
a
l
f
1
_
D
e
x
_
o
B
e
t
a
1
_
S
i
n
_
o
B
e
t
a
1
_
D
e
x
_
o
B
e
t
a
2
_
S
i
n
_
o
B
e
t
a
2
_
D
e
x
_
o
Группа 1
Группа 2
Группа 3
Группа 4
Применение метода нейросетевого моделирования для исследования…
«Штучний інтелект» 2’2008 81
3-Ч
0
0,1
0,2
0,3
0,4
0,5
0,6
0,7
0,8
0,9
T
e
t
a
_
S
i
n
_
o
T
e
t
a
_
D
e
x
_
o
D
e
l
t
a
_
S
i
n
_
o
D
e
l
t
a
_
D
e
x
_
o
k
f
c
_
1
k
f
c
_
1
a
S
k
f
c
_
1
a
D
k
f
c
_
2
a
k
f
c
_
2
_
S
k
f
c
_
2
_
D
k
f
c
_
3
a
k
f
c
_
3
_
S
k
f
c
_
3
_
D
k
f
c
_
4
a
k
f
c
_
4
_
S
k
f
c
_
4
_
D
k
f
c
_
1
0
k
f
c
_
1
0
_
S
k
f
c
_
1
0
_
D
k
f
c
_
9
k
f
c
_
9
_
S
k
f
c
_
9
_
D
k
f
c
_
8
a
k
f
c
_
8
_
S
k
f
c
_
8
_
D
k
f
c
_
7
a
k
f
c
_
7
a
_
S
k
f
c
_
7
a
_
D
Группа 1 Группа 2
Группа 3 Группа 4
0
0,1
0,2
0,3
0,4
0,5
0,6
0,7
k
f
c
_
1
1
a
k
f
c
_
1
1
a
_
S
k
f
c
_
1
1
a
_
D
k
f
c
_
6
_
a
k
f
c
_
6
_
S
k
f
c
_
6
_
D
k
f
c
_
5
a
k
f
c
_
5
a
_
S
k
f
c
_
5
a
_
D
k
f
c
_
1
4
a
_
D
k
f
c
_
1
4
a
_
S
k
f
c
_
1
2
a
k
f
c
_
1
2
a
b
s
Группа 1 Группа 2
Группа 3 Группа 4
Рисунок 2 – Положения центров кластеров в многомерном пространстве признаков
коэффициентов мощности и когерентности (в относительных единицах)
Следует отметить, что записи ЭЭГ, которые попали в различные кластеры разли-
чались и по единой классификации электрической активности головного мозга Е.А. Жир-
мунской, В.С. Лосева [8] (различие статистически значимо на уровне p = 0,047). На рис. 3
представлено значение среднего номера группы I типа в классификации Е.А. Жир-
мунской, В.С. Лосева [8] для выделенных кластеров.
Черний В.И., Острова Т.В., Качур И.В.
«Искусственный интеллект» 2’2008 82
3-Ч
Среднее значение класса по Жирмунской
Рисунок 3 – Изменение классификации Е.А. Жирмунской, В.С. Лосева [10] для
выделенных кластеров
Полученные группы отличались абсолютными значениями интегральных показате-
лей (kfc1 – kfc4). Максимальное значение шкалы –1. Так, 1 группа характеризовалась
низкими цифрами данных коэффициентов и колебалась от 0,14 до 0,18; 4 группа
характеризовалась высокими цифрами – от 0,66 до 0,8; 3 группа (от 0,38 до 0,57) и
2 группа (от 0,3 до 0,48) характеризовались средними значениями шкалы. Минимальные
флуктуации интегральных показателей в 1 группе (∆kfc1 – kfc4 = 0,04), максималь-
ные соответственно во 2, 3 и 4 группах 0,14; 0,19; 0,18.
Анализируя изменения kfc1D – kfc1S, можно отметить, что в 1 и 3 группах
разность значений составила всего до 0,02, а в 2 и 4 группах – 0,14 – 0,17. Причем во
всех исследуемых группах kfc1D был больше, чем kfc1S.
Видно, что kfc5 во всех четырех группах флуктуировал в пределах 0,03.
Kfc6 в 1 группе и 3 группе имеют соотношение θ/δ 0,4 – 0,42, а во 2 и 4 группах
соотношение θ/δ сотавило 0,21 – 0,22, то есть в 1 и 3 группах тета-активность превалирует
над дельта. Данная тенденция сохранена при изменении kfc6 справа и слева.
Аналогично изменениям kfc6 изменяется его обратный коэффициент kfc11.
Изучая изменение kfc7, необходимо отметить, что дезорганизация паттернов ЭЭГ за
счет увеличения тета-активности нарастает в следующем порядке: 1, 2, 3, 4 группы.
Аналогичны изменения kfc7S – kfc7D. Kfc8 также отражает дезорганизацию паттер-
нов от 1 группы к 4 группе.
Изучая изменение kfc9 и kfc10 рассчитанных по всему мозгу и по обеим половинам,
показали, что изменения в 1 группе и 4 группе полярны, градиент значений доходит
до 0,5 – 0,6. В 3 и 4 группах kfc9 и kfc10 практически не отличаются. Таким образом,
составляющая дельта-активности в ЭЭГ-паттернах этих групп приблизительно одинаковая,
а степень дезорганизации их в большей мере опредеделяется изменениями тета-активности.
Изменения kfc14 свидетельствуют о превалировании α-ритма над α1-ритмом с
обеих сторон в паттернах 4 группы, где дезорганизация максимальна.
Kfc13 очень четко отражает распределение альфа-активности от затылочных облас-
тей к лобным. Изменения в 1 группе и 4 группе полярны, градиент значений доходит
до 0,43. Показатели абсолютных значений альфа- и альфа1-активностей тажке отражает
уменьшение альфа-активности по мере нарастания дезорганизации. Градиент изменений
абсолютной мощности между 1 и 4 группами составляет от 0,3 до 0,4, а относительной
мощности – до 0,6 – 0,7.
Применение метода нейросетевого моделирования для исследования…
«Штучний інтелект» 2’2008 83
3-Ч
Показатели абсолютных значений дельта-активности в 1, 2, и 4 группах 0,2 и
меньше, а в 3 группе – 0,3. Но изучение относительной мощности отражает увеличение
дельта-активности по мере нарастания дезорганизации от 1 до 4 группы.
Показатели абсолютных значений тета-активности в 1, 2, и 4 группах 0,2 и
меньше, а в 3 группе – 0,3. Градиент изменений абсолютной мощности между 1, 2, 4
группами и 3 группой составляет от 0,1 до 0,2. Изучение относительной мощности
отражает увеличение тета-активности по мере нарастания дезорганизации от 1 до 4
группы. Минимальные значения были в 1 группе (0,38), во 2 группе – 0,5, а в 3 и 4
группах составили от 0,68 до 0,71 и были идентичны.
Показатели абсолютных значений бета1-активности в 1 и 3 группах были на 0,2
больше, чем во 2 и 4 группах. При изучении относительной мощности картина
коренным образом меняется: бета1-активность в 4 группе были на 0,1 – 0,2 выше, чем в
1, 2 и 3 группах. Этот факт в какой-то мере подтверждает мысль о том, что бета1-
активность больше характерна для патологии, чем для нормы [1].
Показатели абсолютных значений бета2-активности в 1 и 3 группах были на
0,25 – 0,3 выше, чем во 2 группе. А показатели в 4 группе занимали промежуточную
позицию. При изучении относительной мощности картина меняется: бета2-активность в
4 группе была максимальной.
При проведении кластеризации испытуемых в многомерном пространстве призна-
ков коэффициентов, показателей мощности и когерентности важным является условие их
независимости (отсутствия корреляционных связей). В связи с этим на первом этапе
был проведен корреляционный анализ значений полученных коэффициентов.
В результате для пространства коэффициентов мощности был выделен набор 8
взаимно-некоррелированных признаков, к которым были отнесены: kfc_1, kfc_5, kfc_12,
kfc_11_D, ABS_dlt_Sin, ABS_bt2_S, kfc_14_D, kfc_14_S. Для пространства коэффициен-
тов когерентности был выделен набор 5 взаимно-некоррелированных признаков, к
которым были отнесены: KG summ_alf, KG summ_dlt, KG_f1f2, KG c3c4_mu, KG_c4o2.
Результаты кластеризации в пространстве коэффициентов мощности
При проведении кластерного анализа была построена нейронная сеть Кохонена
с 32-я нейронами (8 признаков для 4-х видов записи ЭЭГ) во входном слое и двумя
нейронами в выходном (изменение количества нейронов выходного слоя не выявило
наличия в многомерном пространстве признаков значимо различающихся кластеров,
в связи с чем разбиение более чем на два кластера не проводилось).
После построения нейросетевой модели к первому кластеру – V1 было отнесено
20 случаев, ко второму – V2 – 52 случаев.
На рис. 4 представлены положения центров кластеров в многомерном пространстве
признаков коэффициентов мощности в ответ на фотостимуляцию.
Таким образом, установлено, что ЭЭГ организованного типа, характерная для
здорового человека, при проведении кластеризации испытуемых в многомерном
пространстве признаков коэффициентов спектральной мощности может дифференци-
роваться только на два нейрона в выходном слое, которые существенно отличаются
по ряду параметров (kfc_1, kfc_5, kfc_12, kfc_11_D, ABS_dlt_Sin, ABS_bt2_S, kfc_14_D,
kfc_14_S), и таким образом может быть разделена на две группы.
Показатели kfc_1 и kfc_5 существенно не отличаются в обоих кластерах и
изменяются аналогично, не реагируя на FTS.
Изучая изменение кластеров V1 и V2 в выходном слое для средних значений
kfc 12 Σ[(L-R)/L], было установлено, что показатели, отнесенные к кластеру V1, отражают
слабо выраженную правополушарную асимметрию, а показатели, отнесенные к кластеру
Черний В.И., Острова Т.В., Качур И.В.
«Искусственный интеллект» 2’2008 84
3-Ч
V2 – левополушарную, которая характерна для «идеальной нормы». Значения kfc 12
Σ[(L-R)/L] при проведении фотостимуляции существенно не изменялись, тем не менее
отмечается четкая тенденция к увеличению левосторонней межполушарной асимметрии
в ответ на FST6 в обеих группах.
0
0,3
0,6
0,9
kf
c_
1a
_F
on
kf
c_
1a
_F
TS
2
kf
c_
1a
_F
TS
6
kf
c_
1a
_F
TS
10
kf
c_
5a
_F
on
kf
c_
5a
_F
TS
2
kf
c_
5a
_F
TS
6
kf
c_
5a
_F
TS
10
kf
c_
12
a_
Fo
n
kf
c_
12
a_
FT
S2
kf
c_
12
a_
FT
S6
kf
c_
12
a_
FT
S1
0
kf
c_
11
a_
D
_F
on
kf
c_
11
a_
D
_F
TS
2
kf
c_
11
a_
D
_F
TS
6
kf
c_
11
a_
D
_F
TS
10
A
B
S_
dl
t_
Si
n_
Fo
n
A
B
S_
dl
t_
Si
n_
FT
S2
A
B
S_
dl
t_
Si
n_
FT
S6
A
B
S_
dl
t_
Si
n_
FT
S1
0
A
B
S_
bt
2_
S_
Fo
n
A
B
S_
bt
2_
S_
FT
S2
A
B
S_
bt
2_
S_
FT
S6
A
B
S_
bt
2_
S_
FT
S1
0
kf
c_
14
a_
D
_F
on
kf
c_
14
a_
D
_F
TS
2
kf
c_
14
a_
D
_F
TS
6
kf
c_
14
a_
D
_F
TS
10
kf
c_
14
a_
S_
Fo
n
kf
c_
14
a_
S_
FT
S2
kf
c_
14
a_
S_
FT
S6
kf
c_
14
a_
S_
FT
S1
0
V1
V2
Рисунок 4 – Изменение коэффициентов мощности взаимно-некоррелированных признаков
в ответ на ахроматическую ритмическую фотостимуляцию на частотах 2, 6, 10 Гц
Характерным различием в обеих группах являются разные уровни бета- и дельта-
активности в левом полушарии (ABS_bt2_S, ABS_dlt_S), причем показатели, отнесенные
к кластеру V1, превышают показатели, отнесенные к кластеру V2. В ответ на FST6
показатель ABS_bt2_S, отнесенный к кластеру V1, и показатель ABS_dlt_S, отнесенный к
обоим кластерам, увеличивались, а показатель kfc_11_D уменьшался. Уменьшение
kfc 11 (δ/θ) справа свидетельствует о том, что правое полушарие в ответ на FST6
генерирует преимущественно тета-активность.
По-разному в обеих группах выглядит соотношение α- и α1-ритмов. Так, kfc_14_D,
отнесенный к кластеру V1, превышает этот коэффициент, отнесенный к кластеру V2,
а kfc_14_S (V2) наоборот превышает kfc_14_S (V1).
На рис. 5 – 7 представлены для сравнения интервальные оценки (95 % доверительный
интервал) средних значений отдельных, в наибольшей степени отличающихся, коэффи-
циентов мощности (kfc_12, ABS_bt2_S, kfc_14_S) в ответ на фотостимуляцию,
различия средних значений этих показателей для двух кластеров статистически зна-
чимы, p < 0,05.
Применение метода нейросетевого моделирования для исследования…
«Штучний інтелект» 2’2008 85
3-Ч
kfc_12a
-0,3
-0,1
0,1
Fon FTS2 FTS6 FTS10
V1
V2
Рисунок 5 – Изменение коэффициента мощности kfc_12а в ответ на ахроматическую
ритмическую фотостимуляцию на частотах 2, 6, 10 Гц (p < 0,05 между v1 и v2)
ABS_bt2_S
0,8
1,2
1,6
Fon FTS2 FTS6 FTS10
V1
V2
Рисунок 6 – Изменение коэффициента мощности ABS_bt2_S в ответ на ахроматическую
ритмическую фотостимуляцию на частотах 2, 6, 10 Гц (p < 0,05 между v1 и v2)
kfc_14a_S
0,6
1
1,4
Fon FTS2 FTS6 FTS10
V1
V2
Рисунок 7 – Изменение коэффициента мощности kfc_14_S в ответ на
ахроматическую ритмическую фотостимуляцию на частотах 2, 6, 10 Гц
(p < 0,05 между v1 и v2)
Черний В.И., Острова Т.В., Качур И.В.
«Искусственный интеллект» 2’2008 86
3-Ч
Результаты кластеризации в пространстве коэффициентов когерентности. При про-
ведении кластерного анализа была построена нейронная сеть Кохонена с 20-ю нейронами
(5 признаков для 4-х видов записи ЭЭГ) во входном слое и двумя нейронами в выходном
(изменение количества нейронов выходного слоя не выявило наличия в многомерном
пространстве признаков значимо различающихся кластеров, в связи с чем разбиение
более чем на два кластера не проводилось).
После построения нейросетевой модели к первому кластеру – V1 было отнесено 33
случая, ко второму – V2 – 39 случаев.
На рис. 8 представлены положения центров кластеров в многомерном пространстве
признаков коэффициентов когерентности (в относительных единицах) в ответ на
фотостимуляцию.
Установлено также, что ЭЭГ организованного типа, характерная для здорового
человека, существенно отличается по ряду параметров когерентности: KG summ_alf,
KG summ_dlt, KG_f1f2, KGc3c4_mu, KG_c4o2.
Показатели KG summ_alf и KG summ_dlt, KG_c4o2, отнесенные к кластеру V1, пре-
вышают соответственно показатели KG summ_alf и KG summ_dlt, KG_c4o2, отнесенные
к кластеру V2. ЭЭГ организованного типа, характерная для здорового человека, реагирует
на FTS2 уменьшением уровня межполушарной когерентности KG_f1f2 в обеих группах.
0
0,3
0,6
0,9
K
G
su
m
m
_a
lf_
Fo
n
K
G
su
m
m
_a
lf_
FT
S2
K
G
su
m
m
_a
lf_
FT
S6
K
G
su
m
m
_a
lf_
FT
S1
0
K
G
su
m
m
_d
lt_
Fo
n
K
G
su
m
m
_d
lt_
FT
S2
K
G
su
m
m
_d
lt_
FT
S6
K
G
su
m
m
_d
lt_
FT
S1
0
K
G
_f
1f
2_
Fo
n
K
G
_f
1f
2_
FT
S2
K
G
_f
1f
2_
FT
S6
K
G
_f
1f
2_
FT
S1
0
K
G
c3
c4
_m
u_
Fo
n
K
G
c3
c4
_m
u_
FT
S2
K
G
c3
c4
_m
u_
FT
S6
K
G
c3
c4
_m
u_
FT
S1
0
K
G
_c
4o
2_
Fo
n
K
G
_c
4o
2_
FT
S2
K
G
_c
4o
2_
FT
S6
K
G
_c
4o
2_
FT
S1
0
V1
V2
Рисунок 8 – Изменение коэффициентов когерентности взаимно-некоррелированных
признаков в ответ на ахроматическую ритмическую фотостимуляцию на частотах
2, 6, 10 Гц
Таким образом, установлено, что ЭЭГ организованного типа, характерная для
здорового человека в ответ на ахроматическую ритмическую фотостимуляцию, при
проведении кластеризации испытуемых в многомерном пространстве признаков
Применение метода нейросетевого моделирования для исследования…
«Штучний інтелект» 2’2008 87
3-Ч
коэффициентов спектральной мощности и когерентности может дифференцироваться
только на два нейрона в выходном слое, которые существенно отличаются по ряду
параметров (kfc_1, kfc_5, kfc_12, kfc_11_D, ABS_dlt_Sin, ABS_bt2_S, kfc_14_D, kfc_14_S,
KG summ_alf, KG summ_dlt, KG_f1f2, KG c3c4_mu, KG_c4o2), и таким образом может
быть разделена на две группы.
Выводы
1. Таким образом, установлено, что для протоколов записей ЭЭГ спокойное бодрст-
вование организованного типа, характерного для здорового человека (I типа единой
классификации электрической активности головного мозга по классификации Е.А. Жир-
мунской, В.С. Лосева [8]), в многомерном пространстве признаков коэффициентов спект-
ральной мощности и когерентности может быть выделено 4 различные группы, у которых
изменения электрической активности мозга укладывались в понятие «норма».
2. Установлено, что ЭЭГ организованного типа, характерная для здорового человека
в ответ на ахроматическую ритмическую фотостимуляцию, при проведении кластериза-
ции испытуемых в многомерном пространстве признаков коэффициентов спектральной
мощности и когерентности может дифференцироваться только на два нейрона в выход-
ном слое, и таким образом может быть разделена на две группы.
3. На основании проведенного анализа построена нейросетевая модель (нейронная
сеть Кохонена), которая позволяет автоматически классифицировать электроэнцефало-
граммы организованного типа.
Литература
1. Острова Т.В., Черній В.І., Шевченко А.І. Алгоритм діагностики реактивності ЦНС методами штучного
інтелекту / За редакцією академіка АМН України В.М. Казакова. – Донецьк: ІПШІ «Наука і освіта»,
2004. – 178 с.
2. Черній В.І., Статінова О.А., Острова Т.В. Деклараційний патент на корисну модель «Способ інтеграль-
ного кільсного анализу електричної активності головного мозгу». Затвердженно 26 липня 2005
року; 9648; А61В5/0476; Бюл. № 10.
3. Справочник по прикладной статистике: В 2 т.: Пер с англ. / Под ред. Э. Лойда, У. Ледермана,
С.А. Айвазяна, Ю.Н. Тюрина. – М.: Финансы и статистика, 1990.
4. Ежов А., Чечеткин В. Нейронные сети в медицине // Открытые системы. – 1997. – № 4. – С. 34-37.
5. Применение математических методов в исследованиях по физиологии человека / Под ред.
В.Н. Казакова. – Серия «Очерки биологической и медицинской информатики». – Донецк: Изд-во
Донецкого государственного медицинского университета им. М. Горького, 2000. – 84 с.
6. Уоссермен Ф. Нейрокомпьютерная техника. – М.: Мир, 1992. – 124 с.
7. Краткое руководство по SNN, «Нейронные сети» STATISTICA. – StatSoft Russia, 1998. – 355 с.
8. Жирмунская Е.А., Лосев В.С. Системы описания и классификация электроэнцефалограмм
человека. – М.: Наука, 1984. – 79 с.
9. Лях Ю.Е., Гурьянов В.Г. Обоснование выбора оптимального числа кластеров для метода самооргани-
зующихся карт Кохонена // Клиническая информатика и телемедицина. – 2005. – Т. 2, № 1. – С. 124.
10. Клиническое руководство по черепно-мозговой травме / Под. ред. А.Н. Коновалова, Л.Б. Лихтермана,
А.А. Потапова. – М.: Антидор, 1998. – Т. I. – С. 361-394.
В.І. Черній, Т.В. Острова, І.В. Качур
Застосування методу нейромережного моделювання для дослідження електричної активності
мозку людини, що укладається в поняття «норма»
У статті проведений нейромережний аналіз електричної активності мозку людини, що укладається в
поняття «норма». Побудована нейромережна модель (нейронна мережа Кохонена), яка дозволяє
автоматично класифікувати електроенцефалограми організованого типу.
Статья поступила в редакцию 08.05.2008.
|
| id | nasplib_isofts_kiev_ua-123456789-6716 |
| institution | Digital Library of Periodicals of National Academy of Sciences of Ukraine |
| issn | 1561-5359 |
| language | Russian |
| last_indexed | 2025-11-25T22:51:37Z |
| publishDate | 2008 |
| publisher | Інститут проблем штучного інтелекту МОН України та НАН України |
| record_format | dspace |
| spelling | Черний, В.И. Острова, Т.В. Качур, И.В. 2010-03-15T14:07:13Z 2010-03-15T14:07:13Z 2008 Применение метода нейросетевого моделирования для исследования электрической активности мозга человека, укладывающейся в понятие «норма» / В.И. Черний, Т.В. Острова, И.В. Качур // Штучний інтелект. — 2008. — № 2. — С. 76-87. — Бібліогр.: 10 назв. — рос. 1561-5359 https://nasplib.isofts.kiev.ua/handle/123456789/6716 612.822.3:51+616.8-009.83 В статье проведен нейросетевой анализ электрической активности мозга человека, укладывающейся в понятие «норма». Построена нейросетевая модель (нейронная сеть Кохонена), которая позволяет автоматически классифицировать электроэнцефалограммы организованного типа. У статті проведений нейромережний аналіз електричної активності мозку людини, що укладається в поняття «норма». Побудована нейромережна модель (нейронна мережа Кохонена), яка дозволяє автоматично класифікувати електроенцефалограми організованого типу. ru Інститут проблем штучного інтелекту МОН України та НАН України Системы и методы искусственного интеллекта Применение метода нейросетевого моделирования для исследования электрической активности мозга человека, укладывающейся в понятие «норма» Застосування методу нейромережного моделювання для дослідження електричної активності мозку людини, що укладається в поняття «норма» Article published earlier |
| spellingShingle | Применение метода нейросетевого моделирования для исследования электрической активности мозга человека, укладывающейся в понятие «норма» Черний, В.И. Острова, Т.В. Качур, И.В. Системы и методы искусственного интеллекта |
| title | Применение метода нейросетевого моделирования для исследования электрической активности мозга человека, укладывающейся в понятие «норма» |
| title_alt | Застосування методу нейромережного моделювання для дослідження електричної активності мозку людини, що укладається в поняття «норма» |
| title_full | Применение метода нейросетевого моделирования для исследования электрической активности мозга человека, укладывающейся в понятие «норма» |
| title_fullStr | Применение метода нейросетевого моделирования для исследования электрической активности мозга человека, укладывающейся в понятие «норма» |
| title_full_unstemmed | Применение метода нейросетевого моделирования для исследования электрической активности мозга человека, укладывающейся в понятие «норма» |
| title_short | Применение метода нейросетевого моделирования для исследования электрической активности мозга человека, укладывающейся в понятие «норма» |
| title_sort | применение метода нейросетевого моделирования для исследования электрической активности мозга человека, укладывающейся в понятие «норма» |
| topic | Системы и методы искусственного интеллекта |
| topic_facet | Системы и методы искусственного интеллекта |
| url | https://nasplib.isofts.kiev.ua/handle/123456789/6716 |
| work_keys_str_mv | AT černiivi primeneniemetodaneirosetevogomodelirovaniâdlâissledovaniâélektričeskoiaktivnostimozgačelovekaukladyvaûŝeisâvponâtienorma AT ostrovatv primeneniemetodaneirosetevogomodelirovaniâdlâissledovaniâélektričeskoiaktivnostimozgačelovekaukladyvaûŝeisâvponâtienorma AT kačuriv primeneniemetodaneirosetevogomodelirovaniâdlâissledovaniâélektričeskoiaktivnostimozgačelovekaukladyvaûŝeisâvponâtienorma AT černiivi zastosuvannâmetoduneiromerežnogomodelûvannâdlâdoslídžennâelektričnoíaktivnostímozkulûdiniŝoukladaêtʹsâvponâttânorma AT ostrovatv zastosuvannâmetoduneiromerežnogomodelûvannâdlâdoslídžennâelektričnoíaktivnostímozkulûdiniŝoukladaêtʹsâvponâttânorma AT kačuriv zastosuvannâmetoduneiromerežnogomodelûvannâdlâdoslídžennâelektričnoíaktivnostímozkulûdiniŝoukladaêtʹsâvponâttânorma |