Интеллектуальные методы обработки сигналов электроэнцефалограммы головного мозга.

Description

Один из основных методов исследования целостная система деятельности человеческого мозга является методом электроэнцефалография (ЭЭГ). Например, движения глаз, мигание, активность очага, мышечная активность, влияющая на сигнал ЭЭГ вмешиваться в деятельность головного мозга.  Разработка модели интеллектуальной нейронной сети, направленной на обнаружение артефактов в сигналах ЭЭГ. Серия экспериментов были проведены для изучения эффективности различных архитектуры нейронных сетей для задачи обнаружения артефактов. В результате показатели производительности для разных методов машинного обучения были получены. Нейронная сетьk модель на базе U — netархитектура с рекуррентным nэлементы сети . Система выявляет артефакты в сигналах ЭЭГ с помощью модели с 128 каналами и точностью 70%. Система может использоваться как вспомогательный прибор для анализа сигналов ЭЭГ .

Электроэнцефалография проверяет количественные и качественный анализ человека , функциональность мозга и его реакции на стимуляторы. Электроэнцефалограмма (ЭЭГ) – это важное для мозговой деятельности и распознавание поведения, то есть всегда являются артефактами в записях электрической активности, которые имеют влияние на сигнал ЭЭГ анализ.
Измерительные инструменты , включая дефектные электроды, помехи и высокое сопротивление электродов могут быть причиной возникновения артефакта. Эти артефакты могут быть распознаны более точная система записи, но физиологических артефактов больше сложный. Движение глаз , мерцание, очаг действия , мышцы активность, которая влияет на сигнал ЭЭГ, мешает нейделовая активность и может использоваться как обычный фeномен . Артефакт – это сигнал, вызванный вне мозговым источником ,наблюдается при записи ЭЭГ. Они определяют физические и физиологические причины артифакта. Артефакты, полученные во время электроэнцефалографическое исследование представляет собой запись дефектов . Записи современного электроэнцефалографического оборудования экстремальный малые l значения изменений биоэлектрических потенциалов, и поэтому истинная запись ЭЭГ порядок может быть искажен из-за воздействия различных физических (технических) или физиологической артефакты. В некоторых случаях такие артефакты можно удалить с помощью аналого — цифровых преобразователей и различных фильтров, а если артефакт совпадает по характеристикам частоты волны с реальным регистрации ЭЭГ, то эти методы становятся малоэффективными.

ЭЭГ – это инструмент для психофизиологических исследований . Однако, фильтрация записей часто осуществляется высококвалифицированными профессионалами и занимает много временит ,ресурсов и специальной фильтрации техники . В этих условиях развитие эффективных фильтр данных ЭЭГ кольцевыми методами является актуальной задачей. Быстрое развитие дешевых высоких параллельных вычислений инфраструктуры, мощные алгоритмы обучения и большие данные вызвали огромный прогресс в обучении. Современные подходы автоматического режима использования ЭЭГ ,методы, такие как нейронные сети . Машинное обучение и нейронная сеть, определяют перспективу исследований автоматического распознавания артефактов. Существует пять основных алгоритмов , которые широко используются в классификаторы: • Линейный классификатор . Он более популярен в онлайне приложения, в том числе реальные -приложения времени. Один из самых эффективных методов суппорт вектор машина ,которая обычно лучше, чем другие классификаторы. • Нейронные сети [. Их наиболее частые методы анализа временных рядов — это такие архитектуры, как сверточная нейронная сеть и рекуррентные нервные сети. • Нелинейный классификатор . Общие методы скрыты Марковские модели и байесовские классификаторы.. Эти классификаторы основаны на соседнем значения расстояния. • Комбинации классификаторов. Этот метод сочетает в себе различных классификаторов и демонстрирует хорошую эффективность для автономных приложений. Благодаря классификации в реальном времени описанные методы классификатора являются более оптимальными для анализа сигналов ЭЭГ. Задача машины в теме обучения с учителем найти взаимосвязь между отдельными данными, чтобы определить паттерны, чтобы выбрать шаблоны, чтобы oупорядочить данные или описывать их структуру, а также для классификации данных. Цель исследования — разработка интеллектуальных инструментов на основе технологии нейронных сетей обучения, которых могут распознавать артефакты на ЭЭГ, полученные по 64 каналам электроэнцефалограф.

Если у Вас появилась заинтересованность в данной нейронной сети, и она может помочь Вам в реализации Ваших бизнес и других технических задачах, пожалуйста отправьте заявку на email info@ai2b.ru , или позвоните по телефону 8(495)661-61-09