Autoři: Ling, Zou; Yue, Chen; Wenjie, Li; Ventilátor, Jing
Zdroj: Žurnál lékařského zobrazování a zdravotnické informatiky, Svazek 5, Číslo 7, Listopad 2015, str. 1499-1503 (5)
Vydavatel: American Scientific Publishers
Abstrakt:
V tomto článku byly signály elektroencefalogramu (EEG) zaznamenány od deseti zdravých a deseti studentů univerzity závislých na internetu (IA) během paradigmatu vizuálního podivína. Nejprve byly původní signály předzpracovány, aby se odstranily některé artefakty pomocí algoritmu ICA (Independent Component Analysis). Poté byla použita analýza hlavních komponent (PCA) k výběru podmnožiny kanálů, které zachovají většinu informací ve srovnání s úplnou sadou 64 kanálů. Nakonec byly vlastnosti vln P300 extrahovány z potenciálů souvisejících s událostmi (ERP) a porovnány napříč cílovými ERP a necílovými ERP, stejně jako napříč skupinou IA a kontrolní skupinou. Extrahované funkce byly dále použity k trénování čtyř klasifikátorů: Fisher Linear Discriminate Analysis (FLDA), Back Propagation (BP) Neural Network, Bayesian Classifier (BC) a Bayesian Regularization Back Propagation (BRBP) Neural Network. Aktivní kanály byly umístěny ve frontální, parietální, okcipitální a parietálně-okcipitální oblasti pro zdravé i IA postižené studenty univerzity. Latence 42 průměrovaných ERP při stimulaci cíle byla delší než u 558 průměrných ERP při necílové stimulaci (str 0.05) a amplituda průměrných ERP 42 pokusů pod stimulací cíle byla větší než amplituda průměrných ERP 558 pokusů pod necílením (str 0.05). Ukázala významný rozdíl v amplitudách P300 mezi zdravými subjekty a subjekty s internetovým přídavkem. Amplitudy internetového přírůstku byly nižší (str 0.05). Přesnost klasifikace by mohla dosáhnout nad 93% pomocí bayesovské metody v aktivních oblastech, zatímco v centrálních oblastech byla nižší než 90%. Výsledky ukazují, že existují negativní vlivy na mozkovou odezvu a paměťové schopnosti vysokoškolských studentů postižených IA. Příspěvek se zabývá praktickou implementací digitálního filtru pro potlačení výkonového šumu 50 Hz pomocí filtrů s celočíselnými koeficienty. Velmi rychlé a jednoduché řešení umožňuje potlačit jak základní, tak harmonické složky energetického šumu s nelineárními zkreslením. Skutečné signály EKG byly použity k testování účinnosti potlačení šumu energie. Přesnost je hodnocena pro základní sinusovou a obdélníkovou vlnu šumu.
Klíčová slova: VÝBĚR KANÁLU; POTENCIÁLY TÝKAJÍCÍ SE AKCÍ; NEZÁVISLÁ ANALÝZA KOMPONENTŮ; P300; ROZPOZNÁVÁNÍ VZORŮ
Typ dokumentu: Výzkumný článek
DOI: https://doi.org/10.1166/jmihi.2015.1570
Datum vydání: listopad 1, 2015
;