Elektroenzephalogramm-Merkmalserkennung und -klassifizierung bei Menschen mit Internet-Suchtstörungen mit visuellem Oddball-Paradigma (2015)

Autoren: Ling, Zou; Ja, Chen; Wenjie, Li; Fan, Jing

Quelle: Zeitschrift für Medizinische Bildgebung und Gesundheitsinformatik, Band 5, Nummer 7, November 2015, S. 1499-1503 (5)

Herausgeber: Amerikanische wissenschaftliche Verleger

Abstract:

In diesem Artikel wurden die Elektroenzephalogrammsignale (EEG) von zehn gesunden und zehn von Internetabhängigkeit (IA) betroffenen Universitätsstudenten während eines visuellen Oddball-Paradigmas aufgezeichnet. Zunächst wurden die ursprünglichen Signale vorverarbeitet, um einige Artefakte mithilfe des ICA-Algorithmus (Independent Component Analysis) zu entfernen. Dann wurde die Hauptkomponentenanalyse (PCA) verwendet, um eine Teilmenge von Kanälen auszuwählen, die den größten Teil der Informationen im Vergleich zum vollständigen Satz von 64 Kanälen erhalten. Schließlich wurden Merkmale von P300-Wellen aus den ereignisbezogenen Potenzialen (ERPs) extrahiert und zwischen den Ziel-ERPs und Nicht-Ziel-ERPs sowie zwischen der IA-Gruppe und der Kontrollgruppe verglichen. Die extrahierten Merkmale wurden weiter verwendet, um vier Klassifikatoren zu trainieren: Fisher Linear Discriminate Analysis (FLDA), neuronales Netzwerk für die Rückausbreitung (BP), Bayesian Classifier (BC) und neuronales Netzwerk für die Bayesian Regularization Back Propagation (BRBP). Die aktiven Kanäle befanden sich in den Bereichen Frontal, Parietal, Occipital und Parietal-Occipital sowohl für gesunde als auch für IA-betroffene Universitätsstudenten. Die Latenz der gemittelten ERPs von 42 Studien unter Zielstimulation war länger als die der durchschnittlichen ERPs von 558 Studien unter Nichtzielstimulation (p 0.05), und die Amplitude der gemittelten ERPs von 42 Studien unter Zielstimulation war größer als die der gemittelten ERPs von 558 Studien unter Nichtzielstimulation (p 0.05). Es zeigte einen signifikanten Unterschied in der P300-Amplitude zwischen gesunden Probanden und Internet-Addition-Probanden. Die Amplituden der Internet-Addition waren geringer (p 0.05). Die Klassifizierungsgenauigkeit könnte bei Bayes-basierter Methode in aktiven Gebieten über 93% liegen, während sie in zentralen Gebieten unter 90% lag. Die Ergebnisse zeigen, dass negative Auswirkungen auf die Gehirnreaktion und das Gedächtnisvermögen von IA-betroffenen Studenten auftreten. Die Arbeit befasst sich mit der praktischen Implementierung von Digitalfiltern, um das 50-Hz-Leistungsrauschen unter Verwendung von ganzzahligen Koeffizientenfiltern zu unterdrücken. Eine sehr schnelle und einfache Lösung ermöglicht die Unterdrückung sowohl der Grund- als auch der Oberwellenkomponenten von Leistungsrauschen mit nichtlinearen Verzerrungen. Reale EKG-Signale wurden verwendet, um die Wirksamkeit der Geräuschunterdrückung zu testen. Die Genauigkeit wird für grundlegende sinusförmige und rechteckige Rauschwellen bewertet.

Stichwort: KANALAUSWAHL; EREIGNISBEZOGENE POTENTIALS; UNABHÄNGIGE KOMPONENTENANALYSE; P300; MUSTERERKENNUNG

Dokumententyp: Forschungsartikel

DOI: https://doi.org/10.1166/jmihi.2015.1570

Erscheinungsdatum: November 1, 2015