Autori: Ling, Zou; Yue, Chen; Wenjie, Li; Fan, Jing
Fonte: Journal of Medical Imaging and Health Informatics, Volume 5, Number 7, novembre 2015, pp. 1499-1503 (5)
Editore: Editori scientifici americani
Abstract:
In questo articolo, i segnali dell'elettroencefalogramma (EEG) sono stati registrati da dieci studenti universitari sani e dieci affetti da Internet Addiction (IA) durante un paradigma visivo stravagante. Innanzitutto, i segnali originali sono stati preelaborati per rimuovere alcuni artefatti utilizzando l'algoritmo di analisi dei componenti indipendenti (ICA). Quindi, è stata impiegata la Principal Component Analysis (PCA) per selezionare un sottoinsieme di canali che conservano la maggior parte delle informazioni rispetto al set completo di 64 canali. Infine, le caratteristiche delle onde P300 sono state estratte dai potenziali correlati all'evento (ERP) e confrontate tra gli ERP target e gli ERP non target, nonché tra il gruppo IA e il gruppo di controllo. Le caratteristiche estratte sono state ulteriormente utilizzate per addestrare quattro classificatori: Fisher Linear Discriminate Analysis (FLDA), Back Propagation (BP) Neural Network, Bayesian Classifier (BC) e Bayesian Regularization Back Propagation (BRBP) Neural Network. I canali attivi erano localizzati nelle aree frontale, parietale, occipitale e parietale-occipitale sia per gli studenti universitari sani che per quelli affetti da IA. La latenza degli ERP medi di 42 prove sotto stimolazione target era maggiore di quella degli ERP medi di 558 prove sotto stimolazione non target (p 0.05), e l'ampiezza di ERP medi di 42 prove sotto stimolazione target era maggiore di quella di ERP medi di 558 prove sotto stimolazione non target (p 0.05). Ha mostrato una differenza significativa nelle ampiezze P300 tra soggetti sani e soggetti con aggiunta di Internet. Le ampiezze di Internet Addition erano inferiori (p 0.05). L'accuratezza della classificazione potrebbe raggiungere oltre il 93% utilizzando il metodo basato su bayesiano nelle aree attive, mentre era inferiore al 90% nelle aree centrali. I risultati mostrano che ci sono influenze negative sulla risposta del cervello e sulle capacità di memoria degli studenti universitari affetti da IA. L'articolo tratta l'implementazione pratica del filtro digitale per sopprimere il rumore di potenza 50 Hz utilizzando filtri a coefficienti interi. Una soluzione molto veloce e semplice consente di sopprimere i componenti di base e armonici del rumore di potenza con distorsioni non lineari. I segnali ECG reali sono stati utilizzati per testare l'efficacia della soppressione del rumore di potenza. L'accuratezza è valutata per un'onda di rumore sinusoidale e rettangolare di base.
parole chiave: SELEZIONE DEL CANALE; POTENZIALI CONNESSI AGLI EVENTI; ANALISI DEL COMPONENTE INDIPENDENTE; P300; RICONOSCIMENTO DEL MODELLO
Tipo di documento: ricerca articolo
DOI: https://doi.org/10.1166/jmihi.2015.1570
Data di pubblicazione: novembre 1, 2015
;