författare: Ling, Zou; Yue, Chen; Wenjie, Li; Fläkt, Jing
Källa: Journal of Medical Imaging and Health Informatics, Volym 5, nummer 7, november 2015, s. 1499-1503 (5)
Utgivare: Amerikanska vetenskapliga förlag
Sammanfattning:
I detta dokument registrerades elektroencefalogram (EEG) signaler från tio friska och tio Internet Addiction (IA) -påverkade universitetsstudenter under ett visuellt oddball-paradigm. Först förbehandlades de ursprungliga signalerna för att ta bort vissa artefakter med hjälp av ICA-algoritmen (Independent Component Analysis). Därefter användes den huvudsakliga komponentanalysen (PCA) för att välja en delmängd av kanaler som bevarar det mesta av informationen jämfört med hela uppsättningen av 64 kanaler. Slutligen extraherades funktioner från P300-vågor från de händelsesrelaterade potentialerna (ERP) och jämfördes mellan ERP: erna och ERP: erna, samt över IA-gruppen och kontrollgruppen. De extraherade funktionerna användes vidare för att utbilda fyra klassificeringsapparater: Fisher Linear Discriminate Analysis (FLDA), Back Propagation (BP) Neural Network, Bayesian Classifier (BC) och Bayesian Regularization Back Propagation (BRBP) Neural Network. De aktiva kanalerna var belägna i frontal-, parietal-, occipital- och parietal-occipitalområdena för både friska och IA-drabbade universitetsstudenter. Latensen för 42 försöks genomsnittliga ERP under målstimulering var längre än för 558 försöks genomsnittliga ERP under icke-målstimulering (sid 0.05) och amplituden för 42 försöks genomsnittliga ERP under målstimulering var större än för 558 försöks genomsnittliga ERP under icke-mål (sid 0.05). Det visade signifikant skillnad i P300-amplituder mellan friska försökspersoner och Internetadditioner. Amplituden av Internet-tillägg var lägre (sid 0.05). Klassificeringsnoggrannheten kunde nå över 93% med Bayesian-baserad metod i aktiva områden, medan den var lägre än 90% i centrala områden. Resultaten visar att det finns negativa påverkningar på hjärnansvar och minnesförmåga hos IA-drabbade universitetsstudenter. Uppsatsen behandlar praktisk implementering av digitalt filter för att undertrycka 50 Hz effektbrus med heltalsfaktorer. Mycket snabb och enkel lösning gör det möjligt att undertrycka både grundläggande och harmoniska komponenter i kraftbrus med olinjära snedvridningar. Verkliga EKG-signaler användes för att testa effektiviteten av undertryckning av kraftbrus. Noggrannhet utvärderas för sinusformad och rektangulär brusvåg.
Nyckelord: KANALVAL; EVENTRELATERADE POTENTIAL; OAVHÄNDIGT KOMPONENTANALYS; P300; MÖNSTERIGENKÄNNING
Dokumenttyp: Forskningsartikel
DOI: https://doi.org/10.1166/jmihi.2015.1570
Publiceringsdatum: november 1, 2015
;
