Análise EEG - EEG analysis

A análise de EEG está explorando métodos matemáticos de análise de sinais e tecnologia de computador para extrair informações de sinais de eletroencefalografia (EEG). Os objetivos da análise EEG são ajudar os pesquisadores a obter uma melhor compreensão do cérebro ; auxiliar os médicos nas escolhas de diagnóstico e tratamento ; e para impulsionar a tecnologia de interface cérebro-computador (BCI). Existem muitas maneiras de categorizar aproximadamente os métodos de análise de EEG. Se um modelo matemático é explorado para ajustar os sinais de EEG amostrados, o método pode ser categorizado como paramétrico , caso contrário, é um método não paramétrico. Tradicionalmente, a maioria dos métodos de análise de EEG se enquadra em quatro categorias: domínio do tempo , domínio da frequência , domínio da frequência do tempo e métodos não lineares . Existem também métodos posteriores, incluindo redes neurais profundas (DNNs).

Métodos

Métodos de domínio de frequência

A análise no domínio da frequência, também conhecida como análise espectral, é o método mais convencional e ainda um dos mais poderosos e padrão para análise de EEG. Ele fornece uma visão das informações contidas no domínio da frequência das formas de onda de EEG, adotando métodos estatísticos e da Transformada de Fourier . Entre todos os métodos espectrais, a análise espectral de potência é o mais comumente usado, uma vez que o espectro de potência reflete o 'conteúdo de frequência' do sinal ou a distribuição da potência do sinal sobre a frequência.

Métodos de domínio do tempo

Existem dois métodos importantes para a análise de EEG no domínio do tempo: Predição Linear e Análise de Componentes . Geralmente, a Predição Linear fornece o valor estimado igual a uma combinação linear do valor de saída anterior com o valor de entrada atual e passado. E a Análise de Componentes é um método não supervisionado no qual o conjunto de dados é mapeado para um conjunto de recursos. Notavelmente, os parâmetros nos métodos do domínio do tempo são inteiramente baseados no tempo, mas também podem ser extraídos de momentos estatísticos do espectro de potência. Como resultado, o método de domínio do tempo constrói uma ponte entre a interpretação física do tempo e a análise espectral convencional. Além disso, os métodos no domínio do tempo oferecem uma forma de medição on-line das propriedades básicas do sinal por meio de um cálculo baseado no tempo, o que requer um equipamento menos complexo em comparação com a análise de frequência convencional.

Métodos de domínio de frequência de tempo

A Transformada Wavelet , um método típico de domínio de frequência de tempo, pode extrair e representar propriedades de sinais biológicos transitórios. Especificamente, por meio da decomposição de wavelet dos registros de EEG, as características transitórias podem ser capturadas com precisão e localizadas no contexto de tempo e frequência. Assim, a transformada Wavelet é como um microscópio matemático que pode analisar diferentes escalas de ritmos neurais e investigar oscilações em pequena escala dos sinais cerebrais, enquanto ignora a contribuição de outras escalas. Além da Transformada Wavelet , há outro método proeminente de frequência de tempo chamado Transformada de Hilbert-Huang , que pode decompor os sinais de EEG em um conjunto de componentes oscilatórios chamados de Função de Modo Intrínseco (IMF) para capturar dados de frequência instantânea.

Métodos não lineares

Muitos fenômenos da natureza são não lineares e não estacionários, assim como os sinais de EEG. Este atributo adiciona mais complexidade à interpretação dos sinais de EEG, tornando os métodos lineares (métodos mencionados acima) limitados. Desde 1985, quando dois pioneiros na análise de EEG não linear, Rapp e Bobloyantz, publicaram seus primeiros resultados, a teoria dos sistemas dinâmicos não lineares, também chamada de ' teoria do caos ', tem sido amplamente aplicada ao campo da análise de EEG. Para conduzir a análise de EEG não linear, os pesquisadores adotaram muitos parâmetros não lineares úteis, como o expoente de Lyapunov , a dimensão de correlação e as entropias como a entropia aproximada e a entropia da amostra .

Métodos ANN

A implementação de Redes Neurais Artificiais (RNA) é apresentada para classificação de sinais de eletroencefalograma (EEG). Na maioria dos casos, os dados de EEG envolvem um pré-processo de transformação wavelet antes de colocá-los nas redes neurais. RNN ( redes neurais recorrentes ) já foi consideravelmente aplicado em estudos de implementações de RNA em análise de EEG. Até o boom do aprendizado profundo e da CNN ( Redes Neurais Convolucionais ), o método CNN se tornou um novo favorito em estudos recentes de análise de EEG que empregam o aprendizado profundo. Com o treinamento recortado para que o CNN profundo alcance precisões competitivas no conjunto de dados, o CNN profundo apresentou um desempenho de decodificação superior. Além disso, os grandes dados EEG, como a entrada da RNA, exigem a necessidade de armazenamento seguro e recursos computacionais elevados para processamento em tempo real. Para enfrentar esses desafios, um aprendizado profundo baseado em nuvem foi proposto e apresentado para análise em tempo real de grandes dados de EEG.

Formulários

Clínico

A análise EEG é amplamente utilizada no diagnóstico e avaliação de doenças cerebrais. No domínio das crises epilépticas , a detecção de descargas epileptiformes no EEG é um componente importante no diagnóstico da epilepsia. Análises cuidadosas dos registros de EEG podem fornecer informações valiosas e melhor compreensão dos mecanismos que causam distúrbios epilépticos. Além disso, a análise EEG também ajuda muito na detecção da doença de Alzheimer , tremor , etc.

BCI (interface cérebro-computador)

Os registros de EEG durante a imagiologia motora direita e esquerda permitem estabelecer um novo canal de comunicação. Com base na análise de EEG em tempo real com padrões espaciais específicos do sujeito, uma interface cérebro-computador (BCI) pode ser usada para desenvolver uma resposta binária simples para o controle de um dispositivo. Tal BCI baseado em EEG pode ajudar, por exemplo, pacientes com esclerose lateral amiotrófica, em algumas atividades diárias.

Ferramenta de análise

Brainstorm é um aplicativo colaborativo de código aberto dedicado à análise de gravações cerebrais, incluindo MEG , EEG, fNIRS , ECoG , eletrodos de profundidade e neurofisiologia invasiva animal. O objetivo do Brainstorm é compartilhar um conjunto abrangente de ferramentas fáceis de usar com a comunidade científica usando MEG / EEG como técnica experimental. O Brainstorm oferece uma interface gráfica rica e intuitiva para médicos e pesquisadores, que não requer nenhum conhecimento de programação. Algum outro software de análise de código aberto relativo inclui FieldTrip, etc.

Outros

Combinada com a análise de expressões faciais, a análise de EEG oferece a função de detecção contínua de emoções, que pode ser usada para encontrar os traços emocionais de vídeos. Algumas outras aplicações incluem mapeamento cerebral baseado em EEG, criptografador baseado em EEG personalizado, sistema de anotação de imagem baseado em EEG, etc.

Veja também

Referências

links externos