1. На главную
  2. Электронные версии
  3. Журнал высшей нервной деятельности им. И.П. Павлова
  4. T. 72, № 5, 2022

Журнал высшей нервной деятельности им. И.П. Павлова, 2022, T. 72, № 5, стр. 728-738

Влияние выбора стратегии формирования обучающего множества и способа фильтрации на эффективность имк, основанного на спектрометрии в ближнем инфракрасном диапазоне

М. Р. Исаев 1, 2, *, П. Д. Бобров 1, 2

1 Институт высшей нервной деятельности и нейрофизиологии Российской академии наук
Москва, Россия

2 Российский национальный исследовательский медицинский университет им. Н.И. Пирогова
Москва, Россия

* E-mail: isaev.mikhail@ihna.ru

Поступила в редакцию 11.04.2022
После доработки 15.06.2022
Принята к публикации 27.06.2022

Аннотация

В работе предлагается алгоритм работы интерфейса мозг–компьютер, основанного на регистрации гемодинамической активности с помощью спектрометрии в ближнем инфракрасном диапазоне (БИКС), который адаптирован для применения в целях реабилитации двигательных нарушений. Алгоритм включает способ фильтрации, учитывающий частоту предъявления инструкций с целью минимизации временной задержки в целевом частотном диапазоне, последовательную классификацию состояния покоя и выполняемых мысленных задач, а также дообучение классификатора интерфейса на ранее полученных данных. Влияние предложенного способа фильтрации, дообучения и выбора меньшего числа каналов на точность распознавания воображаемых движений оценивается на данных трех серий экспериментов, проведенных ранее в лаборатории с участием здоровых добровольцев. Показано, что удаление шумовых низкочастотных составляющих сигнала БИКС с помощью предложенной фильтрации значимо увеличивает точность классификации, как и дообучение на предыдущих сессиях того же человека, а число каналов регистрации можно уменьшить без потери точности распознавания.

Ключевые слова: интерфейс мозг–компьютер, спектрометрия ближнего инфракрасного диапазона, воображение движений, фильтрация

Список литературы

  1. Бобров П.Д., Исаев М.Р., Коршаков А.В., Оганесян В.В., Керечанин Я.В., Поподько А.И., Фролов А.А. Источники электрофизиологической и фокусы гемодинамической активности мозга, значимые для управления гибридным интерфейсом мозг-компьютер, основанным на распознавании паттернов ЭЭГ и спектрограмм ближнего инфракрасного диапазона при воображении движений. Физиология человека. 2016. 42(3): 12–24.

  2. Исаев М.Р., Оганесян В.В., Гусек Д., Снашел В. Моделирование распространения излучения в тканях головы с учетом анизотропии рассеяния для оптимизации расположения приемников и источников излучения в интерфейсе мозг-компьютер, основанном на ближней инфракрасной спектроскопии. Журн. высш. нерв. деят. им. И.П. Павлова. 2017. 67(4): 546–553.

  3. Фролов А.А., Мокиенко О.А., Люкманов Р.Х., Черникова Л.А., Котов С.В., Турбина Л.Г., Бобров П.Д., Бирюкова Е.В., Кондур А.А., Иванова Г.Е., Старицын А.Н., Бушкова Ю.В., Джалагония И.З., Курганская М.Е., Павлова О.Г., Будилин С.Ю., Азиатская Г.А., Хижникова А.Е., Червяков А.В., Лукьянов А.Л., Надарейшвили Г.Г. Предварительные результаты контролируемого исследования эффективности технологии ИМК–экзоскелет при постинсультном парезе руки. Вестник Российского государственного медицинского университета. 2016. 2: 16–23.

  4. Ang K., Guan C. Brain–computer interface in stroke rehabilitation. Journal of Computing Science and Engineering. 2013. 7(2): 139–146.

  5. Bai Z., Fong K.N., Zhang J.J., Chan J., Ting K.H. Immediate and long–term effects of BCI–based rehabilitation of the upper extremity after stroke: a systematic review and meta–analysis. Journal of neuroengineering and rehabilitation. 2020. 17(1): 1–20.

  6. Benjamini Y., Yekutieli D. The control of the false discovery rate in multiple testing under dependency. Annals of statistics. 2001: 1165–1188.

  7. Cervera M.A., Soekadar S.R., Ushiba J., Millán J.D.R., Liu M., Birbaumer N., Garipelli G. Brain–computer interfaces for post–stroke motor rehabilitation: a meta–analysis. Annals of clinical and translational neurology. 2018. 5(5): 651–663.

  8. Chiarelli A.M., Croce P., Merla A., Zappasodi F. Deep learning for hybrid EEG–fNIRS brain–computer interface: application to motor imagery classification. Journal of neural engineering. 2018. 15(3): 036028.

  9. Congedo M., Barachant A., Bhatia R. Riemannian geometry for EEG–based brain–computer interfaces; a primer and a review. Brain–Computer Interfaces. 2017. 4(3): 155–174.

  10. Delpy D.T., Cope M., van der Zee P., Arridge S., Wray S., Wyatt J.S. Estimation of optical pathlength through tissue from direct time of flight measurement. Physics in Medicine & Biology. 1988. 33(12): 1433.

  11. Engemann D.A., Raimondo F., King J.-R., Rohaut B., Louppe G., Faugeras F., Annen J., Cassol H., Gosseries O., Fernandez-Slezak D., Laureys S., Naccache L., Dehaene S., Sitt J.D. Robust EEG-based cross-site and cross-protocol classification of states of consciousness. Brain. 2018, 141(11): 3179–3192.

  12. Frolov A., Mokienko O., Lyukmanov R., Biryukova E., Kotov S., Turbina L., Nadareyshvily G., Bushkova Y. Post–stroke rehabilitation training with a motor–imagery-based brain–computer interface (BCI)–controlled hand exoskeleton: a randomized controlled multicenter trial. Frontiers in neuroscience. 2017. 11: 400.

  13. Ge S., Yang Q., Wang R., Lin P., Gao J., Leng Y., Yang Y., Wang H. A brain–computer interface based on a few–channel EEG–fNIRS bimodal system. IEEE Access. 2017. 5: 208–218.

  14. Hramov A.E., Maksimenko V.A., Pisarchik A.N. Physical principles of brain–computer interfaces and their applications for rehabilitation, robotics and control of human brain states. Physics Reports. 2021. 918: 1–133.

  15. Hu X.S., Hong K.S., Ge S.S. fNIRS–based online deception decoding. Journal of Neural Engineering. 2012. 9(2): 026012.

  16. Liu Y., Ayaz H., Curtin A., Onaral B., Shewokis P.A. Towards a hybrid P300–based BCI using simultaneous fNIR and EEG. International Conference on Augmented Cognition. Springer, Berlin, Heidelberg, 2013: 335–344.

  17. Mihara M., Hattori N., Hatakenaka M., Yagura H., Kawano T., Hino T., Miyai I. Near–infrared spectroscopy–mediated neurofeedback enhances efficacy of motor imagery–based training in poststroke victims: a pilot study. Stroke. 2013. 44(4): 1091–1098.

  18. Naseer N., Hong K.S. fNIRS–based brain–computer interfaces: a review. Frontiers in human neuroscience. 2015. 9: 3.

  19. Peterson V., Nieto N., Wyser D., Gassert R., Lambercy O., Milone D.H., Spies R.D. Transfer learning based on optimal transport for motor imagery brain–computer interfaces. IEEE Transactions on Biomedical Engineering. 2021. 69(2): 807–817.

  20. Power S.D., Kushki A., Chau T. Towards a system–paced near–infrared spectroscopy brain–computer interface: differentiating prefrontal activity due to mental arithmetic and mental singing from the no-control state. Journal of neural engineering. 2011. 8(6): 066004.

  21. Ramadan R.A., Vasilakos A.V. Brain computer interface: control signals review. Neurocomputing. 2017. 223: 26–44.

  22. Rezazadeh S.A., Yousefi R., Wong A.T., Rudzicz F., Chau T. Development of a ternary hybrid fNIRS–EEG brain–computer interface based on imagined speech. Brain–Computer Interfaces. 2019. 6(4): 128–140.

  23. Rodrigues P.L.C., Jutten C., Congedo M. Riemannian procrustes analysis: transfer learning for brain–computer interfaces. IEEE Transactions on Biomedical Engineering. 2018. 66(8): 2390–2401.

  24. Saha S., Mamun K.A., Ahmed K., Mostafa R., Naik G.R., Darvishi S., Khandoker A.H., Baumert M. Progress in brain computer interface: challenges and opportunities. Frontiers in Systems Neuroscience. 2021: 4.

  25. Tomita Y., Vialatte F.B., Dreyfus G., Mitsukura Y., Bakardjian H., Cichocki A. Bimodal BCI using simultaneously NIRS and EEG. IEEE Transactions on Biomedical Engineering. 2014. 61(4): 1274–1284.

Дополнительные материалы отсутствуют.

Инструменты

предыдущая статья выпуска содержание выпуска

Журнал высшей нервной деятельности им. И.П. Павлова

Архивы выпусков Информация о журнале Отправить рукопись в журнал