fbpx
维基百科

腦波分析

九月 15, 2023

腦波分析（EEG analysis）也稱為腦電圖分析，是用數學的信号处理以及電腦科技，從腦電圖（EEG）信號中提取相關資訊。腦波分析的目的是幫助研究者對人腦有進一步的瞭解，輔助医生的诊断以及疗法的選擇，並且提昇脑机接口（英語：Brain-computer Interface, 簡稱BCI）的技術。腦波分析的技術有許多分類的方式，若是要從腦電圖信號中找到大致符合腦電圖信號的数学模型[1]，此方法可以分類為參數型，否則，就是非參數型的方式。傳統上，大部份的腦波分析方法可以分為四類:時域、頻域、時頻分析及非線性方法[2]，也有一些較新的方法，包括使用深度学习（DNNs）的方法。

方法 编辑

頻域法 编辑

頻域分析也稱為頻譜分析（spectral analysis），是腦波分析的標準作法中，最有功效也方便的方法之一。頻域分析會用統計及傅里叶变换找在頻域中的腦波波形包含的資訊[2]。頻域分析方式有許多種，最常用的是功率譜分析，因為功率譜密度反映信號的頻率成份，也反映了信號功率在各頻率上的分佈[3]。

時域法 编辑

時域法的腦波分析中有兩種重要的分析方法：线性预测及成份分析（英语：Component analysis (statistics)s）。一般來說，线性预测會用過去的輸出值和過去及現在的輸入值進行線性組合，得到估計值。而成份分析（英语：Component analysis (statistics)）是一種無監督的方式，將資料集映射到某特徵集中[2]。時域法的參數都完全以時間為基礎，不過也可以從功率譜的統計矩中提取。因此，時域法可以建立實際的時間詮釋以及傳統的頻域分析之間的媒介[4]。此外，時域法提供連續量測基本信號特性的方式，其方法都是用到以時間為基礎的計算，相較於傳統的頻域分析來說，以時間為基礎的計算所需要的設備比較簡單[4]。

時頻域方法 编辑

小波轉換是典型的時頻域方法，可以從暫態的生物信號中抽取出一些特性。將腦波記錄進行小波分解，可以準確的找到暫態的特徵，也可以確定其時間及頻率的內容[5]，因此小波轉換像是數學顯微鏡，可以分析神經節律的不同尺度，研究腦信號的小幅振盪，並且忽略其他的成份[5][6]。除了小波轉換外，有另一種主要的時頻域方法，稱為希爾伯特-黃轉換，可以將腦波信號分解為一組振盪成份，稱為本質模態函數（英語：Intrinsic Mode Function, 簡稱IMF），以取得瞬時頻率的資料，[2][7]。

非線性方法 编辑

許多自然界的現象是非線性且不穩定的，腦波信號也是如此，因此讓腦波信號的解釋更加的複雜，也讓上述的線性方法受到限制。自1985年起，非線性腦波分析的先驅Rapp及Bobloyantz發表了他們第一篇非線性動態系統（混沌理论）研究結果，非線性腦波分析被廣泛應用在腦波分析領域[8]。為了要使用非線性腦波分析，研究者已找到許多有用的非線性參數，例如李亚普诺夫指数、相關維數（英语：Correlation Dimension），以及像是近似熵（英语：Approximate Entropy）及樣本熵（英语：Sample Entropy）等熵[2][9]。

人工神经网络 编辑

人工神经网络（ANN）已有用在腦電圖的分類上。大部份的應用中，腦電圖資料在進入神经网络分析前，需要經過小波轉換的前處理[10][11]。一度也很常會使用循环神经网络（RNN）在人工神经网络的腦電圖分析上[11][12]。一直到深度学习以及卷积神经网络（CNN）興起後，卷积神经网络成為近來用深度學習進行腦電圖分析的新寵。靠著資料集對深層卷积神经网络進行裁剪訓練，達到更好的準確性，深度卷积神经网络可以有較好的解碼性能[13]，此外，大量的腦電圖資料作為人工神经网络的輸入，需要有安全的儲存方式，以及實時運算上的高運算資源需求。為了處理這些挑戰，已提出將雲端深度學習，用在大量腦電圖資料的實時分析上[14]。

應用 编辑

臨床 编辑

腦電圖分析常用在大腦相關疾病的診斷及預測上。例如對於癲癇發作的診斷，偵測腦電圖中的癲癇樣放電是很重要的一部份。詳細分析腦電圖有助於得知產生癲癇疾病的原因，並且了解其中的機制[11]。此外，腦電圖分析也對阿茲海默症[15]、顫抖的檢測有幫助。

腦機介面 编辑

透過運動心像，想像右側及左側身體運動時的腦電圖紀錄，可以建立新的和機器溝通的介面[16]。根據特定空間動作下的實時腦電圖分析，可以用脑机界面（BCI）發展以簡單二元反應控制的設備。例如，肌萎缩性脊髓侧索硬化症的患者可以在基於腦電圖的腦機介面的幫助下，進行一些日常活動。

分析工具 编辑

Brainstorm 是一個協作開源的應用程式，致力於分析大腦訊號，包括腦磁波儀（MEG），腦電圖，功能性近紅外線光譜（英语：Functional near-infrared spectroscopy）（fNIRS），皮層電描技術（英语：Electrocorticography）（ECoG），深度電極和動物侵入性神經生理學。[17]Brainstorm目標在於將腦磁波儀及腦電圖作為實驗技術，與科學社群共享一個全面且方便的工具。其他也有像FieldTrip（英语：FieldTrip）等的開源分析應用程式。

其他 编辑

腦電圖分析配合面部表情分析，透過連續的檢測情感，可以用在檢測影片中的情感[18]。其他的應用包括基於腦電圖的大腦映射、個人化加密、圖像註釋系統等。

相關條目 编辑

參考資料 编辑

  1. ^ Pardey, J.; Roberts, S.; Tarassenko, L. A review of parametric modelling techniques for EEG analysis. Medical Engineering & Physics. January 1996, 18 (1): 2–11. ISSN 1350-4533. doi:10.1016/1350-4533(95)00024-0. 
  2. ^ 2.0 2.1 2.2 2.3 2.4 Acharya, U. Rajendra; Vinitha Sree, S.; Swapna, G.; Martis, Roshan Joy; Suri, Jasjit S. Automated EEG analysis of epilepsy: A review. Knowledge-Based Systems. June 2013, 45: 147–165. ISSN 0950-7051. doi:10.1016/j.knosys.2013.02.014. 
  3. ^ Dressler, O.; Schneider, G.; Stockmanns, G.; Kochs, E.F. Awareness and the EEG power spectrum: analysis of frequencies. British Journal of Anaesthesia. December 2004, 93 (6): 806–809. ISSN 0007-0912. PMID 15377585. doi:10.1093/bja/aeh270. 
  4. ^ 4.0 4.1 Hjorth, Bo. EEG analysis based on time domain properties. Electroencephalography and Clinical Neurophysiology. September 1970, 29 (3): 306–310. ISSN 0013-4694. doi:10.1016/0013-4694(70)90143-4. 
  5. ^ 5.0 5.1 Adeli, Hojjat; Zhou, Ziqin; Dadmehr, Nahid. Analysis of EEG records in an epileptic patient using wavelet transform. Journal of Neuroscience Methods. February 2003, 123 (1): 69–87. ISSN 0165-0270. PMID 12581851. doi:10.1016/s0165-0270(02)00340-0. 
  6. ^ Hazarika, N.; Chen, J.Z.; Ah Chung Tsoi; Sergejew, A. Classification of EEG signals using the wavelet transform 1. IEEE. 1997: 89–92. ISBN 978-0780341371. doi:10.1109/icdsp.1997.627975.  |journal=被忽略 (帮助)
  7. ^ Pigorini, Andrea; Casali, Adenauer G.; Casarotto, Silvia; Ferrarelli, Fabio; Baselli, Giuseppe; Mariotti, Maurizio; Massimini, Marcello; Rosanova, Mario. Time–frequency spectral analysis of TMS-evoked EEG oscillations by means of Hilbert–Huang transform. Journal of Neuroscience Methods. June 2011, 198 (2): 236–245. ISSN 0165-0270. PMID 21524665. doi:10.1016/j.jneumeth.2011.04.013. 
  8. ^ Stam, C.J. Nonlinear dynamical analysis of EEG and MEG: Review of an emerging field. Clinical Neurophysiology. October 2005, 116 (10): 2266–2301. ISSN 1388-2457. PMID 16115797. doi:10.1016/j.clinph.2005.06.011. 
  9. ^ Stam, C.J. Nonlinear dynamical analysis of EEG and MEG: Review of an emerging field. Clinical Neurophysiology. October 2005, 116 (10): 2266–2301. ISSN 1388-2457. PMID 16115797. doi:10.1016/j.clinph.2005.06.011. 
  10. ^ Petrosian, Arthur; Prokhorov, Danil; Homan, Richard; Dasheiff, Richard; Wunsch, Donald. Recurrent neural network based prediction of epileptic seizures in intra- and extracranial EEG. Neurocomputing. January 2000, 30 (1–4): 201–218. ISSN 0925-2312. doi:10.1016/s0925-2312(99)00126-5. 
  11. ^ 11.0 11.1 11.2 Subasi, Abdulhamit; Erçelebi, Ergun. Classification of EEG signals using neural network and logistic regression. Computer Methods and Programs in Biomedicine. May 2005, 78 (2): 87–99. ISSN 0169-2607. PMID 15848265. doi:10.1016/j.cmpb.2004.10.009. 
  12. ^ Übeyli, Elif Derya. Analysis of EEG signals by implementing eigenvector methods/recurrent neural networks. Digital Signal Processing. January 2009, 19 (1): 134–143. ISSN 1051-2004. doi:10.1016/j.dsp.2008.07.007. 
  13. ^ Schirrmeister, R.; Gemein, L.; Eggensperger, K.; Hutter, F.; Ball, T. Deep learning with convolutional neural networks for decoding and visualization of EEG pathology. IEEE. December 2017. ISBN 9781538648735. arXiv:1708.08012  . doi:10.1109/spmb.2017.8257015.  |journal=被忽略 (帮助)
  14. ^ Hosseini, Mohammad-Parsa; Soltanian-Zadeh, Hamid; Elisevich, Kost; Pompili, Dario. Cloud-based deep learning of big EEG data for epileptic seizure prediction. IEEE. December 2016. ISBN 9781509045457. arXiv:1702.05192  . doi:10.1109/globalsip.2016.7906022.  |journal=被忽略 (帮助)
  15. ^ Jeong, Jaeseung; Gore, John C; Peterson, Bradley S. Mutual information analysis of the EEG in patients with Alzheimer's disease. Clinical Neurophysiology. May 2001, 112 (5): 827–835. ISSN 1388-2457. doi:10.1016/s1388-2457(01)00513-2. 
  16. ^ Guger, C.; Ramoser, H.; Pfurtscheller, G. Real-time EEG analysis with subject-specific spatial patterns for a brain-computer interface (BCI). IEEE Transactions on Rehabilitation Engineering. 2000, 8 (4): 447–456. ISSN 1063-6528. doi:10.1109/86.895947. 
  17. ^ Introduction - Brainstorm. neuroimage.usc.edu. [2020-06-30]. （原始内容于2021-05-04）. 
  18. ^ Soleymani, Mohammad; Asghari-Esfeden, Sadjad; Pantic, Maja; Fu, Yun. Continuous emotion detection using EEG signals and facial expressions. IEEE. July 2014. ISBN 9781479947614. doi:10.1109/icme.2014.6890301.  |journal=被忽略 (帮助)

九月 15, 2023
腦波分析, analysis, 也稱為腦電圖分析, 是用數學的信号处理以及電腦科技, 從腦電圖, 信號中提取相關資訊, 的目的是幫助研究者對人腦有進一步的瞭解, 輔助医生的诊断以及疗法的選擇, 並且提昇脑机接口, 英語, brain, computer, interface, 簡稱bci, 的技術, 的技術有許多分類的方式, 若是要從腦電圖信號中找到大致符合腦電圖信號的数学模型, 此方法可以分類為參數型, 否則, 就是非參數型的方式, 傳統上, 大部份的方法可以分為四類, 時域, 頻域, 時頻分析及非線性方法, 也. 腦波分析 EEG analysis 也稱為腦電圖分析 是用數學的信号处理以及電腦科技 從腦電圖 EEG 信號中提取相關資訊 腦波分析的目的是幫助研究者對人腦有進一步的瞭解 輔助医生的诊断以及疗法的選擇 並且提昇脑机接口 英語 Brain computer Interface 簡稱BCI 的技術 腦波分析的技術有許多分類的方式 若是要從腦電圖信號中找到大致符合腦電圖信號的数学模型 1 此方法可以分類為參數型 否則 就是非參數型的方式 傳統上 大部份的腦波分析方法可以分為四類 時域 頻域 時頻分析及非線性方法 2 也有一些較新的方法 包括使用深度学习 DNNs 的方法 目录 1 方法 1 1 頻域法 1 2 時域法 1 3 時頻域方法 1 4 非線性方法 1 5 人工神经网络 2 應用 2 1 臨床 2 2 腦機介面 2 3 分析工具 2 4 其他 3 相關條目 4 參考資料方法 编辑頻域法 编辑 頻域分析也稱為頻譜分析 spectral analysis 是腦波分析的標準作法中 最有功效也方便的方法之一 頻域分析會用統計及傅里叶变换找在頻域中的腦波波形包含的資訊 2 頻域分析方式有許多種 最常用的是功率譜分析 因為功率譜密度反映信號的頻率成份 也反映了信號功率在各頻率上的分佈 3 時域法 编辑 時域法的腦波分析中有兩種重要的分析方法 线性预测及成份分析 英语 Component analysis statistics s 一般來說 线性预测會用過去的輸出值和過去及現在的輸入值進行線性組合 得到估計值 而成份分析 英语 Component analysis statistics 是一種無監督的方式 將資料集映射到某特徵集中 2 時域法的參數都完全以時間為基礎 不過也可以從功率譜的統計矩中提取 因此 時域法可以建立實際的時間詮釋以及傳統的頻域分析之間的媒介 4 此外 時域法提供連續量測基本信號特性的方式 其方法都是用到以時間為基礎的計算 相較於傳統的頻域分析來說 以時間為基礎的計算所需要的設備比較簡單 4 時頻域方法 编辑 小波轉換是典型的時頻域方法 可以從暫態的生物信號中抽取出一些特性 將腦波記錄進行小波分解 可以準確的找到暫態的特徵 也可以確定其時間及頻率的內容 5 因此小波轉換像是數學顯微鏡 可以分析神經節律的不同尺度 研究腦信號的小幅振盪 並且忽略其他的成份 5 6 除了小波轉換外 有另一種主要的時頻域方法 稱為希爾伯特 黃轉換 可以將腦波信號分解為一組振盪成份 稱為本質模態函數 英語 Intrinsic Mode Function 簡稱IMF 以取得瞬時頻率的資料 2 7 非線性方法 编辑 許多自然界的現象是非線性且不穩定的 腦波信號也是如此 因此讓腦波信號的解釋更加的複雜 也讓上述的線性方法受到限制 自1985年起 非線性腦波分析的先驅Rapp及Bobloyantz發表了他們第一篇非線性動態系統 混沌理论 研究結果 非線性腦波分析被廣泛應用在腦波分析領域 8 為了要使用非線性腦波分析 研究者已找到許多有用的非線性參數 例如李亚普诺夫指数 相關維數 英语 Correlation Dimension 以及像是近似熵 英语 Approximate Entropy 及樣本熵 英语 Sample Entropy 等熵 2 9 人工神经网络 编辑 人工神经网络 ANN 已有用在腦電圖的分類上 大部份的應用中 腦電圖資料在進入神经网络分析前 需要經過小波轉換的前處理 10 11 一度也很常會使用循环神经网络 RNN 在人工神经网络的腦電圖分析上 11 12 一直到深度学习以及卷积神经网络 CNN 興起後 卷积神经网络成為近來用深度學習進行腦電圖分析的新寵 靠著資料集對深層卷积神经网络進行裁剪訓練 達到更好的準確性 深度卷积神经网络可以有較好的解碼性能 13 此外 大量的腦電圖資料作為人工神经网络的輸入 需要有安全的儲存方式 以及實時運算上的高運算資源需求 為了處理這些挑戰 已提出將雲端深度學習 用在大量腦電圖資料的實時分析上 14 應用 编辑臨床 编辑 腦電圖分析常用在大腦相關疾病的診斷及預測上 例如對於癲癇發作的診斷 偵測腦電圖中的癲癇樣放電是很重要的一部份 詳細分析腦電圖有助於得知產生癲癇疾病的原因 並且了解其中的機制 11 此外 腦電圖分析也對阿茲海默症 15 顫抖的檢測有幫助 腦機介面 编辑 透過運動心像 想像右側及左側身體運動時的腦電圖紀錄 可以建立新的和機器溝通的介面 16 根據特定空間動作下的實時腦電圖分析 可以用脑机界面 BCI 發展以簡單二元反應控制的設備 例如 肌萎缩性脊髓侧索硬化症的患者可以在基於腦電圖的腦機介面的幫助下 進行一些日常活動 分析工具 编辑 Brainstorm 是一個協作開源的應用程式 致力於分析大腦訊號 包括腦磁波儀 MEG 腦電圖 功能性近紅外線光譜 英语 Functional near infrared spectroscopy fNIRS 皮層電描技術 英语 Electrocorticography ECoG 深度電極和動物侵入性神經生理學 17 Brainstorm目標在於將腦磁波儀及腦電圖作為實驗技術 與科學社群共享一個全面且方便的工具 其他也有像FieldTrip 英语 FieldTrip 等的開源分析應用程式 其他 编辑 腦電圖分析配合面部表情分析 透過連續的檢測情感 可以用在檢測影片中的情感 18 其他的應用包括基於腦電圖的大腦映射 個人化加密 圖像註釋系統等 相關條目 编辑谱密度 傅里叶变换 小波轉換 希爾伯特 黃轉換 动力系统 混沌理论 人工神经网络 深度学习 卷积神经网络 循环神经网络 机器学习 人工智能 癫痫 阿茲海默症 顫抖 癲癇發作 腦磁波儀 功能性近紅外光譜 英语 Functional near infrared spectroscopy 皮曾電描技術 英语 Electrocorticography 參考資料 编辑 Pardey J Roberts S Tarassenko L A review of parametric modelling techniques for EEG analysis Medical Engineering amp Physics January 1996 18 1 2 11 ISSN 1350 4533 doi 10 1016 1350 4533 95 00024 0 2 0 2 1 2 2 2 3 2 4 Acharya U Rajendra Vinitha Sree S Swapna G Martis Roshan Joy Suri Jasjit S Automated EEG analysis of epilepsy A review Knowledge Based Systems June 2013 45 147 165 ISSN 0950 7051 doi 10 1016 j knosys 2013 02 014 Dressler O Schneider G Stockmanns G Kochs E F Awareness and the EEG power spectrum analysis of frequencies British Journal of Anaesthesia December 2004 93 6 806 809 ISSN 0007 0912 PMID 15377585 doi 10 1093 bja aeh270 4 0 4 1 Hjorth Bo EEG analysis based on time domain properties Electroencephalography and Clinical Neurophysiology September 1970 29 3 306 310 ISSN 0013 4694 doi 10 1016 0013 4694 70 90143 4 5 0 5 1 Adeli Hojjat Zhou Ziqin Dadmehr Nahid Analysis of EEG records in an epileptic patient using wavelet transform Journal of Neuroscience Methods February 2003 123 1 69 87 ISSN 0165 0270 PMID 12581851 doi 10 1016 s0165 0270 02 00340 0 Hazarika N Chen J Z Ah Chung Tsoi Sergejew A Classification of EEG signals using the wavelet transform 1 IEEE 1997 89 92 ISBN 978 0780341371 doi 10 1109 icdsp 1997 627975 journal 被忽略 帮助 Pigorini Andrea Casali Adenauer G Casarotto Silvia Ferrarelli Fabio Baselli Giuseppe Mariotti Maurizio Massimini Marcello Rosanova Mario Time frequency spectral analysis of TMS evoked EEG oscillations by means of Hilbert Huang transform Journal of Neuroscience Methods June 2011 198 2 236 245 ISSN 0165 0270 PMID 21524665 doi 10 1016 j jneumeth 2011 04 013 Stam C J Nonlinear dynamical analysis of EEG and MEG Review of an emerging field Clinical Neurophysiology October 2005 116 10 2266 2301 ISSN 1388 2457 PMID 16115797 doi 10 1016 j clinph 2005 06 011 Stam C J Nonlinear dynamical analysis of EEG and MEG Review of an emerging field Clinical Neurophysiology October 2005 116 10 2266 2301 ISSN 1388 2457 PMID 16115797 doi 10 1016 j clinph 2005 06 011 Petrosian Arthur Prokhorov Danil Homan Richard Dasheiff Richard Wunsch Donald Recurrent neural network based prediction of epileptic seizures in intra and extracranial EEG Neurocomputing January 2000 30 1 4 201 218 ISSN 0925 2312 doi 10 1016 s0925 2312 99 00126 5 11 0 11 1 11 2 Subasi Abdulhamit Ercelebi Ergun Classification of EEG signals using neural network and logistic regression Computer Methods and Programs in Biomedicine May 2005 78 2 87 99 ISSN 0169 2607 PMID 15848265 doi 10 1016 j cmpb 2004 10 009 Ubeyli Elif Derya Analysis of EEG signals by implementing eigenvector methods recurrent neural networks Digital Signal Processing January 2009 19 1 134 143 ISSN 1051 2004 doi 10 1016 j dsp 2008 07 007 Schirrmeister R Gemein L Eggensperger K Hutter F Ball T Deep learning with convolutional neural networks for decoding and visualization of EEG pathology IEEE December 2017 ISBN 9781538648735 arXiv 1708 08012 nbsp doi 10 1109 spmb 2017 8257015 journal 被忽略 帮助 Hosseini Mohammad Parsa Soltanian Zadeh Hamid Elisevich Kost Pompili Dario Cloud based deep learning of big EEG data for epileptic seizure prediction IEEE December 2016 ISBN 9781509045457 arXiv 1702 05192 nbsp doi 10 1109 globalsip 2016 7906022 journal 被忽略 帮助 Jeong Jaeseung Gore John C Peterson Bradley S Mutual information analysis of the EEG in patients with Alzheimer s disease Clinical Neurophysiology May 2001 112 5 827 835 ISSN 1388 2457 doi 10 1016 s1388 2457 01 00513 2 Guger C Ramoser H Pfurtscheller G Real time EEG analysis with subject specific spatial patterns for a brain computer interface BCI IEEE Transactions on Rehabilitation Engineering 2000 8 4 447 456 ISSN 1063 6528 doi 10 1109 86 895947 Introduction Brainstorm neuroimage usc edu 2020 06 30 原始内容存档于2021 05 04 Soleymani Mohammad Asghari Esfeden Sadjad Pantic Maja Fu Yun Continuous emotion detection using EEG signals and facial expressions IEEE July 2014 ISBN 9781479947614 doi 10 1109 icme 2014 6890301 journal 被忽略 帮助 取自 https zh wikipedia org w index php title 腦波分析 amp oldid 76401257, 维基百科，wiki，书籍，书籍，图书馆，

文章

，阅读，下载，免费，免费下载，mp3，视频，mp4，3gp， jpg，jpeg，gif，png，图片，音乐，歌曲，电影，书籍，游戏，游戏。