Рис. 2. Средние значения ЛПР по сетям для суммы первых двух мод записи ЭЭГ
испытуемого Arx с закрытыми глазами, отведения Fp2.
Рис. 3. Суммарный спектр ЛПР для суммы первых двух мод записи ЭЭГ испытуемого
Arx с закрытыми глазами, отведение Fp2.
Заключение
Таким образом, мы
показали, что EMD фильтрация в комбинации с методом ЛПР
позволяет надежно выделять физический и физиологический шум в сигналах ЭЭГ и, при
необходимости, этот шум удалять. Заметим также, что суммарный спектр ЛПР (Рис.4). для
сигнала ЭЭГ с удаленными первыми двумя модами EMD
распределился симметрично
относительно нуля, то есть нет явного преобладания положительных или отрицательных
значений ЛПР. Такой результат не позволяет сделать заключения о
детерминированности
(хаотичности или квазипериодичности) или случайности сигналов ЭЭГ и требует
дальнейших исследований.
Рис. 4. Суммарный спектр ЛПР для суммарного сигнала записи ЭЭГ с удаленными первыми
двумя модами EMD для испытуемого Arx с закрытыми глазами, отведение Fp2.
Литература
1.
Huang N. E. et al. The empirical mode decomposition and the Hilbert spectrum for non-linear and non
stationary time series analysis // Proc. Royal Soc. London A. - 1998. - V.454. P. 903-995.
2.
Дмитриева Л.А., Куперин Ю.А., Чепилко С.С. Исследование
свойств реконструированных
аттракторов временных рядов с помощью искусственных нейронных сетей. // Актуальные
проблемы гуманитарных и естественных наук. -2015. - №11(82), Часть I. - С.23-29
3.
Головко В.А. Нейросетевые методы обработки хаотических процессов// Нейроинформатика-2005.
VII Всероссийская научно-техническая конференция. Лекции по нейроинформатике. М.: МИФИ. -
2005. - C. 43-91.
4.
Roschke J., Fell J., Mann K. Non-linear dynamics of alpha and theta rhythm: correlation dimensions and
Lyapunov exponents from healthy subject’s spontaneous EEG. // Int. J. Psychophysiology. - 1997. - V.
26. N1. - P. 251-261.
5.
Pradhan N., Sadasivan P.K. The nature of dominant Lyapunov exponent and attractor dimension curves of
EEG in sleep // Computers in Biology and Medicine. - 1996. - V. 26. N5. - P. 419-428.
6.
Chia L.C., Shin D.S., Art Chaovalitongse W., Pardalos P.M., Sackellares J.C. Presence of nonlinearity in
intracranial EEG recordings: detected by Lyapunov exponents // AIP Conf. Proc. Data Mining, Systems
Analysis and Optimization in Biomedicine. -2007. -V. 953. N5. - P. 197-205.
7.
Stam C.J. Nonlinear dynamical analysis of EEG and MEG: review of an emerging field // Clin.
Neurophysiol. - 2005. -V. 116(10). - P. 2266-2301.
8.
Porcher R., Thomas G. Estimating Lyapunov exponents in biomedical time series. // Phys. Rev. E. -
2001.- V. 64. - P. 010902-010906.
9.
Das A., Das P., Roy A.B. Applicability of Lyapunov exponent in EEG data analysis. //
Complexity
International. - 2002. - V. 9. - P. 1-8.
10.
Palus M. Nonlinearity in normal human EEG: Cycles and randomness, not chaos. //
Biological
Cybernetics. - 1996. - V. 75(5). -P. 389-396.
11.
Kantz H., Schreiber T. - Nonlinear time series analysis. // Cambridge University Press, Cambridge. -1997.
-275 P.
12.
Tatum W. O. et al. Handbook of EEG interpretation. // Demos Medical Publishing. - 2008. -276 P.
