تحلیل ویژگی های مبتنی بر ریزحالت های الکتروآنسفالوگرافی در طبقه بندی فعالیت های شناختی

تحلیل ریزحالت های الکتروانسفالوگرافی (EEG) چارچوبی قدرتمند برای بررسی دینامیک های سریع مکانی-زمانی مغز که زیربنای فرآیندهای شناختی هستند، فراهم می کند. این الگوهای شبه پایدار پتانسیل پوست سر، فعال سازی های گذرای شبکه های عصبی در مقیاس بزرگ را منعکس می کنند و نشانگرهای زیستی ارزشمندی را برای تحقیقات شناختی و بالینی ارائه می دهند. در این مطالعه یک چارچوب یکپارچه مبتنی بر ریزحالت ها برای توصیف دینامیک های مغز وابسته به وظیفه با استفاده از ثبت های EEG با چگالی بالا پیشنهاد شد. داده های EEG از ۶۰ بزرگسال جوان سالم در سه جلسه آزمایشی، شامل شرایط استراحت (چشمان باز و بسته) و سه وظیفه شناختی خودمحور (بازیابی خاطرات اپیزودیک، محاسبه ذهنی و موسیقی) جمع آوری گردید. سیگنال های EEG با استفاده از فیلترینگ استاندارد، حذف مصنوعات و تحلیل مولفه های مستقل پیش پردازش شدند. ریزحالت ها با استفاده از خوشه بندی کی-میانگین از پیک های توان کلی میدان (GFP) استخراج شدند و الگوهای مرجع ایجاد گردیدند. پارامترهای زمانی، شامل میانگین مدت زمان، نرخ وقوع، پوشش زمانی و واریانس توضیح داده شده کلی (GEV)، برای هر کلاس ریزحالت محاسبه شدند. اثرات وضعیت شناختی و جلسه ثبت با استفاده از تحلیل واریانس با اندازه گیری های تکراری بررسی شدند. طبقه بندی با SVM انجام و عملکرد مدل با (Nested LOOCV) آزمودنی محور ارزیابی شد. نتایج نشان دهنده تغییرات معنادار مرتبط با وظیفه در چندین پارامتر ریزحالت بود که بازسازماندهی شبکه های مغزی در شرایط شناختی مختلف را نشان می دهد. تفاوت های مشخصی میان وظایف حافظه و محاسبات ذهنی مشاهده شد که به مشارکت متفاوت شبکه های توجهی و پیش فرض مغز اشاره دارد. اثر جلسه ثبت عمدتا غیرمعنادار بود بیشترین صحت ۸/۸۵% (SVM RBF؛ چشم باز-حافظه) به دست آمد.

کلیدواژه ها:

ریزحالت های الکتروانسفالوگرافی ، تکالیف شناختی ، دینامیک های مغز ، یادگیری ماشین