Публикации
Постановка проблемы: пространственное разрешение электроэнцефалографии/магнитоэнцефалографии зависит от метода решения обратной задачи, которая в силу фундаментальных физических причин является некорректно поставленной и имеет бесконечно большое количество решений. В последние несколько лет появились новые свидетельства о том, что нейрональная активность распространяется по коре в соответствии с волновым паттерном, характеризуемым некоторым направлением и скоростью распространения волны. Новые данные о пространственно-временной динамике распространения нейрональной активности по коре головного мозга требуют пересмотра существовавшей долгое время парадигмы, в которой пространственная структура активности рассматривалась независимо от временной динамики. Цель исследования: разработка нового метода локализации электрической активности головного мозга, который позволяет достаточно точно восстановить исходную активность по имеющимся данным на сенсорах в предположении, что эта активность имеет волновую структуру. Результаты: разработан новый математический аппарат регуляризации обратной задачи, ограничивающий решения множеством пространственно-временных динамик, удовлетворяющих двумерному волновому уравнению, определенному на нерегулярной сетке узлов, аппроксимирующих кортикальную поверхность. Это новый метод, реализованный в соответствии с хорошо себя зарекомендовавшей общей методологией регуляризации некорректно поставленных задач на основании минимизации Q-нормы решения. Cравнение на модельных данных с двумя наиболее распространенными методами решения обратной задачи показало, что новый метод, в отличие от них, сохраняет волновую структуру, обеспечивает наибольшую точность оценки моделируемой активности. Параметры регуляризующей волны рассчитываются в соответствии с минимизацией относительной невязки решения в пространстве сенсоров.
Objective. Brain-computer interface (BCI) systems are known to be vulnerable to variabilities in background states of a user. Usually, no detailed information on these states is available even during the training stage. Thus there is a need in a method which is capable of taking background states into account in an unsupervised way. Approach. We propose a latent variable method that is based on a probabilistic model with a discrete latent variable. In order to estimate the model's parameters, we suggest to use the expectation maximization (EM) algorithm. The proposed method is aimed at assessing characteristics of background states without any corresponding data labeling. In the context of asynchronous motor imagery paradigm, we applied this method to the real data from twelve able-bodied subjects with open/closed eyes serving as background states. Main results. We found that the latent variable method improved classication of target states compared to the baseline method (in seven of twelve subjects). In addition, we found that our method was also capable of background states recognition (in six of twelve subjects). Signicance. Without any supervised information on background states, the latent variable method provides a way to improve classication in BCI by taking background states into account at the training stage and then by making decisions on target states weighted by posterior probabilities of background states at the prediction stage.
Нейрокомпьютерные интерфейсы, или, как их принято называть в отечественной литературе, интерфейсы мозг-компьютер (ИМК), находят применение в ряде областей и имеют потенциал использования для решения как исследовательских, так и практических задач. В настоящее время ведутся пилотные исследования клинического применения ИМК в постинсультной нейрореабилитации [Frolov et al., 2013; Ang et al., 2010], кроме того, существует перспектива использования ИМК для непосредственного восстановления возможностей движения/коммуникации путём создания альтернативного канала обмена информацией с интеллектуальными протезами и окружающей средой. При работе с электрофизиологическими данными возникает необходимость обработки многомерных, нестационарных сигналов, которые отражают сложные физиологические процессы. Интерфейсы, основанные на неинвазивных технологиях регистрации активности головного мозга, до сих пор не обеспечивают надёжного информационного контакта с мозгом пользователя. Результаты нашего исследования показывают, что улучшение рабочих характеристик таких систем возможно за счёт построения новых алгоритмов машинного обучения, учитывающих физиологические и психоэмоциональные особенности использования ИМК. Разработка таких алгоритмов может вестись как в классической Байесовской парадигме, так и с использованием современных технологий глубинного обучения. Кроме того, создание методик физиологической интерпретации нелинейных решающих правил, найденных многослойными структурами, открывает новые перспективы автоматического и объективного извлечения знаний из данных нейрофизиологических экспериментов. Несмотря на всю привлекательность неинвазивных технологий, радикальное повышение пропускной способности коммуникационного канала ИМК и применение этой технологии для управления протезами возможно лишь при помощи инвазивных методов регистрации активности головного мозга. Электрокортикограмма (ЭКоГ) - наименее инвазивная из таких технологий, и в заключительной части работы мы демонстрируем возможность использования ЭКоГ для декодирования кинематических характеристик движения пальца.
In recent years, several assistive devices have been proposed to reconstruct arm and hand movements from electromyographic (EMG) activity. Although simple to implement and potentially useful to augment many functions, such myoelectric devices still need improvement before they become practical. Here we considered the problem of reconstruction of handwriting from multichannel EMG activity. Previously, linear regression methods (e.g., the Wiener filter) have been utilized for this purpose with some success. To improve reconstruction accuracy, we implemented the Kalman filter, which allows to fuse two information sources: the physical characteristics of handwriting and the activity of the leading hand muscles, registered by the EMG. Applying the Kalman filter, we were able to convert eight channels of EMG activity recorded from the forearm and the hand muscles into smooth reconstructions of handwritten traces. The filter operates in a causal manner and acts as a true predictor utilizing the EMGs from the past only, which makes the approach suitable for real-time operations. Our algorithm is appropriate for clinical neuroprosthetic applications and computer peripherals. Moreover, it is applicable to a broader class of tasks where predictive myoelectric control is needed.
