МЕТОДЫ ЦИФРОВОЙ ОБРАБОТКИ СИГНАЛОВ ЭЭГ И МАШИННОГО ОБУЧЕНИЯ ДЛЯ ОЦЕНКИ КОГНИТИВНЫХ СОСТОЯНИЙ ЧЕЛОВЕКА

В статье рассматриваются методы цифровой обработки электроэнцефалографических сигналов и алгоритмы машинного обучения, применяемые для оценки когнитивных состояний человека на основе открытого набора ЭЭГ-данных. Электроэнцефалография является одним из наиболее информативных неинвазивных методов исследования функциональной активности головного мозга, однако анализ ЭЭГ-сигналов осложняется низким отношением сигнал/шум, межиндивидуальной вариативностью и наличием артефактов различной природы.

Исследование выполнено с использованием открытого набора ЭЭГ-данных, зарегистрированных при выполнении когнитивных задач, связанных с креативным мышлением. Программный конвейер обработки включает этапы полосовой и режекторной фильтрации, подавления артефактов, спектрального анализа в стандартных частотных диапазонах, а также анализа функциональной связности на основе метрик фазовой синхронизации. На основе полученных характеристик формируется вектор признаков, используемый для классификации когнитивных состояний с применением методов машинного обучения.

Экспериментальные результаты показывают, что комбинирование спектральных и функционально связанных признаков позволяет повысить точность классификации когнитивных состояний по сравнению с использованием только спектральных характеристик. Полученные результаты подтверждают перспективность применения методов цифровой обработки ЭЭГ и машинного обучения для автоматизированной оценки когнитивных состояний человека.

1. Мутикумар Н., Раджендран Н., Сринивасан Р. Недавние достижения в обработке сигналов электроэнцефалографии (ЭЭГ): обзор методов и приложений // Сенсоры. – 2023. – Т. 23, № 16. – С. 6434. DOI: 10.3390/s23166434.

2. Финк А., Бенедек М. Мощность альфа-ритма ЭЭГ и креативная идеация // Нейронаука и биоповеденческие обзоры. – 2014. – Т. 44. – С. 111–123.

3. Халеги Н., Хашеми Ш., Пейванди М., Зафарманди Ардабили С., Бехджати М., Шейхиванд С., Данишвар С. Анализ функциональной связности ЭЭГ при аномалиях головного мозга: систематический обзор // Информатика в медицине: открытый доступ. – 2024. – Т. 47. – С. 101476.

4. Стивенс К. Э., Забелина Д. Л. Классификация креативности: применение методов машинного обучения к ЭЭГ-данным дивергентного мышления // Нейроизображение. – 2020. – Т. 219. – С. 116990.

5. Зангене Соруш М., Чжао М., Цзя В., Цзэн Я. Исходные ЭЭГ-записи креативного мышления в задачах проектирования (модифицированный тест креативности Торренса TTCT-F). – 2023.

6. Халеги Н., Хашеми Ш., Пейванди М., Ардабили С.З., Бехджати М., Шейхиванд С., Данишвар С. Анализ функциональной связности ЭЭГ при аномалиях головного мозга: систематический обзор // Информатика в медицине: открытый доступ. – 2024. – Т. 47. – С. 101476.

7. Се В., Толл Р. Т., Нельсон Ч. А. Анализ функциональной связности ЭЭГ в пространстве источников // Развивающая когнитивная нейронаука. – 2022. – Т. 56. – С. 101119.

8. Ромингер К., Папоушек И., Перхтольд К. М., Бенедек М., Вайс Э. М., Вебер Б., Швердтфегер А. Р., Эглофф Б., Финк А. Функциональная связность мозговых сетей во время генерации и разработки креативных идей//NeuroImage. – 2020. – Т. 207. – С. 116395. DOI: 10.1016/j.neuroimage.2019.116395.