Класифікація стану очей на основі ЕЕГ-даних з використанням рекурентного аналізу
DOI:
https://doi.org/10.34185/1562-9945-3-158-2025-07Ключові слова:
Класифікація ЕЕГ, відкриті та закриті очі, рекурентний аналіз, рекурентні графіки, теорія хаосу, ритми мозку, фазовий простір, спектральний аналіз, SVM, детермінізм.Анотація
Актуальність цієї статті зумовлена зростаючим інтересом до портативних ЕЕГ-пристроїв та необхідністю розробки ефективних алгоритмів аналізу мозкової активності за обмежених технічних ресурсів. У цій статті розглядається проблема класифікації станів мозку за даними електроенцефалографії (ЕЕГ) з метою розрізнен-ня конкретних двох станів розслабленості та концентрації. Досліджується класифі-кація відкритих і закритих очей, оскільки закриття очей асоціюється з підвищеною розслабленістю. Запропоновано метод класифікації на основі кількісного аналізу реку-рентних діаграм, що є одним із підходів теорії хаосу, та проведено його порівняння з традиційним аналізом мозкових ритмів. Результати експериментів показали, що ме-тод рекурентного аналізу перевершує спектральний аналіз за точністю класифікації, зокрема для точки O1 точність зросла з 86% до 95%. Визначено оптимальні парамет-ри реконструкції фазового простору: затримка 25 мс і розмірність простору вкладен-ня 4, що узгоджується зі спектральними характеристиками сигналу. Аналіз важливо-сті ознак показав, що найбільш значущими параметрами для класифікації є ентропія та довжина білих вертикальних і діагональних ліній на рекурентних діаграмах, а та-кож детермінізм і ламінарність. Отримані результати можуть бути корисними для розробки алгоритмів аналізу ЕЕГ у портативних пристроях та застосувань у сфері нейроінтерфейсів і когнітивного тренування.
Посилання
Muse™ EEG-Powered Meditation & Sleep Headband. (n.d.). Retrieved April 1, 2025, from https://choosemuse.com/
Ye. S. Panasenko, & V. Ye. Belozyorov. (2024). THE APPLICATION OF SPECTRAL ANALYSIS OF EEG DATA FOR THE IDENTIFICATION OF OPEN AND CLOSED EYE STATES. System Technologies, 6(155, 155), 101–115. https://doi.org/10.34185/1562-9945-6-155-2024-11
Kargarnovin, S., Hernandez, C., Farahani, F. V., & Karwowski, W. (2023). Evidence of Chaos in Electroencephalogram Signatures of Human Performance: A Systematic Review. Brain Sciences, 13(5), 813. https://doi.org/10.3390/brainsci13050813
Mohanchandra, K., Saha, S., & Murthy, K. S. (2016). Evidence of Chaos in EEG Signals: An Application to BCI. In A. T. Azar & S. Vaidyanathan (Eds.), Advances in Chaos Theory and Intelligent Control (pp. 609–625). Springer International Publishing. https://doi.org/10.1007/978-3-319-30340-6_25
Wang, X., Meng, J., Tan, G., & Zou, L. (2010). Research on the relation of EEG signal chaos characteristics with high-level intelligence activity of human brain. Nonlinear Biomedi-cal Physics, 4(1), 2. https://doi.org/10.1186/1753-4631-4-2
Furman, Ł., Duch, W., Minati, L., & Tołpa, K. (2023). Short-time Fourier transform and embedding method for recurrence quantification analysis of EEG time series. The European Physical Journal Special Topics, 232(1), 135–149. https://doi.org/10.1140/epjs/s11734-022-00683-7
Garcia-Rill, E., D’Onofrio, S., Luster, B., Mahaffey, S., Urbano, F. J., & Phillips, C. (2016). The 10 Hz Frequency: A Fulcrum For Transitional Brain States. Translational Brain Rhythmicity, 1(1), 7–13. https://www.ncbi.nlm.nih.gov/pmc/articles/PMC4990355/
EEG Motor Movement/Imagery Dataset. (n.d.). Retrieved February 21, 2024, from https://archive.physionet.org/pn4/eegmmidb/
Schalk, G., McFarland, D. J., Hinterberger, T., Birbaumer, N., & Wolpaw, J. R. (2004). BCI2000: A general-purpose brain-computer interface (BCI) system. IEEE Transactions on Bio-Medical Engineering, 51(6), 1034–1043. https://doi.org/10.1109/TBME.2004.827072
Goldberger, A. L., Amaral, L. A., Glass, L., Hausdorff, J. M., Ivanov, P. C., Mark, R. G., Mietus, J. E., Moody, G. B., Peng, C. K., & Stanley, H. E. (2000). PhysioBank, PhysioTool-kit, and PhysioNet: Components of a new research resource for complex physiologic signals. Circulation, 101(23), E215–220. https://doi.org/10.1161/01.cir.101.23.e215
Rolink, J., Kutz, M., Fonseca, P., Long, X., Misgeld, B., & Leonhardt, S. (2015). Recur-rence quantification analysis across sleep stages. Biomedical Signal Processing and Control, 20, 107–116. https://doi.org/10.1016/j.bspc.2015.04.006
Joab R Winkler. (1993). Numerical recipes in C: The art of scientific computing, second edition. Endeavour, 17(4), 554. https://doi.org/10.1016/0160-9327(93)90069-F
Chelidze, T., & Matcharashvili, T. (2015). Dynamical Patterns in Seismology. In Jr. Web-ber Charles L. & N. Marwan (Eds.), Recurrence Quantification Analysis: Theory and Best Practices (pp. 291–334). Springer International Publishing. https://doi.org/10.1007/978-3-319-07155-8_10
Webber, C. L. (n.d.). Chapter 2. Recurrence Quantification Analysis of Nonlinear Dy-namical Systems.
Myers, A., & Khasawneh, F. A. (2020). On the automatic parameter selection for permu-tation entropy. Chaos: An Interdisciplinary Journal of Nonlinear Science, 30(3), 033130. https://doi.org/10.1063/1.5111719
Time Series Analysis: Forecasting and Control, 5th Edition | Wiley. (n.d.). Wiley.com. Retrieved March 16, 2025, from https://www.wiley.com/en-us/Time+Series+Analysis%3A+Forecasting+and+Control%2C+5th+Edition-p-9781118675021
Khasawneh, F. A., Munch, E., Barnes, D., Chumley, M. M., Güzel, İ., Myers, A. D., Tanweer, S., Tymochko, S., & Yesilli, M. (2025). Teaspoon: A Python Package for Topologi-cal Signal Processing. Journal of Open Source Software, 10(107), 7243. https://doi.org/10.21105/joss.07243
Rawald, T., Sips, M., & Marwan, N. (2017). PyRQA—Conducting recurrence quantifica-tion analysis on very long time series efficiently. Computers & Geosciences, 104, 101–108. https://doi.org/10.1016/j.cageo.2016.11.016
Rawald, T., Sips, M., Marwan, N., & Dransch, D. (2014). Fast Computation of Recur-rences in Long Time Series. In N. Marwan, M. Riley, A. Giuliani, & Jr. Webber Charles L. (Eds.), Translational Recurrences (pp. 17–29). Springer International Publishing. https://doi.org/10.1007/978-3-319-09531-8_2
Chang, C.-C., & Lin, C.-J. (2011). LIBSVM: A library for support vector machines. ACM Transactions on Intelligent Systems and Technology, 2(3), 1–27. https://doi.org/10.1145/1961189.1961199
SVC. (n.d.). scikit-learn. Retrieved March 16, 2025, from https://scikit-learn.org/stable/modules/generated/sklearn.svm.SVC.html
V. Ye. Belozyorov. (2018). On novel conditions of chaotic attractors existence in autono-mous polynomial dynamical systems. Nonlinear Dynamics, 91(4), 2435–2452. https://doi.org/10.1007/s11071-017-4023-y
Завантаження
Опубліковано
Номер
Розділ
Ліцензія
Авторське право (c) 2025 Системні технології
Ця робота ліцензується відповідно до ліцензії Creative Commons Attribution 4.0 International License.
