HYBRID MODELING OF EEG: THE FITZHUGH-NAGUMO-LORENZ MODEL

O.A. Inkin; V.E. Belozyorov

doi:10.34185/1562-9945-3-158-2025-09

Автор(и)

O.A. Inkin
V.E. Belozyorov

DOI:

https://doi.org/10.34185/1562-9945-3-158-2025-09

Ключові слова:

ЕЕГ, FHN, FHNL, система Лоренца, нейронна мережа, моделювання, оптимізація параметрів, MATLAB.

Анотація

У статті представлено новий метод моделювання електроенцефалографічних (ЕЕГ) сигналів за допомогою гібридної біофізичної моделі, яка поєднує динаміку Фіцхью-Нагумо з хаотичною системою Лоренца. Розроблено комплексний підхід до оптимізації параметрів моделі на основі нейронних мереж, що дозволяє автоматично налаштовувати параметри для максимальної відповідності реальним ЕЕГ даним. За-пропонована модель демонструє здатність відтворювати характерні особливості сигналів ЕЕГ, включаючи основні ритми та відповідні спектральні характеристики. Інтерактивний програмний інструмент, розроблений в середовищі MATLAB, забезпе-чує зручний інтерфейс для дослідників та клініцистів. Отримані результати свідчать про потенціал цього підходу як для фундаментальних нейронаукових досліджень, так і для клінічного застосування в діагностиці та моделюванні нейропатологій.

Посилання

Najafi, T., Jaafar, R., Remli, R., Zaidi, W. A. W., & Chellappan, K. (2022). A Computa-tional Model to Determine Membrane Ionic Conductance Using Electroencephalography in Epilepsy. Physical Sciences Forum, 5(1), 45. https://doi.org/10.3390/psf2022005045.

Vo, K., Vishwanath, M., Srinivasan, R., Dutt, N., & Cao, H. (2022). Composing Graphical Models with Generative Adversarial Networks for EEG Signal Modeling. ICASSP 2022 - 2022 IEEE International Conference on Acoustics, Speech and Signal Processing (ICASSP), 1231–1235. https://doi.org/10.1109/icassp43922.2022.9747783.

Seo, H., & Jun, S. C. (2017). Multi-Scale computational models for electrical brain stimu-lation. Frontiers in Human Neuroscience, 11. https://doi.org/10.3389/fnhum.2017.00515.

Zhao, S., Li, W., Wang, X., Foglia, S., Tan, H., Zhang, B., Hamoodi, A., Nelson, A., & Gao, Z. (2024). A Systematic review of Machine learning methods for Multimodal EEG data in Clinical application. arXiv (Cornell University).

https://doi.org/10.48550/arxiv.2501.08585.

Basak, M., Maiti, D., & Das, D. (2024). EEG Innovations in Neurological Disorder Diag-nostics: A Five-Year Review. Asian Journal of Research in Computer Science, 17(6), 226–249. https://doi.org/10.9734/ajrcos/2024/v17i6470.

Inkin O.A., Pogorelov O.V. (2024). OA, I., & OV, P. (2024). Modeliuvannia EEG za do-pomohoiu hlybokykh neironnykh merezh [Modeling of EEG using deep neural networks]. System Technologies, 3(152), 57–68. https://doi.org/10.34185/1562-9945-3-152-2024-06 [in Ukrainian].

Belozyorov V. Y., Inkin O. A. (2023). Systems of singular differential equations as the ba-sis for neural network modeling of chaotic processes. Journal of Optimization, Differential Equations and Their Applications, 31(2), 24. https://doi.org/10.15421/142309.

Belozyorov, V. Y. (2016). A novel search method of chaotic autonomous quadratic dy-namical systems without equilibrium points. Nonlinear Dynamics, 86(2), 835–860. https://doi.org/10.1007/s11071-016-2927-6.

Belozyorov, V.Y. (2018). On novel conditions of chaotic attractors existence in autono-mous polynomial dynamical systems. Nonlinear Dynamics, 91, 2435-2452.