КЛАСИФІКАЦІЯ СТАНУ ОЧЕЙНА ОСНОВІ ДЕКОМПОЗИЦІЇ ЕЛЕКТРОЕНЦЕФАЛОГРАМЗ УРАХУВАННЯМ ДИПОЛЬНОЇ ПРИРОДИ СИГНАЛІВ МОЗКУ

Є.С.  Панасенко

doi:10.34185/1562-9945-3-164-2026-15

Автор(и)

Є.С. Панасенко https://orcid.org/0009-0008-2790-767X

DOI:

https://doi.org/10.34185/1562-9945-3-164-2026-15

Ключові слова:

ЕЕГ, електроенцефалограма, ICA, диполь, класифікація станів мозку, нейронна мережа, спектральний аналіз, декомпозиція сигналів, сліпе розділення сигналів, локалізація джерел, обчислювальна нейронаука, просторово-часова динаміка біокі-бернетика, BCI, NeuroAnalyzer, Julia

Анотація

Запропоновано підхід до класифікації стану очей (відкриті/закриті) за 64-канальними ЕЕГ-даними на основі ICA-декомпозиції з валідацією компонент підбором еквівалентних диполів. Для підбору диполя розроблено оригінальну функцію втрат із L2-регуляризацією та еліпсоїдним анатомічним обмеженням на основі тривимірної моделі мозку. Серед ICA-компонент ідентифіковано джерела з характерними альфа-, мю-, бета- та гамма-ритмами, що підтверджує фізіологічну інтерпретованість методу. Класифікація нейронною мережею на основі 507 ознак досягла точності 97% на навчальній та 90% на тестовій вибірці.

Посилання

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

Panasenko, Y.S., & Belozyorov, V.Y. (2025). CLASSIFICATION OF EYE STATE BASED ON EEG DATA USING RECURRENCE ANALYSIS. Системні Технології, 3(158, 158), 58–73. https://doi.org/10.34185/1562-9945-3-158-2025-07

EEG Motor Movement/Imagery Dataset. (б. д.). Вилучено 21, Лютий 2024, із https://archive.physionet.org/pn4/eegmmidb/

Hyvärinen, A., & Oja, E. (2000). Independent Component Analysis: Algorithms and Ap-plications. Neural Networks, 13(4), 411–430. https://doi.org/10.1016/S0893-6080(00)00026-5

Makeig, S., Bell, A., Jung, T.-P., & Sejnowski, T. J. (1995). Independent Component Analysis of Electroencephalographic Data. Advances in Neural Information Processing Sys-tems, 8. https://papers.nips.cc/paper_files/paper/1995/hash/754dda4b1ba34c6fa89716b85d68532b-Abstract.html

Delorme, A., Palmer, J., Onton, J., Oostenveld, R., & Makeig, S. (2012). Independent EEG Sources Are Dipolar. PLOS ONE, 7(2), e30135. https://doi.org/10.1371/journal.pone.0030135

Delorme, A., Westerfield, M., & Makeig, S. (2007). Medial Prefrontal Theta Bursts Pre-cede Rapid Motor Responses during Visual Selective Attention. Journal of Neuroscience, 27(44), 11949–11959. https://doi.org/10.1523/JNEUROSCI.3477-07.2007

Gallego-Rudolf, J., Corsi-Cabrera, M., Concha, L., Ricardo-Garcell, J., & Pasaye-Alcaraz, E. (2022). Preservation of EEG Spectral Power Features during Simultaneous EEG-fMRI. Frontiers in Neuroscience, 16, 951321. https://doi.org/10.3389/fnins.2022.951321

Mckeown, M. J., Makeig, S., Brown, G. G., Jung, T., Kindermann, S. S., Bell, A. J., & Se-jnowski, T. J. (1998). Analysis of fMRI Data by Blind Separation into Independent Spatial Components. Human Brain Mapping, 6(3), 160–188. https://doi.org/10.1002/(SICI)1097-0193(1998)6:3<160::AID-HBM5>3.0.CO;2-1

SCHERG, M. (1990). Fundamentals of Dipole Source Potential Analysis. Fundamentals of dipole source potential analysis, 6, 40–69.

Oostenveld, R., & Oostendorp, T. F. (2002). Validating the Boundary Element Method for Forward and Inverse EEG Computations in the Presence of a Hole in the Skull. Human Brain Mapping, 17(3), 179–192. https://doi.org/10.1002/hbm.10061

Oostenveld, R., Fries, P., Maris, E., & Schoffelen, J.-M. (2011). FieldTrip: Open Source Software for Advanced Analysis of MEG, EEG, and Invasive Electrophysiological Data. Computational Intelligence and Neuroscience, 2011(1), 156869. https://doi.org/10.1155/2011/156869

Malmivuo, J., & Plonsey, R. (1995). Bioelectromagnetism: Principles and Applications of Bioelectric and Biomagnetic Fields. Oxford University Press.

https://doi.org/10.1093/acprof:oso/9780195058239.001.0001

Giri, A., Kumar, L., Kurwale, N., & Gandhi, T. K. (2022). Anatomical Harmonics Basis Based Brain Source Localization with Application to Epilepsy. Scientific Reports, 12, 11240. https://doi.org/10.1038/s41598-022-14500-7

Artoni, F., Delorme, A., & Makeig, S. (2018). Applying Dimension Reduction to EEG Data by Principal Component Analysis Reduces the Quality of Its Subsequent Independent Component Decomposition. NeuroImage. https://doi.org/10.1016/j.neuroimage.2018.03.016

Artoni, F., Menicucci, D., Delorme, A., Makeig, S., & Micera, S. (2014). RELICA: A Method for Estimating the Reliability of Independent Components. NeuroImage, 103, 391–400. https://doi.org/10.1016/j.neuroimage.2014.09.010

Onton, J., Delorme, A., & Makeig, S. (2005). Frontal Midline EEG Dynamics during Working Memory. NeuroImage, 27(2), 341–356. https://doi.org/10.1016/j.neuroimage.2005.04.014

Delorme, A., & Makeig, S. (2004). EEGLAB: An Open Source Toolbox for Analysis of Single-Trial EEG Dynamics Including Independent Component Analysis. Journal of Neuro-science Methods, 134(1), 9–21. https://doi.org/10.1016/j.jneumeth.2003.10.009

Wysokiński, A. (2025). NeuroAnalyzer: Julia Toolbox for Analyzing Neurophysiological Data. Journal of Open Source Software, 10(107), 7734. https://doi.org/10.21105/joss.07734

Belozyorov, V. Y., Volkova, S. A., & Zaytsev, V. G. (2023). Singular Differential Equa-tions and Their Applications for Modeling Strongly Oscillating Processes. Journal of Optimi-zation, Differential Equations and Their Applications, 31(1, 1), 22–52. https://doi.org/10.15421/142302

Inkin, O. A., & Belozyorov, V. E. (2025). Hybrid Modeling of Eeg: The Fitzhugh-Nagumo-Lorenz Model. System technologies, 3(158), 87–95. https://doi.org/10.34185/1562-9945-3-158-2025-09

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 Sig-nals. Circulation, 101(23), E215–220. https://doi.org/10.1161/01.cir.101.23.e215