Известия высших учебных заведений

Прикладная нелинейная динамика

ISSN 0869-6632 (Print)
ISSN 2542-1905 (Online)

Для цитирования:

Степанян И. В., Леднев М. Ю. Исследование волновых процессов и ритмической активности головного мозга человека с применением системы ортогональных функций Уолша // Известия вузов. ПНД. 2025. Т. 33, вып. 4. С. 545-556. DOI: 10.18500/0869-6632-003175, EDN: UYYJRQ

Статья опубликована на условиях лицензии Creative Commons Attribution 4.0 International (CC-BY 4.0).
Полный текст в формате PDF(Ru):
Иконка PDF and_2025-4_stepanyan-lednev_545-556.pdf
(загрузок: 0)
Язык публикации: 
русский
Рубрика: 
Нелинейная динамика и нейронаука
Тип статьи: 
Научная статья
УДК: 
004.92, 612.82, 517.518.36
DOI: 
10.18500/0869-6632-003175
EDN: 
UYYJRQ

Исследование волновых процессов и ритмической активности головного мозга человека с применением системы ортогональных функций Уолша

Авторы: 
Степанян Иван Викторович, Институт машиноведения им. А.А. Благонравова РАН
Леднев Михаил Юрьевич, Институт машиноведения им. А.А. Благонравова РАН
Аннотация: 

Цель настоящего исследования — изучение волновых процессов и ритмической активности головного мозга на основе многомасштабных параметрических отображений электроэнцефалограмм, полученных в результате алгоритмического применения системы дискретных функций.

Методы. Для визуализации был использован разработанный ранее разномасштабный метод построения параметрических отображений молекулярно-генетической информации, при котором набор четырёх нуклеотидов рассматривается как система ортогональных функций Уолша.

Результаты. В статье предложен новый метод визуализации данных электроэнцефалографии для исследования ритмических и волновых процессов биоэлектрической активности головного мозга. Для анализа данных электроэнцефалографии предварительно был осуществлен этап перекодирования зарегистрированных амплитуд путём взаимно-однозначного преобразования ЭЭГ-сигнала в символьную последовательность, алфавит которой состоял из четырех символов. На основе этого метода было проведено сравнение сигналов ЭЭГ испытуемого в состоянии покоя и при умственной нагрузке. В исследовании анализировали показания электродов, регистрирующих биопотенциалы лобных долей головного мозга.

Заключение. Новые методы позволили выявить различные конфигурации кластеров в частотном пространстве визуализации, что можно использовать для сравнительного анализа энцефалограмм и выявления особенностей регистрируемых ЭЭГ-сигналов. Разработано специализированное программное обеспечение как инструмент изучения ритмической активности головного мозга путём построения параметрических отображений электроэнцефалограмм.
 

Ключевые слова: 
алгоритмы визуализации
ЭЭГ
биопотенциалы
система ортогональных функций
программное обеспечение
кластерный анализ
Благодарности: 
Работа выполнена в рамках Государственного задания, шифр научной темы FFGU-2024-0019.
Список источников: 
  1. Ke J., Du J., Luo X. The effect of noise content and level on cognitive performance measured by electroencephalography (EEG) // Automation in Construction. 2021. Vol. 130. P. 103836. DOI: 10.1016/j.autcon.2021.103836.
  2. Prasanna J. P., Subathra M. S. P., Mohammed M. A., Maashi M. S., Garcia-Zapirain B., Sairamya N. J., George S. T. Detection of focal and non-focal electroencephalogram signals using fast Walsh-Hadamard transform and artificial neural network // Sensors. 2020. Vol. 20, no. 17. P. 4952. DOI: 10.3390/s20174952.
  3. Goker H., Tosun M.  Fast Walsh–Hadamard transform and deep learning approach for diagnosing psychiatric diseases from electroencephalography (EEG) signals // Neural Comput. Applic. 2023. Vol. 35. P. 23617–23630. DOI: 10.1007/s00521-023-08971-6.
  4. Goshvarpour A., Goshvarpour A. Analytic representation vs. angle modulation of Hilbert transform of fast Walsh-Hadamard coefficients (HTFWHC) in epileptic EEG classification // Braz. J. Phys. 2023. Vol. 53. P. 15. DOI: 10.1007/s13538-022-01231-3.
  5. Mohsen S., Ghoneim S. S. M., Alzaidi M. S., Alzahrani A., Ali Hassan A. M. Classification of electroencephalogram signals using LSTM and SVM based on fast walsh-hadamard transform // Comput. Mater. Contin. 2023. Vol. 75, no. 3. P. 5271–5286. DOI: 10.32604/cmc.2023.038758.
  6. Shakya N., Dubey R., Shrivastava L. Stress detection using EEG signal based on fast Walsh Hadamard transform and voting classifier // Preprint Research Square. 2021. DOI: 10.21203/rs.3.rs- 782483/v1.
  7. Ergun E., Aydemir O. A hybrid BCI using singular value decomposition values of the fast walsh-hadamard transform coefficients // IEEE Transactions on Cognitive and Developmental Systems. 2020. Vol. 15, no. 2. P. 454–463. DOI: 10.1109/TCDS.2020.3028785.
  8. Yuan X., Cai Z. A generalized Walsh system and its fast algorithm // IEEE Transactions on Signal Processing. 2021. Vol. 69. P. 5222–5233. DOI: 10.1109/TSP.2021.3099635.
  9. Widdess-Walsh P. Resting but not idle: Insights into epilepsy network suppression from intracranial EEG // Epilepsy Currents. 2024. Vol. 24, no. 1. P. 25–27. DOI: 10.1177/1535759723 1213247.
  10.  Vaithialingam B., Rudrappa S. Intraoperative visualisation of 3 Hz spike–wave epileptic discharges in the electroencephalographic signal of bispectral index monitor in a patient with absence seizures // Indian J. Anaesth. 2024. Vol. 68, no. 2. P. 209–210. DOI: 10.4103/ija.ija_710_23.
  11.  Salami A., Andreu-Perez J., Gillmeister H. Finding neural correlates of depersonalisation/ derealisation disorder via explainable CNN-based analysis guided by clinical assessment scores // Artif. Intell. Med. 2024. Vol. 149. P. 102755. DOI: 10.1016/j.artmed.2023.102755.
  12.  Taylor J. A., Garrido M. I. Porthole and Stormcloud: tools for visualisation of spatiotemporal M/EEG statistics // Neuroinformatics. 2020. Vol. 18. no. 3. P. 351–363. DOI: 10.1007/s12021- 019-09447-6.
  13.  QiHan P. W., Alipal J., Suberi A. A. M., Fuad N., Wahab M. H. A., Idrus S. Z. S. A new perspective on visualising EEG signal of post-stroke patients // IOP Conf. Ser.: Mater. Sci. Eng. 2020. Vol. 917, no. 1. P. 012047. DOI: 10.1088/1757-899X/917/1/012047.
  14.  Gomez L. C., Herv  as R., Gonz  alez I., Villarreal V.  Studying the generalisability of cognitive load measured with EEG // Biomedical Signal Processing and Control. 2021. Vol. 70. P. 103032. DOI: 10.1016/j.bspc.2021.103032.
  15.  Caillet B., Devenes S., Ma ` tre G., Hight D., Mirra A., Levionnois O., Simalatsar A. General Anaesthesia Matlab-based Graphical User Interface: A tool for EEG signal acquisition, processing and visualisation offline and in real-time. 2023. DOI: 10.13140/RG.2.2.33243.68647.
  16.  Cao J., Zhao Y., Shan X., Wei H. L., Guo Y., Chen L., Erkoyuncu J. A., Sarrigiannis P. G. Brain functional and effective connectivity based on electroencephalography recordings: A review // Hum. Brain Mapp. 2022. Vol. 43, no. 2. P. 860–879. DOI: 10.1002/hbm.25683.
  17.  Cabanero L., Herv  as R., Gonz  alez I., Fontecha J., Mond  ejar T., Bravo J.  Characterisation of mobile-device tasks by their associated cognitive load through EEG data processing // Future Generation Computer Systems. 2020. Vol. 113. P. 380–390. DOI: 10.1016/j.future.2020.07.013.
  18.  Costadopoulos N., Islam M. Z., Tien D. A knowledge discovery and visualisation method for unearthing emotional states from physiological data // Int. J. Mach. Learn. & Cyber. 2021. Vol. 12, no. 3. P. 843–858. DOI: 10.1007/s13042-020-01205-4.
  19.  Montazeri S., Pinchefsky E., Tse I., Marchi V., Kohonen J., Kauppila M., Airaksinen M., Tapani K., Nevalainen P., Hahn C., Tam E. W. Y., Stevenson N. J., Vanhatalo S. Building an open source classifier for the neonatal EEG background: A systematic feature-based approach from expert scoring to clinical visualization // Front. Hum. Neurosci. 2021. Vol. 15. P. 675154. DOI: 10.3389/fnhum.2021.675154.
  20.  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. PhysioBank, PhysioToolkit, and PhysioNet: components of a new research resource for complex physiologic signals // Circulation. 2000. Vol. 101, no. 23. P. E215–E220. DOI: 10.1161/01.cir.101.23.e215.
  21.  Zym I., Tukaev S., Seleznov I., Kiyono K., Popov A., Chernykh M., Shpenkov O. Electroencephalograms during Mental Arithmetic Task Performance // Data. 2019. Vol. 4, no. 1. P. 14. DOI: 10.3390/data4010014.
  22.  Stepanyan I. V., Lednev M. Y.. Visualization of the Signals Entropy Structure Based on Walsh– Hadamard Functions // Symmetry. 2024. Vol. 16, no. 1. P. 59. DOI: 10.3390/sym16010059.
  23.  Степанян И. В., Леднев М. Ю. Алгоритмы визуализации молекулярно-генетических последовательностей в пространствах двоично-ортогональных функций Уолша. М.: «КДУ», «Добросвет», 2020. 193 с. DOI: 10.31453/kdu.ru.978-5-7913-1159-7-2020-193.
  24.  Аристов В. В., Кубряк О. В., Степанян И. В. Расчёт циклических характеристик электроэнцефалограммы для исследования электрической активности мозга // Известия вузов. ПНД. 2023. Т. 31, № 4. С. 469–483. DOI: 10.18500/0869-6632-003051.
Поступила в редакцию: 
08.10.2024
Принята к публикации: 
24.02.2025
Опубликована онлайн: 
22.04.2025
Опубликована: 
31.07.2025
  • 1132 просмотра