Sztuczne sieci neuronowe w interpretacji i analizie sygnałów biomedycznych EEG. Przegląd metod

• Autorzy: Rutkowski G. , Patan K.

Warianty tytułu

EN

Artificial neural networks in the interpretation and analysis of EEG biomedical signals. The review of methods

• Języki publikacji: PL

Abstrakty

PL

Metody pomiarów EEG (Elektroencefalografia), znalazły szeroki zakres zastosowań w diagnozach klinicznych. Problemy pomiarowe związane zarówno z aspektami technicznymi jak i samą strukturą zapisu EEG, wymusiły na naukowcach szukania nowych rozwiązań oraz ulepszania metod pomiarowych. Kliniczne podejście skupia się na interpretacji bezpośrednich potencjałów wywołanych, co ściśle związane jest z aktywnością spontaniczną komórek w mózgu oraz procesów w nim zachodzących. Rozwiązania sprzętowe jak i programistyczne w metodzie pomiarowej EEG, napotykają wiele trudności i poddawane są ciągłym ulepszeniom w dobie rozwoju technologicznego. Jako narzędzie w analizie procesów zachodzących w ludzkim mózgu swoje zastosowanie znalazły sztuczne sieci neuronowe. Metody inteligentne stosowane są w procesach wspomagania decyzji, diagnozowania medycznego, klasyfikacji struktur, rozpoznawania symptomów, analizie obrazów, wszelkiego rodzaju detekcji regularności związanych z wczesnym wykrywaniem niebezpiecznych symptomów chorobowych, separacji sygnałów, wyodrębnianiem charakterystycznych grafoelementów dla danych dysfunkcji, prognozowaniem oraz eliminacją artefaktów z zapisu, ściśle związanymi z doborem odpowiednich metod algorytmicznych. W artykule zaprezentowano przykłady zastosowań różnego typu sieci neuronowych do analizy i klasyfikacji napadów padaczkowych.

EN

Analysis methods of EEG (electroencephalogram), are widely used in clinical diagnosis. Measurement problems associated with both the technical aspects and structure of the EEG signal, forced researchers to find new solutions and improve measurement methods. The clinical approach focuses on the direct interpretation of the potentials of every hunt, which is closely linked with the spontaneous activity of cells in the brain and processes therein. Hardware and software implementation of methods of measuring EEG, faces many difficulties and is subjected to the constant technological improvement. To analyze processes in the human brain, artificial neural networks can be applied. The neural networks are widely used in the decision making support, medical diagnosis, classification structures, recognition of symptoms, analysis of images, the regularity detection, early detection of dangerous signs of sickness, separation of signals, extracting characteristic graphoelements for dysfunctions, forecasting and elimination of artifacts from the records. This paper presents the application of different neural structures to the analysis and classification of the epilepsy.

Słowa kluczowe

PL

EEG; sztuczne sieci neuronowe; rozpoznawanie obrazów; klasyfikacja

EN

EEG; artificial neural networks; pattern recognition; classification

• Wydawca: Wydawnictwo Politechniki Lubelskiej
• Czasopismo: Informatyka, Automatyka, Pomiary w Gospodarce i Ochronie Środowiska
• Rocznik: 2011
• Tom: nr 2
• Strony: 28--33
• Opis fizyczny: Bibliogr. 30 poz., il.

Twórcy

autor

Rutkowski G.

autor

Patan K.

• Uniwersytet Zielonogórski, Instytut Sterowania i Systemów Informatyczych,

Bibliografia

• 1. Bankman I. N., Sigilliti V. G., Wise R. A., Smith P. L.: Feature-based detection of the K-complex wave in the human electro-encephalogram using neural networks; IEEE Transactions on Biomedical Engineering; 39(12), 1992, s. 1305–1310.
• 2. Carpenter G.A., Grossberg S.: A self-organizing neural network for supervised learning, recognition, and prediction; IEEE Communications Magazine Sep 30, 1992, s. 38–49.
• 3. Cichocki A., Bogner R. E., Moszczynski L., Pope K.: Modifed Herault-Jutten algorithms for blind separation of sources, Digital Signal Processing; 7, 1997, s. 80-93.
• 4. Cheng-Wen Ko., Chung H. W.: Automatic spike detection via an artificial neural network using raw EEG data: effects of data preparation and implications in the limitations of online recognition; Clinical. Neurophysiology, 111, 2000, s. 477-481.
• 5. Cheng-Wen Ko., Yue-Der Lin., Gwo-Jen Jan., Hsiao-Wen Chung., Shing - Ming Sung.: An EEG Spike Prescreening Algorithm using RBF ANN with Multi-Channel Correlation; Journal of Medical and Biological Engineering, 27(4), 2007, s. 6-205.
• 6. Duch W., Korbicz J., Rutkowski L., Tadeusiewicz R. (ed.): Biocybernetyka i inżynieria biomedyczna 2000. Sieci neuronowe. Tom 6; Akademicka Oficyna Wydawnicza Exit, Warszawa, 2000,
• 7. Emiliani G.M.M., Frietman E.E.E.: Automatic classification of EEGs with neural networks; Microelectronic Systems Integration, 1(1), 1994, s. 41–62.
• 8. Gath, I., Feuerstein C., Pham D.T., Rondouin G., (1992). The tracking of rapid dynamic changes in seizure EEG; IEEE. Trans. Biomedical. Engineering. BME, 39 (9).
• 9. Gotman J. (1980). Quantitative measurements of epileptic spike morphology in the human EEG. Electroencephalography clinic Neurophysiology; 48:s. 551-557.
• 10. Gohary M.I. E.L., A.S.A. Mohamed., M.M. Dahab I.: Diagnosis of Epilepsy by Artificial Neural Network; Journal of Biological Sciences, 8(2), 2008, s. 451-455.
• 11. Górecka J.: The ICA Approach for Removal of Undesired Components from EEG Data; BIOSIGNALS , 2009, s. 539-542.
• 12. Güler N.F., Übeyli E.D., Güler İ.: Recurrent neural networks employing Lyapunov exponents for EEG signals classification; Expert Systems with Applications, 29(3), 2005, s. 506-14.
• 13. Herault J., Jutten C.: Space or time adaptive signal processing by neural models; Mat. AIP Conference: Neural Networks for Computing, J.S. Denker, American Institute for Physics, 1986, s. 206—211.
• 14. Hopfield J.J.: Neural systems and physical systems with emergent selective computational abilities; The Proceedings of the National Academy of Sciences, 1982, s. 2554–2558.
• 15. Huuponen E., Varri A., Himanen S.L., Hasan J., Lehtokangas M., Saarinen J.: Autoassociative MLP in sleep spindle detection. Journal of Medical Systems; 24(3), 2000, s. 183-193.
• 16. James Ch. J., Richard D. Jones., Philip J. Bones., Grant J. Carroll.: Detection of epileptiform discharges in the EEG by a hybrid system comprising mimetic, self-organized artificial neural network, and fuzzy logic stages. Clinical Neurophysiology ,12,1999, s. 2049-2063.
• 17. Kohonen T.: Self-Organization and Associative Memory. Springer, Berlin, 1993.
• 18. Kohonen T.: Self-organization and associative memory. Springer-Verlag, Berlin, 1988.
• 19. Korbicz J., Obuchowicz A., Uciński D.: Sztuczne sieci neuronowe. Podstawy i zastosowania; Akademicka Oficyna Wydawnicza, PLJ, Warszawa, 1994.
• 20. Korbicz. J., Kościelny J.M., Kowalczuk Z., Cholewa W. Diagnostyka procesów, Modele, Metody sztucznej inteligencji zastosowania; WNT, Warszawa, 2002.
• 21. Nigam V.P., Graupe D.: A neural-network-based detection of epilepsy; Neurology. Res., 26(6), 2004, s. 55-60.
• 22. Poggio T., Girosi F.: A theory of networks for approximation and learning; AI memo/CBIP paper 31, Cambridge, MA: Massachusetts Institute of Technology; 1989, s. 65.
• 23. Reddy D.C., Korrai D.R.: Neural networks for classification of EEG signals; Medinfo, 92, 1992, s. 653–658.
• 24. Rumelhart DE., Hinton GE., Williams RJ.: Learning representations by backpropagating errors; Nature, 323, 1986, s. 533–536.
• 25. Saastamoinen A., Pietila T., Varri A., Lehtokangas M., Saarinen J.: Waveform detection with RBF network - application to automated EEG analysis. Neurocomputing, 20, 1998, s. 1–13.
• 26. Subasi A.: Epileptic seizure detection using dynamic wavelet network; Expert Systems with Applications, 29, 2005, s. 343–355.
• 27. Tadeusiewicz R.: Elementarne wprowadzenie do sieci neuronowych z przykładowymi programami; Akademicka Oficyna Wydawnicza, Warszawa. 1998.
• 28. Tun A.K., Lye N.T., Guanglan Z., Abeyratne UR., Saratchandran P: RBF networks for source localization in quantitative electrophysiology; Biomedical Engineering, 28(3–4), 2000, s. 463–472.
• 29. Übeyli E. D.: Fuzzy similarity index employing Lyapunov exponents for discrimination of EEG signals; Neural Network World, 16(5), 2006, s. 421–31.
• 30. Übeyli, E. D.: Analysis of EEG signals by combining eigenvector methods and multiclass support vector machines; Computers in Biology and Medicine, 38(1), 2008, s. 14–22.