Инд. авторы:	Климова Е.Г., Медведев С.Б., Савостьянов А.Н.
Заглавие:	Алгоритм локальной фильтрации низкочастотных шумов с большой амплитудой в данных электроэнцефалограмм
Библ. ссылка:	Климова Е.Г., Медведев С.Б., Савостьянов А.Н. Алгоритм локальной фильтрации низкочастотных шумов с большой амплитудой в данных электроэнцефалограмм // Вычислительные технологии. - 2016. - Т.21. - № 6. - С.36-46. - ISSN 1560-7534. - EISSN 2313-691X.
Внешние системы:	РИНЦ: 27638577; РИНЦ: 28881214;
Реферат:	rus: При исследовании функций мозга человека в качестве одного из инструментов используется измерение сложного колебательного электрического процесса, который регистрируется с помощью электроэнцефалографа. Одной из проблем в работе с данными электроэнцефалограмм (ЭЭГ) является наличие в них “шума”, связанного как с поведением пациента, так и с внешними воздействиями. В работе рассматривается алгоритм фильтрации в данных ЭЭГ низкочастотных шумов с большой амплитудой, вызванных различными источниками. Алгоритм основан на фурье-анализе данных и может применяться локально (в заданном временном интервале). Отличительным свойством предлагаемого алгоритма является отсутствие искажения фазы волны (с точностью до вычислительной погрешности метода), что особенно важно для анализа сетевых взаимодействий в головном мозге. eng: Purpose. One of the problems in operation of electroencephalograms (EEG) data is the existence of “noise” in these data. The noise is connected both to a behavior of the patient, and to external influences. The purpose of this study is creation of an algorithm for filtering of low frequency and large amplitude noise arising from different sources in EEG data. At the same time one of requirements to the algorithm is elimination of the phase distortion in a wave. Methods. The algorithm is based on the Fourier analysis of data and can be applied locally in the set time interval. In the developed algorithm the approach to division of high-frequency and low-frequency fluctuations which is widely applied in the theory of turbulence is used. The algorithm is analog of the method of the sliding average. However it has a number of fundamental differences. The algorithm includes an averaging interval assessment procedure proceeding from the spectral analysis of data, and also criterion according to which the decision on removal of a low-frequency component of data (noise) in the set point is made. Results. Numerical experiments with real data of electroencephalograms are made. EEG registered on the basis of scientific research institute of physiology and fundamental medicine with the help of 128 channel encephalograph of Brain Products, Germany with bandpass range of 0.1-100 Hz, the frequency of digitization of a signal of 1000 Hz. Electrodes (126 EEG + VEOG) settled down according to the international diagram of 10-10 % with the reviewer Cz and a grounding electrode of AFz. Numerical experiments with real data of electroencephalograms (selection from 85 EEG) showed that the algorithm allows to adjust EEG data, cleaning low frequency noise and slightly changing wave phase. Conclusions. In this work the algorithm of a filtration of low-frequency noise in EEG data is proposed. Distinctive property of the offered algorithm is lack of distortion of a phase of a wave (within computational error of the method).
Ключевые слова:	filtration of noise; electroencephalogram; спектральный анализ; фильтрация шумов; электроэнцефалограмма; spectral analysis;
Издано:	2016
Физ. характеристика:	с.36-46
Цитирование:	1. Марютина Т.М., Ермолаев О.Ю. Введение в психофизиологию. М.: Флинта, 2004.400 с. 2. Рангайан Р.М. Анализ биомедицинских сигналов. Практический подход. М.: Физматлит, 2010. 439 с. 3. Lee, Te-Won, Girolami, M., Bell, A.J., Sejnowski, T.J. A unifying informationtheoretic framework for independent component analysis // Computers and Mathematics with Applications. 2000. Vol. 39(11). P. 1-21. 4. Morbidi, F., Garulli, A., Prattichizzo, D., Rizzo, C., Manganotti, P., Rossi, S. Offline removal of TMS-induced artifacts on human electroencephalography by Kalman filter // J. of Neuroscience Methods. 2007. Vol. 162, iss. 1-2. P. 293-302. 5. Knyazev, G.G., Savostyanov, A.N., Bocharov, A.V., Tamozhnikov, S.S., Saprigyn, A.E. Task-positive and task-negative networks and their relation to depression: EEG beamformer analysis // Behavioural Brain Research. 2016. Vol. 36, No. 1. P. 160-169. DOI: 10.1016/j.bbr.2016.03.033. 6. Biswal, B., Yetkin, F.Z., Haughton, V.M., Hyde, J.S. Functional connectivity in the motor cortex of resting human brain using echo-planar MRI // Magnetic Resonance in Medicine. 1995. Vol. 34(4). P. 537-541. 7. Savostyanov, A.N., Tsai, A.C., Liou, M., Levin, E.A., Lee, J.D., Yurganov, A.V., Knyazev, G.G. EEG correlates of trait anxiety in the stop-signal paradigm // Neuroscience Letters. 2009. Vol. 449(2). P. 112-116. 8. Яглом А.М. Корреляционная теория стационарных случайных функций. Л.: Гидрометеоиздат, 1981. 279 с. 9. Динамическая метеорология / Под ред. Д.Л. Лайхтмана. Л.: Гидрометеоиздат, 1976. 606 с. 10. Калиткин Н.Н. Численные методы. М.: Наука, 1978. 512 с. 11. Справочник по прикладной статистике. В 2-х т. Т. 1: Пер. с англ. / Под ред. Э. Ллойда, У. Ледермана, Ю.Н. Тюрина. М.: Финансы и статистика, 1989. 510 с.