Elektrotehniški vestnik 77(4): 214-220, 2010 Electrotechnical Review, Ljubljana, Slovenija
Metoda fazne demodulacije za dekodiranje možganskih informacij
Vito Logar, Aleš Belic
Univerza v Ljubljani, Fakulteta za elektrotehniko, Tržaška 25, 1000 Ljubljana, Slovenija E-požta : vito. logar@fe. uni-lj. si
Povzetek. Prispevek obravnava pristope k analizi možganskih valov za dekodiranje možganskih informacij in nadaljnjo možnost njihove uporabe v vmesnikih moZgani-raCunalnik. Področju vmesnikov med možgani in računalnikom se v zadnjem času namenja veliko pozornosti, saj so zanimivejše področje v nevrofizioloških raziskavah. Osnovna ideja takšnih vmesnikov je izvajanje določenih akcij zgolj z uporabo mozganov oz. meritev mozzganskega delovanja, npr. elektroenčefalografije (EEG). V prispevku so tako obravnavane metode, s katerimi je mogoče iz signala EEG izluščiti oz. dekodirati pomembne informačije o trenutnem delovanju mozganov. Ideja o dekodiranju mozganskih informačij temelji na tako imenovanem končeptu faznega kodiranja vsebin v sinhronizirani osčilatorni mozzganski aktivnosti. Glede na dognanja s področja mozšganskega kodiranja informačij, sva se avtorja odločila, da za osnovo metodologije izbereva prinčip fazne demodulačije, s katero je mogoče v povezavi z drugimi metodami obdelave signalov iz signala EEG izluščiti pomembne dele informačij o trenutni akčiji, ki jo izvajajo mozzgani. Ustreznost predstavljene metodologije je očenjena na treh različnih kognitivnih nalogah, t. j. nalogah delovnega spomina ter statičnih in dinamičnih vidno-motoričnih nalogah. Pri izvajanju nalog delovnega spomina je iskana informačija odgovor tipa DA/NE, pri statičnih ali dinamičnih vidno-motoričnih nalogah pa je iskana informačija stiskanje prstov oz. premikanje zapestja pri sledenju dane krivulje. Studija je pokazala, daje mogoče predstavljeno metodologijo z nekaj modifikačijami uporabiti tudi za izdelavo vmesnika mozšgani-račšunalnik.
Ključne besede: EEG, fazna demodulačija, fazno kodiranje, mozzganske informačije, predikčija
A phase-demodulation method for decoding the brain information
Extended abstract. The paper presents possible approaches to brain-wave analysis from the information-coding point of view and its possible use in brain-computer interfaces (BCIs). The field of BCIs has become increasingly popular in the last years for presenting one of the more interesting areas in neurophys-iological research. The basic idea of such interfaces is to allow for certain actions by means of an interface using only the measurements of brain activity, for instance electroencephalography (EEG). In this paper we investigate some methods which are suitable for extracting and decoding important pieces of information from EEG signals and which could also be used in the above interfaces. The idea of decoding the brain information is based on the lately proposed theory of phase coding in the brain oscillatory activity. According to suggestions in the field of information coding, the authors decided to base their methodology on the phase demodulation principle. The phase demodulation method in combination with some other signal processing methods can decode some important parts of the information, transferred between the brain areas during a certain task. The proposed methodology was validated on three different cognitive tasks, i.e. working memory (WM) tasks, classic (VM) and dynamic visuo-motor tasks (dVM). The information to be decoded were answers in the YES/NO form in case of WM tasks and gripping force and wrist movements in case of VM and dVM tasks, respectively. The presented methodology can, with some modifications, also be used for the development
Prejet 25. februar, 2010 Odobren 26. maj, 2010
of a brain-computer interface.
Key words: Brain information, EEG, Phase coding, Phase demodulation, Prediction
1 Uvod
Kodiranje informacij spada med sorazmerno mlada področja raziskovanja moZganskega delovanja. Kljub velikemu številu raziskovalcev, ki se ukvarjajo s proučevanjem kodiranja, prenosa in uporabe moZganskih informacij, ostaja na tem področju še veliko neznank. Trenutno obstaja nekaj splošno priznanih teorij in mehanizmov, ki opisujejo načine delovanja mozganov in perifernega zivčevja z vidika izmenjevanja informacij. Eden osnovnih mehanizmov v delovanju mozganov je tako imenovana sinhronizirana oscilatorna aktivnost, ki daje celosten pogled na delovanje mozganov [1]. Po mnenju [2] je oscilatorna aktivnost osnova porazdeljenega procesiranja informacij, zaznavanja in funkcionalnosti mozganov, hkrati pa skrbi za prenos informacij med
anatomsko ne nujno povezanimi možganskimi centri. Drugi izmed mehanizmov, ki sodeluje pri možganskem delovanju, so tako imenovani možganski ritmi in so tesno povezani z oscilatorno aktivnostjo, saj so to dejansko frekvenčni pasovi, v katerih se nahajajo posamezne oscilacije. Tretji mehanizem, ki najverjetneje sodeluje pri prenosu informacij med posameznimi nevronskimi po-drocji, je tako imenovano povezovanje (angl. binding). Teorija povezovanja zagovarja dejstvo vzporednega obdelovanja informacij v razlicnih mozganskih centrih, kadar dolocena akcija to zahteva [3]. Pri teoriji povezovanja ima pomembno vlogo prej omenjena oscilirajoca aktivnost, saj lahko centri s sinhronizacijo oz. desinhronizacijo oscilacij in spreminjanjem njihove frekvence natancno dolocajo, kaj naj se v dani signal zakodira ter kateri center naj poslano informacijo sprejme in odkodira. Delovanje mehanizma sinhronizacije in desinhronizacije je mogoce prikazati z izracunom funkcije koherence med sodelujocimi podrocji [4]. Ce dva centra sodelujeta v istem procesu in med njima prihaja do izmenjave informacij, se to kaze kot povišana vrednost koherence med signaloma, kiju izmerimo za posamezno podrocje [5]. Po mnenju nekaterih avtorjev je nacšin, kako se posamezna informacija zakodira v signal, pogojen s faznimi lastnostmi danega signala [6, 7]. Tako imenovani koncept faznega kodiranja, ki je nastal sšele v zadnjih nekaj letih, je pomembno odkritje na podrocju toka mozganskih informacij. Predvideva se, da se posamezen del informacije zakodira v nosilni signal kot fazni zamik, podobno kot pri oddajanju radijskih valov v fazno modulirani tehniki. Glede na zadnje raziskave naj bi bilo fazno kodiranje informacij temeljni mehanizem kodiranja vseh mozšganskih informacij [8].
Znano je, da so mozganski signali, kijih izmerimo s pomocjo elektroencefalografa, informacijsko zelo bogati. Iz njih je namrec mogoce ugotavljati razlicna stanja zavesti in spanja, pa tudi sštevilne bolezenske znake. Glede na to, da je EEG odraz elektricne aktivnosti mozganov, lahko predvidevamo, da je mogocše z ustreznimi metodami obdelave signalov iz zapisa EEG izlusciti nekatere pomembne informacije, ki se izmenjujejo med nevronskimi populacijami. Ce zdruzimo vse prej omenjene mehanizme delovanja mozšganov ter lastnosti signalov EEG, dobimo meritve, ki opisujejo funkcionalnost mozganov in nosijo kodirane informacije o trenutni akciji, ki se izvaja. Zato, sva se avtorja odlocila, da poskusiva dekodirati prenasšano informacijo, izmerjeno v signalu EEG, med preiskovancševimi izvajanji nalog delovnega spomina ter staticnih (sVM) in dinamicnih vidno-motoricnih (dVM) nalog. Iskana informacija je bila pri nalogah delovnega spomina preiskovancev odgovor tipa DA/NE, pri sVM nalogah sila stiskanja, ki jo je preiskovanec izvajal na senzor sile in pri nalogah dVM premiki zapestja, ki jih je preiskovanec izvajal z igralno palico.
Namen študije je zgraditi matematicni model z uporabo metod filtriranja signalov, analize glavnih komponent (PCA) ter fazne demodulacije, dolociti parametre modela z uporabo mehke identifikacije ter s tem pokazati, da signali EEG nosijo dovolj informacij za uspešno napoved odgovorov pri nalogah delovnega spomina, sile stiskanja pri staticšnih ter premikov zapestij pri dinamicšnih nalogah VM.
2 Metode
2.1 Naloge delovnega spomina
Kognitivne naloge, ki od preiskovancev zahtevajo uporabo kratkorocšnega spomina, imenujemo naloge delovnega spomina. Za študijo smo uporabili naloge delovnega spomina, ki temeljijo na Sternbergovi paradigmi [9], saj le-ta omogoca proucevanje neposrednega dostopa do informacij v spominu. Njena prednost pred drugimi nalogami je, da omogoca proucevanje spreminjanja aktivnosti po posameznih korakih v kratkorocšnem spominu, saj so obdobja kodiranja, prepoznavanja in pomnjenja locena [10]. Sternbergova paradigma, ki je bila uporabljena v našem primeru, je od preiskovancev zahtevala, da si zapomnijo niz štirih alfanumericnih znakov in ga uredijo skladno z nalogo (zapomni-uredi, zapomni, uredi, pocakaj).
Odgovor Vprašanje (da/ne)
Naloga	Niz	Obdobje	Čas za	Pavza
(Z-U, Z, U, P)	znakov	pomnjenja	premislek	
0s	1.5s	2.0s 6.0s	7.0s 10.0s
Slika 1.: Sternbergova naloga delovnega spomina Figure 1.: Sternberg woriking memory task
Kot prikazuje slika 1, se je vsak poskus zacel z navodilom, kateri tip naloge je trebna izvajati (zapomni-uredi, uredi, zapomni ali počakaj). Po navodilu se je preiskovancu za 0,5 sekunde prikazal niz štirih alfanumericnih znakov. Glede na tip naloge so znaki ostali prikazani ali pa umaknjeni z zaslona. Po prikazu niza znakov je moral preiskovanec miselno urediti oz. si zapomniti znake, kot je to zahtevala naloga. Po preteku 4 sekundnega obdobja pomnjenja je racunalnik preiskovancu zastavil vprašanje tipa nX, pri cemer je bil X eden od prikazanih znakov, n pa mesto, na katerem se nahaja. Preiskovanec je nato s pritiskom levega oz. desnega gumba na miški odgovoril, ali je odgovor na zastavljeno vprašanje pritrdilen (znak Xje bil na n-tem mestu) ali ne (znak X ni bil na n-tem mestu). Na koncu vsake naloge je sledilo 3-sekundno obdobje pocitka. Ponovitev naloge je bilo priblizno 200.
2.2 Vidno-motoricne naloge
Naloge, ki od možganov zahtevajo aktivacijo vidnih in motoričnih območij možganske skorje ter njihovo vidno-motoricno integracijo, imenujemo vidno-motorične naloge. V tej študiji smo obravnavail dva tipa VM-nalog, in sicer statične ter dinamične.
Pri izvajanju nalog sVM smo merili silo stiskanja, ki jo je podajal preiskovanec ter njegovo mozšgansko aktivnost prek signalov EEG. Naloga je od vsakega preiskovanca zahtevala opazovanje časovnega poteka sinusnega signala na zaslonu ter čim boljše sledenje prikazani krivulji s stiskanjem senzorja sile med palcem in kazalcem, kot je prikazano na sliki 2. Naloga je bila sestavljena iz 20 sklopov obdobja aktivnosti (sledenje krivulji) v dolzini 25 s in obdobja mirovanja (brez motorične akcije) v dolzini 25 s. Preiskovanci so statično nalogo VM izvajali z levo in desno roko.
2
I -
0
-0.5
0	5	10	15	20	25
t[s]
Slika 2.: Statična vidno-motorična naloga Figure 2.: Static visuo-motor task
Pri izvajanju nalog dVM smo merili premike zapestja, ki jih je izvajal preiskovanec, ter njegovo mozgansko aktivnost prek signalov EEG. Naloga je od vsakega preiskovanca zahtevala opazovanje časovnega poteka naključno generiranega zveznega signala na zaslonu in cšim boljsše sledenje prikazani krivulji s premikanjem igralne palice naprej oz. nazaj, kot je prikazano na sliki 3. Naloga je bila sestavljena iz 10 sklopov obdobja aktivnosti (sledenje krivulji) v dolzini 30 s in obdobja mirovanja (brez motorične akcije) v dolzini 30 s.
Razlog za izvajanje dveh tipov VM nalog je ta, da so statične naloge VM osnova za dekodiranje mozganskih informacij, hkrati pa so za mozgane lazje opravilo zaradi ponavljajočega se sinusnega signala. Dinamične VM-naloge so nadgradnja statičnih, saj je zaradi naključno generiranega zveznega signala sledenje le-temu tezje, kar je za mozgane tezja naloga, hkrati pa verjetno preprečuje tudi t. i. proces učenja, ki se običajno začne izvajati v mozganih pri zadostnem številu ponovitev določenega vzorca.
-
3
-0.5
0	5	10	15	20	25	30
t[s]
Slika 3.: Dinamična vidno-motorična naloga Figure 3.: Dynamic visuo-motor task
2.3	Meritve EEG
Za študijo nalog delovnega spomina so bili izbrani trije desnoročni preiskovanci, stari 23, 24 in 27 let.
Za zajem podatkov je bil uporabljen aparat EEG Med-elec system s standardno postavitvijo elektrod 10-20 in 256 Hz vzorčenjem. Zajem preiskovančevih odgovorov DA/NE je bil izveden prek računalniske miške (levi gumb - DA, desni gumb - NE). Zajema podatkov sta bila medsebojno sinhronizirana. Naloge so bile prikazane s programsko opremo Presentation software.
Za študijo statičnih VM-nalog so bili izbrani trije desnoročni preiskovanči, stari 26, 27 in 29 let.
Za zajem podatkov je bil uporabljen aparat EEG Med-elec system s standardno postavitvijo elektrod 10-20 in 256 Hz vzorčenjem. Zajem sile stiskanja je bil izveden prek senzorja sile ter 12-bitne kartiče PCI DAS1002 s frekvenčo vzorčenja 100 Hz. Zajema podatkov sta bila medsebojno sinhronizirana. Naloge so bile prikazane s programsko opremo Matlab.
Za študijo dinamičnih VM-nalog so bili izbrani štirje desnoročni preiskovanči, stari 24, 27, 32 in 37 let. Za zajem EEG signalov je bil uporabljen aparat EEG EEG System (Brain Produčts GmbH, Nemčija) s standardno postavitvijo elektrod 10-20 in 512 Hz vzorčenjem. Zajem premikov zapestja je bil izveden preko igralne paliče USB s frekvenčo vzorčenja 50 Hz. Zajema podatkov sta bila medsebojno sinhronizirana. Naloge so bile prikazane s programsko opremo Matlab.
Vsi signali EEG so bili med snemanjem filtrirani z nizkopasovnim in visokopasovnim filtrom, ki sta odstranila frekvenče, nizje od 0,5Hz (poslediča mišičnega gibanja) in višje od 100 Hz (elektromiogramske motnje). Upornost elektrod je bila nizja od 5 k^. Vse meritve signalov EEG so bile izvedene v elektromagnetno zasščšiteni sobi.
2.4	Obdelava signalov
Za analizo izmerjenih signalov EEG je bila uporabljena programska oprema Matlab skupaj z dodatki Neural net-
works toolbox, Fuzzy logic toolbox, Signal processing toolbox ter Statistics toolbox. Dodatno filtriranje signalov je bilo izvedeno z uporabo Butterworthovih filtrov tretjega in petega reda (funkcija SltSlt). Metoda fazne demodulacije je bila izvedena z uporabo funkcije de-mod, analiza glavnih komponent pa s funkcijo prepca. Napovedni model v obliki umetne nevronske mreze (UNM) je bil zgrajen in ucen s funkcijama newff in train-scg v obliki mehkega modela pa z uporabo funkcij anSs ter genfis2.
Pri nalogah delovnega spomina smo iz signalov EEG najprej izbrali intervale v dolzini 1 sekunde pred preiskovančevim odgovorom. Novo dobljene signale EEG smo nadalje filtrirali s pasovnim filtrom v frekvencnem obmocju theta (4-7 Hz). Uporaba frekvencnega območja theta izhaja iz mnenj nekaterih avtorjev, da pri spominskih procesih igra pomembno vlogo ravno ritem theta [11]. Za pridobitev fazne vsebine signalov smo le-te fazno demodulirali s frekvenco nosilnega vala priblizno 4,8Hz. Za zmanjšanje dimenzije podatkov in zagotavljanja linearne neodvisnosti le-teh smo nazadnje uporabili se analizo glavnih komponent. Prvih 10 dobljenih glavnih komponent (95 % variance signala) smo nato uporabili kot vhode za ucenje in validacijo nevronske mreze. Izhod UNM je napoved preiskovancevega odgovora DA/NE v dolzini 1 sekunde. Slika 4 prikazuje blocni diagram obdelave signalov EEG.
EEG signali
fazno demodulirani signali
stiskanja
EEG signali
fazno demodulirarn signali
theta	■—N	fazna	—'	PCA	—1	
pasovni filter		demodulacija			-n	
Slika 5.: Blocni diagram obdelave signalov pri staticnih VM nalogah
Figure 5.: Block diagram of static VMtask signal processing
Vsak izmed signalov je bil naprej filtriran s pasovnim But-terworthovim filtrom 5. reda z različnim intervalom beta (13-30 Hz) frekvenc, in sicer pribliZno (14-18 Hz) ter (18-22 Hz). Uporaba frekvenčnega območja beta izhaja iz rezultatov predhodnih študij [12] in mnenj nekaterih avtorjev, da ima pri kodiranju informacij motoričnih akcij pomembno vlogo sinhronizacija ritma beta [3, 8]. Vsak signal je bil nato fazno demoduliran z drugacno nosilno frekvenco. Nosilni frekvenci sta bili izbrani eksperimentalno, tako da demodulirani signali niso vsebovali enosmerne komponente lezenja, in sicer priblizno 16 Hz +/-1 Hz ter 18 Hz +/- 1 Hz. Nazadnje je bila za vsak signal uporabljena še analiza glavnih komponent za doseganje linearne neodvisnosti signalov in zmanjsšanje obsega merjenih podatkov. Analiza je pokazala, da je mogoce 95 % variance signala opisati samo s 5 glavnimi komponentami. Koncna dimenzija vhodnih podatkov je bila tako zmanjšana z 32 merjenih elektrod na 10 glavnih komponent, ki pomenijo vhodne signale v mehki model. Izhod mehkega modela je napoved premikov zapestja. Slika 6 prikazuje blocni diagram obdelave signalov EEG.
beta	
pasovni filter ,	
demodulacija
f™,
premiki zapestja
Slika 4.: Blocni diagram obdelave signalov pri nalogah delovnega spomina
Figure 4.: Block diagram of working-memory task signal processing
Ceprav je osnovna ideja obdelave signalov za oba tipa nalog VM podobna, se skladno z razliko v njuni zahtevnosti razlikujeta tudi sama zahtevnost predobdelave signalov EEG in kompleksnost mehkega modela, s katerim napovedujemo bodisi silo stiskanja bodisi premike zapestja.
Pri staticšnih VM-nalogah smo najprej iz vseh signalov izbrali 25 s obdobja aktivnosti in jih filtrirali s pasovnim Butterworthovim filtrom 3. reda, da bi pridobili mozganske ritme beta (13-30Hz). Na filtriranih signalih smo nato uporabili metodo fazne demodulacije z nosilno frekvenco 20 Hz in analizo glavnih komponent. Prvih 5 dobljenih glavnih komponent (95 % variance signala) smo naprej uporabili kot vhode za ucenje in vali-dacijo mehkega modela. Izhod mehkega modela pomeni napoved sile stiskanja. Slika 5 prikazuje blocni diagram obdelave signalov EEG.
Pri dinamicnih VM-nalogah smo prav tako iz signalov EEG najprej izbrali 30 s obdobja aktivnosti. Izbrane intervale smo nato podvojili v dva nova, identicšna signala.
EEG signali
fazno-demodulirani glavne
signali	komponente
beta	
pasovni filter 2	
demodulacija
fPM2
Slika 6.: Blocni diagram obdelave signalov pri dinamicnih VM nalogah
Figure 6.: Block diagram of dynamic VMtask signal processing
2.5 Fazna demodulacija
Enacbo fazne modulacije lahko zapišemo kot
y(t) = K sin(wct + f (t) + p),	(1)
kjer je y(t) moduliran signal, K amplituda moduliranega signala, nosilna frekvenca, f (t) signal, ki vsebuje informacijo, ki jo moduliramo, in p konstanten fazni zamik nosilnega vala. Za prenos informacije najprej leto zakodiramo v signal f (t), ki naprej modulira nosilni val. Tako modulirano informacijo y(t) prek oddajnika posljemo do sprejemnika. Sprejeti signal je trebna za dostop do kodirane informacije najprej demodulirati in pridobiti signal f (t).
Ce frekvence nosilnega vala ne poznamo, lahko le-to dolocšimo tako, da je demoduliran signal brez lezenja oz.

glavne komponente
glavne komponente
theta
odgovori
PCA,
mehki
model

PCA 2
vrednost uc določimo približno, preostalo lezenje pa filtriramo z uporabo visokopasovnega filtra. Pri tem velja omeniti, da se s tem izgubijo tudi informacije, ki so kodirane v frekvencah, nižjih od mejne frekvence filtra. Ce pogoju o dovolj manjhnem frekvenčnem pasu informacijskega signala f (t) od ni zadosceno, dekodirani signal postane popacen priblizek originalnega signala f (t). Vseeno sta oba signala se vedno medsebojno korelirana.
2.6 Predikcijski modeli
Za dekodiranje informacij nalog delovnega spomina iz obdelanih signalov EEG je bila uporabljena tri-nivojska umetna nevronska mreza 'feed-forward' z 10 nevroni na prvem, 2 nevronoma na drugem in 1 nevronom na tretjem nivoju. Nevroni na prvem in drugem nivoju so imeli tangens-sigmoidno, izhodni nevron pa linearno aktiva-cijsko funkcijo. Kot je bilo ze omenjeno, smo za vhode v UNM uporabili primerno obdelane signale EEG, izhodi pa so bili odgovori tipa DA/NE v dolzini 1 sekunde. Za ucenje in validacijo UNM so bili izmerjeni podatki razdeljeni v pribliznem razmerju 7:1.
Za dekodiranje informacij vidno-motoricnih nalog je bil kot napovedni model uporabljen mehki inferencni sistem v obliki Takagi-Sugeno (TS).
Pri napovedovanju mozganskega dogajanja je bil mehki model zgrajen z uporabo naslednjih parametrov: 4 pripadnostne funkcije Gaussove oblike, 50 ucnih korakov dolzine 0,05 in velikost posameznega roja 0,5. Za vhode v model smo uporabili izmerjene in predhodno obdelane EEG signale, izhodi pa so pomenili silo stiskanja oz. premike zapestja. Za ucenje mehkega modela je bila uporabljena predhodna perioda aktivnosti signala EEG, trenutna pa za validacijo.
3 Rezultati
V nadaljevanju so zbrani rezultati dekodiranja mozganskih informacij pri danih kognitivnih nalogah. Izmerjeni signali EEG so bili obdelani skladno s prej opisano metodologijo.
3.1 Naloge delovnega spomina
Slika 7 prikazuje izmerjene odgovore preiskovancev (debelejša črta) in odgovore, kot jih je napovedala UNM (tanjša črta). Ce je preiskovanec odgovoril DA, to na grafu ustreza številu 1, pri odgovoru NE pa številu 0. Ce se obe črti v obdobju 1 sekunde odgovora ujemata vsaj 0,5 sekunde, velja, da je odgovor, ki ga napove UNM, pravilen. Navpične črte ločujejo posamezne odgovore v dolZini 1 sekunde. Iz slike je razvidno, da lahko UNM s priblizno 72 %, 75 % in 80 % zanesljivostjo napove posamezen odgovor vseh treh preiskovančev.
Subject 1 - Validation set
n
TT
Slika 7.: Primerjava izmerjenih in napovedanih odgovorov za vse tri preiskovance pri nalogi delovnega spomina Figure 7.: Comparisson of the measured and predicted answers for all three subjects at working memory task
3.2 Statične vidno-motoricne naloge
Slika 8.: Napoved sile stiskanja za osebo 1 z levo in desno roko Figure 8.: Gripping-force prediction for subject 1 (left and right hand)
Slike 8, 9 in 10 prikazujejo izmerjene sile stiskanja in napovedi mehkega modela za vse tri preiskovanče. Tanjša krivulja prikazuje izmerjene sile, debelejša pa napovedane. Razvidno je, da so napovedi sile za vse tri

15 t[s]
0	5	10	15	20	25	30
t[s]
Slika 9.: Napoved sile stiskanja za osebo 2 z levo in desno roko Slika 11.: Napoved premikov zapestja za osebo 1 Figure 9.: Gripping-force prediction for subject 2 (left and right Figure 11.: Wrist-movement prediction for subject 1 hand)

0 5 10 15 20 25 t[s]

15
t[s]
Slika 10.: Napoved sile stiskanja za osebo 3 z levo in desno roko Figure 10.: Gripping-force prediction for subject 3 (left and right hand)
primere zadovoljive, saj vsota kvadratičnih napak znaša 17,9 in33,4 za prvega, 18,5 in 18,6 za drugega ter 41,0 in 56,1 za tretjega preiskovanca.
3.3 Dinamične vidno-motoricne naloge
Slike 11, 12, 13 in 14 prikazujejo izmerjene premike zapestja ter napovedi mehkega modela za vse štiri preiskovance pri dveh različnih obdobjih aktivnosti. Tanjša krivulja prikazuje izmerjene premike zapestij, debelejša pa napovedane. Razvidno je, da so napovedani premiki pri vseh preiskovancih zadovoljivi, na kar kaze tudi vsota kvadratičnih napak, ki znaša 23,1 in 32,8 za prvega, 27,2
Slika 12.: Napoved premikov zapestja za osebo 2 Figure 12.: Wrist-movement prediction for subject 2
in 24,5 za drugega, 20,6 in 36,2 za tretjega ter 24,9 in 36,3 za četrtega preiskovanca.
4 Sklep
V delu so predstavljeni mozni pristopi k analizi mozganskih valov za dekodiranje informacij, ki se izmenjujejo med mozganskimi centri pri razlicnih kognitivnih nalogah. Pokazali smo, daje mogoce s primerno izbrano metodologijo iz signala EEG izlušciti informacije o odgovorih preiskovancev, sili stiskanja in premikih zapestja pri nalogah delovnega spomina ter staticnih in di-namicnih vidno-motoricnih nalogah. Osnova vseh algoritmov so metode filtriranja, fazne demodulacije in analize glavnih komponent. Prva zagotovi izbiro pravega
0
5
10
20
25
30
30
0
5
10
20
25
30

O	S	1O	1S	2O	2S
([s]
•tfHAvv
1S ([s]
Slika 13.: Napoved premikov zapestja za osebo 3 Figure 13.: Wrist-movement prediction for subject 3

O	S	1O	1S	2O	2S
([s]

1S ([s]
Slika 14.: Napoved premikov zapestja za osebo 4 Figure 14.: Wrist-movement prediction for subject 4
frekvenčnega območja, v katerem naj bi ležala iskana informacija, druga omogoči dostop do fazno kodirane vsebine, tretja pa transformira podatke v obliko, ki je primerna za učenje napovednih modelov.
Prikazani rezultati kažejo na primernost predstavljene metodologije za dekodiranje elektroencefalografskih informacij in ob zagotovitvi njene kavzalnosti (filtriranje in analiza glavnih komponent) tudi na moznost njene uporabe za razvoj vmesnikov mozgani-računalnik.
[2]	P. Manganotti, C. Gerloff, C. Toro, H. Katsuta, N. Sadato, P. Zhuang, L. Leocani, M. Hallett. Task-related coherence and task-related spectral power changes during sequential finger movements. Electroencephalography and clinical Neurophysiology, 109:50-62, 1998.
[3]	G. Buzsaki, A. Draguhn. Neuronal oscillations in cortical networks. Science, 304(5679):1926-1929, 2004.
[4]	S. Brezan, V. Rutar, V. Logar, B. Koritnik, G. Kurillo, A. Belic, J. Zidar. Elektroencefalografska koherenca med vidnimi in motoričnimi predeli leve in desne poloble pri izvajanju vidno-motoricne naloge z desno in levo roko. Zdravniški vestnik, 76(9):519-527, 2007.
[5]	J. Classen, C. Gerloff, M. Honda, M. Hallet. Integrative visuomotor behaviour is associated with interregionally coherent oscillations in the human brain. Journal of Neurophysiology, 79:1567-1573, 1998.
[6]	O. Jensen. Maintenance of multiple working memory items by temporal segmentation. Neuroscience, 139(1):237-249, 2006.
[7]	J. Lisman. The theta/gamma discrete phase code occuring during the hippocampal phase precession may be a more general brain coding scheme. Hippocampus, 15(7):913-922, 2005.
[8]	O. Jensen, J. E. Lisman. Hippocampal sequence-encoding driven by a cortical multi-item working memory buffer. Trends in Neurosciences, 28(2):67-72, 2005.
[9]	S. Sternberg. High-speed scanning in human memory. Science, 153(3736):652-654, 1966.
[10]	O. Jensen, J. Gelfand, J. Kounios, J. E. Lisman. Oscillations in the alpha band (9-12 hz) increase with memory load during retention in a short-term memory task. Cerebral cortex, 12(8):877-882, 2002.
[11]	A. Gevins, M. E. Smith, L. McEvoy, D. Yu. High resolution EEG mapping of cortical activation related to working memory: effects of task difficulty, type of processing and practice. Cerebral cortex, 7(4):374-385, 1997.
[12]	V. Logar, I. Skrjanc, A. Belic, S. Brezan, B. Koritnik, J. Zidar. Identification of the phase code in an EEG during gripping-force tasks: A possible alternative approach to the development of the brain-computer interfaces. Artificial Intelligence in Medicine, 44(1):41-49, 2008.
Vito Logar je diplomiral in doktoriral na Fakulteti za elektrotehniko v Ljubljani (v letih 2004 in 2009). Njegovo raziskovalno področje temelji na naprednih metodah analize mozganskih valov, modeliranju mozganskih procesov ter modeliranju in identifikaciji industrijskih procesov.
Aleš Belic je diplomiral in doktoriral na Fakulteti za elektrotehniko v Ljubljani (v letih 1994 in 2000). Njegovo področje raziskovanja je modeliranje v farmakokinetiki in farmakodi-namiki s pristopi metod umetne inteligence ter modeliranje na področju biomedicine.
O
BO
O
S
1O
2O
2S
BO
BO
O
O
S
1O
2O
2S
BO
5 Literatura
[1] A. K. Engel, P. Fries, W. Singer. Dynamic predictions: oscillations and synchrony in top-down processing. Nature reviews. Neuroscience, 2(10):704-716, 2001.