Размещено на http://www.allbest.ru/

Размещено на http://www.allbest.ru/

Из полученных данных видно, что для разных классов успешности в психомоторном тесте существуют комбинации параметров ЭЭГ, повторяющиеся от испытуемого к испытуемому:

Так, чаще всего в уравнения регрессии, предсказывающие динамику класса 3, входили параметры S - стандартное отклонение (5 из шести наиболее часто встречающихся параметров). В уравнениях, предсказывающих динамику класса 6, чаще всего содержится параметр С (4 из 6 наиболее часто встречающихся).

Тем не менее, нельзя без дополнительной проверки сказать, что существуют отчетливые тенденции к предпочтению одних параметров другим во всех классах, что говорит о высокой вариабельности параметров, определяющих успешность в выполнении психомоторного теста.

Особенностью системы «Эйдос» является развитый аппарат анализа результатов распознавания, что является неоспоримым преимуществом этого метода по отношению к методу регрессионного анализа.

В результате работы системы «Эйдос», были получены портреты паттернов амплитудных и корреляционных параметров ЭЭГ, предшествующей моменту стимула, которые определяли тип и характер реакции на стимул (10 классов времени реакции и 4 класса правильности счета). Аналогичные портреты были получены и для спектральных паттернов.

Для набора амплитудных и корреляционных признаков нами была показана индивидуальность набора информативных параметров - т.е. характеристик информационных портретов. Это относится как к паттернам, обуславливающим различные латентности ответа, так и к паттернам, обуславливающим типы правильности счета. Для последних замечены лишь самые общие закономерности.

На приведенных далее двух примерах (по два портрета от каждого класса - «ошибочное количество нажатий» и «верное количество нажатий») видно, что паттерны каждый раз индивидуальны, но некоторые параметры имеют большее, чем другие, значение для различения этих двух классов.

дремота психомоторный засыпание

Соответствие используемых наименований отведений системе 10-20.

Так, на следующем примере видно, что параметры пространственной корреляции (параметр «С») имеют большое значение для различения двух указанных классов. Диаграммы «модель нелокального нейрона» представляют собой портрет класса, на основе которого система проводит его идентификацию. Если в ЭЭГ встречаются признаки в конкретных градациях, перечисленные в портрете, это является основанием для отнесения объекта (участка электроэнцефалограммы, описанной рядом параметров) к классу. Причем отсутствие признака также является признаком и служит основанием для отнесения к классу. Такие признаки соединены с центральной фигурой (номером выходного нейрона) синей (отрицательной) связью.

Класс 13 - «верное количество нажатий»

Испытуемый 166

Испытуемый 284

Класс 14 - «Ошибочное количество нажатий»

Испытуемый 255

Испытуемый 315

Интересно отметить, что три параметра регрессионного уравнения, прогнозирующего появление того или иного события имеют соответствия результатам, полученным с помощью системы «Эйдос».

Так, для класса 13 двум приведенным выше портретам соответствуют два уравнения (приведены параметры без коэффициентов):

Обращаясь к портретам тех же классов, можно увидеть, что из трех параметров первого уравнения два входят в информационный портрет соответствующего класса. Из трех параметров второго уравнения в портрет входят также два.

Для второй пары уравнений в портрет входят два признака из трех для первого уравнения и лишь один - для второго.

Нет сомнений, что вклад паттернов признаков и градаций признаков в информационные портреты классов различен для разных испытуемых. И структура этих паттернов требует дальнейшего анализа.

В качестве примера приведем анализ информативности признака С11 у испытуемого 166 (корреляция канала Р3 с обобщенным каналом, являющимся суммой всех восьми каналов).

Из данного рисунка видно, что признак С11 в градации (40-67) вносит наибольшее количество информации в портреты классов 6 и 20 (Т03 - «латентность ответа в диапазоне -0.3 сек -0.1 сек» и Т10 - «латентность ответа более 1 сек»).

На следующем рисунке приведен профиль другой градации признака С11 (Синим цветом).

Приведем также пример признака С14 (корреляция канала О2 с обобщенным каналом) для испытуемого 315.

Видно, что профиль информативности признака С14 испытуемого 315 во многом соответствует профилю признака С11 для испытуемого 166. Аналогичен пик для класса «латентность более 1 секунды» и обратный пик на классе 6 - латентность ответа между -0.3 и -0.1 сек.

Система позволяет строить также обобщенные профили признаков и семантические сети (сети сходства) для признаков и классов. Примером обобщенного профиля является следующий рисунок. На нем изображены все профили всех признаков, разложенные по всем классам.

На следующем рисунке изображена так называемая «интегральная когнитивная карта». В ее верхней части расположена семантическая сеть четырех классов правильности счета (11-14). Сила связи между ними говорит о степени сходства участков ЭЭГ, соответствующих различным классам. В нижней части расположена аналогичная сеть для подмножества признаков - параметров корреляции. Сила связи также означает степень сходства вклада различных признаков (фактически корреляцию профилей) в классы. Связи между верхним и нижним уровнями соответствуют информационному портрету отдельного класса (точнее выборке корреляционных параметров).

Применение этих инструментов анализа позволяют надеяться на обнаружение закономерностей, общих для одинаковых классов у различных испытуемых.

В результате применения системы «Эйдос» к спектральным данным, также были получены результаты. В среднем из каждых восьми классов, представленных достаточным количеством примеров, хорошо (т.е. выше 65% верных распознаваний) распознавались два класса, т.е. четверть. Классы, представленные недостаточным количеством примеров, распознавались, как правило, лучше.

Также как и для распознавания на основе набора амплитудных и корреляционных параметров, для распознавания на основе спектров не удалось найти общих паттернов для десяти классов - разных латентностей ответов. Судя по всему, причиной этого может быть искусственное выделение фиксированных градаций латентности ответа. Результатом этого могло служить то, что одинаковые паттерны признаков соответствовали различным «ячейкам» - выделенным классам латентности ответа. И, таким образом, различным латентностям ответа у одного испытуемого может соответствовать один и тот же паттерн признаков. Подобным паттернам признаков могут соответствовать различные «ячейки» у разных испытуемых.

Решением этой проблемы может стать выделение градаций ответа на основе равномерного разделения кривой распределения ответов (например, по площади под функцией) или на основе предварительно проведенного кластерного анализа. Мы проделали эту процедуру: система «Эйдос» позволяет осуществлять процедуру формирования классов на основе конструктов, полученных в результате кластерного анализа, выполняемого одной из подсистем программы. Предварительные результаты весьма хороши.

Портреты четырех классов правильности счета (классы 11-14), сформированные на основе данных о спектрах, однако, обладают общей структурой, повторяющейся от человека к человеку.

Рассмотрим информативные параметры класса 11.

Так, класс 11 - «анализируемый участок относится к серии пропусков с правильным их количеством (5)» имеет некоторые характерные черты. Портреты класса, сформированные для разных испытуемых, подобны друг другу в нескольких отношениях. Обобщенный портрет класса «верное количество пропусков» можно описать следующим образом:

Для спектральных характеристик, сопровождающих верное количество пропусков

Рассмотрим информативные параметры класса 12. Класс 12 - «анализируемые участок относится к серии пропусков с неправильным их количеством» имеет некоторые характерные черты.

Для спектральных характеристик, сопровождающих ошибочное количество пропусков

На основе анализа портретов классов у разных испытуемых мы приходим к выводу, что портреты классов отличаются друг от друга в нескольких диапазонах закономерным образом.

Классу 11 (правильное количество пропусков) соответствуют в целом высокие значения мощности в альфа-диапазоне, а классу 12 (неверное количество пропусков) соответствуют в целом низкие значения мощности в альфа-диапазоне. Эта закономерность проявляется по всем каналам.

Классу 11 соответствуют в целом высокие значения мощности в диапазоне бета-ритма, а классу 12 соответствуют в целом низкие значения мощности в диапазоне бета-ритма.

Классу 11 соответствуют в целом низкие значения в диапазоне тета-ритма. Классу 12 не соответствуют определенные характеристики в диапазоне тета-ритма.

Классу 11 соответствуют в целом более высокие значения мощности в диапазоне сигма-ритма, причем как правило в каналах [С3, О1, О2]. Классу 12 соответствует ровно противоположное поведение мощности сигма-ритма в точности в тех же каналах.

Анализируя когнитивные диаграммы двух сравниваемых классов для трех испытуемых, у которых одновременно оба рассматриваемых класса обладают достаточно высокой валидностью, можно наблюдать описанные выше принципиальные различия.

На данных когнитивных диаграммах выбраны для отображения лишь признаки, вносящие наибольшее количество информации в различие между сравниваемыми классами. Синяя линия, соединяющая два признака, означает, что находятся в антикорреляции либо сами признаки, либо признаки, находящиеся с отображенными признаками в сильной корреляции.

В красные прямоугольники заключены признаки, характерные для класса, в синие - не характерные для класса.

Когнитивная карта: испытуемый 256

Мы можем сделать вывод о предпочтительной применимости регрессионного анализа в задачах с высокой ценой «ложной тревоги». Эта предпочтительность является следствием существования доверительных интервалов в процедуре предсказания с помощью регрессионного анализа. Система «Эйдос» обладает аналогом доверительных интервалов - достоверностью распознавания, но в настоящее время интерфейс системы не позволяет легко использовать эту возможность.

С другой стороны, система «Эйдос» позволяет осуществлять детальный анализ паттернов признаков. Эта система также является адаптивной и способна осуществлять пересинтез рабочей модели в автоматическом режиме.

Кроме этого, нам удалось увидеть, что существуют некоторые повторяющиеся паттерны признаков, повторяющиеся у различных испытуемых. В дальнейшем мы планируем провести расчеты с большим количеством признаков, концентрируясь на тех из них, которые показали наибольшую информативность в данном исследовании - а именно на параметрах пространственной корреляции. Также мы планируем совместить в одном наборе амплитудно-корреляционные признаки и спектральные признаки. Спектральные признаки мы планируем рассчитывать в узких окнах и сделать спектры более детализированными.

Литература

1. Щукин Т.Н., Дорохов В.Б., Лебедев А.Н., Луценко Е.В. ЭЭГ прогноз успешности выполнения психомоторного теста при снижении уровня бодрствования: постановка задачи. // Научный журнал КубГАУ. - 2004. - №4 (6). - 9 с. http://ej.kubagro.ru.

2. Щукин Т.Н., Дорохов В.Б., Лебедев А.Н., Луценко Е.В. ЭЭГ прогноз успешности выполнения психомоторного теста при снижении уровня бодрствования: описание эксперимента. // Научный журнал КубГАУ. - 2004. - №4 (6). - 9 с. http://ej.kubagro.ru.

Размещено на Allbest.ru