Soy un desarrollador de Java completamente ingenuo de ondas cerebrales y tal. ¿Alguien podría decirme cómo compararlos?
Por ejemplo, ¿cómo puedo comparar:
y esto:
¿En qué campos de estudio debo enfocarme? Entiendo que hay algún reconocimiento de patrones involucrado. Aparte de eso, ¿qué más? Preguntas relacionadas:
El campo de estudio en el que debe centrarse es el que ya identificó en el párrafo anterior, que es la "interfaz cerebro-computadora" basada en EEG.
Las señales EEG se comparan por sus "características". Cada una de las señales que ha proporcionado anteriormente tiene características diferentes. Estas características pueden ser la media, la varianza, la frecuencia, la curtosis, la asimetría de cada una de las señales (parámetros estadísticos que también incluyen la dimensión fractal, los parámetros Hjorth, el patrón espacial común, el factor fano... ...) o la potencia calculada a través del espacio de frecuencia algoritmos como la transformada rápida de Fourier.
Técnicas más sofisticadas, como la separación ciega de fuentes, la descomposición de modos empíricos y la coherencia de ondículas (un enfoque de dominio de fase) deberían brindar información adicional, pero están más reservadas para fines de investigación.
El algoritmo más común para el posprocesamiento es la transformada wavelet que traza la energía en función del tiempo y la frecuencia.
Durante una convulsión, la transformada wavelet mostrará una clara señal periódica de alta energía en la frecuencia más baja. Si bien es muy eficiente para señalar exactamente dónde y cómo está ocurriendo la incautación, la transformación wavelet es muy avanzada (difícil de implementar) y se ejecuta en O (n ^ 2) para una implementación ingenua y O (nlogn) para una implementación rápida. Es bastante costoso computacionalmente.
Lo que necesita implementar es una detección de convulsiones en tiempo real basada en características de EEG.
(fuera de línea) Esto se hace primero tomando la señal de EEG cuando tiene una convulsión usando auriculares EEG o mediante una investigación, estimar cuáles son las características de este tipo de convulsiones. (esto se puede hacer incluso con un solo electrodo).
(tiempo real) Una vez hecho esto, enganche al paciente con el auricular EEG y calcule las características de la señal de la convulsión cada dos segundos de muestras a medida que se transmiten a una plataforma informática. Las características se comparan constantemente con las características de umbral. Cuando todas estas características tienen su umbral respectivo (A y B y C y D cumplen el umbral). Enviar alerta de que está ocurriendo una convulsión.
El enfoque del umbral es básico, pero debido a que nuestro cerebro cambia continuamente y el EEG depende de muchas variables externas, lo que se usa comúnmente en la práctica es la detección de convulsiones a través de redes neuronales artificiales (ANN): no solo le dirá cuándo un está ocurriendo una convulsión, ¡pero de hecho podría PREDECIR cuándo ocurrirá una convulsión! (*)
Un desafío que puedo ver con lo que está intentando hacer es que el paciente estará constantemente conectado con un auricular para realizar la predicción de convulsiones en tiempo real. La distancia entre su USB y el auricular será una restricción difícil. Los auriculares deben recargarse con frecuencia. Emotiv EPOC (uno de los auriculares más populares) contiene 16 electrodos que pueden ser bastante pesados cuando se usan. Los electrodos húmedos proporcionan mejores datos, pero requieren una preparación delicada que puede llevar mucho tiempo. Si lo uso constantemente, elegiría un auricular que contenga algunos electrodos en lugares clave como el lóbulo polar frontal (dado que las convulsiones se detectan más fácilmente que otros patrones de EEG, no necesitamos muchos electrodos) y elegiría uno que sea estéticamente agradable (uno de Neurosky o uno de los auriculares recientes de Emotiv, es decir, insight) y tiene una batería de larga duración
Buena suerte
(*) Predicción del inicio de las convulsiones en un modelo de epilepsia de cortes de hipocampo in vitro utilizando redes neuronales artificiales basadas en gaussianas y ondículas. - A. Chiu
seanny123
aliced
xina torres
xina torres