Kontaktul. Wileńska 4, 87-100 Toruń
tel.: +48 56 665 6001
e-mail: icnt@umk.pl

Przetwarzanie biosygnałów

ZŁOŻONOŚĆ SYGNAŁU

Analiza złożoności sygnału EEG pozwala na zewnętrzną obserwację procesów zachodzących w mózgu zarówno podczas wykonywania zadań, jak i w czasie spoczynku. W szczególności, wykazano korelację miar złożoności sygnału EEG z wynikami testu badającego poziom inteligencji płynnej i występowaniem chorób ze spektrum autyzmu u badanych.

Stosujemy miary aproksymujące entropię Kołmogorowa – Sinai’a układu dynamicznego, pozwalające na wiarygodną estymację w przypadku sygnałów wieloźródłowych takich jak EEG. Metody te oparte są na rozkładzie sygnału EEG poprzez zastosowanie multivariate empirical mode decomposition (MEMD) i uzyskanie zeń składowych o różnych częstotliwościach chwilowych. Podejście takie umożliwia wiarygodną ocenę złożoności sygnału za pomocą miar takich jak multi-scale entropy (MSE).

Literatura:

Kolmogorov-Sinai entropy:

  1. Petersen, Ergodic theory, Cambridge University Press, Cambridge, pp. 227–234, 1983.
  2. B. Pesin, Lyapunov characteristic exponents and smooth ergodic theory, Russ. Math. Surveys, 32(4), pp. 55-114, 1977.

Approximate entropy:

  1. M. Pincus, Approximate entropy as a measure of system complexity, Proceedings of the National Academy of Sciences, 88(6), pp. 2297-2301, 1991.

Sample entropy:

  1. S. Richman, J. R. Moorman, Physiological time-series analysis using approximate entropy and sample entropy, American Journal of Physiology – Heart and Circulatory Physiology, 278(6), pp. 2039-2049, 2000.

Multiscale entropy:

  1. Costa, A. L. Goldberger, C.-K. Peng, Multiscale entropy analysis of complex physiologic time series, Phys. Rev. Lett., 89(6), 2002.

A Catarino, O. Churches, S. Baron-Cohen, A. Andrade, H. Ring, Atypical EEG complexity in autism spectrum  conditions: A multiscale entropy analysis, Clinical Neurophysiology, 122(12), pp. 2375-2383, 2011.

  1. U. Ahmed, D. P. Mandic, Multivariate multiscale entropy: A tool for complexity analysis of multichannel data, Physical Review E, 84(6), 2011.

Multivariate empirical mode decomposition:

  1. Rehman, D. P. Mandic, Multivariate empirical mode decomposition, Proceedings of the Royal Society A, 466(2117), pp. 1291-1302, 2010.

Zespół: Marek Grochowski, Michał Komorowski, Jan Nikadon, Tomasz Piotrowski

ZALEŻNOŚCI PRZYCZYNOWE

Badamy zależności przyczynowe zarówno pomiędzy sygnałami na elektrodach jak i pomiędzy zrekonstruowanymi aktywnościami źródeł. Dla sygnału z elektrod stosujemy miary różnicy fazy chwilowej takie jak phase locking value (PLV) jak i powszechnie stosowane miary oparte na definicji przyczynowości Granger’a i wielozmiennym modelu autoregresyjnym: directed transfer function (DTF) i partial directed coherence (PDC). Do badania zależności przyczynowych pomiędzy zrekonstruowanymi aktywnościami źródeł włączamy zastosowanie naszych metod rekonstrukcji aktywności.

Literatura:

Granger causality:

  1. W. J. Granger, Investigating causal relations by econometric models and cross-spectral methods, Econometrica, 37(3), pp. 424-438, 1969.

Phase locking value:

  1. P. Lachaux, E. Rodriguez, J. Martinerie, F. J. Varela, Measuring phase synchrony in brain signals, Human Brain Mapping, 8(4), pp. 194-208, 1999.

Directed transfer function:

  1. J. Kamiński, K. J. Blinowska, A new method of the description of the information flow in the brain structures, Biological Cybernetics, 65(3), pp. 203-210, 1991.

Partial directed coherence:

  1. A. Baccala, K. Sameshima, Partial directed coherence: a new concept in neural structure determination, Biological Cybernetics, 84(6), pp. 463-474, 2001.

Causality between sources activity:

  1. B. Hui, D. Pantazis, S. L. Bressler, R. M. Leahy, Identifying true cortical interactions in MEG using the nulling beamformer, NeuroImage, 49(4), pp. 3161-3174, 2010.
  2. Piotrowski, J. Nikadon, D. Gutierrez, Reconstruction of brain activity in eeg / meg using reduced-rank nulling spatial filter, 2016 IEEE Workshop on Statistical Signal Processing, in press.

Zespół: Marek Grochowski, Michał Komorowski, Jan Nikadon, Tomasz Piotrowski

LOKALIZACJA I REKONSTRUKCJA

Koncentrujemy się na filtrach przestrzennych uogólniających powszechnie stosowany filtr LCMV na przypadek filtrów obniżonego rzędu, umożliwiających lokalizację i rekonstrukcję skorelowanej aktywności źródeł położonych blisko siebie (wyższa rozdzielczość przestrzenna) przy wysokiej aktywność tła. Dysponujemy również wersją filtrów pozwalających na usuwanie skorelowanych sygnałów interferencyjnych, umożliwiając wiarygodną estymację zależności przyczynowych z odtworzonej aktywności źródeł.

Literatura:

Lokalizacja źródeł:

  1. D. Van Veen, W. Van Drongelen, M. Yuchtman, A. Suzuki, Localization of brain electrical activity via linearly constrained minimum variance spatial filtering, IEEE Transactions on Biomedical Engineering, 44(9), pp. 867-880, 1997.
  2. Moiseev, J. M. Gaspar, J. A. Schneider, A. T. Herdman, Application of multi-source minimum variance beamformers for reconstruction of correlated neural activity, NeuroImage, 58(2), pp. 481-496, 2011.
  3. Piotrowski, D. Gutierrez, I. Yamada, J. Żygierewicz, A family of reduced-rank neural activity indices for EEG/MEG source localization, Lecture Notes in Computer Science, 8609, pp. 447-458, 2014.
  4. Piotrowski, D. Gutierrez, I. Yamada, J. Żygierewicz, reduced-rank neural activity index for EEG/MEG multi-source localization. IEEE International Conference on Acoustics, Speech and Signal Processing, Florence, pp. 4708-4712, 2014.

Rekonstrukcja źródeł:

  1. Yamada, J. Elbadraoui, Minimum-variance pseudo-unbiased low-rank estimator for ill-conditioned inverse problems, IEEE International Conference on Acoustics Speech and Signal Processing Proceedings, Toulouse, pp. 325-328, 2006.
  2. Piotrowski, I. Yamada, MV-PURE estimator: minimum-variance pseudo-unbiased reduced-rank estimator for linearly constrained ill-conditioned inverse problems, IEEE Transactions on Signal Processing, 56(8), pp. 3408-3423, 2008.
  3. Piotrowski, R. L. G. Cavalcante, I. Yamada, Stochastic MV-PURE estimator – robust reduced-rank estimator for stochastic linear model, IEEE Transactions on Signal Processing, 57(4), pp. 1293-1303, 2009.
  4. Piotrowski, I. Yamada, Performance of the stochastic MV-PURE estimator in highly noisy settings, Journal of the Franklin Institute, 351(6), pp. 3339-3350, 2014.
  5. Piotrowski, I. Yamada, Reduced-rank estimation for ill-conditioned stochastic linear model with high signal-to-noise ratio, Journal of the Franklin Institute, in press.

Zespół: Marek Grochowski, Michał Komorowski, Jan Nikadon, Tomasz Piotrowski

KLASYFIKACJA SYGNAŁÓW

Korzystamy z najnowszych algorytmów uczenia maszynowego do analizy i klasyfikacji sygnałów otrzymanych z EEG, włączając w to metody deep learningowe. W szczególności, metody i oprogramowanie powstałe w Katedrze Informatyki Stosowanej znajdują zastosowanie do klasyfikacji danych otrzymanych z analizy złożoności sygnału, badania zależności przyczynowych, jak również rekonstrukcji i lokalizacji źródeł czynności bioelektrycznej mózgu, które wykonujemy w naszym laboratorium.

Literatura:

  1. Duch, R. Setiono, J. M. Żurada, Computational intelligence methods for rule-based data understanding, Proceedings of the IEEE, 92(5), pp. 771-805, 2004.
  2. Grochowski, W. Duch, Learning highly non-separable boolean functions using constructive feedforward neural network, Lecture Notes in Computer Science, 4668, pp. 180-189, 2007.
  3. Grochowski, W. Duch, Constructive neural network algorithms that solve highly non-separable problems, Constructive Neural Networks, 258, pp. 49-70, 2009.
  4. Dobosz, W. Duch, Understanding neurodynamical systems via fuzzy symbolic dynamics, Neural Networks, 23(4), pp. 487-496, 2010.
  5. Jankowski, W. Duch, K. Grąbczewski, Meta-learning in computational intelligence, Springer, 2011.

Zespół: Marek Grochowski, Michał Komorowski, Jan Nikadon, Tomasz Piotrowski