Комп'ютерна система аналізу електроенцефалографічних сигналів з використанням технологій машинного навчання

Abstract

У результаті виконання кваліфікаційної роботи спроектовано електроенцефалограф та розроблено програмне забезпечення для аналізу ЕЕГ сигналів методами машинного навчання для встановлення кореляції між парами електродів та відповідними ділянками мозку для двох груп користувачів. Дані електроенцефалографічних сигналів збираються за допомогою трьох електродів ЕЕГ, кожен з яких є позитивним, негативним і заземленням відповідно. Оскільки сигнал вимірюється в мікровольтах, його потрібно посилити за допомогою схеми підсилювача. Ця схема складається з п’яти частин, а саме інструментального підсилювача, режекторного фільтра 60 Гц, фільтра низьких частот 31 Гц, каскаду підсилення та схеми фіксації даних. Для аналізу ЕЕГ сигналів із застосуванням методів машинного навчання обрано відкритий набір даних, який містить інформацію про сигнали з електродів 64 канального електроенцефалографа для двох груп людей – здорових та тих, хто зловживає алкоголем. Кореляційний аналіз одержаних ЕЕГ сигналів показав, що активність мозку і сигнали відповідних його ділянок реагують по-різному для різних груп на одні і ті ж візуальні об’єкти, а пари сусідніх електродів в межах групи показують високий відсоток подібності.

As the result of the qualification work, the electroencephalograph was designed and software was developed for the analysis of EEG signals using machine learning methods to establish the correlation between pairs of electrodes and the corresponding areas of the brain for two groups of users. Electroencephalographic signal data is collected using three EEG electrodes, each of which is positive, negative and ground, respectively. Since the signal is measured in microvolts, it must be amplified using an amplifier circuit. This circuit consists of five parts, namely an instrumentation amplifier, a 60 Hz notch filter, a 31 Hz low-pass filter, a gain stage, and a data latch circuit. For the analysis of EEG signals using machine learning methods, an open data set was selected, which contains information on signals from the electrodes of a 64-channel electroencephalograph for two groups of people - healthy people and those who abuse alcohol. Correlation analysis of the received EEG signals showed that the activity of the brain and the signals of its corresponding areas react differently for different groups to the same visual objects, and pairs of adjacent electrodes within the group show a high percentage of similarity.