Приложение

Процедура отстройки от глазодвигательного артефакта

Идея метода основывается на предположениях о том, что движения глаз наводят допол­нительный потенциал на поверхность скальпа, что этот потенциал суммируется с потенциа­лом, порождаемым мозговой активностью, и что наведенный потенциал линейно зависит от угла отклонения глаз от их нейтрального положения. Эти предположения, в свою очередь, основаны на следующих рассуждениях.

Глазное яблоко может рассматриваться как электрический диполь, созданный разностью потенциалов между сетчаткой и роговой оболочкой глаза ((Зтайоп г/ а!., 1983). Когда глазное яблоко поворачивается, то поворачивается и диполь вместе со своим электрическим полем; при этом потенциал в точке скальпа, где прикреплен электрод (например, С4 на рис. 17), из­меняется. Если угол поворота глазного яблока невелик, изменения потенциала на электроде, вызванные вращением, можно в первом приближении считать пропорциональными углу по­ворота. Далее, можно считать, что пропорциональными углу поворота глаза будут и измене­ния разности потенциалов между парой электродов, прикрепленных по разные стороны от него (справа и слева или сверху и снизу).

Введем систему сферических координат с началом в центре глазного яблока. Тогда вся­кое отклонение глаза (а вместе с ним и диполя) от нейтрального положения можно предста­вить как сумму поворотов в горизонтальной и вертикальной плоскостях на углы (р и &, со­ответственно.

Пусть мы имеем две пары электродов, прикрепленных вокруг глаза - вертикальную и горизонтальную. Допустим далее, что эти пары электродов регистрируют почти исключи­тельно потенциал, наведенный движением глаз, иначе говоря, электроокулограмму (ЭОГ).²

Обозначим разности потенциалов, регистрируемые в двух каналах ЭОГ как а и Ъ. В рамках сделанных предположений, эти величины являются линейными функциями углов поворота глаз²:

а{<р,&) = а_х<р + а₁9 Ъ(<р,&) = р_х<р + р₂& ,

где а,, а₂, /7, и /?₂ —коэффициенты пропорциональности. Представим себе на ми­нуту, что эти коэффициенты известны.³Тогда для каждой найденной путем прямого измере­ния пары значений а и Ь можно найти соответствующий ей угол поворота глаз, решив сис­тему линейных уравнений:

а = а_х<р + а₂9)

Решение системы будет:

<Р= г 2 "2

аф_г-аф_х

*

аф₂-а_гр_х

Обозначим потенциал, наведенный на некотором электроде, прикрепленном к поверхно­сти скальпа, как V. Этот потенциал, в соответствии со сделанным предположением, являет­ся линейной функцией от угла поворота глаз:

и((р,Э) = е_х<р + е₂& , (2)

где е, и е₂ — коэффициенты пропорциональности. Подставляя ф и 9 из (1) в (2), получим:

^V ' аф₂-аф₁ аф_г-аф_х аф_г-аф ссф_г-аф = 1^0 + ^ = 1/(0,$

Последнее равенство показывает линейную зависимость потенциала, наведенного дви­жением глаз на электроде, регистрирующем ЭЭГ, от потенциалов, регистрируемых в каналах ЭОГ. Коэффициенты h и fo можно найти непосредственно из регистрируемых значений ЭЭГ и ЭОГ, без измерения движения глазных яблок, построив двумерную линейную регрес­сию канала ЭЭГ (зависимой переменной) на два канала ЭОГ (две независимые переменные). Для этого надо иметь достаточно большую выборку одномоментных значений трех величин (E{t),a{t),b(J)), где E(t) —регистрируемые на некотором электроде в моменты времени t значения ЭЭГ, a a{t) и b(t), как и раньше, регистрируемые от двух перпендикулярных друг к другу пар окологлазных электродов значения ЭОГ.

В общем случае N переменных (ЛЧ независимой и 1 зависимой) коэффициенты ЛЧ - мерной линейной регрессии находятся по следующей формуле (Корн & Корн, 1978):

/ = 1,..., N -1; N соответствует зависимой переменной; Л = [Л_(/] = Я-¹=[Я,Г;

Л — матрица центральных моментов второго порядка; А — матрица, обратная к Я .

Эта формула для случая двух независимых переменных может быть упрощена. Мы, однако, на практике пользовались ее общим видом. Для расчетов по формуле (3) нами была написана универсальная программа построения многомерной линейной регресии для любого числа переменных.

На практике отстройку от глазодвигательного артефакта (ГДА) проводят в следующей последовательности:

1. Из массива исходных записей ЭЭГ, проведенных в данном исследовании и с данной по­становкой электродов, с помощью специальной полуавтоматической программы вырезают отрезки, содержащие достаточно большие по амплитуде движения глаз и миги. Использо­вание только высокоамплитудных по движению глаз отрезков ЭЭГ улучшает соотноше­ние сигнал/помеха и обеспечивает лучший конечный результат. При выборе отрезков сле­дует обратить особое внимание на то, чтобы они не содержали никаких иных артефактов, кроме чистого глазодвигательного. Несоблюдение этого требования может привести к существенной ошибке в вычислении коэффициентов регрессии и, как следствие, сделать процедуру отстройки неэффективной.

2. Отобранный массив данных используют для вычисления коэффициентов линейной рег­рессии. Для каждого канала ЭЭГ эта процедура выполняется отдельно.

3. Из каждого канала ЭЭГ вычитают каналы ЭОГ, помноженные на соответствующие коэф­фициенты линейной регрессии:

где а (0 и Ь (I) — каналы ЭОГ, Л, и к₂ — коэффициенты линейной регрессии для данно­го канала ЭЭГ, Е₀(О — очищенная запись в данном канале ЭЭГ, £(/)—исходная запись ЭЭГ в этом канале.

Примечания:

1. Глазные электроды должны быть прикреплены так, чтобы, по возможности, образовывать перпендикулярные друг к другу пары, не обязательно горизонтальную и вертикальную. Результат отстройки не изменится, если пары электродов будут расположены не горизон­тально и вертикально.

2. В принципе, могут встретиться испытуемые, у которых правый и левый глаз совершают неодинаковые движения. В этом случае необходимо устанавливать четыре пары глазных электродов (по две на каждый глаз) и применять четырехмерную линейную регрессию, используя для этого универсальную формулу (3).

3. Метод предполагает, что каналы ЭОГ регистрируют почти исключительно электрический потенциал, связанный с движением глаз. В действительности эти каналы регистрируют и некоторое количество электрической активности передних областей коры головного моз­га. Степень проникновения электрических потенциалов мозга в каналы ЭОГ зависит от индивидуальных анатомических особенностей головы исследуемого, а также от способа постановки электродов, и в некоторых случаях не является пренебрежимо малой. Это мо­жет привести к тому, что, в результате применения процедуры отстройки от Г ДА, в кана­лах ЭЭГ искусственно появится некоторое количество сигнала от передних областей ко­ры. Например, у некоторых испытуемых с выраженным фронтально-медиальным тета- ритмом после применения процедуры он может артефактно проявиться (хотя, на практи­ке, в очень небольших количествах) в центральных, теменных и затылочных отведениях.

Список сокращений

БПФ - быстрое преобразование Фурье

ВП - вызванный потенциал

ГДА - глазодвигательный артефакт

ИВНД и НФ РАН - Институт высшей нервной деятельности и нейрофизиологии РАН

ИМК - интерфейс мозг-компьютер

КК - коэффициент корреляции

ИНС - искусственная нейронная сеть

ППР - процент правильного распознавания

ПСС - потенциал, связанный с событием

ПСтГ - постстимульная гистограмма

СКОР - суммарная (за эпоху) квадратичная ошибка распознавания

СЛУ - система линейных уравнений

ЭМГ - электромиограмма

ЭОГ - электроокулограмма

ЭЭГ - электроэнцефалограмма

ERD - Event Related Desynchronization (десинхронизация, связанная с событием) - метод оценки активации отделов коры мозга, первоначально разработанный и примененный Г. Пфюртшеллером (Pfiirtscheller & Lopes da Silva, 1999)

ERS - Event Related Synchronization (синхронизация, связанная с событием) - явление противоположное ERD

Список литературы

1. Болдырева Г.Н. (2000) Электрическая активность мозга человека при поражении диэн- цефальных и лимбических структур. М.: Наука, 2000.

2. Данилова Н.Н. (1985) Функциональные состояния: механизмы и диагностика. М: Изд-во МГУ, 1985. 287 с.

3. Иваницкий А.М. (1976) Мозговые механизмы оценки сигналов. М: Медицина, 1976.

4. Иваницкий А.М., Стрелец В.Б., Корсаков И А. (1984) Информационные процессы мозга и психическая деятельность. М.: Наука, 1984

5. Иваницкий АМ. (1993) Фокусы взаимодействия, синтез информации и психическая дея­тельность. Журн. высш. нервн. деят. Т.43, с. 19-227.

6. Илыоченок ИЛ*. (1996) Различие частотных характеристик ЭЭГ при восприятии положи­тельно-эмоциональных, отрицательно-эмоциональных и нейтральных слов. Журн. высш. нервн. деят. Т. 46, с. 457-468.

7. Илыоченок И.Р., Савостьянов АН., Валеев Р.Г. (2001) Динамика спектральных харак­теристик тета- и альфа-диапазонов ЭЭГ при негативной эмоциональной реакции. Журн. высш. нервн. деят. Т. 51, с. 563-571.

8. Каменкович В.М., Барк Е.Д., Шевелев ИА., Шараев ГА. (1997) Связь зрительных ил­люзий с частотой и фазовым сдвигом ритмической фотостимуляции, синхронизованной с альфа-волной ЭЭГ. Журн. высш. нервн. деят. Т. 47, с. 461-468.

9. Каплан АЯ. (1999) Проблема сегментного описания электроэнцефалограммы человека. Физиология человека. Т. 25, с. 125-133.

10. Каплан АЯ., Борисов С.В. (2003) Динамика сегментных характеристик альфа- активности ЭЭГ человека в покое и при когнитивных нагрузках. Журн. высш. нервн. дея­тельности. Т. 53, с. 22-23.

И .Корн Г., Корн Т. (1978) Справочник по математике для научных работников и инжене­ров. М.: Наука, 1978, § 18.4-9.

12. Костюнина М.Б. (1998) Энцефалограмма человека при мысленном воспроизведении эмоционально-окрашенных событий. Журн. высш. нервн. деят. Т. 48, с. 213-221.

13. Лебедев АН., Скопинцева НА., Бычкова Л.П. (2002) Связь памяти с параметрами элек­троэнцефалограммы. В книге: Современная психология. 4.1, М.: ИПРАН, 2002.

14. Ливанов М.Н. (1972) Пространственная организация процессов головного мозга. М.: Наука, 1972.

15. Ливанов М.Н., Свидерская Н.Е. (1984) Психологические аспекты феномена пространст­венной синхронизации потенциалов. Психол. журнал. Т. 5, с. 71-83.

16. Николаев АР. (1994) Исследование этапов мысленной ротации сложных фигур методом картирования внутрикоркового взаимодействия. Журн. высш. нервн. деят. Т. 44, с. 441­447.

17. Николаев АР. (1995) Корковые механизмы невербального мышления на модели решения пространственных задач. Диссертация на соискание ученой степени кандидата медицин­ских наук. Москва, 1995.

18. Николаев АР., Иваницкий ГА., ИваницкийАМ. (2000) Исследование корковых взаи­модействий в коротких интервалах времени при поиске вербальных ассоциаций. Журн. высш. нервн. деят. Т. 50, с. 44-61.

19. Свидерская Н.Е. (1987) Синхронная электрическая активность мозга и психические про­цессы. М.: Наука, 1987.

20. Симонов П.В. (1981) Эмоциональный мозг. М.: Наука, 1981.

21. Фролов АА., Муравьев И.П. (1988) Информационные характеристики нейронных сетей. М.: Наука, 1988.

22. Шарова Е.В., Образцова Е.Р., Зайцев О.С., Куликов М.М., Ураков С.В. (2001) Особен­ности ЭЭГ при посттравматическом Корсаковском синдроме. Ж. неврологии и психиат­рии им. С.С. Корсакова. Т. 101, с. 32-38.

23. Шевелев НА (2001) Волновые процессы в коре мозга и зрительное восприятие. Приро­да. №12 за 2001 г., с. 28-35.

24. Шевелев ИА, Костелянец Н.Б., Каменкович В.М., Шараев ГА. (1991) Опознание движения и альфа-волна ЭЭГ. Сенсорные системы. Т. 5, с. 54-59.

25. Яковенко И А, Черемушкин ЕА (1996) Сопоставление перестроек пространственно- временной организации потенциалов коры больших полушарий мозга человека с частот­ными характеристиками ЭЭГ при решении когнитивной задачи. Журн. высш. нервн. деят. Т. 46, с. 470-478.

26. Abeyratne U.R., Kinouchi Г., OkiH., Okada J., Shichijo F., Matsumoto К. (1991) Artificial neural networks for source localization in the human brain. Brain Topogr. V. 4, p. 3-21.

27. Abeyratne U.R., Zhang G., Saratchandran P. (2001) EEG source localization: a comparative study of classical and neural network methods. Int. J. Neural Syst. V. 11, p. 349-360.

28. Anderson C.W., DevulapalliS., Stolz EA. (1995) EEG signal classification with different sig­nal representations. In: Giros F., Makhoul J., Manalakos R, Wilson E, (eds). Neural networks for signal processing V. Piscataway NJ: IEEE Service Center, 1995. pp. 475-483.

29. Bankman I.N., Sigilliti V.G., Wise RA., Smith P.L. (1992) Feature-based detection of the K- complex wave in the human electroencephalogram using neural networks. IEEE Trans. Biomed. Eng. V. 39, p. 1305-1310.

30. Belenky G., SingH.C., Thomas M.L, Shaham Y., BalwinskiS. Redmond D.P., Balkin T.J.

(1994) Discrimination of rested from sleep deprived EEG in awake normal humans by artificial neural network. Proceedings of IEEE International Conference on Neural Networks. IEEE Pis- cataway, NJ, 1994. p. 3521-3524. ^ 31 .Ba§arE., GdnderA., Ozesmi C., Ungan P. (1975) Dynamics of brain rhythmic and evoked po- j tentials. Biol. Cybern. V. 20, p. 137-169.

32. Ba§ar E., Durusan R., GdnderA., Ungan P. (1977) Human alpha response to photic stimuli. J Electroencephalogr. Clin. Neurophysiol. V. 43, p. 500-501.

33. Ba§ar E., SchUrmann M., Ba§ar-Eroglu C., Karaka§ S. (1997) Alpha oscillations in brain functioning: an integrative theory. Int. J. Psychophysiol. V. 26, p. 5-21.

^ 34. BergerH. (1929) Ober das Elektrenkephalogramm des Menschen. Arch. Psychiat. Nervenkr. V. 87, p. 527-570.

cr-^35. Borisyuk G., BorisyukR., Kazanovich Y., Strong G. (2000) Oscillatory neural networks: Mod­eling binding and attention by synchronization of neural activity. Book Chapter In: D.S. Levine,

^c V.R. Brown, & T. Shirey (Eds). Oscillations in Neural Systems. Lawrence Erlbaum Associates,

-J

2000.

^ 36. Burgess A.P., Gruzelier J.H. (1993) Individual reliability of amplitude distribution in topog­raphical mapping of EEG. Electrenceph. Clin. Neurophysiol. V. 86, p. 218-223.

37. Burgess A.P., Gruzelier J. (1997) How reproducible is the topographical distribution of EEG U amplitude? Int. J. Psychophysiol. V. 26, p. 113-119.

38. EngelA.K., Singer W. (2001) Temporal binding and the neural correlations of sensory aware­ness. Trends in cognitive sciences. V. 5, p. 16-26.

39. Fink A., Grabner R.H., Neuper C., NeubauerAC. (2005) EEG alpha band dissociation with increasing task demands. Cognitive Brain Research. V. 24, p. 252-259.

40. FordJM., Mathalon D.H. (2004) Schizophrenia and hallucinations: evidence from event re­lated brain potentials and functional magnetic resonance imaging. Int. J. Psychophysiol. V. 54, p.3.

41. Fukuda O., Tsuji T., KanekoM. (1995) Pattern classification of EEG signals using a log- linearized Gaussian mixture neural network. Proc. IEEE Int. Conf. Neural Networks, Perth Western Australia, 27 Nov-1 Dec, 1995. pp. 2479-2484.

42. GaborA.J., Leach R.R., Dowla F.U. (1996) Automated seizure detection using a self- organizing neural network. Electroencephalography and Clinical Neurophysiology. V. 99, p. 257-266.

43. Gevins A., Leong H., Smith M.E., Le J., Du R. (1995) Mapping cognitive brain function with modern high-resolution electroencephalography. Trends Neurosci. V. 18. p. 429-436.

44. GevinsA.S., Smith M.E. (1997) Detecting transient cognitive impairment with EEG pattern recognition method. Aviation and Space Environmental Medicine. V. 70, p. 1028-1024.

45. Gratton G., Coles M.G.H., Donchin E. (1983) A new method for off-line removal of ocular artifact. Electroencephalography and Clinical Neurophysiology. V. 55, p. 468-484.

46. GulatiA., Jacobs D., SUan M.N., PopeA.T. (1995) Classification and prediction of electroen- cephalographic data with hybrid neural networks to analyze human-automation related effects. Proceedings of 7-th International Conference on Artificial Intelligence & Expert Systems Appli­cation. p. 449-454.

47. Hari R., Salmetin R., Makela J.P., Salenius S, Helle M. (1997) Magnetoencphalographic cor­tical rhythms. Int. J. Psychophysiol. V. 26, p. 51-62.

48. Salmelin R., Mamalainen M., Kajola M., HariR. (1995) Functional segregation of movement- related rhythmic activity in the human brain. Neuroimage. V. 2, p. 237-243.

49. Hebb D.O. (1949) The organization of behavior. New-York: Wiley, 1949.

50. Heinrich H., Moil G.H_r Dickhaus H., Kolev V., Yordanova J., Rothenberger A. (2001) Time- on-task analysis using wavelet networks in an event-related potential study on attention-deficit hyperactivity disorders. Clinical Neurophysiology. V. 112, p. 1280-1287.

51. Heller W. (1993) Neuropsychological mechanisms of individual differences in emotion, per­sonality, and arousal. Neuropsychology. V.7., p. 476 -489.

52. Hinton G.E., Sejnowsky T.J., Ackley D.H. (1984) Boltzmann machines: Constraint satisfaction networks that learn. Tech. Rep. CMU-CS-84-119. Pittsburgh: Carnegie-Mellon University, De­partment of Computer Science.

53. Hoppensteadt F.C., Izhikevich E.M. (1996) Synaptic organization and dynamical properties of weakly connected neural oscillators. Biol. Cybern. V. 75, p. 117-135.

54. Hopjield J. J. (1982) Neural networks and physical systems with emergent collective computa­tional abilities. Proc. Nat. Acad Sci. USA. V. 79, p. 2554-2558.

55. Huang J. W., Lu Y. Y., NayakA., Roy R.J. (1999) Depth of anesthesia estimation and control. IEEE Transactions on Biomedical Engineering. V. 46, p. 71-81.

56. Huuponen E., VarriA., Himanen S.L., Hasan J., Lehtokangas M., Saarinen J. (2000) Autoassociative MLP in sleep spindle detection. J. Med. Syst. V. 24, p. 183-193.

57. Ivanitsky, A.M. (2000) Informational synthesis in crucial cortical area as the brain basis of the subjective experience. In: Complex Brain Functions. Conceptual Advances in Russian Neuro­sciences. R .Miller, A.M. Ivanitsky, P.M. Balaban (Eds.). Reading, UK: Harwood Academic Publishers. 2000. p. 73-96.

58. Kaplan A. Ya., Byeon J-G., Lim J-J., Jin K-S., Park B-W. (2005) Unconscious operant condi­tioning in the paradigm of brain-computer interface based on color perception. Intern. J. Neuro­science. V. 115, p. 781-802.

59. Klimesch W. (1997) EEG-alpha rhythms and memory processes. Int. J. Psychophysiol. V. 26, p. 319-340.

60. Klöppel B. (1994) Classification by neural networks of evoked potentials. Neuropsychology. V. 29, p. 47-52.

61. Knyazeva M.G., Fornari E., Meuli R., Innocenti G., Maeder P. (2006) Imaging of a synchro­nous neuronal assembly in the human visual brain. Neuroimage. V. 29, p. 593-604.

62. Kohonen T. (1995) Self-Organizing Maps. Springer-Verlag, Heidelberg, 1995.

63. Lashley K.S. (1950) In search of the engram. In: Society of experimental biology symposium No. 4: Psychological mechanisms of animal behavior. London: Cambridge University Press, 1950. p. 478-505.

64. Lopes da Silva F.H., Vos J.E., Mooibroek J., Van Rotterdam A. (1981) Relative contributions of intracortical and thalamocortical processes in the generation of alpha rhythms, revealed by partial coherence analysis. EEG Clin. Neuroph. V. 50, p. 449-456.

65. Lopes da Silva F. (1991) Neural mechanisms underlying brain waves: from neural membranes to networks. EEG Clin. Neuroph. V.79, p. 81-93.

66. Maltseva I.V., Masloboev Y.P. (1997) Alpha rhythm parameters and short memory span. Int. J. Psychophysiol. V. 26, p. 369-380.

67. Miller R. (1991) Cortico-hippocampal interplay and the representation of contexts of the brain. Springer Verlag, Berlin Heidelberg New York, 1991.

68. Miller A.S., BlottB.H., Harnes T.K. (1992) Review of neural network applications in medical imaging and signal processing. Medical and Biological Engineering and Computing. V. 30, p. 449-464.

69. Mitra S., Sarbadhikan S.N., PalS.K. (1996) An MLP-based model for identifying qEEG in depression. Int. J. Biomed. Comput. V. 43, p. 179-187.

70. Murthy V.N., Fetz E.E. (1992) Coherent 25- to 35-Hz oscillations in the sensorimotor cortex of awake behaving monkeys. Proc. Natl. Acad. Sei. USA. V. 89, p. 5670-5674.

IX.NashmiR., MendoncaAJ., MacKay WA. (1994) EEG rhythms of the sensorimotor region during hand movements. Electroencephalogr. Clin. Neurophys. V. 91, p.456-467.

72. Niedermeyer N. (1997) Alpha rhythms as physiological and abnormal phenomena. Int. J. Psy­chophysiol. V. 26, p. 31-49.

73. PeUoranta M., Pfurtscheller G. (1994) Neural network based classification of non-averaged event-related EEG responses. Medical & Biological Engineering & Computing. V. 32, p. 189­196.

74. Penny W.D., Roberts S.J. (1999) EEG-based communication via dynamic neural network mod­els. Proc. Int. Joint Conf. Neural Networks, 1999. p. 5.

75. Peters B.O., Pfurtscheller G., FlyvbjergH. (1998) Mining multi-channel EEG for its informa­tion content: an ANN-based method for a brain-computer interface. Neural Networks. V. 11, p. 1429-1433.

76. Peters B.O., Pfurtscheller G., FlyvbjergH. (2001) Automatic differentiation of multichannel EEG signals. IEEE Trans. Biomed Eng. V. 48, p. 111-116.

77. Petrosian AA., Prokhodov D. V., Lajara-Nanson W., Schiffer R.B. (2001) Recurrent neural network based approach for early recognition of Alzheimer's disease in EEG. Clinical Neuro­physiology. V. 112, p. 1378-1387.

78. Petsche H., Kaplan S., von Stein A., Fill O. The possible meaning of the upper and lower alpha frequency ranges for cognitive and creative tasks. Int. J. Psychophysiol. V. 26, p. 77-97.

79. Pitts W., McCulloch W.S. (1947) How we know universals: the perception of auditory and vis­ual forms. Bull. Math. Biophys. V.9, p. 127-147.

80. Pfurtscheller G., Klimesch W. (1992) Event-related synchronization and desynchronization of alpha and beta waves in cognitive tasks. In: Basar E„ Bullock T.H. (Eds). Induced rhythms in the brain. Birkhauser, Boston, 1992.

81. Pfurtscheller G., Flotzinger D., Mohl W., Peltoranta M. (1992) Prediction of the side of hand movements from single trial multi-channel EEG data using neural networks. Electroencephalogr. Clin. Neurophysiol. V. 82, p. 313-315.

82. Pfurtscheller G., Neuper Ch., Andrew C., Edlinger G. (1997) Foot and hand area mu rhythms. Int. J. Psychophys. V. 26, p. 121-135.

83. Pfurtscheller G., Lopes da Silva F.H. (1999) Event-related EEG/MEG synchronization and de- synchronization: basic principles. Clin. Neurophysiol. V. 110, p. 1842-1857.

84. Press W.H., Teukolsky SA., Vettering W.T., FlanneryB.P. (1994) Numerical Recipes in C. The art of scientific computing. Second edition. Cambridge University Press, 1994.

85. Robert C., KarasinskiP., Natowitz R., LimogeA. (1996) Adalt rat vigilance states discrimina­tion by artificial neural network using a single EEG channel. Physiology & Behavior. V. 59, p. 1051-1060.

86. Robert C., Gaudy J.F., LimogeA (2002) Electroencephalogram processing using neural net­works. Clinical Neurophysiology. V. 113, p. 694-701.

87. Rosenblatt F. (1958) The Perceptron: A Probabilistic Model for Information Storage and Or­ganization in the Brain. Psychol Rev. V. 65, p. 386-408.

88. Rosenblatt F. (1962) Principles of neurodynamics. New-York, Spartan, 1962.

89. Rdschke J., Fell J., Mann K. Non-linear dynamics of alpha and theta rhythm: correlation di­mensions and Lyapunov exponents from healthy subject's spontaneous EEG. Int. J. Psycho- physiol. V. 26, p. 251-261.

90. Rougeul-Buser A., BuserP. (1997) Rhythms in the alpha band in cats and their behavioral cor­relates. Int. J. Psychophysiol. V. 26, p. 191-203.

91. Rumelhart D.E., Hinton C.E., Williams R.J. (1986 a) Learning representations by back- propagating errors. Nature. V. 323, p. 533-536.

92. Rumelhart D.E., McClelland J.L, and the PDF research group. (1986 6) Parallel distributed processing. Cambridge, Mass.: MIT Press, 1986.

93. Schack B., Weiss S., Rappelsberger P. (1996) Dynamic topographic methods of coherence analysis of cognitive processes. Medical & Biological Engineering & Computing. V. 34, p. 207­208.

94. Schaltenbrand N., Lengelle R., ToussaintM., Luthringer R., Carelli G., Jacmin A., Lainey E, MuzetA., Macher J.P. (1996) Sleep stage scoring using the neural network model: com­parison between visual and automatic analysis in normal subjects and patients. Sleep. V. 19, p. 29-35.

95. Schürmann M., Ba§ar-Eroglu C., Ba§ar E. (1977) A possible role of evoked alpha in primary sensory processing: common properties of cat intracranial recordings and human EEG and MEG. Int. J. Psychophysiol V. 26, p. 149-170.

96. Sheve lev IA., Kamenkovich V.M., Bark E.D., Verkhlutov V.M., Sharaev G. A., Mikhailova E. S. (2000) Visual illusions and travelling alpha waves produced by flicker at alpha frequency. Int. J. Psychophysiol V.39, p. 9-20.

97. Sveinsson J.R., Benediktsson JA., Stefansson S.B., Davidsson K. (1997) Parallel principal component neural network for classification of event-related potential waveforms. Med. Eng. Phys. V. 19, p. 15-20.

98. Sun M., Sclabassi R.J. (2000) The forward EEG solutions can be computed using artificial neu­ral networks. IEEE Trans. Biomed Eng. V. 47, p. 1044-1050.

99. Sysoeva O. V., Ilyutchenok I.R., Ivanitsky GA., Kashevarova O.D., Ivanitsky A.M. (2005) ERP evidence for early involuntary analysis of written word class (abstract/concrete). Brain To­pography. Proceedings of the 16th Meeting ofISBET, 2005. V.18,p. 15-16.

100. Tallon-Baudry C., Bertrand O., Fischer C. (2001) Oscillatory synchrony between human extrstriate areas during visual short-term memory maintenance. J. Neurosci. V. 21, p. RC177-1- RC177-5.

101. Tallon-Baudry C. (2003) Oscillatory synchrony and human visual cognition. Journal of Physiology - Paris V. 97, p. 355-363.

102. Tuulik V., Raja A., MeisterA., Lossmann E. (1997) Neural network method to determine the vigilance levels of the central nervous system, related to occupational chronic chemical stress. Technology of Health Care. N 5 (1997), p. 243-251.

103. Van Hoey G., de Clercq /., Vanrumste B., van de Walle R., Lemahieu /., D'Have M., Boon P. (2000) EEG dipole source localization using artificial neural network. Physics in Medi­cine and Biology V. 45, p. 997-1011.

104. Vargha-Khadem F., Gadian D. G., Mishkin M. (2001) Dissociation in cognitive memory: the syndrom of developmental amnesia. Phil. Trans. R. Soc. Lond. V. 356, p. 1435-1440.

105. Walczak S., Novak W.J. (2001) An artificial neural network approach to diagnosing epi­lepsy using lateralized bursts of theta EEGs. Journal of Medical Systems. V. 25, p. 9-20.

106. Webber WJLS., Lesser R.P., Richardson R., Wilson K. (1996) An approach to seizure de­tection using an artificial neural network (ANN). Electroencephalography and Clinical Neuro­physiology. V. 98, p. 250-272.

107. Weiss S., Mueller H.M., Schack B., King J. W., Kutas M., Rappelsberger P. (2005) In­creased neuronal communication accompanying sentence comprehension. Int. J. Psychophysiol. V. 57, p. 129-141.

108. Wilson S.B. (2005) A neural network method for automatic and incremental learning ap­plied to patient-dependent seizure detection. Clinical Neurophysiology. V. 116 p. 1785-1795.

109. Wu F.G., Slater J.D., Ramsay R.E. (1994) Neural network approach in multichannel audi­tory event-related potentials analysis. Int. J. Biomed. Comput. V. 35, p. 157-168.

110. Yuasa M., Zhang Q., Nagashino H., Kinouchi Y. (1998) EEG source localization for two dipoles by neural networks. Proc. IEEE 20th Ann. Int. Conf. IEEE/EMBS. Hong Kong, 1998. p. 2190-2192.

111. Yylmaz Y.K, Demiralp T., GUlcUrH.6. (1998) Classification of P300 component in single trial event related potentials using artificial neural network classifier. Int. J. Psychophysiology. V.30,p. 226.

112. Zhang X.S., Roy R.J. (2001) Derived fuzzy logic model for estimating the depth of anesthe­sia. IEEE Transactions on Biomedical Engineering. V. 48, p. 312-323.

113. DinseH.R., KruegerK, Akhavan A.C., Spengler.F, Schoener G., Schreiner C.E. (1997) Low-frequency oscillations of visual, auditory and somatosensory cortical neurons evoked by sensory stimulation. Int. J. Psychophysiol. V. 26, p. 205-227.

Публикации автора по теме диссертации в реферируемых журналах

1. Николаев АР., Анохин АЛ., Иваницкий ГА., Кашеварова ОД., Иваницкий AM.

(1996) Спектральные перестройки ЭЭГ и организация корковых связей при простран­ственном и вербальном мышлении. ЖВНД им. И.П.Павлова. Т. 46, с. 831-848.

2. Иваницкий ГА. (1997) Распознавание типа решаемой в уме задачи по нескольким се­кундам ЭЭГ с помощью обучаемого классификатора. ЖВНД им. ИП.Павлова. Т. 47, с. 743-747.

3. Иваницкий ГА., Николаев А.Р., Иваницкий А.М. (1997) Использование искусствен­ных нейросетей для распознавания типа мыслительных операций по ЭЭГ. Журнал авиакосмической и экологической медицины. Т. 31, с. 23-28.

4. Musha Т., Terasaki Yu., Haque НА., Ivantisky GA. (1997) Feature extraction from EEG associated with emotions. Artificial Life Robotics. V. 1, p. 15-19.

5. Николаев АР., Иваницкий ГА., Иваницкий AM. (1998) Воспроизводящиеся паттер­ны альфа-ритма ЭЭГ при решении психологических задач. Физиология человека. Т. 24, с. 1-8.

6. Николаев АР., Иваницкий ГА., Иваницкий AM. (2000) Исследование корковых взаимодействий в коротких интервалах времени при поиске вербальных ассоциаций. ЖВНД им. И.П.Павлова. Т. 50, с. 44-61.

7. Nikolaev AR., Ivantisky GA., Ivantisky A.M., Posner M.I., Abdullaev Ya. G. (2001) Correlation of brain rhythms between frontal and left temporal (Wernicke's) cortical areas during verbal thinking. Neurosci Lett. V. 298, p. 107-110.

8. Nikolaev AR., Ivantiskii GA., IvantisktiAM. (2001) Studies of cortical interactions over short periods of time during the search for verbal associations. Neurosci Behav Physiol. V. 31, p. 119-32.

9. Ivantisky AM., Nikolaev AR., Ivantisky GA. (2001) Cortical connectivity during word as­sociation search. Int. J. Phsychophysiology. V. 42, p. 35-53.

10. Иваницкий ГА., Николаев АР., Иваницкий AM. (2002) Взаимодействие лобной и левой теменно-височной коры при вербальном мышлении. Физиология человека. Т. 28, с. 5-11.

11. Иваницкий AM., Ильюченок И.Р., Иваницкий ГА. (2003) Избирательное внимание и память - вызванные потенциалы при конкуренции зрительных и слуховых словес­ных сигналов. Журн. высш. нервн. деят. Т. 53, с. 541-551.

12. Медведев С.В., РудасМ.С., Пахомов С.В., Иваницкий Л.М., Ильюченок И.Р., Ива- ницкий ГЛ. (2003) Механизмы избирательного внимания при конкуренции зритель­ной и слуховой речевой информации: исследование методами позитронно- эмиссионной томографии и вызванных потенциалов мозга. Физиология человека. Т. 29, с. 115-124.

1 ППР ниже достоверно неслучайного, который для контрольной выборки из 35 паттернов, трех классов и уровня достоверности р=0,05 составляет 42,9%.

2Здесь мы считаем, что глаза поворачиваются синхронно и одинаково, что не всегда имеет место в действи­тельности. См. примечание 2.

3Их нахождение, в принципе, возможно с помощью существующих методов. Например, угол отклонения глаза можно измерить, прикрепив на роговицу микроскопическое зеркальце, а зная этот угол и измерив значение ЭОГ в тот же момент времени, можно найти искомые коэффициенты.