Журавлев частотное разложение: Частотное разложение. Ultimate

Содержание

Adobe Photoshop 1+2 ступени

Привет, меня зовут Андрей Журавлев, я веду этот курс по работе с программой Adobe Photoshop. Что именно мы будем делать на первой и второй ступени курса я кратко описал в анонсах каждой из них. Не буду повторяться, а лучше попробую помочь Вам решить, стоит ли идти на две ступени сразу?

Основной аргумент в пользу такого решения — цена. Полный курс стоит заметно меньше, чем две ступени по отдельности. Но здесь нужно правильно подойти к понятию «стоимость». Ведь для любого ученика важно не сколько стоят уроки, а сколько стоят полученные им знания. И если скорость, с которой я выдаю информацию окажется лично для Вас слишком высокой, часть знаний получена не будет, а стоимость оставшихся моментально возрастет.

Сможете ли Вы освоить сразу обе ступени? Я не смогу ответить на этот вопрос, потому что не знаю, насколько тяжело или легко Вам дается изучение новых программ. На этот вопрос каждый должен ответить сам. Но, если Вы чувствуете в себе силы, привыкли осваивать новые инструменты, располагаете свободным временем для тренировки и закрепление материала между занятиями, имеете опыт общения с фотографиями, я думаю, стоит рискнуть.

Прохождение второй ступени сразу после первой — это прекрасная возможность закрепить на практике освоенный ранее материал. К середине второй ступени студенты обычно выполняют все рутинные операции на автомате, даже не вспоминая, что совсем недавно путались в слоях и инструментах. А со своей стороны замечу, что мне всегда очень приятно, когда на второй ступени я встречаю группу единомышленников, сплоченную и закаленную совместным прохождением первой ступени.

ПО ОКОНЧАНИИ РАСШИРЕННОГО КУРСА СТУДЕНТ ДОЛЖЕН УМЕТЬ:

Организовывать грамотное хранение файлов на диске
Управлять файлами через программу Adobe Bridge.
Конвертировать raw-файлы средствами Adobe Camera Raw
Кадрировать снимок и исправлять геометрию объектов
Свободно и осмысленно производить любые коррекции кривыми
При помощи кривых управлять насыщенностью, тоновыми и цветовыми контрастами изображения
Анализировать содержимое трихроматических каналов
Быстро находить в каналах заготовки для смешивания, наложения и создания масок
Создавать и дорабатывать выделения, производить через них выборочные коррекции
Разбираться в логике работы режимов наложения
Самостоятельно подбирать режим наложения под решение конкретной задачи
Создавать маски под конкретную задачу наиболее подходящим способом
Эффективно использовать слои и маски слоя, уметь работать в не разрушающей манере

Понимать логику работы и эффективно применять основные инструменты ретуши
Делать выборочную коррекцию без применения масок
Понимать, в чем состоит искусственное повышение резкости и уметь повышать ее в соответствии с содержимым изображения
Уметь подготовить файл с учетом особенностей последующего воспроизведения.

О ПРЕПОДАВАТЕЛЕ:

Андрей Журавлев — профессиональный цветокорректор и специалист по допечатной подготовке. Обработкой изображений в Adobe Photoshop занимается с 1996 года.

С 2009 года проводит авторские семинары и курсы по обработке изображений. В 2010 году провел авторский мастер-класс в рамках конференции Adobe Creative Future, открыв для широкой русскоязычной аудитории «частотное разложение» — профессиональную методику быстрой ретуши, основанную на разложении изображения на частотные полосы.

Автор цикла статей, посвященных работе с режимами наложения, опубликованных в журнале «Фотомастерская». Ведет свой собственный блог, где можно найти много полезных материалов по цветокоррекции, повышению резкости, автоматизации обработки, работе с режимами наложения и многим другим вопросам работы в Adobe Photoshop.

ВНИМАНИЕ: 23 ФЕВРАЛЯ , 8 МАРТА, 3 МАЯ, 10 МАЯ — ВЫХОДНЫЕ ДНИ!

Заметки — Игорь К.

Устанавливаем и импортируем библиотеки в питон

pip install requests
pip install pandas
import requests
from bs4 import BeautifulSoup
import pandas as pd
from time import sleep

Переменной url присваиваем ссылку на страницу кинопоиска, в переменную r результат гет запроса к этой странице

url = "https://www.kinopoisk.ru/s/type/film/list/1/find/%F1%E5%EA%F1/"
r = requests.get(url)

Текстовое содержимое страницы сайта — r.text

Переведем содержимое страницы в формат кода

soup = BeautifulSoup(r.text, "lxml")

Содержимое переменной — soup

При помощи инспектора кода находим контейнеры с названием фильма, годом, названием на языке оригинала и баллом кинопоиска

russian_name = soup.find('div',class_ = "element").find('div', class_ = "info").find('a', class_ = "js-serp-metrika").text
russian_name
original_name = soup. find('div',class_ = "element").find('span', class_ = "gray").text
original_name
year = soup.find('div',class_ = "element").find('span', class_ = "year").text
year
kinopoisk = soup.find('div',class_ = "element").find('div', class_ = "rating").text
kinopoisk

Все данные по первому фильму встречающемуся на странице

Находим контейнер с кусочком кода и генерируем ссылку на фильм

link = "https://www.kinopoisk.ru" +soup.find('div',class_ = "element").find('div', class_ = "info").find('a').get("data-url")
link

Готовая ссылка на фильм и контейнер содержащий ссылку

Можно составить код, который сделает таблицу, содержащую все фильмы с данной таблицы

data = []
films =soup.findAll("div",class_ = "element")
for film in films:
    russian_name = film.find('div', class_ = "info").find('a', class_ = "js-serp-metrika").text
    original_name = film.find('span', class_ = "gray"). text
    
    try:
        year = film.find('span', class_ = "year").text
    except:
        year = ""
    
    try:
        kinopoisk = film.find('div', class_ = "rating").text
    except:
        kinopoisk = ""
    
    link = "https://www.kinopoisk.ru" +film.find('div', class_ = "info").find('a').get("data-url")
  
    #print (russian_name)
    #print (original_name)
    #print (year)
    #print (kinopoisk)
    #print (link)
    data.append([russian_name, original_name,year,kinopoisk,link  ])

Содержимое таблицы data

Мы можем собрать все фильмы с одной страницы. Теперь нужно сделать цикл для сбора со всех страниц данного раздела. В этом разделе 11 страниц, значит нужен цикл для формирования списка страниц

for page in range(1,12):
    url = f"https://www.kinopoisk.ru/s/type/film/list/1/find/%F1%E5%EA%F1/order/relevant/page/{str(page)}/"
    print(url)

Результат выполнения цикла for с полученными страницами

Теперь можно дополнить весь код.

Не забываем про слип, так как на многих сайтах стоит защита от парсинга

data = []

for page in range(1,12):
    url = f"https://www.kinopoisk.ru/s/type/film/list/1/find/%F1%E5%EA%F1/order/relevant/page/{str(page)}/"
    print(url)
    
    r = requests.get(url)
    sleep(40)
    soup = BeautifulSoup(r.text, "lxml")
    
    films = soup.findAll("div", class_ ="element")

    for film in films:
        
        russian_name = film.find("div", class_="info").find("a").text
       # print(russian_name)
    
        original_name = film.find("div", class_="info").find("span", class_="gray").text
    
        year = film.find("span", class_="year").text

        try:
            year = film.find("div", class_= "span").text
        except:
            year = ""
        
        try:
            rate = film.find("div", class_= "rating").text
        except:
            rate = ""
    
        link = "https://www.  kinopoisk.ru"+film.find("div", class_="info").find("a").get("data-url")
    
        data.append([russian_name, original_name, year, link])

По мере прохождения страниц, будут печатаются страницы на которых находится сейчас робот

Делаем заголовки таблицы и выгружаем в файл csv

header = ['russian_name', 'original_name', 'year', 'link']
df = pd.DataFrame(data, columns = header)
df.head()

df.to_csv("d:\data_kino.csv")

получившаяся таблица с выгрузкой

Можно и в питоне получить список всех ссылок на фильмы, работая с таблицей

for i in data:
    #print (i)
    link = i[3]
    print (link)

<div id="yandex_rtb_1" class="yandex-adaptive classYandexRTB"></div> <script type="text/javascript">if(rtbW>=960){var rtbBlockID="R-A-744201-3";} else{var rtbBlockID="R-A-744201-5";} window.yaContextCb.push(()=>{Ya.Context.AdvManager.render({renderTo:"yandex_rtb_1",blockId:rtbBlockID,pageNumber:1,onError:(data)=>{var g=document.createElement("ins");g.className="adsbygoogle";g.style.display="inline";if(rtbW>=960){g.style.width="580px";g.style.height="400px";g.setAttribute("data-ad-slot","9935184599");}else{g.style.width="300px";g.style.height="600px";g.setAttribute("data-ad-slot","9935184599");} g.setAttribute("data-ad-client","ca-pub-1812626643144578");g.setAttribute("data-alternate-ad-url",stroke2);document.getElementById("yandex_rtb_1").appendChild(g);(adsbygoogle=window.adsbygoogle||[]).push({});}})});window.addEventListener("load",()=>{var ins=document.getElementById("yandex_rtb_1");if(ins.clientHeight =="0"){ins.innerHTML=stroke3;}},true);</script>

Вебинар курса «Веб-скрейпинг для журналистов. С программированием и без». Используется среда разработки Анаконда.

Новости велосипедостроения: Action для частотного разложения

Перед тем как перейти к основному описанию, сразу предупрежу, предполагается, что вы уже знакомы с частотным разложением, а в частности, со статьей Андрея Журавлева «Ретушь портрета на основе частотного разложения изображения».

Кстати, именно мастер-классы Андрея по частотному разложению и экшенописанию, натолкнули в своё время на идею экшена, речь о котором пойдет ниже.

Что требовалось от экшена?

О частотном разложении уже столько всего написано, и, казалось бы, сложно придумать что-то новое. В интернете встречается множество реализаций этой техники, многочисленные авторские Actions. Каждый из них, хоть в чем-то, но обязательно казался мне неудобным, ограничивал в свободе и с трудом вписывался в привычный рабочий поток. Если коротко, то мне нужен был экшен, который честно разложит на две (а при необходимости и больше) полосы конкретный растровый слой. Не схлопнутую версию изображения, а именно конкретный слой, это важная условие. Такой экшен наверняка оценили бы те, кто занимается коллажированием: в сложной структуре файла, где множество элементов изображения разнесены по разным группам и слоям, очень важно иметь возможность быстро и безболезненно разложить конкретный слой, требующий ретуши. Но даже если ваш файл имеет всего один пиксельный и несколько корректирующих слоёв, то даже в этом случае экшен будет полезен – один клик и нужный слой готов к ретуши, при этом остальные никак не пострадали.

Вот подробный список всего, что хотелось получить от экшена:

Недеструктивность. Под этим, в первую очередь, понимаю минимальное вмешательство в послойную структура файла. Вариант, когда для разложения требуется «схлопнуть» изображение (хоть и на отдельном слое), не устраивает. Мы не станем лишать себя удовольствия редактировать корректирующие, растровые или прочие слои, когда они никак не мешают разложению на частоты.

Стабильность. Это требование, по сути, обязательно для любого хорошего Action. Он должен работать независимо от локализации Photoshop, названия слоёв или особенностей структуры файла.

Скорость. Количество команд и временных слоев, создаваемых экшеном, минимально, а лишние вопросы не задаются. Например, дважды заставлять нас вводить одно и тоже значение радиуса для фильтра Gaussian Blur и High Pass, было бы избыточным беспокойством.

Наглядность. В ходе работы экшена должна быть возможность визуализировать подбор радиуса. Причем, в зависимости от ситуации или просто личных предпочтений, кому-то будет удобнее ориентироваться по низкочастотной (размытой) составляющей, а кому-то по высокочастотной составляющей (в том виде, который выдаёт фильтр HighPass). Еще лучше, если сохранится возможность визуализации двумя способами одновременно.

Точность. Некоторые реализации разложения работают неоптимально для 8- и 16-битных изображений, также в определенных условиях ошибается фильтр High Pass. Хотя все эти ошибки незначительны и на практике сильных проблем не создают, нам всё же будет приятно если и такие погрешности удастся избежать.

Что получилось, или «инструкция к применению»

Скачать Action

По ссылке находится Set c четырьмя вариациями экшена, как говориться, на вкус и цвет:

Суть у всех четырех сценариев одна, различия только в применяемом фильтре размытия и визуализации подбора радиуса: экшены SF_GaussianBlur и SF_SurfaceBlur при настройке радиуса отображают размытое изображения (НЧ составляющую), а эти же экшены, но с припиской «High_Pass_preview» в названии, будут показывать ВЧ-составляющую, на подобии того, как это делает фильтр High Pass.

Примечательно, что даже с экшенами «High_Pass_preview», все равно остается возможность одновременно видеть размытую версию изображения в небольшом окне:
Пользоваться всем этим просто: встаем в палитре Layers на слой, требующий ретуши частотным разложением, запускаем любой экшен, подбираем параметры размытия и готово. В результате мы получаем группу, в которой находятся слои с низкочастотной («Low») и высокочастотной («High») составляющими, а также копии этих слоёв, предназначенные непосредственно для ретуши («Low_Retouch» и «High_Retouch»). Плюс к этому добавлен дополнительный слой кривых «High_Contrast_Booster«, его удобно включать при работе на слое «High_Retouch», когда требуется подчеркнуть детализацию для более явного отображения недостатков. Получившаяся структура группы сделана по образу и подобию экшена Андрея Журавлева:
При желании, слой «Low_Retouch» можно заново разложить на частоты с большим радиусом размытия, в этом случае мы получаем дробление уже не на 2 полосы, а на 3 и больше.

Для ретуши High-cлоя прекрасно подходят Healing Brush Tool, Spot Healing Brush Tool, Patch Tool и Stamp Tool с жесткими краями. Для слоя Low, в принципе, применимо тоже самое, но особенно успешно здесь можно использовать Mixer Brush Tool, Stamp Tool c мягкими границами и сниженной непрозрачностью, или обычную кисть. Настройка Sample, если таковая имеется у инструмента, в этих случаях должна иметь значение Current Layer.

Action предназначен для RGB-файлов, хотя и в CMYK он тоже работает. Оптимизирован для 16-битных картинок, слой можно раскладывать хоть 100 раз подряд, никаких погрешностей расчетов заметно не будет. Локализация и версия фотошопа значения не имеет.
Экшен прост в использовании, но о некоторых нюансах его работы предупредить обязан:

выбранный для разложения на частоты слой не должен иметь над собой прикрепленного Clipping Mask-слоя, в противном случае экшен также честно отработает, просто Clipping Mask «отвалится»;

маска слоя должна быть пустой (белой), или вообще отсутствовать;

непрозрачность слоя 100%, а режим наложения – normal, если это не так, то экшен в ходе работы принудительно изменит непрозрачность и режим наложения копии слоя. Разложение также пройдет честно, но изображения на экране до запуска экшена и после может не совпасть;

при подборе радиуса изображение на экране будет отображаться с учетом вышележащих корректирующий слоёв, в общем случае это скорее плюс, но если вам это мешает, например, в случае с HighPass-preview, которое может потерять нейтральность, то можно заранее временно отключить вышележащие слои;

и главное, само собой разумеющееся условие, что раскладывать на частоты можно только пиксельный слой, в этом и есть смысл экшена. В его задачу не входит предусмотреть все ошибки пользователя, он просто выполняет рутинные операции, которые до этого приходилось выполнять руками.

После работы экшена, не важно, прошло ли всё правильно или вы прервали его на этапе подбора радиуса, нажав Cancel, всё равно будет создана папка SF, которую вы тут же можете удалить, вернувшись к исходному состоянию файла.

Всё, что нужно знать для пользования экшеном, рассказал, ниже будет описание устройства сценария, которое вряд ли большинству будет интересно, только самым пытливым умам.

[Как экшен устроен?]Как экшен устроен?

Возьмем для примера любой экшен, скажем SF_GaussianBlur, и быстренько пробежимся по шагам, на самых интересных остановимся подробнее.

Шаги 1, 3, 4, 5, 6 – обычная «защита от дурака», на всякий случай сбрасывается активное выделение и снимаются Lock’и с копии слоя (если таковые имелись), режим наложения устанавливается в normal, а Opacity=100%. Чтобы экшен срабатывал и на смарт-объектах, дополнительно введено растрирование копии слоя. Для большей стабильности экшена, можно было бы встроить проверку типа слоя, который выбран для разложения (действительно ли он пиксельный?), проверку наличия маски слоя, или текущей цветовой модели документа, но такого типа условия появились в Photoshop недавно, на более старых версиях экшен станет «спотыкаться». Из соображений совместимости сценария проверку вышеперечисленных условий оставил на совести пользователя.

На шаге 2 делается копия исходного слоя, если он имел над собой Clipping Mask, то произойдет автоматический Release Clipping Mask.

Копия слоя сразу помещается в группу (шаг 7), в ней и будет проходить всё разложение, при любом исходе работы экшена, удачном или неудачном, группу можно быстро удалить.

Не будем терять время на шаги, которые и так очевидны (переходы по слоям, выделение, копирования), а перейдем непосредственно к процессу частотного разложения. На то, чтобы не использовать пару High Pass и Gaussian Blur у меня было несколько причин: во-первых, это необходимость дважды вводить радиус размытия (об этом уже вспоминали выше), во-вторых, невозможность использования фильтра размытия, отличного от Gaussian Blur, и в-третьих, всё та же пресловутая ошибка High Pass. Какие еще есть варианты? Команда Apply Image, при её использовании, низкочастотную составляющую мы можем получить любым фильтром из группы размытия (и не только размытия, например Median, Dust & Scratches), а высокочастотную составляющую вычислить честным вычитанием из исходного слоя. И всем Apply Image хорош, но в экшене он может сыграть злую шутку: проблема в том, что однозначно выбрать можно только слой Merged, а это, согласно требованиям к экшену, нам не подходит. При выборе слоя, отличного от Merged, его имя жестко запишется в сценарий, и если это название слоя уже повторяется в структуре файла (например после нескольких запусков экшена), то для Photoshop возникает неопределенность – какой именно из слоев с одинаковым названием выбрать для смешивания? «Это слабое место Apply Image, и дабы сохранить стабильность экшена, от данной команды придется отказаться», — именно так я рассуждал, когда мысленно отбросил Apply Image и искал другой способ разложения на частоты. Но когда я понял, что с Apply Image всё-таки можно стабильно работать, было поздно: экшен готов, а переделывать совсем не хочется. Теперь собственно о том, как конкретно реализовано частотное разложение в этом экшене. Вся суть заключается в вычислении низкочастотной составляющей на слоях, сделать это можно создав, к примеру, такую структур:

«Source_Copy (Temp)» здесь это неразмытый исходный слоя, а «Low (Temp)» – слой инвертированный и размытый (на шаге 10) в режиме наложения Add.

Чтобы эта последовательность слоёв после сложения представляла из себя низкочастотную составляющую (High-слой), её нужно доработать кривыми (слои «Scale_Offset (Temp)»). Так как итоговый High-слой в последствии будет накладываться в режиме Linear Light, то вся детализация, представленная в виде отклонений яркости, должна «вращаться» вокруг средне-серого, а контраст понижен в два раза (для компенсация удвоения контраста, заложенного в Linear Light). В Apply Image такая коррекция в паре с режимом наложения Subtract реализуется параметрами Offset=128, Scale=2. Наши две кривые «Scale_Offset (Temp)», имитирующие эту же коррекцию, приняли бы вид:
Черная точка опущена на 128 – контраст понижен в два раза, а отклонения яркостей на итоговом High-cлое станут откладываются от 128. Но проблема в том, такая коррекция идеально подойдет только для 8-битных изображений. Средне-серый цвет у 16-битных изображений, а именно для таких в первую очередь рассчитан экшен, не выражается 8-битным значением 128.

Именно поэтому частотное разложение в Apply Image через Subtract: Offset=128, Scale=2 даёт небольшую погрешность на 16-битных картинках, тогда как на 8-битных работает прекрасно. Средне-серый в 16 битах можно было бы записать как 127.5, но дробные значения нельзя вводить ни в Apply Image, ни в интерфейсе кривых. Если в Apply Image из этой ситуации выходят использованием режима Add, то при раскладывании на слоях к нам на помощь приходит параметр Opacity. Посмотрим как это работает на примере:
Опускание черной точки до значения 0 (кривая в горизонтальном положение) совместно с уменьшенной в два раза непрозрачностью будет аналогично смещению черной точки на полпути к самому нижнему положению. Другими словами, уменьшение непрозрачности аналогично подтягиванию кривой в исходное положение. Очевидно, что используя непрозрачность слоя, можно получать и дробные значения сдвига точки на кривой:
Сдвиг черной точки вниз до значения 1 и Opacity=50% дают нам желаемый эффект аналогичного сдвига черной точки до 127,5.

Именно такая комбинация непрозрачности и формы кривой используется в слоях «Scale_Offset (Temp)», что позволяет экшену очень точно раскладывать 16-битные изображения. Для 8-битных картинок можно было бы сделать отдельный экшен, сначала я так и поступил, но потом осознал бессмысленность затеи: те, кто обрабатывают картинки в 8 битах, вряд ли сильно задумываются о погрешностях разложения, а от 2-3 запусков экшена и так ничего страшного не случиться.

Напоследок еще нужно упомянуть, как сделан предпросмотр ВЧ-слоя при подборе радиуса в экшенах «High_Pass_preview». Про этот способ мне напомнил deffar, а впервые про него услышал от Евгения Карташова на мастер-классе Андрея Журавлева. Хитрость заключается в том, что на момент вызова фильтра размытия, мы создаём такую структуру:

где, «Source_Copy (Temp)» — исходный неразмытый слой, а слой «Low», подвергаемый размытию, инвертирован и накладывается в режиме normal с 50% непрозрачностью на исходник. Слой «High_Contrast_Boost» не обязателен, он просто увеличивает контраст деталей на средне-сером фоне, что делает подбор радиуса более комфортным.

Инвертирование слоя «Low» применено не напрямую, а через корректирующий слой «Invert (Temp)», это сделано для того, чтобы в маленьком окошке предпросмотра фильтра размытия мы могли видеть неинвертированное изображение.

Казалось бы, используя эту последовательность слоёв, мы также получаем высокочастотную составляющую, причем эта структура не в пример проще той, что описана выше (через режим Add и хитрые слои кривых). Но, как оказалось, этот способ прекрасно подходит только для предпросмотра, а в качестве High-слоя при честном разложении почему-то получается заметная погрешность, причем как в 8, так и в 16 битах.

На этом всё. Пробуйте экшен, комментируйте, спрашивайте.

Навигатор по журналу и не только

Добрый день! Если Вы зашли сюда впервые, будем знакомы, меня зовут Андрей Журавлев. Я цветокорректор, специалист по допечатной подготовке, а с 2009 года еще и преподаватель. Информацию обо мне и правилах поведения в этом журнале можно прочесть в профиле. Некоторую дополнительную информацию, конспекты, аудио и видео записи можно найти в моих группах вконтакте и фейсбуке.

Размещенные в этом журнале материалы:

Конспекты к курсу «Adobe Photoshop. Базовый уровень»: Занятие 1 l Занятие 2 l Занятие 3 l Занятие 4 l Занятие 5 l Занятие 6 l Занятие 7 Новый

Ретушь: Ретушь портрета на основе частотного разложения изображения l Частотное разложение 2. Проблема High Pass l Частотное разложение 3. Он-лайн занятие l Частотное разложение 4. Конспект занятия l Частотное разложение. Ultimate. Конспект и видео

Режимы наложения: Методика анализа l Darken и Lighten l Multiply и Screen l Color Burn и Color Dodge l Linear Burn и Linear Dodge l Overlay и Soft Light l Hard Light, Vivid Light, Linear Light, Pin Light l Hard Mix, Difference, Exclusion l Darker Color, Lighter Сolor, Dissolve l Hue, Saturation, Color и Luminosity l Практическое применение Luminosity l Новогодний подарок

Повышение резкости: Теория l Рассуждения l Фильтр Unsharp Mask l Фильтр Smart Sharpen l High Pass и Overlay l Минусы и плюсы метода «High Pass – Overlay» l High Pass — практическое применение l Повышение резкости под офсетную печать

Цветокоррекция: Калибровать монитор или корректировать «по числам»? l Почему приходится корректировать изображение? l Levels и Brightness/Contrast l Кошачьи истории или правила работы с кривой l Практикум работы с кривой, или о чём умолчал Маргулис l Стероиды для светов и теней l История в слоях l <«Мир глазами блоггера» — подготовка к печати

Автоматизация: Автоматизация установки цветового баланса l Actions. Почему они отказываются работать? l Actions 2. Перенос RGB каналов на слои. l Actions 3. Перенос информации между изображениями. l Actions 4. Перенос всех каналов на слои.

Всякое разное: Пленочное зерно и пленочные плевелы l Как делают объективы l Не в бровь, а в глаз! 🙂 l Руководство по подготовке цифровых изображений l Виртуальное Онлайн-обучение. Впечатления преподавателя l Формы обучения (начало) l Формы обучения (окончание)

Видео: Обзорное занятие к курсу «Adobe Photoshop. Базовый уровень» l Обзорное занятие к курсу «Adobe Photoshop. Продвинутый уровень» l Photoshop — Неразрушающая обработка l Color Burn — самый мощный режим наложения l Photoshop — Smart Objects. «Умные» объекты l Задай вопрос эксперту l Цифровая пудра l Цветокоррекция по числам l Задай вопрос эксперту 2 l Photoshop Creative Cloud. Новинки глазами пользователя. l Обзорное занятие курса «Adobe Photoshop. Базовый уровень». Конспект и видео.

Мои очные занятия в Академии Фотографии:

7 ноября (сб.) 12:00 — 15:00 Повышение резкости
16 ноября — 24 декабря (пн. чт.) 11:00 — 13:30 Adobe Photoshop для фотографа. I ступень
16 ноября — 24 декабря (пн. чт.) 19:30 — 22:00 Adobe Photoshop для фотографа. I ступень
5 декабря (сб.) 12:00 — 15:00 Эффективные приемы обработки в Lab
18 января — 11 февраля (пн. чт.) 19:30 — 22:00 Adobe Photoshop для фотографа. II ступень

Online занятия в школе Profile (начало занятий указано по московскому времени):

Внимание!!! В нескольких последних группах базового и продвинутого фотошопа за несколько недель до начала свободных мест не было. Будьте внимательны, записывайтесь в приглянувшуюся группу заранее.

Курсы по обработке изображений
10 ноября — 18 декабря (вт. пт.) 14:00 Adobe Photoshop. Базовый уровень Андрей Журавлев Мест нет
10 ноября — 22 декабря (вт.) 19:00 Adobe Photoshop. Творческая ретушь Александр Чалдрян
11 ноября — 16 декабря (ср.) 14:00 Adobe Photoshop. Продвинутый уровень Андрей Журавлев Мест нет
16 ноября — 24 декабря (пн. чт.) 19:00 Цветокоррекция и цифровой Color Management Алексей Шадрин
18 ноября — 23 декабря (ср.) 19:00 Adobe Photoshop. Продвинутый уровень Андрей Журавлев Мест нет
24 ноября — 12 января (вт. пт.) 19:00 Adobe Photoshop. Базовый уровень Андрей Журавлев
26 ноября — 24 декабря (пн. чт.) 19:00 Adobe Photoshop. Коммерческая ретушь Александр Чалдрян
11 января — 8 февраля (пн. чт.) 15:00 Adobe Photoshop. Коммерческая ретушь Александр Чалдрян
11 января — 22 февраля (пн. пт.) 19:00 Adobe Illustrator. Базовый уровень Андрей Козьяков
12 января — 19 февраля (вт. пт.) 14:00 Adobe Photoshop. Базовый уровень Андрей Журавлев
13 января — 17 февраля (ср.) 14:00 Adobe Photoshop. Продвинутый уровень Андрей Журавлев Мест нет
13 января — 24 февраля (ср.) 19:00 Adobe Photoshop. Творческая ретушь Александр Чалдрян
13 января — 17 февраля (ср.) 19:00 Допечатная подготовка изображений Андрей Журавлев
15 января — 23 февраля (вт. пт.) 19:00 Adobe Photoshop. Базовый уровень Андрей Журавлев
19 января — 4 марта (вт. пт.) 19:00 Цветокоррекция и цифровой Color Management Алексей Шадрин
2 марта — 6 апреля (ср.) 19:00 Adobe Photoshop. Продвинутый уровень Андрей Журавлев
21 марта — 28 апреля (пн. чт.) 19:00 Цветокоррекция и цифровой Color Management Алексей Шадрин

Мастер-классы по обработке изображений
11 ноября (ср.) 19:00 Секреты современного искусства: Марк Шагал Алексей Шадрин
18 ноября (ср. ) 19:00 Калибровка принтера от А до Я Алексей Шадрин
25 ноября (ср.) 19:00 Готика: великое искусство живого средневековья Алексей Шадрин
9 — 16 декабря (ср.) 19:00 Калибровка монитора от А до Я Алексей Шадрин
22 декабря (вт.) 14:00 Curves. Работа с кривыми Андрей Журавлев
23 декабря (ср.) 14:00 Lab. Что это такое и как в нем работать Андрей Журавлев
15 — 18 февраля (пн. чт.) 19:00 Фундаментальная цветокоррекция Алексей Шадрин
22 — 25 февраля (пн. чт.) 19:00 Управление визуальным объемом и резкостью изображений Алексей Шадрин
24 февраля (ср.) 19:00 Маски. Практика применения. Андрей Журавлев
26 февраля (пт.) 19:00 Повышение резкости Андрей Журавлев
29 февраля — 3 марта (пн. чт.) 19:00 Зрительное восприятие: от физиологии к образу Алексей Шадрин
1 марта (вт.) 19:00 3D LUT Creator. Следуй за белым кроликом Александр Чалдрян
7 — 10 марта (пн. чт.) 19:00 Калибровка монитора от А до Я Алексей Шадрин
9 марта (ср.) 19:00 Скрытая логика изобразительного метода Алексей Шадрин
16 марта (ср.) 19:00 Секреты современного искусства: Винсент Ван Гог Алексей Шадрин
17 марта (чт.) 19:00 Калибровка принтера от А до Я Алексей Шадрин
23 марта (ср.) 19:00 Секреты современного искусства: Эдвард Мунк Алексей Шадрин
30 марта (ср.) 19:00 Секреты современного искусства: Марк Шагал Алексей Шадрин
6 апреля (ср.) 19:00 Готика: великое искусство живого средневековья Алексей Шадрин
13 апреля (ср.) 19:00 Actions. Автоматизация работы Андрей Журавлев
15 апреля (пт.) 19:00 Paths — пути в Adobe Photoshop Андрей Журавлев

Курсы по фотографии
10 ноября — 15 декабря (вт. чт. ) 19:00 История искусства — современному фотографу Алексей Шадрин Мест нет
11 ноября — 16 декабря (ср.) 19:00 Фотография. Продвинутый уровень Антон Мартынов
16 ноября — 10 декабря (пн. чт.) 19:00 Фотография. Базовый уровень Антон Мартынов
30 ноября — 21 декабря (пн. чт.) 19:00 Студийная съемка Алексей Довгуля
9 — 24 декабря (пн. ср. пт.) 19:00 Lightroom для фотографа Дмитрий Шатров
6 — 22 января (пн. ср. пт.) 19:00 Lightroom для фотографа Дмитрий Шатров
11 января — 11 фквраля (пн. чт.) 19:00 История искусства — современному фотографу Алексей Шадрин
14 января — 8 февраля (пн. чт.) 19:00 Capture One Pro. Профессиональная обработка raw Александр Свет
20 января — 24 февраля (ср.) 19:00 Фотография. Продвинутый уровень Антон Мартынов
25 февраля — 31 марта (пн. чт.) 19:00 Практика коммерческого репортажа Александр Свет
15 марта — 22 апреля (вт. пт.) 19:00 История искусства — современному фотографу Алексей Шадрин

5 лучших каналов, по ретуши и обработке фотографий, на YouTube

YouTube — неоднозначное явление. С одной стороны:

удобный доступ;
обилие информации;
возможность обучения;
источники вдохновения.

С другой:

низкое качество информации;
отвлекающие факторы;
маркетинг.

Полезную информацию найти можно, знания — возможно, но все это отнимет время (и наше спокойствие), приучит ставить барьеры входящей информации — притупит восприятие мира вокруг нас (что может быть страшнее для фотографа?). Сие понимание пришло не сразу, мне, как и многим, было свойственно подписываться на все новые каналы по обработке, которые я просматривал, бегло или внимательно, а это время: жизни и творчества.

Огорчен ли я? Нет. Скорее наоборот — насмотренность помогла заметить, что обработка всех фотографий сводится к умению работать с тремя инструментами:

Частотка и Dodge and Burn.
Цветокоррекция.
Автоматизация.

И вовремя остановиться — отписаться от источников дублированной информации, обучиться основам, знание которых — основа, фундамент, на котором строится рабочий процесс автора: его подход к съемке, роли обработки и т. д.

В этой заметке я хочу перечислить все каналы, на которые подписан в течении многих лет, не боюсь рекомендовать, потому-что они формируют базис и не засоряют информационное поле фотографа.

Каналы на YouTube, где можно научиться ретуши и обработке фотографий

В заголовке поста указано «Лучшие», чем же эти каналы лучше других? Поясню на примерах и тем сэкономлю время чтения, а то вновь, как обычно, увлекся беседой с читателем. 🙂

Андрей Журавлев. Надеюсь, автор в представлении не нуждается. На канале собраны записи мастер-классов, которые Андрей проводил в рамках виртуальной школы Profile и несмотря на отсутствие обновлений, подборка актуальна: частотное разложение (без эмоций, только четкое объяснение основ метода), цветокоррекция (режимы наложения и неразрушающая обработка, как основа). Все тщательно разобрано, даже математик и физик — Фурье не забыт, что полезно, когда изучаешь метод частотного разложения, и хочешь понять — как все устроено, а не — где находится «волшебная кнопка».
Сергей Шмаков. Необычный канал. С одной стороны — простота подачи материала: по частотному разложению (в отличии от Андрея Журавлева, Сергей рассказывает про бытовую реализацию метода «частотное разложение») и цветокоррекции, и ускорению процесса обработки; с другой — качество подачи: хорошая дикция и сегментация всех роликов по уровню сложности и необходимым инструментам. И отдельный момент — съемка автомобилей и дальнейшая обработка кадров (интересная логика процесса). На канале сделан акцент на коммерческую фотографию, но материалы полезны всем.
Automate-Ps. Обучающие ролики для канала создает Максим Кучма, — разработчик и фотограф, преподаватель и художник, но, больше знакомый фотографам, как создатель уникальной панели ретуши — APs RETOUCH и руководитель проекта Automate PS — в рамках которого выходят авторские обучающие ролики, по автоматизации обработки фотографий в Adobe Photoshop и в целом — по умению использовать нестандартные и аргументированные решения, при цветокоррекции и ретуши фотографий. Все уроки, и затрагиваемые темы, разделы на уровни сложности.
PHLEARN. Англоязычный канал и это единственный его минус (понимаю, что не для всех). Большое количество роликов для начинающих и профессиональных ретушеров, удобная форма подачи материала — советы, пояснение работы, через объяснение: как, почему и когда работает инструмент, или актуальна та, или иная, техника. Обновления регулярны, иногда про новый Photoshop-инструмент узнаешь из видео, а только потом, когда появится время — находишь его и проверяешь работу. Цветокоррекция и методы ретуши, коллажирование и графика — копилка советов, а не канал. 🙂
Adobe Photoshop. Официальный канал Adobe Photoshop. С одной стороны — ничего в нем особенно нет, — короткие учебные пособия. С другой — от демонстрации работы новых фильтров, к примеру, выигрывают обе стороны: пользователи узнают новое, без тестирования которого, Adobe не получит обратной связи. Своеобразный симбиоз. 🙂

P.

В этих каналах я уверен, их авторам — благодарен.

Дополнено 24.10.2020

Мир всем, и попутного света на местах фотографических баталий.

Ваш,

Андрей Бондарь.

Панель расширения для Photoshop «Частотное разложение» — Обо всём — Каталог статей

В панели реализован алгоритм разложения изображения на пространственные частоты на основе экшенов Андрея Журавлева для облегчения процесса ретуши.

Панель создана специально для вашей удобной и комфортной работы в программе Adobe Photoshop версий CS5, CS6 и CC.

Перед тем, как приобрести и установить панель, прочтите эту инструкцию:

1. Проверьте, активны ли в вашей программе Adobe Photoshop расширения. Дело в том, что криворукие программисты-взломщики зачастую просто выкидывают ненужные с их точки зрения модули, библиотеки и функции. Проверить это проще простого: зайдите в меню Окно (Window) и посмотрев вкладку Расширения (Extensions). Там должны быть расширения Kuler и Mini Bridge. Их названия должны быть написаны черным цветом, панели должны запускаться.

Если расширения неактивны, зайдите в настройки Редактирование — Установки — Внешние модули или Edit—Preferences—Plug-Ins в английской версии. Проверьте, чтобы параметр: «Загрузить панели расширения», был включен.

Затем перезапустите программу. Если расширения все-таки неактивны — приобретите лицензионную версию программы Adobe Photoshop.

2. Распакуйте папку с названием Frequency Separation (с окончанием CS5 или CS6 в зависимости от версии Photoshop) в любое место на жестком диске. Для версии Photoshop CC используйте папку для CS6. Затем поместите папку Frequency Separation в папку Panels, которая находится здесь: C:\Program Files\Adobe\Adobe Photoshop CS6\Plug-ins\Panels.

3. Перезапустите программу и название панели отобразится в меню Окно — Расширения (Window — Extensions). Кликните по названию панели и она загрузится в Фотошопе. Теперь можно пользоваться панелью.

Внимание! Панель расширения для Photoshop «Частотное разложение» снята с продажи, но вы можете перейти на страницу «Частотное разложение. Просто, как дважды два».

А здесь вы можете узнать о частотном разложении и повышение резкости от Максима Басманова.

Другие продукты Евгения Карташова:

— Основы цветокоррекции 2.0 в Adobe Photoshop

— Съёмка белого на белом по методу Евгения Карташова

— Профессиональная обработка фотографий из путешествий по методу Евгения Карташова

— 20 готовых световых схем для съёмки в фотостудии

— Запись мастер-класса «Волшебство LAB»

— Набор профессиональных экшенов для ретуши по методу частотного разложения

— Видеоурок «Тонирование фото под пленку»

— Видеоурок по тонированию свадебной фотографии

— Запись мастер-класса «Частотное разложение. Просто, как дважды два»

— Запись мастер-класса «Автоматизация Photoshop. Экшены»

— Панель Black and White 2014

— Панель для Photoshop «Черно-белая пленка»

— MASK PANEL. Секрет укрощения масок

— Панель расширения Mask Panel для Photoshop

— Запись мастер-класса «Adobe Camera Raw – фундамент для обработки»

— Запись вебинара «Основы работы в Adobe Camera Raw 7»

— Система пресетов для Adobe Camera Raw 7 (Photoshop CS6)

— 92 пресета для Lightroom

— Видеокурс «Lightroom-чародей»

— Видеоурок по созданию эффекта HDR

— Фотошоп для фотографа 2013

— Обнаженное тело. Секреты ретуши и тонировки

— Быстрая ретушь с Retouch Panel

— Самостоятельное изготовление серой карты в Adobe Photoshop

— 77 лучших видеоуроков для фотографов от Фото-монстра

— Сборник из 86 видеоуроков от Евгения Карташова

— Сборник из 50 видеоуроков по Photoshop от Евгения Карташова

— Запись вебинара по созданию пользовательских панелей Photoshop. Работа со скриптами

— Запись вебинара по работе с каналами и масками + видеокурс

Цветокоррекция по числам

В прошлый раз я обещал поговорить о коррекции по числам. Это достаточно простой приём: наводим пипетку на интересующую область, ориентируясь на числа из палитры Info, представляем себе цвет этой области, делаем вывод о его достоверности или недостоверности. Если данная область не может быть окрашена в такой цвет, значит, в изображении есть проблемы и его надо корректировать. Самое сложное в этом процессе — представит цвет.

Первый вопрос: что такое цвет? Я всегда задаю его на занятиях. Попробуйте и вы ответить на него самостоятельно, а потом сравнить свой вариант ответа с ответами слушателей и с правильным ответом.

Чаще всего встречающиеся варианты ответа аудитории:
Цвет — это длинна волны;
Цвет — это спектр излучения;
Цвет — это свойство поверхности;
Цвет — это способность объекта отражать определённые лучи.

Правильный ответ: Цвет — это ощущение, возникающее в сознании наблюдателя как отклик на стимуляцию зрительных рецепторов.

А попадающее в глаз излучение — это стимул, который запускает непростую цепочку взаимодействий, приводящую в итоге к возникновению некоего цветового ощущения. Желающие узнать, как происходят эти взаимодействия и какие особенности имеет наш зрительный аппарат, могут почитать книгу Дэвида Хьюбела «Глаз, мозг, зрение».

Для нас же сейчас важно другое. Если цвет — это ощущение наблюдателя, то как его можно измерить, оценить или задать? Ведь мы с вами не можем носить в кармане стандартного наблюдателя и каждый раз показывать ему изображение, чтобы он оценил цвета. Да и в компьютере такой наблюдатель не живёт. Мы можем лишь задать в файле различные значения яркостей красного, зелёного и синего источников света, то есть стимулы, но не цвет.

Связать между собой стимулы (яркости RGB) и цвет (ощущение наблюдателя) позволили опыты, которые провели в двадцатых годах прошлого века Джон Гилд и Дэвид Райт. Краткое описание этих опытов можно найти в статье Андрея Френкеля и Алексея Шадрина «Color Management System (CMS) в логике цветовых координатных систем», а более полное — в книге тех же авторов «Колориметрическая настройка монитора. Теория и практика».

Результатом опытов (а точнее, их наглядной визуализацией) является изображённое выше тело, напоминающее астероид — полный цветовой охват человеческого зрения или, как его иногда называют, цветовое тело человека. Это не монолит, а облако точек. За каждой точкой скрывается цвет — ощущение наблюдателя. Если знать, как устроено это тело и как относительно него сориентированы оси Red, Green и Blue, не составит проблем оценить, какой цвет скрывается за набором значений RGB.

Разберёмся с устройством тела. По вертикали меняется яркость, возрастая снизу вверх. Внизу — чёрный, вверху белый. На центральной вертикальной оси находятся нейтральные (серые цвета). Чем дальше мы отходим в сторону от этой оси, тем выше цветовая насыщенность. Насыщенность — это отклонение цвета от аналогичного ему по яркости нейтрального серого. Или как часто говорят люди: «насколько цвет сочный».

При движении вокруг центральной оси меняется цветовой тон. Упрощенно можно сказать, что цветовой тон — это то место в радуге, которое занимает цвет. Только необходимо добавить пурпурные тона, которые в радуге отсутствуют.

«Крутить» в голове трёхмерную фигуру сложной формы не очень удобно.
Чтобы облегчить задачу, можно использовать упрощённую модель: цветовой цилиндр (изображён справа в виде нескольких горизонтальных сечений). Цветовое тело просто растянуто до более простой формы.

Параметры цвета при этом меняются так же. По вертикали снизу вверх возрастает яркость. На центральной оси лежат нейтральные цвета. При уходе от центральной оси в сторону возрастает цветовая насыщенность. При движении по кругу меняется цветовой тон.

Теперь давайте сориентируем относительно цветового тела и цилиндра оси Red, Green и Blue, чтобы понимать, куда приведёт смещение по каждой из них. Сразу оговорюсь, что такой подход очень условен, не претендует на точность и подходит только для наглядной визуализации. Но для мысленной оценки цвета именно это и нужно.

Представьте себе обычную прямоугольную декартову систему координат. Давайте отложим на каждой оси единичный отрезок, обозначающий изменение яркости в соответствующем канале от нуля до максимума. Таким образом, все возможные комбинации яркостей Red, Green и Blue будут лежать внутри кубика, изображённого на иллюстрации слева.

Угол, находящийся на пересечении осей, будет соответствовать чёрному цвету (яркости во всех каналах нулевые), а противоположный ему — белому (яркости во всех каналах максимальные). Теперь развернём кубик и поставим его на «чёрный» угол.

Готово: по вертикали меняется яркость, на центральной оси лежит нейтраль, а оси Red, Green, Blue расходятся тремя лучами вверх и в стороны из чёрной точки. Можно начинать сдвигаться по ним в соответствии с данными из палитры Info и оценивать цвет.

Яркость меняется по вертикали, и её просто оценить, прикинув сдвиг по вертикальной оси. Каналы вносят различный вклад в общую яркость изображения, но для примерной оценки можно считать его примерно одинаковым. Сумма поканальных яркостей для чёрной точки будет равна нулю, а для белой 765 (три раза по 255). Поскольку все эти прикидки очень приблизительные, можно смело округлить 765 до 750. Чтобы оценить яркость интересующего цвета, достаточно сложить числа из всех каналов и прикинуть, какая часть от 750 получилась.

Предположим, в палитре Info имеются значения: R(200) G(100) B(50). Сумма всех яркостей равна 350, что чуть меньше половины от 750. Таким образом, интересующий нас цвет имеет яркость чуть ниже средней.

Для оценки хроматической составляющей цвета нужно понять, какой сдвиг получится на горизонтальном сечении цилиндра. Такое сечение называется цветовым кругом и является самой простой и удобной моделью для оценки цвета.

Оси Red, Green, Blue проецируются на него в виде трёх лучей, расходящихся из центра. По традиции красная ось направлена вверх, зелёная вправо-вниз, а синяя влево-вниз. Все отсчёты начинаются из центра, а максимальный сдвиг по каждой оси составляет 255. Для простоты также округлим это значение до 250.

Давайте продолжим оценку нашего цвета R(200) G(100) B(50). Удобнее всего начинать с самого светлого канала: он сильнее всего уводит нас от центра круга и позволяет сразу оценить, какой цветовой тон может получиться. Сдвигаемся по красной оси примерно на четыре пятых (200/250) от максимума.

Далее берём средний по яркости канал, в нашем случае — зелёный. Из точки, в которой мы находимся, необходимо сдвинуться в направлении зелёной оси примерно на две пятых (100/250) от максимума. Оказываемся в области оранжевых тонов.

Последним рассматриваем самый тёмный канал, у нас это синий. Сдвигаемся в направлении синей оси примерно на одну пятую (50/250) от максимума. Теперь можно на словах описать искомый цвет: это достаточно насыщенный красновато-оранжевый цвет яркостью чуть ниже средней.

Если замер делался по фотографии тыквы или дыни, я легко поверю в адекватность такого цвета; помидора — прежде чем давать оценку, внимательно присмотрюсь к его сорту и степени зрелости; огурца — начну бить тревогу. Конечно, если это не семенной огурец.

Условием нейтральности (серости) цвета в модели RGB является равенство яркостей во всех каналах. На круге это выглядит как равносторонний треугольник: пройдя вдоль каждой из осей одинаковое расстояние мы вновь окажемся в центре круга. Это очень важное для практической работы условие, поскольку большинство приёмов установки хроматического баланса состоит в приведении к нейтрали на изображении объектов, бывших нейтральными в жизни.

Для дальнейших упражнений мы воспользуемся приведенной выше моделью. По цветовому кругу будем оценивать хроматическую составляющую, а по правой шкале яркость, как сумму трёх каналов. Как и в устном счёте, в коррекции по числам существуют приёмы оптимизации, позволяющие быстрее и проще произвести оценку цвета. Мы пойдём от простого к более сложному и на пяти примерах посмотрим, как упростить и ускорить размышления.

Пример первый. Самый простой, ненулевая яркость есть только в одном канале: R(160) G(0) B(0).

Оцениваем яркость. 160 составляет примерно одну пятую часть от 750. Учитывая, что цвет достаточно чистый, можно мысленно ещё немного прибавить яркости до одной четверти. Таким образом, этот цвет лежит примерно в три четверть тонах. Слишком тёмный, чтобы быть сильно насыщенным, но ещё достаточно светлый, чтобы не попасть в глухие и очень тёмные цвета.

Оцениваем хроматику. Сдвигаемся по красной оси примерно на три пятых (160/250).

Цветовой тон: чистый красный.
Насыщенность: средняя. Учитывая яркость можно сказать, что это уже не ярко-алый, но ещё и не коричневый.

Итог: средне насыщенный достаточно тёмный красный.

Если бы в такой цвет на фотографии были окрашены некоторые участки кирпичной стены, красного перца или клубники, я мог бы поверить в достоверность этой фотографии.

Пример второй. Появляется ненулевая яркость во втором канале: R(220) G(90) B(0).

Оцениваем яркость. 310 (220+90) составляет немного меньше половины от 750. Цвет достаточно чистый, поэтому мысленно прибавим яркости до средней.

Оцениваем хроматику. Сдвигаемся по красной оси почти до конца. Сдвиг по зелёной оси будет проходить практически по касательной, как бы поворачивая по часовой стрелке направление в котором будет лежать цвет. Если бы в зелёном канале яркость была нулевой, мы остались бы на красной оси. Если бы она равнялась яркости красного канала, мы попали бы на жёлтую ось.

Насколько произойдёт поворот от красной оси к жёлтой, определяется соотношением яркостей зелёного и красного каналов. 90 — это больше трети, но меньше половины от 220. Таким образом, поворачиваемся от красной оси к желтой примерно на две пятых.

Цветовой тон: слегка красноватый оранжевый.
Насыщенность: высокая.

Итог: насыщенный оранжевый цвет средней яркости.

В такой цвет может быть окрашен апельсин, мандарин, и даже морковка. Хотя есть такую морковку я бы всё-таки поостерёгся.

Пример третий. Ненулевая яркость во всех трёх каналах, и все эти яркости отличаются: R(220) G(170) B(140).

Оцениваем яркость. 530 (220+170+140) составляет почти три четверти от 750. Это достаточно высокая яркость. Цвет такой яркости ещё не будет близок к белому, но уже не сможет быть сильно насыщенным.

Оцениваем хроматику. При движении по кругу нас интересуют не абсолютные значения яркости в каналах, а их соотношения. А коли так, мы можем взять яркость самого тёмного канала (в данном случае это синий) и вычесть её из всех каналов одновременно. Ведь сдвиг по всем каналам на 140 приведет нас обратно в центр, поэтому нет смысла заниматься лишней беготнёй.

После вычитания 140 получаем новую раскладку R(80) G(30) B(0). Сдвигаемся по красной оси примерно на треть. Яркость в зелёном канале составляет примерно две пятых от яркости красного, поэтому поворачиваемся в сторону жёлтой оси примерно на две пятых. Оказываемся в тех же цветовых тонах, что и в прошлом примере.

Цветовой тон: слегка красноватый оранжевый.
Насыщенность: низкая.

Итог: слабо насыщенный оранжевый цвет достаточно большой яркости.

Перед нами цвет кожи среднестатистического европеоида. С точки зрения цвета человек отличается от апельсина только большей яркостью и меньшей насыщенностью.

Пример четвертый. Яркости в двух каналах близки друг к другу, а в третьем заметно меньше: R(50) G(200) B(200).

Оцениваем яркость. 450 (50+200+200) составляет примерно три пятых 750. Этот цвет уже заметно светлее среднего, но ещё не выходит из зоны средних тонов, поэтому может иметь достаточно высокую насыщенность.

Оцениваем хроматику. Можно было бы, как в предыдущем примере, вычесть из всех каналов по 50 и после этого бегать по двум осям, но мы поступим проще. До цвета R(200) G(200) B(200) имеющемуся не хватает 150 в красном канале. Сдвигаемся по красной оси на три пятых, только в обратную сторону.

Цветовой тон: циановый.
Насыщенность: средняя.

Итог: средне насыщенный достаточно светлый циановый.

Примерно так выглядит раствор медного купороса. А если вернуться к более распространённым в практической работе случаям, то приведя к такому цвету воду в бассейне, вы скорее всего встретите одобрение и радость со стороны заказчика.

Пример пятый. Наверное, наиболее часто встречающийся в работе. Яркости во всех каналах незначительно отличаются: R(150) G(140) B(130).

В этом случае даже нет необходимости отдельно оценивать разные характеристики цвета. Достаточно взять средний по яркости канал и представить себе нейтральный серый с такой яркостью во всех каналах: R(140) G(140) B(140). В нашем цвете на 10 больше красного и на 10 меньше синего (больше жёлтого).

Итог: серый цвет яркостью чуть выше средней с явным тёплым оттенком.

Такого цвета может иметь мех волка или крысы, асфальт.

P.S.

И напоследок небольшое домашнее задание. Перед вами фото с десятью отметками и десять палитр Info. Попробуйте определить, какая палитра какой точке соответствует.

Ответы с кратким анализом можно найти в конспектах ко второму занятию курса, скачать которые можно в моей группе вконтакте. Кстати, там же есть ссылки на скачивание аудиозаписей занятий. А в следующий раз мы рассмотрим некоторые особенности нашего цветовосприятия и поговорим об установке хроматического баланса.

Человеческая личность отражает пространственно-временную и частотно-временную структуру ЭЭГ

Характеристики ЭЭГ

Для анализа особенностей электрической активности мозга были рассчитаны значения по формуле (7) для n = 1,… 19 каналов ЭЭГ. Полученные коэффициенты определяют процентное отношение спектральной энергии к дельта-, тета-, альфа-, бета-1, бета-2 и гамма-диапазонам частот соответственно и характеризуют степень участия нейронного ансамбля, расположенного в окрестности n -й регистрирующий электрод, в генерации соответствующего вида деятельности [56].

Далее для описания нейродинамики в левом и правом полушариях мы рассмотрели коэффициенты ε _LH (12) и ε _RH (13), полученные усреднением коэффициентов ε , рассчитанных для каналов ЭЭГ, принадлежащих в левое и правое полушария соответственно. Согласно методу иерархической кластеризации (см. Материал и методы), испытуемые можно сразу разделить на три группы. На рис. 3 (a) мы наносим на график значения ε _RH и ε _LH для каждого из 22 участников в активной (закрытые точки) и пассивной (белые точки) фазах (каждая группа показана на отдельный подсюжет).

Рис. 3. Три сценария познавательной деятельности при умственном обработка задачи.

(а) Соотношение энергий высокочастотных и низкочастотных спектральных компонент в левом ( ε _LH) и правом ( ε _RH) полушариях, рассчитанное для активного (темные точки) и пассивного ( открытые точки) экспериментальные фазы. Распределения показаны для трех субъектов, принадлежащих к разным группам. (б) Коэффициент ε , показывающий соотношение между энергиями высокочастотных и низкочастотных спектральных компонентов, вычисленных для каждого канала ЭЭГ во время активной (левые столбцы) и пассивной (правые столбцы) фаз.Группы I и III содержат n = 8 предметов, а группа II содержит n = 6 предметов.

https://doi.org/10.1371/journal.pone.0197642.g003

Исходные данные, содержащие значения ε _RH и ε _LH для каждого предмета, показаны в таблице 1. Это Из рисунка 3 (а) ясно видно, что поведение ε _RH и ε _LH в каждой группе отличается. В группе I значения ε _RH и ε _LH имеют практически одинаковые значения во время активной и пассивной фаз.Во II группе активная фаза связана с увеличением высокочастотной активности в правом полушарии, а пассивная фаза — с повышением высокочастотной активности в левом полушарии. В группе III переход от активной к пассивной фазе связан с выраженным увеличением ε _RH и уменьшением ε _LH.

Таблица 1. Особенности ЭЭГ, выявленные в активной фазе (выполнение таблицы Шульте) и пассивной фазе, в терминах коэффициентов ε _{LH, RH} и k .

ε _{LH, RH} — соотношение между высокочастотной и низкочастотной активностью в левом и правом полушарии и k = ε _RH/ ε _LH — степень полушария асимметрия.

https://doi.org/10.1371/journal.pone.0197642.t001

Рис. 3 (b) представляет пространственно-временную активность мозга в единицах ε в активной и пассивной фазах для каждой из трех групп. В группе I активность мозга в активной фазе характеризуется полушарной симметрией, тогда как в пассивной фазе полушарная симметрия сохраняется, хотя пространственно-временная структура меняется.

В группе II пространственно-временная структура существенно отличается. Можно заметить асимметрию полушарий как в активной, так и в пассивной фазах. Однако характер асимметрии в этих фазах различен: высокочастотная активность преобладает в правом полушарии во время активной фазы и перемещается в левое полушарие во время пассивной фазы.

В группе III испытуемые также демонстрируют асимметрию полушарий как в активной, так и в пассивной фазах.В отличие от группы II характер асимметрии остается одинаковым в обеих фазах. Как видно из рис. 3 (б), асимметрия в обеих фазах проявляется в преобладании высокочастотной активности в правом полушарии. В то же время разница между активным и пассивным состояниями выявляет уменьшение ε в правом полушарии при переходе от активной фазы к пассивной.

Чтобы проверить, действительно ли группы существенно отличаются друг от друга, мы применили многомерный дисперсионный анализ (MANOVA).В качестве критерия принадлежности к одной из трех групп мы выбрали межсубъектный фактор (независимая переменная). С другой стороны, значения ε _RH и ε _LH, рассчитанные для активной и пассивной фаз, считались внутрисубъектными факторами (зависимыми переменными). В результате этого анализа мы обнаружили существенные различия между группами. Множественные сравнения выявили значительные различия по всем факторам, за исключением ε _LH ( p = 0.858) рассчитано в активной фазе в группах 1 и 3.

Отличительные особенности активности мозга во время активной и пассивной фаз, наблюдаемые в трех группах, показаны на рис. 4 (а). Горизонтальные желтые полосы показывают медианное значение ε , рассчитанное для левого (LH) и правого (RH) полушарий во время активной и пассивной фаз. В группе I значения ε остаются практически одинаковыми для разных полушарий как в активной, так и в пассивной фазах ( p = 0.123 и p = 0,889 с помощью непараметрического знакового рангового критерия Вилкоксона (NPWSRT), n = 8). Во II группе активная фаза характеризуется резким увеличением ε в правом полушарии (медиана ε _RH> 0,5 против медианы ε _LH <0,35) ( p <0,05 по данным NPWSRT , n = 6). В пассивной фазе динамика обратная: в левом полушарии наблюдается увеличение ε (медиана ε _RH <0.4 против медианы ε _LH> 0,45) ( p <0,05 через NPWSRT, n = 6). Наконец, в группе III во время активной фазы ε в правом полушарии немного выше, чем в левом полушарии (медиана ε _RH> 0,45 против медианы ε _LH <0,45) ( p <0,05 через NPWSRT, n = 8). Во время пассивной фазы такая разница становится больше (медиана ε _RH> 0.6 против медианы ε _LH <0,35) ( p <0,05 через NPWSRT, n = 8).

Рис. 4. Статистические показатели для трех сценариев познавательной деятельности.

(а) Отношение ε между энергиями высокочастотных и низкочастотных спектральных компонент, рассчитанных для каналов ЭЭГ, принадлежащих левому (LH) и правому (RH) полушариям во время активной и пассивной фаз. (b) Отношение k между значениями ε , рассчитанными для левого и правого полушарий во время активной и пассивной фаз.Желтые полосы, прямоугольники и усы обозначают, соответственно, медианы, 25–75 процентилей и контуры. Группы I и III содержат n = 8 предметов, а группа II содержит n = 6 предметов. * p <0,05 с помощью непараметрического знакового рангового критерия Вилкоксона.

https://doi.org/10.1371/journal.pone.0197642.g004

Связь между альфа-активностью и завершением умственных задач была продемонстрирована еще в 1984 году Осакой [62], который обнаружил изменения в амплитуде и местоположении пика альфа-частоты в спектре мощности. Позднее была выявлена значительная роль альфа-активности в памяти и когнитивных процессах [63]. Изменения энергии высокочастотных ритмов головного мозга обычно связаны с познавательной деятельностью, в частности с выполнением умственной задачи [64]. Например, учет гамма-активности для классификации умственных задач повышает точность [65].

Согласно рис. 4 (а), можно видеть, что электрическая активность мозга в каждой группе следует определенному сценарию, определяемому, с одной стороны, латерализацией функции мозга, а с другой стороны, определенными переходами между активным и пассивным. фазы. Для количественного описания наблюдаемых сценариев мы вычислили k = ε _RH/ ε _LH, что отражает степень полушарной асимметрии. Эти значения нанесены для каждой группы на рис. 4 (б).Видно, что группа I характеризуется полусферической симметрией в активной и пассивной фазах, которая остается неизменной при фазовом переходе активно-пассив (Δ k ≈ 0), где Δ k = k _{пассивный} — k _{активный}. Для других групп асимметрия и переход наблюдаются между активной и пассивной фазами и отображаются на графике в единицах k , которые можно описать как Δ k <0 и Δ k > 0, соответственно.

Взаимосвязь между особенностями ЭЭГ и умственными способностями

Участники, принадлежащие к каждой из трех групп, были подвергнуты психодиагностическим тестам (см. Методы). В результате значения WE , WU и PS , которые определяют среднее время выполнения задачи, среднюю производительность и сохранение внимания, соответственно, были оценены для каждого предмета (см. Таблицу 2).

Результаты психодиагностических тестов представлены на рис. 5, где каждый участок иллюстрирует значения WE (a), PS (b) и WU (c) для каждой из трех групп.Данные представлены как среднее ± стандартное отклонение. Статистически сравнивали различия результатов психодиагностических тестов между группами испытуемых. Мы применили непараметрический критерий Крускала – Уоллиса H для нескольких независимых выборок для количественной оценки изменения значений WE , WU и PS по группам. В результате мы получили p <0,05 для средней производительности WU , среднего времени выполнения задачи WE и настойчивости внимания PS .

Рис. 5. Результаты психодиагностических тестов.

Меры, характеризующие умственные способности испытуемого во время выполнения теста Шульте. (a) Среднее время выполнения задачи WE (рассчитано по формуле 1, измерено в секундах). (b) Настойчивость внимания PS (рассчитывается по формуле 3, измеряется в безразмерных единицах). (c) Средняя производительность WU (рассчитанная по формуле 2, измеренная в безразмерных единицах). Данные представлены в виде среднего значения ± стандартное отклонение (стандартное отклонение — стандартное отклонение).

https://doi.org/10.1371/journal.pone.0197642.g005

Испытуемые I группы продемонстрировали двустороннюю активность ЭЭГ в обоих полушариях во время тестов с таблицами Шульте. При этом эти испытуемые продемонстрировали средне-низкую эффективность при выполнении задания. Для них среднее время выполнения задачи составило WE = 40,2 ± 0,68 секунды, а средняя производительность составила WU = 1,07 ± 0,08 (целевое значение было 1). Стойкость внимания была высокая PS = 0.97 ± 0,045 (целевое значение — 1). Испытуемые из этой группы могли немедленно выполнять неизвестные задачи и поддерживать свою работоспособность на относительно высоком уровне, выше среднего или низкого уровня. Психологическая расшифровка тестов включала замечания о творческом подходе к выполнению тестов и быстром переходе к новым заданиям. В личном тесте такие испытуемые обладали ярко выраженной склонностью к работе в одиночку, высоким интеллектом, аналитическим складом ума, критическим мышлением, нетерпимостью к неопределенности и задержкой в принятии решений.Более того, они демонстрировали самоконтроль, отсутствие тревожности, ярко выраженное лидерство и желание доминировать в группе. Мы предполагаем, что творческий подход и попытка оптимизировать их работу привели к снижению их эффективности работы.

Испытуемые из II группы пытались разработать стратегию упрощения выполнения задания. При выполнении первой задачи присутствовала максимальная латерализация высокочастотной активности, т.е. активность в правом полушарии была гораздо более выраженной.Это означает, что при выполнении первой задачи стратегия еще не была разработана. При выполнении следующих заданий нагрузка на правое полушарие у этих испытуемых была снижена. В результате испытуемые из группы II продемонстрировали более высокую работоспособность, чем испытуемые из группы I. Среднее время выполнения задания составило WE = 33,6 ± 1,58 секунды. Стойкость внимания ПС = 0,86 ± 0,02 (целевое значение — 1). Средняя производительность составила WU = 1,07 ± 0,09 (целевое значение — 1).Этим испытуемым требовалось мало времени на адаптацию и они не утомлялись, будучи способны длительное время эффективно поддерживать высокую работоспособность. В их личных профилях гармонично сочетаются высокие показатели интеллекта, эмоциональной зрелости и самоконтроля.

В отличие от группы II, испытуемые III группы выполнили задание без каких-либо попыток разработать стратегию его упрощения. Это подтвердил психологический тест. Их эффективность работы оставалась высокой; среднее время выполнения задания составило WE = 33 ± 1.35 секунд. Стойкость внимания составила PS = 0,9 ± 0,02 (целевое значение — 1). Средняя производительность составила WU = 1,24 ± 0,06 (целевое значение — 1). Мы предполагаем, что испытуемым из этой группы трудно поддерживать высокую работоспособность в течение длительного времени. Их личные тесты показали явное предпочтение работать в одиночку с низким самоконтролем, нетерпимостью к неопределенности и задержкой в принятии решений, которая может проявляться тревогой. Они также продемонстрировали высокий интеллект, аналитический склад ума, критическое мышление и дух экспериментов.

Взаимосвязь с личностными качествами

Участники, принадлежащие к каждой из трех групп, были подвергнуты тесту по 16 личностным факторам Кеттелла. На диаграмме на рис. 6 (а) показаны результаты теста «16 факторов личности» Кеттелла для трех групп. Данные отображаются в виде значений всех основных факторов анкеты 16PF, усредненных по всем предметам в каждой группе. Видно, что большинство факторов имеют схожие значения в каждой группе. В то же время для некоторых факторов соответствующие значения существенно различаются от группы к группе.Среди этих факторов можно выделить теплоту (A), рассуждения (B), эмоциональную стабильность (C) и доминирование (E). Чтобы количественно оценить различия между группами по каждому из анализируемых личностных факторов, мы применили непараметрический H-критерий Краскела-Уоллиса для нескольких независимых выборок. Значения p , рассчитанные для каждой из 16 личностных шкал, показаны на рис. 6 (b). Можно видеть, что для 4 факторов (A, B, C, E) p -значение относительно мало ( p ≤ 0,05), в то время как для других факторов p -значение значительно больше.Исходя из этого, мы рассмотрели эти 4 фактора более подробно и сравнили, как они различаются внутри групп. Мы применили непараметрический U-критерий Манна – Уитни, чтобы статистически проанализировать разницу между факторами в каждой паре групп. В результате мы обнаружили, что группа 1 и группа 2 не демонстрируют значительного изменения факторов A ( p = 0,218) и C ( p = 0,39). В то же время эти группы достоверно различаются по факторам B и E ( p <0.01). С другой стороны, различия между группами 1–3 и 2–3 значимы для всех рассмотренных факторов (Рис. 6 (c) –6 (f)).

Рис. 6. Опросник по шестнадцати личностным факторам.

(a) Основные факторы анкеты 16PF, усредненные по предметам в каждой группе (группа I — пунктирная линия, группа II — сплошная линия, группа III — пунктирная линия). Пунктирной областью выделены факторы, по которым наблюдаются значительные изменения между группами. (b) p -значения, рассчитанные для этих групп для различных факторов анкеты 16PF с помощью H-критерия Краскела – Уоллиса для нескольких независимых выборок.На вставке подробно показаны низкие значения p , рассчитанные для коэффициентов A, B, C, E. (c-e) Значения A, B, C, E, рассчитанные для трех групп (данные показаны как среднее ± стандартное отклонение). Группы I и III содержат n = 8 субъектов, а группа II n = 6 субъектов, * p > 0,05, ** p > 0,01 по непараментрическому U-критерию Манна-Уитни.

https://doi.org/10.1371/journal.pone.0197642.g006

Диаграмма на рис. 6 (а) показывает результаты теста «16 факторов личности» Кеттелла для трех групп.Данные отображаются в виде значений всех основных факторов анкеты 16PF, усредненных по всем предметам в каждой группе. Видно, что большинство факторов имеют схожие значения в каждой группе. В то же время для некоторых факторов соответствующие значения существенно различаются от группы к группе. Среди этих факторов можно выделить теплоту (A), рассуждения (B), эмоциональную стабильность (C) и доминирование (E), которые представлены в таблице и сравниваются с результатами исследования ЭЭГ и психодиагностического теста на рис. (б).

По результатам классификации личности на основе психодиагностического теста различные особенности структуры ЭЭГ, а именно латерализация и соотношение энергии высокочастотных и низкочастотных волн, отражают разные личностные качества. Важно отметить, что, хотя активность ЭЭГ варьировалась в разных группах, внутри каждой группы она представляла один и тот же сценарий. Подобное поведение наблюдалось в психологической классификации, где были выделены три группы субъектов со схожими личными профилями.

Обычно большинство научных публикаций, направленных на выявление ЭЭГ-сигнатур когнитивной деятельности, описывают сценарий, который повторяется от одного испытуемого к другому. В то же время мы показываем, что различия, возникающие от одного предмета к другому, также могут быть систематизированы. Среди испытуемых можно выделить разные сценарии познавательной деятельности в зависимости от личности.

Наши результаты подтверждают гипотезу, выдвинутую Вингиано и Уильямом [66] о существовании связи между полушарием мозга и личностью.Наши результаты также согласуются с работой [67], где было показано, что связанные с тревожностью свойства личности, оцененные по методике Кэттела, коррелируют со спектральной плотностью мощности (СПМ) ритмов ЭЭГ, в частности, бета – 1 и бета – 2. Авторы утверждали, что интенсивный ритм бета-ЭЭГ коррелирует с высокой ситуативной и индивидуальной тревогой. В то же время было обнаружено, что эмоциональная устойчивость человека связана с силой альфа-ритма.

Таким образом, полученные результаты дают новые знания в понимании особенностей личности человека путем анализа взаимосвязи пространственно-временной и частотно-временной структуры ЭЭГ.

Следует отметить, что в целом, чтобы делать точные прогнозы относительно личности, требуется гораздо больший размер выборки. При этом в нашем исследовании мы постарались создать максимально однородную группу добровольцев, чтобы исключить неизбежное влияние дополнительных, плохо учтенных факторов на результаты наших оценок. Планируется дальнейшее расширение группы испытуемых на произвольно выбранных лиц (с разным физическим состоянием, полом, уровнем образования и т. Д.).Это должно быть достигнуто, во-первых, за счет увеличения числа испытуемых, а, во-вторых, за счет добавления различных техник психологического тестирования и личных психологических интервью каждого испытуемого, проводимых психологом.

Личность человека отражает пространственно-временную и частотно-временную структуру ЭЭГ

Abstract

Мозг контролирует все физиологические процессы в организме и регулирует его взаимодействие с внешней средой. То, как мозг решает умственные задачи, определяется индивидуальными особенностями человека, которые отражаются в динамике нейронной сети и, следовательно, могут быть обнаружены в нейрофизиологических данных.Каждое действие человека связано с уникальной активностью мозга (двигательной, когнитивной и т. Д.), Представленной особым колебательным паттерном на многоканальной электроэнцефалограмме (ЭЭГ). Связь нейрофизиологических процессов с личностными психическими характеристиками проявляется при использовании простых психодиагностических тестов (таблиц Шульте) для исследования объема внимания. Анализ пространственно-временных и частотно-временных структур многоканальной ЭЭГ с использованием таблиц Шульте позволяет разделить испытуемых на три группы в зависимости от их нейронной активности.Многофакторный профиль личности каждого участника может быть индивидуально описан на основе опросника по шестнадцати личностным факторам (16PF) и личного интервью с опытным психологом. Корреляция классификации личности на основе ЭЭГ с индивидуальными многофакторными профилями дает возможность идентифицировать личность человека путем анализа электрической активности мозга. Полученные результаты представляют большой интерес для тестирования личности человека и создания автоматизированных интеллектуальных программ, использующих простые тесты и измерения ЭЭГ для объективной оценки особенностей личности человека.

Введение

Каждая человеческая деятельность включает в себя создание определенных паттернов в записях электроэнцефалографии (ЭЭГ) с общими свойствами для разных субъектов. Например, известно, что восприятие визуальных стимулов вызывает связанный с событием ответ нейронной сети мозга, в частности, уменьшение альфа-волны (8–12 Гц) и увеличение бета-волны (15–30 Гц). ) виды деятельности. Такое поведение отражает различные когнитивные функции, а именно, подавление альфа-волны связано со зрительным [1] или слуховым [2] вниманием, тогда как активация бета-волны связана с обработкой информации [3] и состоянием тревоги [4,5 ].Аналогичная познавательная активность наблюдалась в группе мотивационно-зависимых добровольцев [6].

Универсальные паттерны ЭЭГ были также идентифицированы у пациентов с патологической активностью мозга, например, с эпилептическими припадками. Этот тип активности тесно связан с глобальной синхронизацией в нейронной сети мозга [7], которая проявляется в виде колебаний большой амплитуды с определенной формой волны (серия хорошо выраженных всплесков и волн) и частотой [8]. Такие импульсные колебания имеют схожие свойства для разных пациентов и определяются только типом эпилепсии.

Известно, что различные физиологические и психологические состояния (например, стадии сна, возбуждение и т. Д.) Обладают определенными свойствами нейронной активности. Например, двигательная активность мозга проявляется в мозге как особый сценарий нейронной активности с четко определенной частотой и пространственной локализацией. В частности, для него характерна событийная десинхронизация (ERD) в альфа / мю- и бета-диапазонах [9]. Такие же особенности наблюдаются при воображении движения у специально обученных испытуемых [10, 11].Однако у неподготовленных субъектов встречаются разные сценарии, где паттерны ЭЭГ могут варьироваться от субъекта к субъекту [12]. Такое изменение вызвано сложностью задачи, когда каждый испытуемый выбирает свою собственную стратегию обработки задачи, что приводит к индивидуальным частотно-временным и пространственно-временным структурам ЭЭГ. Наряду с двигательными образами личность более выражена во время обработки умственных заданий. Также было показано, что человеческая личность вызывает индивидуальные сценарии при принятии решений [13] и влияет на успеваемость [14].

Мы предполагаем, что индивидуальные особенности человеческой личности, когда мы хотим определить способы того, как человек обрабатывает умственные задачи, влияют на динамику нейронной сети и, следовательно, могут быть видны в записях ЭЭГ. Следует отметить, что эта проблема была решена еще в 1973 году. Анализируя состояния покоя, Эдвардс и Эбботт [15] пытались выявить личностные черты в сигналах ЭЭГ. Однако их попытка не увенчалась успехом, потому что личность не проявляется, когда человек находится в состоянии покоя. До сих пор эта проблема остается открытой [16].В связи с этим исследование, посвященное оценке личности на основе анализа данных ЭЭГ в состоянии покоя, не привело к однозначным выводам. В то время как в одних статьях сообщалось об успешной оценке [17], в других был сделан вывод о невозможности использования характеристик состояния покоя [18]. Основываясь на предыдущих исследованиях, мы предполагаем, что особенности, связанные с личностными качествами, более выражены во время познавательной деятельности. Аналогичное предположение было сделано Финком и Нойбауэром [19], которые изучали экстраверсию личности испытуемых, разделив их на две группы согласно психологическому тесту.

В данной работе мы записываем многоканальную ЭЭГ во время выполнения умственных задач для выявления индивидуальных особенностей мозговой деятельности, связанных с личностью. Для проверки нашей гипотезы на первом этапе мы анализируем пространственно-временные и частотно-временные структуры ЭЭГ испытуемых, выполнивших тест таблицы Шульте, с целью их классификации в соответствии со сценарием нейронной активности. На втором этапе для каждого участника создается личностный многофакторный профиль на основе опросника «Шестнадцать факторов личности» (16PF) [20, 21] и личного интервью с опытным психологом.Наконец, мы сравниваем результаты двух классификаций.

Материалы и методы

Участники

В эксперименте приняли участие 22 условно здоровых мужчины (33 ± 7 лет), правши, любители физических упражнений и некурящие. Всех их попросили поддерживать режим здорового образа жизни с 8-часовым ночным отдыхом в течение 48 часов до эксперимента. Все добровольцы дали информированное письменное согласие перед участием в эксперименте. Экспериментальная процедура была проведена в соответствии с Хельсинкской декларацией и одобрена местным этическим комитетом Саратовского государственного технического университета имени Юрия Гагарина.

Схема эксперимента

Эксперименты проводились с каждым испытуемым независимо. Ранее участники не были проинформированы об условиях эксперимента. Экспериментальное исследование проводилось независимыми исследователями разной специализации и включало два отдельных этапа для каждого добровольца.

Первый этап эксперимента был основан на общепринятых методах определения психологического типа человека. Для каждого участника был описан многофакторный профиль личности на основе анкеты «Шестнадцать факторов личности» (16PF) [20, 21] и личного интервью с опытным психологом.16PF содержал 185 пунктов, организованных в 16 шкал первичных факторов, и был адаптирован для русского языка и особенностей культурного контекста [22–26]. Использовалась полностью автоматизированная версия 16ПФ, т.е. без использования бумаги и карандашей. В этой автоматизированной версии элементы появлялись на экране один за другим. Была возможность вернуться к предыдущему пункту, чтобы исправить непреднамеренные ошибки ввода. Однако участник не смог просмотреть предметы. Программа сохраняла необработанные баллы по шкале для каждого теста и ответов по каждому пункту.

Второй этап экспериментальной работы проводился в течение первой половины дня в специально оборудованной лаборатории, где доброволец удобно сидел. Влияние внешних раздражителей, таких как посторонние звуки и яркий свет, было максимально минимизировано. Все участники выполнили серию простых психодиагностических тестов с использованием таблиц Шульте [27–30]) для изучения особенностей своего внимания (см. Рис. 1 (а)) под непосредственным наблюдением профессионального психолога.Таблица Шульте представляет собой матрицу 5 × 5 случайных чисел от 1 до 25, как показано на рис. 1 (b). Психологическая задача заключалась в том, чтобы найти все числа в обратном порядке. В течение этих активных экспериментальных фаз каждый человек должен был заполнить R = 5 таблиц. Для каждой серии испытаний i регистрировалось время завершения T _i . Между активными фазами у каждого добровольца был короткий интервал отдыха, называемый пассивной экспериментальной фазой .Схема эксперимента показана на рис. 1 (с).

Рис. 1. Схема эксперимента.

(а) Иллюстрация экспериментальной процедуры. (б) Типичный стол Шульте 5 × 5. (c) Схема эксперимента: завершение R таблиц Шульте ( i -я активная фаза длиной τ _i ), за которой следует i -я пассивная фаза длиной ρ _i (ожидание и готовимся к следующему заданию). (г) Схема расположения электродов ЭЭГ по стандартной международной системе 10–20.

Одновременно регистрировались ЭЭГ-сигналы активности мозга. Многоканальные данные ЭЭГ были получены с использованием усилителя BE Plus LTM производства EB Neuro S.P.A., Италия (www..ebneuro.com). Данные с 19 электродов с двумя электродами сравнения (A1 и A2) были записаны с частотой дискретизации 8 кГц с использованием стандартного монополярного метода. Использовались адгезивные электроды Ag / AgCl, прикрепленные к специальной предварительно смонтированной головной крышке. Заземляющий электрод N располагался над лбом, а два электрода сравнения A1 и A2 располагались на сосцевидных отростках.Сигналы ЭЭГ фильтровались полосовым фильтром с точками отсечки на 1 Гц (HP) и 300 Гц (LP), а также Notch-фильтром 50 Гц. Во время эксперимента записывалась видеозапись для сохранения временных интервалов, соответствующих активной и пассивной фазам эксперимента.

Анализ психодиагностических тестов

Текущий анализ ответов на вопросы 16PF был основан на 15 личностных шкалах: Теплота (сдержанная или теплая), Эмоциональная стабильность (реактивная или эмоциональная стабильность), Доминирование (почтительное vs.доминантный), живость (серьезность против активности), осознанность правил (целесообразность или сознание правил), социальная смелость (застенчивость или социальная смелость), чувствительность (утилитарная или чувствительная), бдительность (доверчивость или бдительность), абстрактность (обоснованный против абстрактного), конфиденциальность (откровенный против личного), предчувствие (самоуверенность против опасения), открытость к изменениям (традиционная против открытости для изменений), уверенность в себе (групповая ориентация против самодостаточности) , Перфекционизм (терпимость к беспорядку против перфекционизма) и напряжение (расслабленность против перфекционизма).время). Все эти шкалы оценивались для каждого участника.

Таблицы Шульте часто используются в качестве психодиагностического теста для изучения свойств человеческого внимания. Это один из наиболее объективных методов определения работоспособности и работоспособности, а также устойчивости к внешним воздействиям. Время τ _i заполнения таблицы i было использовано для оценки трех стандартных критериев личного теста: (1) эффективность работы WE (среднее арифметическое времени заполнения таблицы), (2) нагрев индикатор работы вверх WU (отношение рабочего времени первого стола к WE ), и (3) психологическая устойчивость PS (способность поддерживать оперативную деятельность в течение длительного времени).Эти критерии описываются следующими формулами:

Эффективность работы показывает постоянство внимания и производительность. Полученное значение WU , близкое к 1 или ниже, указывает на хороший разогрев, а значение 1 и выше означает, что испытуемому требуется более длительное время на подготовку (разминку) для основной работы. У PS результат, близкий к 1 и менее, свидетельствует о хорошей психологической устойчивости.

Анализ ЭЭГ

Мы проанализировали сигналы ЭЭГ, зарегистрированные 19 электродами, размещенными на стандартных позициях международной системы 10–20 [31] (см. Рис.1, (г)), используя непрерывное вейвлет-преобразование. Энергетический спектр вейвлета рассчитывался для каждого канала ЭЭГ X _n ( t ) в диапазоне частот f ∈ [1,40] Гц. Здесь W _n ( f, t ) — это комплексные вейвлет-коэффициенты, вычисленные как [32] где n = 1 ,…, N — номер канала ЭЭГ ( N = 19 — общее количество каналов, используемых для анализа), а «*» обозначает комплексное сопряжение.Материнская вейвлет-функция ψ ( f, t ) — это вейвлет Морле, часто используемый для анализа нейрофизиологических данных, определяемый как [32] где ω ₀ = 2 π — центральная частота материнского вейвлета Морле.

Энергетический спектр E ⁿ ( f, t ) рассматривался отдельно в следующих частотных диапазонах: дельта (1–4 Гц), тета (4–8 Гц), альфа (8–13 Гц), бета – 1 (13–23 Гц), бета – 2 (24–34 Гц) и гамма (34–40 Гц) [33].Для этих диапазонов значения энергии вейвлета и для каждого n -го канала ЭЭГ были рассчитаны как

В результате мы рассмотрели процент спектральной энергии, распределенной в этих диапазонах, и рассчитали коэффициенты где E ₀ ( t ) было определено как вся энергия и рассчитано как

Наконец, чтобы описать соотношение между высокочастотной и низкочастотной активностью мозга для каждого канала, мы ввели коэффициент ε ⁿ определяется как где

Коэффициенты ε ⁿ были рассчитаны для каждого канала ЭЭГ как для активной, так и для пассивной фаз.Полученные значения ε _n были усреднены по каналам, расположенным в левом и правом полушариях, которые определены соответственно как

Результаты

В настоящей работе мы рассчитали значения с использованием уравнения. (7)) для n = 1 ,… 19 каналов ЭЭГ, которые определяли процент спектральной энергии, принадлежащей соответственно дельта, тета, альфа, бета – 1, бета – 2 и гамма диапазоны частот, и охарактеризовал степень участия нейронного ансамбля, расположенного в окрестности регистрирующего электрода n , в генерации соответствующего вида активности [7].На рис. 2 (б) представлены значения, рассчитанные для одной попытки ЭЭГ, записанной от лобной доли, а именно с электрода F4. Видно, что при замене активной фазы на пассивную, значения, рассчитанные для низких частот (а именно, дельта- и тета-диапазоны частот), быстро увеличивались, в то время как значения, рассчитанные для альфа, бета – 1, бета –2 и гамма диапазоны частот заметно уменьшились. Такое динамическое поведение повторялось при последующем заполнении таблиц Шульте.

Рис. 2. Количественная оценка спектральных свойств ЭЭГ.

(а) типичные фрагменты ЭЭГ, регистрируемые электродами, расположенные симметрично в левом и правом полушариях во фронтальной (F3, F4), центральной (C3, C4) и теменной (P3, P4) областях в активной и пассивной фазах. (б) Изменения спектральной энергии в разных частотных диапазонах. (c) Спектральная энергия, усредненная по N = 5 активным и N = 5 пассивным фазам (данные показаны как среднее ± стандартное отклонение). (d) Изменение спектральной энергии при переходе от активной к пассивной фазе, рассчитанное для каждой полосы частот. ε определяет соотношение между спектральной энергией в высоких ( f> 10 Гц) и низких ( f < 10 Гц) диапазонах частот. (e) Типичные распределения спектральной энергии в альфа- и бета-1 диапазонах частот во время активной фазы.

На рисунке 2 (c) показаны средние значения за интервалы времени, соответствующие N = 5 последовательным активным и пассивным сеансам. Отличительные особенности между средними значениями, полученными для активной и пассивной фаз, показаны на рис. 2 (d), где разница ∆ e ^F4 между средними значениями e ^F4, связанными с активной и пассивной фазами. нанесены на график для каждой полосы частот.Видно, что в низкочастотном диапазоне, включающем дельта- и тета-диапазоны частот, такое различие положительное (∆ e ^F4 > 0), а в высокочастотном диапазоне (альфа, бета – 1, бета –2 и гамма-диапазоны частот) отрицательная (∆ e ^F4 < 0).

Согласно этому результату, можно легко различить активную и пассивную фазы, основываясь на рассмотрении свойств ЭЭГ, то есть путем сравнения энергии спектральных составляющих, принадлежащих либо к высоким (HF), либо к низким (LF) диапазонам частот.Для этой цели удобно использовать коэффициент ε ⁿ (уравнение 9), который отражает соотношение между значениями спектральной энергии в высокочастотном и низкочастотном диапазонах. В частности, для рассматриваемого электрода F4 значения ε ^F4, показанные на вставке гистограммы на рис. 2 (d)), значительно ниже во время пассивной фазы, чем во время активной фазы.

Таким образом, частотно-временной анализ, выполненный для однократной записи ЭЭГ, демонстрирует выраженное изменение соотношения энергии высокой и низкой спектральных составляющих.Вместе с тем, наряду с особенностями частотно-временной структуры, выявленными на одиночной ЭЭГ, важную роль играют и пространственно-временные особенности электрической активности мозга. Это в основном отражается в различиях между полушариями, которые обычно наблюдаются в электрической активности мозга, связанной с выполнением умственных задач [34]. Например, рассмотрев значение энергии, вычисленное в частотных диапазонах альфа и бета – 1 во время активной фазы, можно увидеть, что эти виды активности локализованы в противоположных полушариях.На рис. 2 (е) показаны типичные распределения спектральной энергии во время активной фазы в альфа- и бета-1 диапазонах частот. Следует отметить, что такое поведение альфа-активности характерно для арифметических и визуально-пространственных задач [35].

Чтобы понять эту асимметрию, мы рассмотрели коэффициенты ε _LH (12) и ε _RH (13), которые были получены усреднением коэффициентов ε , рассчитанных для каналов ЭЭГ, принадлежащих правому краю. и левое полушарие соответственно.На рис. 3 (a) значения ε _RH и ε _LH показаны для каждого из 20 участников в активной (закрашенные точки) и пассивной (светлые точки) фазах. Рассмотрев полученные значения, особенно разницу между рассчитанными для активной и пассивной фаз, можно увидеть, что испытуемых можно сразу разделить на три группы. На рис. 3 (а) значения _RH и _LH показаны для каждой группы разными символами.В группе I (кружки) коэффициенты ε _RH и ε _LH имеют практически одинаковые значения во время активной и пассивной фаз. Во II группе (квадраты) активная фаза связана с увеличением высокочастотной активности в правом полушарии, а пассивная фаза — с повышением высокочастотной активности в левом полушарии. В группе III (треугольники) переход от активной к пассивной фазе связан с выраженным увеличением ε _RH и уменьшением ε _LH.

Рис. 3. Три сценария познавательной активности при обработке умственных задач.

(а) Соотношение энергии высокочастотных и низкочастотных спектральных составляющих в левом ( ε _LH) и правом ( ε _RH) полушариях, рассчитанное для активного (темные точки) и пассивного (открытые) точки) экспериментальные фазы. Распределения показаны для трех субъектов, каждый из которых принадлежит к определенной группе. (б) Коэффициент ε , показывающий соотношение между энергиями высокочастотных и низкочастотных спектральных компонентов, вычисленных для каждого канала ЭЭГ во время активной (левые столбцы) и пассивной (правые столбцы) фаз.(в) Отношение ε между энергиями высокочастотных и низкочастотных спектральных компонентов, рассчитанных для каналов ЭЭГ, принадлежащих левому (LH) и правому (RH) полушариям во время активной и пассивной фаз: медианы (желтые столбцы), 25–75 процентили (прямоугольник) и очертания (усы). (d) Отношение k между значениями ε , рассчитанными для левого и правого полушарий во время активной и пассивной фаз: медианы (желтые столбцы), 25–75 процентилей (прямоугольник) и контуры (усы). Группы I и III содержат n = 8 предметов, группа II содержит n = 6 предметов.

На рис. 3 (b) пространственно-временные представления значений ε показаны для активной и пассивной фаз для каждой из трех групп. Видно, что для I группы активность мозга в активную фазу характеризуется полушарной симметрией. В пассивной фазе, хотя пространственно-временная структура активности мозга меняется, симметрия полушария сохраняется. Во II группе пространственно-временная структура существенно отличается. Наблюдается полушарная асимметрия в активной и пассивной фазах с преобладанием высокочастотной активности в пассивной фазе.В группе III соблюдается полусферическая симметрия. Однако высокочастотная активность преобладает в правом полушарии, как ясно показано на рис. 3 (b). Таким образом, различие активности мозга в активной и пассивной фазах проявляется в изменении симметрии, вызванном уменьшением ε в левом полушарии при переходе от активной фазы к пассивной.

Отличительные особенности активности мозга в активной и пассивной фазах, наблюдаемые в этих трех группах, показаны на рис.3 (в). Горизонтальные желтые полосы показывают медианное значение ε , рассчитанное для левого (LH) и правого (RH) полушарий во время активной и пассивной фаз. В группе I значения ε остаются практически одинаковыми для разных полушарий как в активной, так и в пассивной фазах. Во II группе активная фаза характеризуется резким увеличением ε в правом полушарии ( ε _RH > 0,5 против ε _LH < 0.35). В пассивной фазе динамика обратная: в левом полушарии наблюдается увеличение ε ( ε _RH < 0,4 против ε _LH > 0,45). Наконец, в группе III во время активной фазы ε в правом полушарии немного выше, чем в левом полушарии ( ε _RH > 0,45 против ε _LH < 0,45). . Во время пассивной фазы такая разница становится больше ( ε _RH > 0.6 против ε _LH < 0,35).

Обсуждение

Известно, что выполнение умственных задач связано с изменениями нейронной активности, которые можно обнаружить по спектру мощности ЭЭГ. Роль низкочастотной дельта-активности в умственных задачах изучалась в [36], где авторы сообщили об увеличении дельта-активности на ЭЭГ во время умственных задач, связанных с усилением внимания. Позже [37] также была выявлена связь между дельта-колебаниями и выполнением умственных задач.С другой стороны, в более ранних работах [38, 39] подчеркивалось увеличение тета-активности во время умственных усилий. В последнее время для оценки динамики умственной нагрузки использовали изменение уровня активности в низкочастотном диапазоне θ [40]. Связь между альфа-активностью и завершением умственных задач была продемонстрирована еще в 1984 году Осакой [35], который обнаружил изменения в амплитуде и местоположении пика альфа-частоты в спектре мощности. Позднее была выявлена значительная роль альфа-активности в памяти и когнитивных процессах [41].Изменения энергии высокочастотных ритмов мозга обычно связаны с познавательной деятельностью, в частности с выполнением умственных задач [42]. Например, учет гамма-активности для классификации умственных задач повышает точность [43].

Согласно рис. 3 (c), можно видеть, что электрическая активность мозга в каждой группе следует определенному сценарию, определяемому, с одной стороны, латерализацией функции мозга, а с другой стороны, определенными переходами между активными и пассивные фазы.Для количественного описания наблюдаемых сценариев мы вычислили k = ε _RH / ε _LH, что отражает степень полушарной асимметрии. Эти значения нанесены для каждой группы на рис. 3 (d). Видно, что группа I характеризуется полусферической симметрией в активной и пассивной фазах, которая остается неизменной при фазовом переходе активно-пассив (∆ k ≈ 0), где ∆ k = k _{пассивный} — k _{активный}.Для других групп асимметрия и переход наблюдаются между активной и пассивной фазами и отображаются на графике в терминах k , которые можно описать как ∆ k < 0 и ∆ k> 0, соответственно.

Участники, принадлежащие к каждой из трех групп, были подвергнуты психодиагностическим тестам (см. Методы). В результате для каждого испытуемого были оценены значения WE , WU и PS , которые определяют среднее время выполнения задачи, среднюю производительность и сохранение внимания соответственно.Кроме того, личность каждого испытуемого была описана на основе анкеты «Шестнадцать факторов личности». По результатам психодиагностического теста испытуемые были разделены на три группы, что соответствовало классификации, полученной при анализе ЭЭГ на основе психологического описания выполнения таблиц Шульте.

Испытуемые I группы продемонстрировали двустороннюю ЭЭГ-активность в обоих полушариях при тестировании таблиц Шульте. При этом эти испытуемые продемонстрировали средне-низкую эффективность при выполнении задания.Для них среднее время выполнения задачи составило WE = 40,2 секунды, средняя производительность — WU = 1,07 (целевое значение — 1), сохранение внимания — PS = 0,97 (целевое значение — 1 ). Испытуемые из этой группы могли немедленно выполнять неизвестные задачи и поддерживать свою работоспособность на относительно высоком уровне, выше среднего или низкого уровня. Психологическая расшифровка тестов включала замечания о творческом подходе к выполнению тестов и быстром переходе к новым заданиям.В личном тесте такие испытуемые обладали ярко выраженной склонностью к работе в одиночку, высоким интеллектом, аналитическим складом ума, критическим мышлением, нетерпимостью к неопределенности и задержкой в принятии решений. Более того, они демонстрировали самоконтроль, отсутствие тревожности, ярко выраженное лидерство и желание доминировать в группе. Мы предполагаем, что творческий подход и попытка оптимизировать их работу привели к снижению их эффективности работы.

Испытуемые II группы пытались разработать стратегию упрощения выполнения задания.При выполнении первой задачи присутствовала максимальная латерализация высокочастотной активности, т.е. активность в правом полушарии была гораздо более выраженной. Это означает, что при выполнении первой задачи стратегия еще не была разработана. При выполнении следующих заданий нагрузка на правое полушарие у этих испытуемых была снижена. В результате испытуемые из группы II продемонстрировали более высокую работоспособность, чем испытуемые из группы I. Среднее время выполнения задания составило WE = 33.6 секунд, сохранение внимания составило PS = 0,86, а средняя производительность составила WU = 1,07. Этим испытуемым требовалось мало времени на адаптацию и они не утомлялись, будучи способны длительное время эффективно поддерживать высокую работоспособность. В их личных профилях гармонично сочетаются высокие показатели интеллекта, эмоциональной зрелости и самоконтроля.

В отличие от группы II, испытуемые из III группы выполнили задание без каких-либо попыток разработать стратегию его упрощения.Это подтвердил психологический тест. Их работоспособность оставалась высокой: среднее время выполнения задачи WE = 33 секунды, сохранение внимания PS = 0,9, средняя производительность WU = 1,24. Мы предполагаем, что испытуемым из этой группы будет сложно поддерживать хорошую работоспособность в течение длительного времени. Их личные тесты показали ярко выраженное предпочтение работать в одиночку, низкий самоконтроль, нетерпимость к неопределенности и задержку в принятии решений, которая может проявляться тревожностью.Они также продемонстрировали высокий интеллект, аналитический склад ума, критическое мышление и дух экспериментов.

Рисунок 4 иллюстрирует корреляцию между результатами, полученными при исследовании ЭЭГ, и результатами психодиагностических тестов и опросника 16PF. Диаграмма на рис. 4 (а) показывает результаты теста «16 факторов личности» Кеттелла для трех групп. Данные отображаются в виде значений всех основных факторов анкеты 16PF, усредненных по всем предметам в каждой группе.Видно, что большинство факторов имеют схожие значения в каждой группе. В то же время для некоторых факторов соответствующие значения существенно различаются от группы к группе. Среди этих факторов можно выделить теплоту (A), рассуждения (B), эмоциональную стабильность (C) и доминирование (E), которые представлены в таблице и сравниваются с результатами исследования ЭЭГ и психодиагностического теста на рис. 4 (б).

Рис. 4. Анкета по шестнадцати личностным факторам.

(a) Значения основных факторов опросника 16PF, усредненные по предметам в каждой группе: группа I (пунктирная линия), группа II (сплошная линия) и группа III (пунктирная линия).Пунктирной областью выделены факторы, по которым наблюдаются значительные изменения между группами. (б) Корреляция между результатами, полученными с помощью ЭЭГ, и результатами психодиагностических тестов и анкеты 16PF.

По результатам классификации личности на основе психодиагностического теста видно, что разные особенности структуры ЭЭГ, т. Е. Латерализация и соотношение энергии высокочастотных и низкочастотных волн, отражают разные личностные качества. Важно отметить, что, хотя активность ЭЭГ варьировалась в разных группах, внутри каждой группы она представляла один и тот же сценарий.Подобное поведение наблюдалось в психологической классификации, где были выделены три группы субъектов со схожими личными профилями.

Обычно в большинстве научных публикаций, направленных на выявление ЭЭГ-сигнатур когнитивной активности, описывается сценарий, который повторяется от одного испытуемого к другому. В то же время мы показываем, что различия, возникающие от одного предмета к другому, также могут быть систематизированы. Среди испытуемых можно выделить разные сценарии познавательной деятельности в зависимости от личности.

Наши результаты подтверждают гипотезу, выдвинутую Вингиано и Уильямом [44] о существовании связи между полушарием мозга и личностью. Наши результаты также согласуются с работой [45], где было показано, что связанные с тревожностью свойства личности, оцененные по методике Кэттела, коррелируют со спектральной плотностью мощности (СПМ) ритмов ЭЭГ, в частности, бета – 1 и бета – 2. Авторы утверждали, что интенсивный ритм бета-ЭЭГ коррелирует с высокой ситуативной и индивидуальной тревогой.В то же время было обнаружено, что эмоциональная устойчивость человека связана с силой альфа-ритма.

Заключение

Мы проанализировали корреляцию между нейрофизиологическими процессами и личностными характеристиками при выполнении сложных умственных задач, используя серию простых психодиагностических тестов для изучения личности человека (таблицы Шульте).Для решения этой задачи были рассмотрены пространственно-временные и частотно-временные структуры многоканальных ЭЭГ человека, заполнившего таблицы Шульте. Мы показали, что активность ЭЭГ во время умственных задач варьировалась от одного испытуемого к другому. При этом были отобраны три группы испытуемых со схожими особенностями нервной активности. Данные всех испытуемых были независимо проанализированы с помощью психодиагностических тестов с целью изучения особенностей их внимания и классификации их личностных профилей.В результате этой психологической классификации испытуемые были разделены на три разные группы. Мы показали, что классификация, полученная с помощью ЭЭГ-исследования, сильно коррелировала с результатами психодиагностических тестов. Это, в свою очередь, дало возможность охарактеризовать профили личности на основе анализа данных ЭЭГ.

Мы считаем, что наши результаты могут помочь в тестировании и диагностике личных навыков и способностей для выполнения сложных рабочих задач. На основе наших выводов могут быть разработаны автоматические интеллектуальные системы для изучения сильных и слабых сторон объекта для выполнения сложных задач.

Благодарности

Работа выполнена при финансовой поддержке Министерства образования и науки Российской Федерации (проект RFMEFI57717X0282 Федеральной целевой программы России).

Каталожные номера

1.↵
2.↵
3.↵
4.↵
5.↵
6.↵
7.↵
8.↵
9.↵
10.↵
11.↵
12.↵
13.↵
14.↵
15.↵
16.↵
17.↵
18.↵
19.↵
20.↵
21.↵
22.↵
23.
Григоренко, ЭЛ. Мультикультурная психообразовательная оценка. Springer Publishing Co. Inc., Нью-Йорк, США; 2009.
24.
Кузнецова Ю., Бабёнышев М., Райх Дж., Харт Л., Григоренко Е. Приобретение универсальных кванторов на русском языке. Труды 2-й конференции по генеративным подходам к овладению языком, Северная Америка.2007; п. 224 — 232.
25.
26.↵
27.↵
28.
29.
30.↵
31.↵
Niedermeyer E, da Silva, FL. Электроэнцефалография: основные принципы, клиническое применение и смежные области, нелинейная динамика. Липпинкот Уильямс и Уилкинс; 2014.
32.↵
33.↵
34.↵
35.↵
36.↵
37.↵
38.
39.
40.↵
41.↵
42.↵
43.↵
44.↵
45.↵

Произошла ошибка при настройке пользовательского файла cookie

Этот сайт использует файлы cookie для повышения производительности. Если ваш браузер не принимает файлы cookie, вы не можете просматривать этот сайт.

Настройка вашего браузера для приема файлов cookie

Существует множество причин, по которым cookie не может быть установлен правильно. Ниже приведены наиболее частые причины:

В вашем браузере отключены файлы cookie.Вам необходимо сбросить настройки вашего браузера, чтобы он принимал файлы cookie, или чтобы спросить вас, хотите ли вы принимать файлы cookie.
Ваш браузер спрашивает вас, хотите ли вы принимать файлы cookie, и вы отказались. Чтобы принять файлы cookie с этого сайта, используйте кнопку «Назад» и примите файлы cookie.
Ваш браузер не поддерживает файлы cookie. Если вы подозреваете это, попробуйте другой браузер.
Дата на вашем компьютере в прошлом. Если часы вашего компьютера показывают дату до 1 января 1970 г., браузер автоматически забудет файл cookie.Чтобы исправить это, установите правильное время и дату на своем компьютере.
Вы установили приложение, которое отслеживает или блокирует установку файлов cookie. Вы должны отключить приложение при входе в систему или проконсультироваться с системным администратором.

Почему этому сайту требуются файлы cookie?

Этот сайт использует файлы cookie для повышения производительности, запоминая, что вы вошли в систему, когда переходите со страницы на страницу. Чтобы предоставить доступ без файлов cookie потребует, чтобы сайт создавал новый сеанс для каждой посещаемой страницы, что замедляет работу системы до неприемлемого уровня.

Что сохраняется в файле cookie?

Этот сайт не хранит ничего, кроме автоматически сгенерированного идентификатора сеанса в cookie; никакая другая информация не фиксируется.

Как правило, в cookie-файлах может храниться только информация, которую вы предоставляете, или выбор, который вы делаете при посещении веб-сайта. Например, сайт не может определить ваше имя электронной почты, пока вы не введете его. Разрешение веб-сайту создавать файлы cookie не дает этому или любому другому сайту доступа к остальной части вашего компьютера, и только сайт, который создал файл cookie, может его прочитать.

Журавлев Виктор Михайлович — Известия вузов. Поволжье. Физико-математические науки

ОСНОВНЫЕ ИЗДАНИЯ
1. Дворянинов Г.С., Журавлев В.М. Стационарный перенос, возбуждаемый волнами в слое Экмана. Морской гидрофизический журнал. 1978. 3. С. 25-37.
2. Дворянинов Г.С., Журавлев В.М. Динамика турбулентного поверхностного волнистого слоя. Морской гидрофизический журнал. 1979.4. С. 34-50.
3. Дворянинов Г.С., Журавлев В.М. К теории турбулентного слоя волнового перемешивания. Известия АН СССР. Сер. ПАО, 1980, вып. 6. С. 234-245.
4. Дворянинов Г.С., Журавлев В.М. Обратная задача для внутренних волн в связи с задачей томографии океана. В кн .: Экспериментальные и теоретические исследования атмосферы. Севастополь, 1983, с.146-154.
5. Журавлев В.М. О новой концепции двумерных уравнений динамики несжимаемой жидкости.Журнал прикладной математики и механики, 1994, т. 58, нет. 6. С. 60-67.
6. Журавлев В.М. Турбулентность течений несжимаемой жидкости вблизи локального равновесия и принцип вторичного максимума энтропии. Журнал технической физики, 2009, №1, с. 16-27.
7. Журавлев В.М. Точные решения гидродинамики сжимаемой жидкости и методы функциональных замен типа Коула-Хопфа. Коллекция инновационных технологий. Эд. С.В. Булярский.Ульяновск: Изд-во УлГУ, 2010. С. 77-93.
8. Журавлев В.М., Прусов А.В. Оценка взаимных спектральных матриц методом максимальной энтропии. Морской гидрофизический институт АН УССР. Севастополь: ВИНИТИ, 1986. 1604-B86.
9. Журавлев В.М., Прусов А.В., Голобородько С.В. Волновая структура метеорологических процессов на тропическом энергоактивном полигоне. Морской гидрофизический институт АН УССР.Севастополь: ВИНИТИ, 1986. 1603-B86.
10. Журавлев В.М., Дворянинов Г.С., Прусов А.В. Метод максимума энтропии в многомерном спектральном анализе. (Часть 1, Теория, тесты), Препринт МГИ АН СССР, 1987.
11. Журавлев В.М., Дворянинов Г.С., Прусов А.В. Метод максимума энтропии в многомерном спектральном анализе. (Часть 2, Спектральные оценки метеорологических параметров в области зоны межтропической конвергенции (ИТЦЗ)), Препринт МГИ АН СССР, 1987.
12, Журавлев В.М., Дворянинов Г.С., Прусов А.В. Метод максимума энтропии в многомерном спектральном анализе временных рядов. Морской гидрофизический журнал. 1987. 3. С. 41-48.
13. Журавлев В.М., Дворянинов Г.С., Прусов А.В., Лемешко Е.М. Методы максимальной энтропии и сложных нормальных режимов для многомерного и пространственно-временного спектрального анализа // Моделирование гидрофизических процессов и полей в замкнутых водоемах и морях. Эд. Саркисян А.Издательство S. Science, 1987, стр. 213-228.
14. Журавлев В.М., Валентюк Р.А. Многомерный метод максимума энтропии в одномерном спектральном анализе, 1987, ВИНИТИ, вып. 6602-B87.
15. Журавлев В.М. Метод максимума энтропии в многомерном спектральном анализе и его применение для анализа гидрометеорологических полей тропической Атлантики. Диссертация на соискание ученой степени кандидата физико-математических наук. Морской гидрофизический институт АН СССР.Севастополь, 1987. 70 с.
16. Дворянинов Г.С., Журавлев В.М., Прусов А.В. Синоптические волны в атмосфере тропической Атлантики и их связь с динамикой внутритропической зоны конвергенции. Советский журнал физической океанографии, 1989, т. 1, вып. 2. С. 77-86.
17. Л.В. Грунская, И. Гаврилов, Д. Виноградов, В. Журавлев. Экспериментально-методический комплекс по изучению изменчивости электромагнитного поля Земли в предельно низкочастотном диапазоне, связанном с глобальными геофизическими явлениями.Вестник УлГУ, Series Physical, 2002, №1, с. 45-58.
18. Журавлев В.М., Журавлев А.В. Алгоритм многомерной линейной интерполяции со сглаживанием площадей на симплексном покрытии с произвольным распределением узлов нерегулярной сетки. Университетские труды. Поволжье, 2007, № 2, с. 4. С. 93-99.
19. Журавлев В.М., Журавлев А.В., Егоров Г.А. Оценка пространственно-временных спектров волновых процессов по последовательности изображений многомерным методом максимальной энтропии.Известия вузов, Поволжье, 2008, № 2, с. 3. С. 71-81.
20. Журавлев В.М., Журавлев А.В. Новый метод построения и предсказания нелинейных моделей пространственно-временных спектров по экспериментальным данным. Нелинейный мир. 2009. 10. С. 763-771.
21. Журавлев В.М., Журавлев А.В., Фундаев С.В., Егоров Г.А. Оценка погрешности авторегрессионных спектров. Сборник «Журнал прикладной математики и механики», 2009, с. 104-108.
22.Журавлев В.М., Фундаев С.В. Расчет спектральной плотности сигнала с помощью антенной решетки переменной конфигурации. Университетские труды. Поволжье, 2009, № 2, с. 3. С. 101-112.
23. Егоров Г.А., Журавлев В.М. Спектральный анализ волновых процессов в солнечной атмосфере по ряду изображений. Университетские труды. Поволжье, 2013, №1, с. 100-112.
24. Журавлев В.М. Точно интегрируемая модель трехволнового взаимодействия в неоднородной нелинейной среде.Письма в ЖЭТФ, 1995, т. 61, нет. 4. С. 254-258.
25. Журавлев В.М. Модели нелинейных волновых процессов, допускающие солитонные решения. ЖЭТФ.1996. 110, нет. 6. С. 2243-2263.
26. Журавлев В.М. О классе моделей автоволн в активных средах с диффузией, допускающей точные решения. Письма в ЖЭТФ, 1997, т. 65, нет. 3. С. 285-290.
27. Журавлев В.М., Коробко Д.А. О динамике солитонов нелинейного уравнения Шредингера с источником.Бюллетень УлГУ. Физический ряд. 1997. 3. С. 4-9.
28. Журавлев В.М. Диффузионные цепочки Тоды в моделях нелинейных волн в активных средах. ЖЭТФ, 1998, т. 114, нет. 5. С. 1897-1914.
29. Журавлев В.М. Точные решения уравнения Лиувилля в многомерных пространствах. Теоретическая и математическая физика, 1999, т. 120, нет. 1. С. 3-19.
30. Журавлев В.М. Точные решения нелинейного уравнения диффузии ut = DΔu + λu в двумерном координатном пространстве.Теоретическая и математическая физика, 2000, т. 124, вып. 2. С. 265-278.
32. Журавлев В.М. Квадратичные формы и точные решения уравнений двумерных цепочек Тоды. Вестник Ульяновского государственного университета. Физическая серия, 2000, 2, с. 3-11.
33. Журавлев В.М., Корнилов Д.А. Класс точных решений в модели трехволнового взаимодействия в квадратичной дисперсионной среде. Вестник Ульяновского государственного университета. Физическая серия, 2000, вып.2. С. 57-63.
34. Журавлев В.М., Д.И. Антонов. Точно интегрируемые модели пяти- и шестиволнового взаимодействия в неоднородной нелинейной среде. Вестник УлГУ. Физическая серия, 2000, вып. 2 (9), с. 68-70.
35. Журавлев В.М. Модели автоволновых процессов в диффузионных средах и уравнение типа Лиувилля. Известия ВУЗ. Прикладная нелинейная динамика, 2001, т. 9, вып. 6. С. 115-128.
36. Журавлев В.М. Нелинейные волны в многокомпонентных системах с дисперсией и диффузией.Ульяновск: Изд-во УлГУ, 2001. 252 с.
37. Журавлев В.М. Точно интегрируемые модели взаимодействия волн с непрерывным спектром. Известия ВУЗ. Прикладная нелинейная динамика, 2001, т. 9, вып. 2. С. 76-81.
38. Журавлев В.М. Автоволны в двухпроводных линиях с нелинейным активным элементом экспоненциального типа. Письма в ЖЭТФ.2002. 75, нет. 1. С. 11-16.
39. Журавлев В.М. Нелинейные волновые процессы в многокомпонентных системах с дисперсией и диффузией.Диссертация на соискание ученой степени доктора физико-математических наук. Ульяновск: Изд-во УлГУ, 2002. 240 с.
40. Журавлев В.М., Корнилов Д.А. Особенности динамики первой и второй гармоник при отсутствии синхронизма в диссипативной среде. Вестник Ульяновского государственного университета. Физическая серия.2002. 2. С. 3-13.
41. Журавлев В.М. Автоволны в двухпроводных линиях с экспоненциальной вольт-амперной характеристикой. ЖЭТФ.2006.129, нет. 3. С. 587-604.
42. Журавлев В.М., Никитин А.В. Новый подход к построению нелинейных эволюционных уравнений, линеаризованных с помощью подстановок Коула-Хопфа. Нелинейный мир, 2007, т. 5, вып. 9. С. 603-611.
43. Журавлев В.М., Зиновьев Д.А. Нелинейные уравнения линеаризованы с помощью обобщенных подстановок Коула-Хопфа и точно интегрируемых моделей одномерных течений сжимаемой жидкости. Письма в ЖЭТФ.2008. 87, нет. 5. С. 314-318.
44. Журавлев В.М. Эволюция фронта акустической ударной волны и уравнение Бюргерса с поперечной вязкостью. Сборник «Математические методы теоретической физики». Ульяновск: УлГУ, 2007. С. 101-106.
45. Журавлева В.М. Дифференциально-параметрические тождества и точные решения уравнений Клейна Гордона в двумерном пространстве. Математические методы сборника теоретической физики. Ульяновск: УлГУ, 2007. С. 111-128.
46. Журавлев В.М., Д.А. Корнилов. Метод погружения в расширенное комплексное пространство и эффективность вычисления точных решений уравнений Лиувилля в многомерном пространстве. Математические методы сборника теоретической физики. Ульяновск: УлГУ, 2007. С. 129-147.
47. Журавлев В.М., Зиновьев Д.А. Метод обобщенных замен Коула-Хопфа для размерности 1 + 2 и интегрируемые модели для двумерных сжимаемых течений. Письма в ЖЭТФ.2008. 88, нет. 3. С. 194–197.
48.Журавлев В.М., Шляпин В.А. Принцип второго максимума энтропии и уравнения Рейнольдса в стохастической динамике одномерных нелинейных систем. Нелинейный мир, 2008, т. 6, вып. 7. С. 352-363.
49. Журавлев В.М. Метод обобщенных подстановок Коула – Хопфа и новые примеры линеаризуемых нелинейных эволюционных уравнений. Теоретическая и математическая физика, 2009, т. 158, нет. 1. С. 58-71.
50. Журавлев В.М., Шляпин В.А. Метод сопряженных функций в стохастической динамике одномерных нелинейных систем и принцип вторичного максимума энтропии.Сборник «Прикладная математика и механика». Ульяновск: УлГТУ, 2009. С. 72-88.
51. В.М. Журавлев, А. Журавлев, Д.А. Корнилов, А. Никитин, В. Самойлова. Обобщенный метод подстановки Коула-Хопфа в теории нелинейных дискретных систем. Сборник «Прикладная математика и механика». Ульяновск: УлГТУ, 2009. С. 89-103.
52. В.М. Журавлев. Точные решения гидродинамики сжимаемой жидкости и функциональные замены Коула-Хопфа. Коллекция инновационных технологий.Ульяновск: УлГУ, 2010. С. 77-93.
53. Журавлев В.М., Журавлев Д.А. Зиновьев. Применение обобщенных замен Коула-Хопфа в гидродинамике сжимаемых жидкостей. Физика волновых явлений, 2010, т. 18, нет. 4. С. 245–250.
54. В.М. Журавлев, К. Пни. Метод общих подстановок Куля – Хопфа в теории конечномерных динамических систем. Вестник Самарского государственного технического университета, сер. Физико-математические науки.2011.1 (22), с. 83-89.
55. В.М. Журавлев, П. Миронов. Динамика случайно-возмущенной системы Вольтерра-Лотке и метод максимальной энтропии. Нелинейный мир, 2011, т. 9, вып. 4. С. 201-212.
56. В. М. Журавлев, Д. А. Зиновьев. Нелинейные волны в самогравитирующей сжимаемой жидкости и обобщенные замещения Коул-Хопфа. Физика волновых явлений.2011, т. 19, нет. 4. С. 313–317.
57. В.М. Журавлев, Д.А. Зиновьев. Интегрируйте модели динамики сжижаемой среды в поле собственной силы тяжести.Метод подстановки Коула-Хопфа. Университетские труды. Поволжье. Физико-математические науки.2012. 4. С. 174-190.
58. В.М. Журавлев. Многомерные нелинейные волновые уравнения с многозначными решениями. Теоретическая и математическая физика, 2013, т. 174, нет. 2. С. 236-246.
59. В.М. Журавлев, П. Миронов. Случайно-возмущенные динамические модели и метод максимальной энтропии. Вестник Самарского государственного технического университета, сер. Физико-математические науки.2013.1 (30), стр. 352-360.
60. А. Бызыкчи, В. Журавлев. Солитоны и обобщенные подстановки Коула-Хопфа. Вестник Самарского государственного технического университета, сер. Физико-математические науки.2013. 2 (31), стр. 193-199.
61. В.М. Журавлев. Нелинейные волновые уравнения и комплексные квазилинейные уравнения первого порядка. Пространство, время и фундаментальные взаимодействия, 2013, № 2, с. 4. С. 56-67.
62. В.М. Журавлев, П. Миронов. Динамика случайно-возмущенного уравнения Ферхюльста и метод максимума энтропии.Университетские труды. Поволжье. Физико-математические науки.2013. 2. С. 156-170.
63. В.М. Журавлев. Матричные функциональные подстановки для интегрируемых динамических систем и уравнения Ландау – Лифшица. Нелинейная динамика, 2014, т. 10, вып. 1. С. 35-48. http://nd.ics.org.ru
64. Червон С.В., Щиголев В.К., Журавлев В.М. Нелинейные поля в моделях космологической инфляции. Известия ВУЗ. Серия физики. 1996. 2. С. 41-49.
65.Червон С.В., Журавлев В.М. Точные решения в моделях космологической инфляции. Известия ВУЗ. Серия физики. 1996. 8. С. 56-65.
66. В.К. Щиголев, В.М. Журавлев, С.В. Червон. Новый класс неоднородных космологических моделей с полями Янга-Миллса. Письма в ЖЭТФ, 1996, т. 64, нет. 2. С. 65-70.
67. В.М. Журавлев, С.В. Червон, В. Щиголев. Новые точные решения в стандартных инфляционных моделях. Письма в физике B, 1997, т. 398, стр. 269-273.
68. В.К. Щиголев, В. Журавлев, С.В. Червон. Неоднородные космологии с гравитирующими полями Янга-Миллса-Хиггса. Грав. И Косм., 1997, т. 3, вып. 3. С. 213-217.
69. В.М. Журавлев, С.В. Червон, Д.Ю. Шабалкина. Эффективная киральная модель плоско-симметричного гравитационного поля. Грав. И Косм., 1997, т. 3, вып. 4. С. 312-316.
70. Журавлев В.М., Червон С.В., Щиголев В.К. Новые классы точных решений в инфляционной космологии.ЖЭТФ, 1998, т. 114, нет. 2. С. 179–190.
71. Червон С.В., Журавлев В.М. Новые точные решения в киральной модели плоско-симметричного гравитационного поля. Известия ВУЗ. Серия физики. 1998. 11. С. 102-107.
72. В.М. Журавлев, С.В. Червон. Космологическая модель с аналитическим выходом из инфляции. Proc. 19 Техасский симп. Париж, 1998 г. Мини-симп. 04. «Ранние университеты». 1998. N 04/277.
73. Журавлев В.М., Корнилов Д.А. Об эволюционных режимах ранней Вселенной, устойчивой к тепловым колебаниям.Вестник Ульяновского государственного университета. Сер. Physical, 1999, стр. 21-29.
74. В.М. Журавлев, Д.А. Корнилов. Эффект скрытой массы в неоднородной космологической модели с самодействующим скалярным полем и идеальной жидкостью. Grav. & Cosm., 1999, т. 5, вып. 4. С. 325-328.
75. Червон С.В., Журавлев В.М. Сравнительный анализ точных и приближенных моделей космологической инфляции. Известия ВУЗ. Серия физики, 2000, вып. 4. С. 76-84.
76.Журавлев В.М., Д.А. Корнилов. Неоднородная космологическая модель со скалярным полем и квинтэссенцией. Вестник Ульяновского государственного университета. Сер. Физика, 2000, вып. 1 (8), стр. 6-9.
77. Журавлев В.М., Червон С.В. Космологические модели инфляции, допускающие естественное преобладание радиационной стадии и эпохи преобладания материи. ЖЭТФ, 2000, т. 118, вып. 2. С. 259-272.
78. Журавлев В.М. Двухкомпонентные космологические модели с переменным уравнением состояния вещества и тепловым равновесием компонентов.ЖЭТФ.2001. 120, нет. 5. С. 1042-1061.
79. В.М. Журавлев, Корнилов Д.А., Савелова Е.П. Скалярные поля с отрицательной кинетической энергией, темная материя и темная энергия. General Rel. и грав., 2004, т. 6, вып. 7. С. 1719-1736.
80. В.М. Журавлев, Корнилов Д.А., Савелова Е.П. Темная материя, темная энергия и поле отрицательной энергии. Гравитация и космология, 2006, т. 12, вып. 4. С. 283-288.
81. В.М. Журавлев, А.В. Патрушев.Динамика пылевого диска в недельнонелинейном режиме. arXiv: astro-ph / 0602564
82. В.М. Журавлев, А. Патрушев. Динамика самогравитирующего пылевого диска в слабонелинейном режиме. Университетские труды. Поволжье. Физико-математические науки. 2007. 1. С. 62-70.
83. Журавлев В.М., Аббязов Р.Р. Термодинамика космологических моделей с переменным уравнением состояния материи. Грав. И Косм., 2010, т. 16, нет. 1. С. 50-60.
84.Журавлев В.М., Орищенко А.В., Авдонин В.В., Летуновский С.В. Модели эволюции распределения частиц по энергии в пространстве скоростей. Университетские труды. Поволжье. Физико-математические науки, 2009, №1, с. 121-126.
85. В.А. Садовничий, М. Панасюк, И. Яшин, В. Баринова, Н.Н. Веденкин, Н.А. Власова, Г.К. Гарипов, О.Р. Григорян, Т.А. Иванова, В.В. Калегаев, П.А. Климов, А.С. Ковтюх, С.А. Красоткин, Н.В. Кузнецов, Е.А. Муравьева, И. Мягкова, Р.А. Ныммик, Н. Павлов, С. Кузнецов, Д.А. Парунакян, В. Петров, М.В. Подзолько, В.В. Радченко, А.Н. Петров, С.Я. Рейзман, И.А. Рубинштейн, М.О. Рязанцева, Е.А. Сигаева, Е.Н. Сосновец, Л.И. Старостин, В.И. Тулупов, Б.А. Хренов, В.М. Шахпаронов, А.В. Широков, С.Ю. Бобровников, В.В. Александров, С.С. Лемак, В.С. Морозенко, В.М. Журавлев, Е.А. Мареев, В.Н. Блинов, Н.Н. Иванов, В.А. Кожевников, Л.А. Макриденко, А.П. Папков, Дж. Ли, И. Пак, Х. Коцоми, В. Краснопеев, О.Мартинес, Э. Понсе, У. Салазар. Исследование космической среды на микроспутниках. Университет-Татьяна и Университет-Татьяна 2. Исследование Солнечной системы, 2011, т. 1, с. 45, нет. 1. С. 5-31.
86. Журавлев В. М., Подымова Т. В., Перескоков Е. А.. Космологические модели с заданной траекторией на энергетической фазовой плоскости. Гравитация и космология, 2011, т. 17, нет. 2. С. 101-109.
87. В.М. Журавлев, С.В. Летуновский. Анализ долгосрочной эволюции солнечной активности на основе числовой последовательности Вольфа (И.Методология). Университетские труды. Поволжье. Физико-математические науки, 2010, № 4, с. 4. С. 120-129.
88. В.М. Журавлев, А. Патрушев. Динамика самогравитирующего пылевого диска в слабонелинейном режиме. Университетские труды. Поволжье. Физико-математические науки.2011. 1. С. 69-78.
89. В.М. Журавлев, С.В. Летуновский. Анализ долгосрочной эволюции солнечной активности на основе числа Вольфа (II. Результаты).Университетские труды. Поволжье. Физико-математические науки.2011. 3. С. 164-174.
90. В.М. Журавлев, С.В. Летуновский. Долгопериодические колебания корреляционной функции ряда чисел Вольфа и возможность прогнозирования солнечной активности. http://arxiv.org/abs/1202.1774
91. Журавлев В.М. Электродинамика и топология целочисленных зарядов. В «Гравитации и электромагнетизме». Минск: БГУ, 1998. С. 42-50.
92.Журавлев В.М. Электродинамика и топология целочисленных зарядов. Известия ВУЗ. Серия Физика. 2000. 2. С. 134-140.
93. Журавлев В.М. Электродинамика и топология целочисленных зарядов. Критический технол. и фундамент. Проблемы физики конденсированной среды. Ульяновск, 2001, с. 42-72.
94. Журавлев В.М. Топологическая интерпретация квантовой теории и структуры элементарных частиц. Гравитация и космология, 2011, т. 17, нет. 3. С. 201-217.
95.Журавлев В.М. Топологическая интерпретация квантовой теории и структуры элементарных частиц. G&C, 2011, т. 17, нет. 3. С. 201-217 (англ. Версия в редакции 2013 г.).
96. Журавлев В.М. Лестничные операторы в квантовой механике. Вестник УлГУ. Серия физич., 2001, с. 4-32.
97. Журавлев В.М. Уравнение Шредингера и динамика заряженной жидкости. Труды «Модус Академикус». Ульяновск, 2002, с. 45-63.
98.Журавлев В.М. Введение в теорию солитонов и метод преобразования Дарбу. Руководство. Ульяновск: Изд-во ФМСУ, 1995. 60 с.
99. Журавлев В.М. Расчет амплитуды второй зональной гармоники гравитационного поля Земли. В космической мастерской А.С. Ковтюх / Под ред. М .: Издательство УНЦ ДО, 2005. С. 134-159.
100. Журавлев В.М. Вариации относительной плотности атмосферы на орбите спутника. В Космической мастерской А.Ковтюх С. Под ред. М .: Издательство УНЦ ДО, 2005. С. 160-165.
101. Журавлев В.М. Расчет проекции орбиты кеплеровского спутника на географическую карту Земли. В космической мастерской А.С. Ковтюх / Под ред. М .: Изд-во УНЦ ДО, 2005. 166-170 с.
102. Журавлев В.М. Вариации относительной плотности атмосферы на орбите спутника. В космической мастерской А.С. Ковтюх / Под ред. М .: Издательство УНЦ ДО, 2006. С.160-165.
103. Журавлев В.М., Фундаев С.В., Шляпин В.А. Электронный семинар «Космофизика-2007». Развитие Лаборатории космических исследований УлГУ и НИИЯФ МГУ. УлГУ, 2007.
104. Журавлев В.М. Физика околоземного космического пространства. Курс лекций. Руководство. Самара-Ульяновск, 2010. 180 с.
104. Журавлев В.М. Космофизический семинар. Приложение к мультимедийному семинару «Космофизика 2010». Инструментарий. Самара-Ульяновск, 2010.75 с.
106. Журавлев В.М. Физика околоземного космического пространства. Лекции. Методическое пособие для практикумов по космофизике, Самара-Ульяновск, 2011. 154 с.
107. Журавлев В.М. Практикум по космической физике. Применение к электронным практикам Космическая физика. Самара-Ульяновск, 2011. 57 с.
108. Журавлев В.М., Евстигнеев П.В., Серегин С.А. Структура поля мезопланктона в приповерхностной зоне тропического энергоактивного полигона. Морской гидрофизический институт АН УССР.Севастополь: ВИНИТИ, 1986. N 3442-В86.
109. Арав В.И., Денисов О.Ф., Пашкова А.Н., Журавлев В.М. Эпифиз и система халон-антихалон печени. Ульяновск: Изд-во СВНЦ, 1996. С. 5-12.
110. Индирякова Т.А., Сыч В.Ф., Арав В.И., Журавлев В.М. Изучение роли эпифиза в формировании циркадного ритма митотического индекса крипты тощей кишки. Ульяновск: Изд-во СВНЦ, 1996. С. 51-62.
111.Журавлев В.М. Микродинамика обмена ценностями и их распределения в равновесных сообществах. Вестник Ульяновского государственного университета. Физическая серия, 2000, вып. 1. С. 74-89.
112. Сыч В.Ф., Арав В.В., Слесарев С.М., Журавлев В.М., Бутов А.А., Санников И.А., Смиронова Е.В. Мелотонин и формирование циркадного ритма митотического комплекса эпителия крипты тощей кишки. Вестник УлГУ. Медицинская серия. 2002. 1. С. 95-98.
113.Сыч В.Ф., Арав В.В., Слесарев С.М., Журавлев В.М., Бутов А.А., Санников И.А., Смионова Е.В. О значении регуляторных пептидов эпифиза в формировании циркадного ритма пролиферации. Вестник УлГУ. Медицинская серия. 2002. 1. С. 99-104.
114. Журавлев В.М. Матричные функциональные подстановки для интегрируемых динамических систем и уравнения Ландау – Лифшица. Нелинейная динамика. Ижевск: Ижевский институт информатики, 2014, № 4, с. 1, стр.35-48.
115. Журавлев В.М. Морозов В.М. Метод конформных отображений в теории двумерных квантовых систем. Университетские труды. Поволжье. Физико-математические науки.2014. 3. С. 159-178.
116. В.М. Журавлев, В. Морозов, М. Петряков, В. Самойлова. Метод условной декомпозиции эмпирических распределений и его применение для анализа серии наблюдений. Университетские труды. Поволжье.Физико-математические науки.2014. 3. С. 178–197.

Контроль за отсутствием припадков с помощью мозгового компьютерного интерфейса

Крысы

Самцы крыс WAG / Rij 6–7 месяцев (масса тела около 350 г) служили в качестве подопытных. Крысы родились и выросли на кафедре биологической психологии Центра познания Дондерса Университета Радбауд, Неймеген, Нидерланды. Перед операцией их размещали парами, после операции — индивидуально (клетки High Makrolon с подстилочным материалом Enviro Dri и клетками с обогащением).Крыс содержали при световом цикле 12:12 (фаза выключения света между 8:30 и 20:30 ч) с пищей и водой ad libitum. Были предприняты все усилия, чтобы ограничить количество крыс и уменьшить дискомфорт. Все процедуры и протоколы были выполнены в соответствии с руководящими принципами Совета Европейского Союза от 22 сентября 2010 г. (2010/63 / EU) и одобрены Этическим комитетом по экспериментам на животных Университета Радбауд, Неймеген (RU-DEC).

Операция

Стереотаксическая операция проводилась под изофлурановой анестезией.Первой группе из 6 крыс WAG / Rij имплантировали индивидуальный набор электродов. Кончики двух электродов были нацелены на глубокие слои соматосенсорной коры, третий электрод — на заднее ядро таламуса. Электроды представляли собой проволоку из нержавеющей стали диаметром 0,2 мм, изолированную полиимидом. Не изолировался только кончик каждой электродной проволоки. Кортикальные местоположения кончика регистрирующих электродов ЭЭГ были (A / P = 0, M / L = -4,6 мм, H = -4,1; A / P = 0, M / L — 4.6 мм, H = 4,6) и для таламуса (A / P: -3,6, M / L: -2, H: 6,4 мм) заземляющий и контрольный электроды помещали поверх мозжечка.

Второй группе из шести крыс имплантировали трехполюсный электрод (MS 333 / 2a, Plastic One, Роанок, Вирджиния, США) и два биполярных набора электродов (MS 303/11, Plastic One). Первый набор электродов использовался для записи таламической ЭЭГ (A / P: −3,6, M / L: −2,4, H: 6,4 мм) с электродом сравнения и заземлением над мозжечком. Первый биполярный набор электродов, также используемых для записи, был направлен на глубину соматосенсорной коры (A / P: оба электрода -0.5, M / L: 4,5 и 5,0, H: 4,5 и 5,0 мм), второй набор электродов состоял из пары биполярных стимулирующих электродов, покрывающих фокальную область кончиками, нацеленными на глубокую соматосенсорную кору или нижележащее белое вещество. (координаты A / P: 2,0, M / L: 4,4, H: 4,1 мм и A / P: −3,0, M / L: 4,8, H: 2,95 мм). Все координаты были получены из стереотаксического атласа Паксиноса и Ватсона ²⁶.

Все наборы электродов были прикреплены к черепу стоматологическим цементом (Simplex Rapid, Kemdent, Purton, Swindon, Wiltsher, UK).Перед операцией животным вводили атропин (0,05 мл внутримышечно) и римадил (5 мг / кг подкожно). Они также получали римадил через 24 и 48 часов после операции (5 мг / кг подкожно). Перед проведением электрофизиологических экспериментов крысам давали 14 дней для восстановления.

Запись и обработка ЭЭГ

Крыс приучали к записывающей клетке из оргстекла (20 × 35 × 25 см) и кабелям в течение 16 часов: отведения были прикреплены к поворотному контакту, чтобы обеспечить регистрацию и стимуляцию свободно движущихся животных.Сигналы ЭЭГ пропускались через физиологический усилитель (TD _{, Radboud University, Nijmegen, Electronic Research Group) и полосовой фильтр с точками отсечки на 1 (HP) и 100 (LP) и режекторный фильтр 50 Гц. Дифференциальные записи ЭЭГ были получены из двух участков коры и заднего / латерального таламуса. Сигналы ЭЭГ оцифровывались системой записи WINDAQ (DATAQ-Instruments Inc., Акрон, Огайо, США) с постоянной частотой дискретизации 500 Гц. ПИК-детектор регистрировал движения крысы (потолочное крепление RK2000DPC LuNAR PR, Rokonet RISCO Group S.А., Дрогенбос Б.Е.). ЭЭГ и поведение первой группы из 6 крыс регистрировали в течение 4 часов в темноте. Эти записи были проанализированы с помощью первой версии алгоритма (без двух критериев сна). ЭЭГ и поведение второй группы из 6 крыс впервые регистрировали между 9.00 и 16.00 ч (исходный уровень). Для каждой крысы один час этого базового уровня был проанализирован несколько раз автономной версией алгоритма с двумя дополнительными критериями: каждый раз исследовалось другое пороговое значение обнаружения, чтобы идентифицировать индивидуализированное и « оптимизированное » пороговое значение обнаружения предшественника. , который позже был использован в эксперименте «онлайн-прогнозирование приступов».Этот «оптимальный порог» был выбран на основе сравнения между количеством правильно обнаруженных SWD, количеством пропущенных SWD и количеством ложноположительных обнаружений, выявленных для различных проверенных пороговых значений.}

В дополнение к порогу обнаружения предшественников, порог электрической стимуляции коры для прерывания SWD был также определен для каждой отдельной крысы путем определения интенсивности, при которой три последующих SWD были прерваны последовательностью импульсов длительностью 1 с 130 Гц.Эта интенсивность использовалась во втором эксперименте. В день прогнозирования / стимуляции этого эксперимента за одночасовой базовой записью ЭЭГ следовали 1 час прогнозирования SWD и сеанс записи электростимуляции.

Гистология

Расположение электродов, использованных во втором эксперименте, было проверено гистологически по завершении эксперимента ²⁶. Постоянный ток (9 В, продолжительность 15 с) сначала пропускали через каждый электрод анестезированной крысы. Затем крыс перфузировали раствором ферроцианид-формальдегид-фосфата калия; головной мозг удаляли и затем фиксировали в 30% растворе сахарозы в 0.1 мл PBS. Мозг вырезали на коронковые срезы толщиной 40 мкм для определения местоположения электродов. {4}} {2}], $$

(2)

, где с = 1/ f — шкала времени [в с = Гц ⁻¹], ω ₀ = 2 π — параметр вейвлет-функции ¹⁶, f — линейная частота [в Гц].Используемая материнская вейвлет-функция (2) представляет собой модификацию хорошо известного вейвлета Морле ²⁷, которая характеризуется лучшей локализацией во времени по сравнению со стандартным вейвлетом Морле и, следовательно, лучше подходит для использования в интерактивном режиме и обнаружения короткая фазическая активность за счет лучшего временного разрешения локальных особенностей в сигнале ЭЭГ ²⁸.

Согласно формуле. (1) вейвлет-коэффициент W ( f *, t *) рассчитывается для определенной частоты f * (или временной шкалы с * = 1/ f *) и текущего момента времени. t * путем интегрирования по временному окну, продолжительность которого δ определяется как f *.В этом случае анализируемый момент времени — это середина окна, что, в свою очередь, вызывает задержку онлайн-обнаружения. Зависимость длины окна от значения частоты, принадлежащей анализируемым частотным диапазонам [3–20 Гц], показана как для вейвлета Морле δ ₁ и модифицированный вейвлет δ ₂ на дополнительном рис. 2. Можно видеть, что использование модифицированного вейвлета сокращает продолжительность окна и, следовательно, задержку.{2} (s, t) \) был рассчитан для диапазона частот f ∈ [3, 20] Гц с использованием предложенного вейвлета. Алгоритм был реализован в Borland Delphi 7 с использованием библиотеки управления ActiveX DATAQ и запущен на персональном компьютере (Intel Core2Quad, 4,0 Гб RAM, Win 7,64). Эта аппаратная конфигурация позволила нам выполнить вейвлет-преобразование в реальном времени с шагом по времени Δ t = 5 × 10 905 · 10 −3 секунд (200 Гц) — достаточно мало, чтобы обеспечить качественную декомпозицию сигнала в рассматриваемом диапазоне частот. .Результирующая мера вейвлет-спектров многоканальной ЭЭГ, W ( с , t ) была определена как произведение спектров, полученных для всех записей ЭЭГ набора W ( с ) = Вт. ₁ ( с ) × Вт ₂ ( с ) × Вт ₃ ( с ) в каждый момент времени.Нижний индекс 1, 2 и 3 представляет два субгрануальных кортикальных сигнала от соматосенсорной коры и один от заднего ядра таламуса (ПО), соответственно. Значения Вт _{Δ sj} ( t ), соответствующая спектральной энергии шкалы времени \ ({\ rm {\ Delta}} {s} _ {j} \), были получены с помощью уравнения:

$$ {W} _ { {\ rm {\ Delta}} {s} _ {j}} (t) = \ frac {1} {{\ rm {\ Delta}} {s} _ {j}} {\ int} _ {s \ в {\ rm {\ Delta}} {s} _ {j}} \ frac {1} {\ tau} {\ int} _ {{t} _ {0} = t- \ tau} ^ {t} W (s, {t} _ {0}) dsd {t} _ {0,} j = \ overline {1,3,} $$

(3)

, где интегрирование производилось как по диапазону временных масштабов, так и по временному интервалу τ = 500 мс, который был определен экспериментально с учетом минимальной длительности предвестника.

Обнаружение предшественника в режиме онлайн

Первым шагом для автоматического распознавания предшественника было определение энергии вейвлета \ ({W} _ {{\ rm {\ Delta}} {s} _ {1}} (t) \) в диапазоне 5–10 Гц. Было обнаружено, что значение \ ({W} _ {{\ rm {\ Delta}} {s} _ {1}} (t) \) увеличилось до начала ССЗ. Значение \ ({W} _ {{\ rm {\ Delta}} {s} _ {1}} (t) \) сравнивалось с пороговым значением Вт _чт, который был определен для каждой отдельной крысы путем предварительного анализа энергии вейвлета во время предиктального состояния и различных типов интериктальной (= фоновой) активности.Это позволило нам выбрать пороговое значение, которое было выше, чем энергия фоновой активности, но меньше, чем энергия предиктальной активности-предшественника. Таким образом, активность предшественников SWD была обнаружена с помощью условия \ ({W} _ {\ rm {\ Delta}} {s} _ {1}} (t)> {W} _ {th} \). На рис. 1 можно увидеть, что это условие было причиной большого количества ложных тревог во время медленного сна из-за увеличения синхронизации между различными каналами в диапазонах частот, связанных со сном и веретеном сна.Чтобы уменьшить количество ложных тревог, вызванных любым типом синхронизированной нейронной активности, были введены дополнительные критерии «сна». Эти критерии включали одновременное рассмотрение двух других частотных диапазонов или временных шкал, соответствующих общим паттернам синхронной нейронной активности: \ ({\ rm {\ Delta}} {s} _ {2} \) (диапазон веретен сна: 7–20 Гц) и \ ({\ rm {\ Delta}} {s} _ {3} \) (диапазон низкочастотных колебаний (дельта-предвестников): 3–5 Гц, характерных для легкого медленноволнового сна) ⁷.Для этих диапазонов значения средней энергии \ ({W} _ {{\ rm {\ Delta}} {s} _ {1}} (t) \) рассчитывались путем усреднения Вт ( с , т ) в диапазоне шкал времени \ ({\ rm {\ Delta}} {s} _ {j} \) и интервале τ = 0,5 секунды (см. Методы, уравнение (3)).

Три прямоугольных окна в приложении. Рис. 3b соответствуют областям значений на плоскости ( s , t ), над которыми \ ({W} _ {{\ rm {\ Delta}} {s} _ {1,2,3 }} \) были рассчитаны в момент времени t = t *, каждая длительностью τ и шириной \ ({\ rm {\ Delta}} {s} _ {1} \), \ ({\ rm {\ Delta}} {s} _ {2} \), \ ({\ rm {\ Delta}} {s} _ {3} \), показаны сплошными, пунктирными и пунктирными линиями соответственно.При онлайн-расчете текущий момент времени t располагался в правой части прямоугольника. Таким образом, алгоритм сохранил 0,5 с предшествующих сигналов и использовал их для усреднения. Когда от оборудования поступали новые данные, прямоугольники смещались вправо с шагом \ (\ delta t = \ frac {1} {{s} _ {R}}, \), где с _R = 200 Гц (частота дискретизации). Затем были рассчитаны величины \ ({W} _ {{\ rm {\ Delta}} {s} _ {i}} \) для следующего момента времени.Видно, что значение средней энергии \ ({W} _ {{\ rm {\ Delta}} {s} _ {1}} \), полученное при наличии активности предшественника, стало больше \ ({W } _ {{\ rm {\ Delta}} {s} _ {2,3}} \) и, кроме того, значительно превысил то же значение, соответствующее фоновой активности. Таким образом, используя пороговое значение Вт _чт можно автоматически обнаружить предшественник с помощью предыдущего и двух дополнительных условий: (i) \ ({W} _ {{\ rm {\ Delta}} {s} _ {1}} (t)> {W } _ {th} \), (ii) \ ({W} _ {{\ rm {\ Delta}} {s} _ {1}} (t)> {W} _ {{\ rm {\ Delta} } {s} _ {2}} (t) \) и (iii) \ ({W} _ {{\ rm {\ Delta}} {s} _ {1}} (t)> {W} _ {{\ rm {\ Delta}} {s} _ {3}} (t) \).Условия (ii) и (iii) использовались, чтобы отличить предшествующие события от сонных веретен и низкочастотной дельта-активности. Подобно SWD, эти типы активности ЭЭГ также сопровождались синхронизацией в глубоких слоях коры и между корой и таламусом.

Производительность уточненного алгоритма прогнозирования SWD в режиме онлайн (чувствительность и специфичность) оценивалась путем измерения количества правильно спрогнозированных SWD, количества пропущенных SWD, количества обнаруженных SWD и количества ложноположительных обнаружений в течение 1-часовая базовая запись, предшествующая сеансу стимуляции, во время которой алгоритм анализировал записанную ЭЭГ в реальном времени.Чувствительность алгоритма была рассчитана как (количество правильных прогнозов / (количество правильных прогнозов + количество пропущенных SWD + количество обнаруженных SWD)) * 100% и достигла значения 45%. Специфичность алгоритма была рассчитана как (количество правильных прогнозов / (количество правильных прогнозов + количество ложных срабатываний)) * 100% и достигла значения 24%. SWD был определен как правильно спрогнозированный, когда он произошел максимум через 1 секунду после маркера, указывающего на обнаружение предшественника.Начало SWD было определено как первый эпилептический всплеск (резкий всплеск, по крайней мере, в два раза превышающий амплитуду фоновых LFP), который виден во всех кортикальных и таламических каналах регистрации и сопровождается ритмической активностью SWD, как в предыдущей работе нашего автора. группа ^{5, 29}.

Стимуляция

Генератор стимула управлялся специально разработанным программным обеспечением, которое позволяло реализовать набор параметров импульса стимуляции (например, длительность, частота, ширина импульса, интенсивность) из текстового файла.Чтобы минимизировать время простоя после обнаружения предшественника, алгоритм прогнозирования немедленно активировал стимулятор через проводное соединение, и маркер обнаружения предшественника был отправлен на оборудование системы сбора данных. Этот поток аппаратного подключения, отвечающий за обмен данными между алгоритмом прогнозирования и генератором стимулов, был реализован через порт параллельного принтера компьютера. Он был активирован на 1,0 с и одновременно блокировал любые сигналы, поступающие из алгоритма прогнозирования, чтобы предотвратить доставку дополнительных стимулов, вызванных артефактами, которые могут появиться в кортикальной ЭЭГ во время доставки последовательности импульсов.Маркер обнаружения прекурсора представлял собой импульс 0,05 с.

Повышение точности классификации за счет снижения сложности сигнала

Мы применяем искусственную нейронную сеть (ИНС) для распознавания и классификации электроэнцефалографических паттернов (ЭЭГ), связанных с образами движения у нетренированных субъектов. Точность классификации оптимизируется за счет уменьшения сложности вводимых экспериментальных данных. Из многоканальной ЭЭГ, записанной набором из 31 электрода, расположенных по расширенной международной системе 10-10, мы выбираем соответствующий тип ИНС, который достигает точности 80 ± 10% для классификации однократных испытаний.Затем мы уменьшаем количество каналов ЭЭГ и получаем соответствующее качество распознавания (до 73 ± 15%), используя всего 8 электродов, расположенных в лобной доле. Наконец, мы анализируем частотно-временную структуру сигналов ЭЭГ и обнаруживаем, что двигательные особенности, связанные с моторными образами левой и правой ноги, более выражены в мю (8–13 Гц) и дельта (1–5 Гц) мозговых волнах, чем в мозговых волнах. высокочастотная бета-волна мозга (15–30 Гц). На основании полученных результатов мы предлагаем дальнейшую оптимизацию ИНС путем предварительной обработки сигналов ЭЭГ фильтром нижних частот с различными порогами среза.Мы демонстрируем, что фильтрация высокочастотных спектральных составляющих значительно улучшает характеристики классификации (точность до 90 ± 5% при использовании только 8 электродов). Полученные результаты представляют особый интерес для разработки интерфейсов мозг-компьютер для неподготовленных людей.

1. Введение

Разработка интерфейсов мозг-компьютер (BCI) — очень сложная и важная задача нейробиологии и нейротехнологии. BCI очень востребованы во многих областях науки и технологий, включая медицину, высокие технологии и промышленность [1–4].Наиболее яркими примерами возможного применения ИМК являются реабилитация пациентов с когнитивными и двигательными нарушениями, оценка сознания, коммуникации, экзоскелеты, управляемые разумом, манипуляторы, роботы и другие сложные технические устройства [4–6], обучение человека с использованием ИМК с биологическими обратная связь и так далее.

Обычно ИМК основан на анализе сигналов неинвазивной электроэнцефалографии (ЭЭГ), регистрируемых электродами, помещенными на поверхность кожи головы. ЭЭГ — это широко распространенный недорогой метод исследования мозга, который позволяет глубже понять функции мозга, связанные с различными видами деятельности человека.Однако обработка многоканальных сигналов ЭЭГ представляет собой очень сложную задачу, поскольку они нестационарны, многомерны и чрезвычайно зашумлены [7, 8]. Все эти факторы затрудняют распознавание и классификацию конкретных двигательных паттернов или паттернов, связанных с восприятием, в одном режиме [9, 10] и требуют обширных статистических измерений.

С практической точки зрения разработка компактных ИМК реального времени и потребительских гарнитур требует сокращения количества каналов ЭЭГ до оптимального набора, который содержал бы необходимую информацию о лежащих в основе мозговых процессах [11, 12].Такое сокращение направлено на минимизацию размера структуры ИНС и уменьшение стоимости вычислений и объема памяти для получаемых данных. Кроме того, некоторые исследователи подчеркивают, что нерелевантные каналы ЭЭГ могут добавлять дополнительный шум и избыточную информацию, что может снизить точность обработки сигнала [12].

Среди существующих подходов к анализу данных ЭЭГ (например, частотно-временной анализ [13] и методы нелинейной динамики [14]) наиболее перспективными и эффективными инструментами классификации одиночных испытаний ЭЭГ являются искусственные нейронные сети (ИНС). [12, 15, 16].Успешное применение ИНС требует тщательного подбора их параметров, которые могут существенно различаться в зависимости от конкретной задачи и разных тематик [17]. Таким образом, оптимизация входных данных ЭЭГ (уменьшение размерности, фильтрация и т. Д.) И выбор канала является одной из ключевых проблем для разработки эффективных ИМК на основе ИНС. Традиционные методы уменьшения размерности включают анализ главных компонентов (PCA) и линейный дискриминантный анализ (LDA), когда исходные особенности математически проецируются на пространство более низкой размерности.Однако такие методы не являются общими и требуют оптимизации входных данных для каждого субъекта из-за сильной межпредметной изменчивости [8] и отсутствия связи между текущей оптимизацией и физиологическими процессами в головном мозге. Эти задачи особенно актуальны для неподготовленных субъектов [8] и создают трудности для разработки универсального ИМК.

Действительно, во многих исследованиях BCI участвуют специально обученные субъекты, поскольку классификация паттернов мозговой активности во время воображения движения нетренированных субъектов значительно сложнее и, следовательно, плохо изучена [18, 19].Несмотря на то, что обучение способно повысить выраженность особенностей ЭЭГ и облегчить процесс распознавания для алгоритмов на основе ИНС [20], оно не может быть эффективно использовано для пациентов с двигательными и умственными недостатками [16, 21]. Поэтому создание универсального ИМК, позволяющего работать с неподготовленными людьми, было бы полезно для двигательной реабилитации таких пациентов. Недавние исследования показывают возможность проведения классификации двигательных паттернов ЭЭГ необученных добровольцев, но только для здоровых людей, которые могут управлять своими конечностями.Однако это очень серьезная проблема для парализованных пациентов с патологиями двигательной системы из-за их неспособности представить себе движение [22]. Кроме того, сравнение реакции воображения движений мозга тренированных и нетренированных испытуемых выявляет существенные различия. В частности, у субъектов, ранее не получавших ИМК, наблюдается активация дорсолатеральной префронтальной коры, а также правой и левой островков, не обнаруживаемая у субъектов, обученных ИМК [23].

В настоящее время одной из важнейших задач нейробиологии и нейротехнологий является разработка эффективных и универсальных методов оптимизации входных данных, в частности, за счет снижения сложности сигналов, для дальнейшей обработки с помощью ИНС.

Перспективным подходом к решению вышеуказанных проблем является оптимизация входного набора данных, основанная на знании законов процессов, происходящих в мозге при совершении некоторых действий, таких как воображение движения. Самый простой и интуитивно понятный метод уменьшения пространства признаков — уменьшение количества каналов ЭЭГ на основе частотно-временного анализа. В целом анализ частотно-временной структуры многоканальной ЭЭГ позволяет обнаруживать области мозга, в которых значительное увеличение или уменьшение энергии определенных ритмов мозга отражает двигательную активность или двигательные образы (синхронизация / десинхронизация, связанная с событием) [19 ].

Таким образом, в этой статье мы сосредоточимся на разработке эффективного алгоритма классификации. Следует отметить, что в случае алгоритмов обучения с учителем эффективность классификации сильно зависит от набора данных, используемого для обучения. Набор обучающих данных должен быть сбалансированным и репрезентативным, чтобы обеспечить хорошую обобщающую способность ИНС. Здесь мы предлагаем подход к оптимизации входного набора данных на основе высокочастотной фильтрации входных данных ЭЭГ с различными значениями отсечки и выбора конкретных каналов ЭЭГ с целью обнаружения наиболее эффективной пространственной конфигурации ЭЭГ для получения максимальной точности классификации. .В то же время известно, что разные виды деятельности человека вызывают реакции в разных областях коры головного мозга. Поэтому второй целью является изучение влияния количества анализируемых каналов (или электродов) ЭЭГ на качество распознавания двигательных образов ног и оптимизацию выбора электродов.

Следует отметить, что продуманная разработка методов распознавания паттернов ЭЭГ, связанных с воображаемыми движениями ног, имеет решающее значение для создания ИМК, которые помогут в терапии пациентов с различными двигательными нарушениями после травмы или инсульта с использованием протезов, экзоскелетов. , или антропоморфные роботы.

Структура статьи следующая. В разделе «Материалы и методы» мы описываем план нашего эксперимента, предоставляем информацию об участниках и оборудовании, а также даем представление о методах предварительной обработки и выбора каналов, а также о классификаторах, используемых для численного анализа. В разделе «Результаты» мы сначала предлагаем оптимальную структуру ИНС и оптимальную стратегию выбора обучающей выборки для получения максимальной точности классификации. Затем запускаем классификатор для различных комбинаций каналов ЭЭГ.Затем мы применяем фильтрацию верхних частот к входному набору данных с разными значениями отсечки. Наконец, мы обсуждаем и обобщаем полученные результаты в Заключении.

2. Материалы и методы

2.1. Участники

Экспериментальная работа началась с формирования группы испытуемых, изначально состоящей только из условно здоровых добровольцев. Затем мы отобрали людей с нормальной массой тела, рассчитанной по индексу массы тела (ИМТ) Кетле. На этом этапе все добровольцы подписали информированное медицинское согласие на участие в экспериментальной работе и получили все необходимые объяснения о процессе, включая свое согласие на дальнейшую публикацию результатов.

В результате в основной части экспериментальной работы было задействовано 12 человек, как мужчин (8 человек), так и женщин (4 человека). Добровольцы были проинформированы о важности полноценного ночного отдыха для получения хороших экспериментальных данных и качества результатов. Наши занятия были организованы до 14:00. с естественным освещением.

Экспериментальные исследования были выполнены в соответствии с Хельсинкской декларацией и одобрены локальным комитетом по этике исследований Саратовского государственного технического университета имени Ю.А. Гагарина.

2.2. План эксперимента и оборудование

Поза всех испытуемых была проверена и оставалась практически неизменной на протяжении всей работы. Они сидели в удобном специальном кресле, обе ноги без обуви лежали прямо на стойке, а руки лежали на подлокотниках. На первом этапе эксперимента регистрировалась ЭЭГ состояния пассивного бодрствования. Он состоял из 3-минутной записи ЭЭГ с открытыми глазами, 3-х минут с закрытыми глазами и 4-х минут в удобном для условий теста состоянии.В течение этого 10-минутного времени записи мы рекомендовали по возможности воздерживаться от любой сознательной двигательной активности. На втором этапе эксперимента испытуемые выполняли задания в соответствии с отображаемыми на экране текстовыми командами. Мы использовали монитор BenQ с разрешением 1920 × 1080 и частотой обновления экрана 60 Гц. При этом на экран выводили изображение человека в полулежа, поднимающего ногу следующим образом. Нога была в свободном состоянии, слегка согнута в колене, стопа также свободно вытягивала линию ноги, не выполнялось никаких специальных движений для подтягивания пальцев ног вверх или вперед.Нога поднимается в тазобедренном суставе на угол 40–45 градусов.

Каждый испытуемый участвовал в одном эксперименте продолжительностью около 30 минут, в течение которого он / она должен был выполнить два типа задач: (i) Реальное движение левой / правой ноги (поднятие ноги в бедре) (ii) Воображаемое движение левой / правой ноги

Реальные движения в первом задании были выполнены для того, чтобы испытуемые более четко понимали, как именно они должны представьте движение, выполняя второе задание. Каждое задание сопровождалось свистком, за которым следовали паузы произвольной продолжительности (5–10 секунд).Таким образом, второй этап включал в себя два типа реальных и два типа воображаемых движений, в частности, реальные движения ног, как влево, так и вправо, и воображаемые движения одних и тех же конечностей. Для задач на воображение движения продолжительность пауз была увеличена (с 8 до 18 секунд). Кроме того, для задач на воображение движения не демонстрировалась фотография «образцового» выполнения движений. После выполнения заданий регистрировалась ЭЭГ состояния пассивного бодрствования в течение 5 минут.

Многоканальная ЭЭГ регистрировалась с частотой дискретизации 250 Гц от электродов с двумя референсными электродами, расположенными в стандартных положениях ушей в расширенной международной системе 10-10 (см. Рисунок 1 (b)) [24].Для регистрации данных ЭЭГ использовалась чашка с Ag / AgCl-электродами, помещенная на пасту «ТИЕН – 20». Непосредственно перед установкой электродов кожу головы натирали абразивным гелем «NuPrep» для повышения пропускной проводимости. Обычно значения импеданса варьировались в пределах 2–5 к Ом . ЭЭГ регистрировали на электроэнцефалографе «BE Plus LTM» (EB Neuro SPA) с регистрационным удостоверением № FSZ 2011/10629 от 20.09.2011, выданным Федеральной службой по надзору в сфере здравоохранения и социального развития Российской Федерации.Это оборудование соответствует следующим сертификатам: UNI EN ISO 9001 / ISO 9001: 2008, EN 46001 ISO 13485: 2012, QSR 21 CFR Part 820 Federal Law.

Обучение и тестирование ИНС были выполнены для каждого испытуемого с использованием двух наборов данных, содержащих 6000 точек каждый (24 секунды записанной ЭЭГ) для воображаемых движений левой и правой стопы. Каждый набор данных состоял из комбинации восьми трехсекундных испытаний ЭЭГ, соответствующих определенному движению каждого испытуемого. Половина наборов данных, выбранных случайным образом, использовалась для обучения ИНС, а оставшаяся половина — для ее тестирования.
Классификация проводилась с помощью ИНС, обученной на алгоритмах обратного распространения. По каждому предмету процесс обучения ИНС проводился заново.
Начальные параметры ИНС были выбраны с учетом следующих соображений. Количество входов ИНС равнялось количеству каналов ЭЭГ. Количество нейронов в выходном слое было один, потому что выход может быть только 0 или 1. Первоначально минимальное количество нейронов в скрытом слое было выбрано равным 5.Дальнейшее обучение такой сети проводилось путем отслеживания ошибки управления и проверки результата классификации для уменьшения ошибки. Если ошибка управления уменьшилась по сравнению с предыдущим шагом, количество нейронов в скрытом слое увеличивалось, и описанная выше процедура повторялась. Это продолжалось до тех пор, пока ошибки обучения и управления не достигли достаточно низких значений, которые практически не уменьшились, когда к скрытому слою было добавлено больше нейронов.
2.3. Предварительная обработка и выбор канала ЭЭГ
Записанные данные были обработаны фильтром нижних частот с отсечками на и.Таблица 1 содержит подробную информацию о каждой комбинации каналов в соответствии с положением каналов на голове человека (см. Также рисунок 1 (b)).
970 970 970 970 910 970 970
9136
4. Классификаторы на основе ИНС
ИНС широко используются для обработки нейробиологических сигналов, извлеченных различными методами, включая МЭГ и ЭЭГ. Наиболее распространенная технология обнаружения различных видов мозговой активности, как нормальной, так и патологической, основана на записях ЭЭГ [25, 26], хотя недавно Wu et al. [27] представили новый подход к классификации данных MEG с использованием машины опорных векторов (SVM) с радиальной базисной функцией ядра, которая оказалась эффективным методом распознавания правой и левой височной эпилепсии.В данной статье мы анализируем различные типы ИНС, чтобы выявить наиболее удобные конфигурации. Здесь мы реализуем алгоритмы машинного обучения для анализа многоканальных сигналов ЭЭГ, разработанные на основе пакета MATLAB, содержащего методы ИНС.
Проведенный анализ показал, что наиболее быстрое и точное распознавание двигательных паттернов ЭЭГ может быть достигнуто с помощью следующих конфигураций ИНС: (i) Сеть радиальной базисной функции (RBF) с 251 нейроном в скрытом слое, 31 входным и 1 выходным линейным нейроном (ii) Многослойный персептрон (MLP) с одним скрытым слоем, состоящий из 15 нейронов с гиперболическим тангенсом в качестве функции активации, 31 вход линейные нейроны и один выходной нейрон с функцией логистической активации (iii) Машина опорных векторов (SVM-RBF) с нелинейным ядром на основе радиальной базисной функции со значениями 0.01 <<0,1 и 2000 опорных векторов в сумме (1000 для каждого класса)
Мы также использовали линейную сеть (LN) для получения более репрезентативных результатов, которые продемонстрировали, как ANN работает со сложными нелинейными данными. LN — это простейшая модель, которая состоит из одного входного слоя и одного выходного слоя с линейной функцией активации. Хотя эта модель способна решать простые задачи классификации, для распознавания нелинейных данных требуются дополнительные скрытые слои с нелинейными функциями активации, заданными многослойной моделью персептрона.
2,5. Частотно-временной анализ на основе вейвлетов
Частотно-временной анализ основан на непрерывном вейвлет-преобразовании [28, 29]. где параметры и характеризуют масштаб и трансляцию вейвлет-функции, а — анализируемый сигнал ЭЭГ. Комплекснозначный вейвлет Морле выбран в качестве материнской функции с центральной частотой Morlet и.
Энергетический спектр вейвлета рассчитывается в полосе частот Hz (). Для каждого канала ЭЭГ энергетические спектры вейвлета и связанные, соответственно, с образами движения правой и левой ноги рассчитываются путем усреднения по указанной полосе частот и по каждому экспериментальному сеансу (RE), (IM) или (BCG) как
В частотных диапазонах -диапазоне (1–5 Гц), -диапазоне (8–13 Гц) и -диапазоне (15–30 Гц) значения энергии, и рассчитываются для каждого канала ЭЭГ путем усреднения спектра. в соответствующей полосе частот как
Наконец, для каждого диапазона вычисляются различия между значениями энергии, связанными с образами движения правой и левой ноги.
3. Результаты
В нашем исследовании сигналы ЭЭГ были получены от 12 испытуемых с помощью набора из 31 записывающего электрода. На первом этапе вход ИНС был представлен в векторной форме размерности () (см. Рисунок 1 (c)). Испытания ЭЭГ были разделены на две группы (изображения левой ноги и изображения правой ноги) с помощью ИНС различной конфигурации: SVM, MP, RBF и LN (подробное описание структуры ИНС см. В разделе «Материалы и методы»).
На рисунке 1 (а) точность классификации каждой сети была рассчитана для всего 31 канала ЭЭГ.Данные были усреднены по всем предметам и показаны как среднее ± стандартное отклонение. Можно видеть, что сеть линейных нейронов не показала значительной производительности с точностью менее 65% для большинства испытуемых. В то же время результаты, полученные для SVM, RBF и MLP, продемонстрировали среднюю точность классификации 76,5%, 77,9% и 72,4% соответственно. Сравнив эти архитектуры ИНС, можно найти RBF как наиболее оптимальную архитектуру, точность классификации которой значительно превышала показатели точности как SVM, так и MLP (с помощью парного выборочного теста).
Продемонстрированный показатель точности 77,9% был достигнут для неоптимизированного входа, то есть для всего набора каналов ЭЭГ, содержащих колебания в широком диапазоне частот. Однако предыдущие исследования показывают, что если принять во внимание все возможные особенности многоканальной ЭЭГ для задачи классификации, результаты будут иметь чрезвычайно многомерное пространство признаков, которое значительно увеличивает сложность ввода и снижает уровень точности. В соответствии с этим наблюдением, здесь мы предлагаем уменьшить пространство входных признаков на основе пространственных и частотных представлений связанной с двигателем ЭЭГ.
Чтобы уменьшить количество каналов ЭЭГ, мы анализируем степень точности на основе RBF, полученную для различных предопределенных наборов каналов (подробное описание предопределенных комбинаций каналов см. В разделе «Материалы и методы»). Сравнив результаты такой классификации, мы оптимизируем комбинацию каналов для получения удовлетворительной точности классификации с использованием небольшого количества электродов.
На Рисунке 2 (а) значения точности классификации показаны для 9 наиболее репрезентативных конфигураций (описание всех рассмотренных конфигураций см. В Таблице 1).На рисунке 2 (b) показано количество каналов, принадлежащих каждой конфигурации. На рисунке 2 (c) отмеченные области мозга показывают области, где расположены записывающие электроды. Видно, что наиболее точный результат получается при использовании комбинации, соответствующей полному размещению (31 электрод) (см. Рисунок 2 (а)). В то же время, несмотря на лучшую производительность распознавания, мы не можем считать эту комбинацию оптимальной из-за большого количества каналов (см. Рисунок 2 (б)).
Распознавание в правом и левом полушарии (и, соотв.) не показывает значимых результатов. Причиной плохой работы RBF в этих областях может быть тот факт, что воображение движения вызывает реакцию в удаленных областях мозга; таким образом, лучший результат распознавания может быть получен при использовании комбинации электродов, местоположение которых способно уловить это взаимодействие. С этой целью считаем соответствующее сочетание лобной и височной долей (). Видно, что среди комбинаций других каналов (кроме) обеспечивает наилучшее качество распознавания.
Видно, что лобная доля покрывает большую часть мозга, а ее комбинация с височными долями по-прежнему содержит слишком много электродов. Рассматривая эти области по отдельности, мы можем отметить их как наиболее подходящий выбор из-за меньшего количества каналов (8 электродов против 12 дюймов) и примерно одинакового уровня классификации. Следует отметить, что лобная доля тесно связана с двигательной активностью (например, ходьбой), принятием решений и многими другими важными когнитивными и эмоциональными аспектами [30, 31].Этот результат согласуется с предыдущими исследованиями [19, 32], в которых частотно-временной анализ выявил ярко выраженные события воображения движений руки в связанной с событием десинхронизации дельта-диапазона во фронтальной коре головного мозга.
Наконец, аналогично [19], мы провели частотно-временной анализ ЭЭГ, связанных с двигательными процессами, чтобы найти области мозга, в которых нейронная динамика демонстрирует наиболее выраженные различия при изображении правой и левой ноги. Частотно-временной анализ проводился с помощью вейвлет-разложения в трех частотных диапазонах: дельта (1–5 Гц), альфа (8–12 Гц) и бета (15–30 Гц) (подробное описание см. В разделе «Материалы и методы»). ).В каждом диапазоне энергия вейвлета рассчитывалась для каждого типа движения путем ее усреднения по всем соответствующим испытаниям ЭЭГ. На рисунке 3 (а) различия между значениями энергии, соответствующими изображениям для правой и левой руки, окрашены в разные цвета. Видно, что в бета-диапазоне частот (15–30 Гц) разница равномерно распределена по коре, и трудно найти область, где такие различия наиболее выражены. В диапазоне 8–12 Гц максимальная разница достигается для лобно-височной области (в наших обозначениях для комбинации каналов), а минимальная разница достигается в центральной и теменной областях (комбинации и), которые совпадают с расположением премоторной коры [33 ].Наконец, в низкочастотном диапазоне (1–5 Гц) можно наблюдать наиболее выраженные различия в лобной доле (), центральной доле () и затылочной доле. В случае альфа- и дельта-ритмов можно выделить наиболее выраженную разницу в правом полушарии.
Такие особенности частотно-временной структуры ЭЭГ влияют на работу ИНС. На рисунке 3 (b) гистограммы показывают точность классификации (среднее значение ± стандартное отклонение), достигнутую через сеть RBF для различных типов входной ЭЭГ: нефильтрованной ЭЭГ и фильтрованной с порогами отсечки на и.Видно, что в случае 31 канала ЭЭГ () исключение спектральных составляющих выше 15 Гц приводит к повышению точности классификации (с 76% до 82%). Вместо этого, в случае меньшего количества каналов, повышение точности классификации для фильтрации с частотой 15 Гц становится меньше (с 73% до 77% для фронтальной ЭЭГ () и с 70% до 73% для теменной и центральной ЭЭГ ()). В случае париетальной ЭЭГ, когда анализ энергии вейвлета, усредненной по 8–12 Гц, не отражает изменений между движениями левой и правой руки, фильтрация не приводит к повышению точности классификации.
Рассмотрев точность классификации, полученную для ЭЭГ, отфильтрованной с отсечками при (т. Е. Исключены спектральные компоненты выше 4 Гц), можно увидеть дальнейшее повышение точности классификации для всех комбинаций каналов.
Полученные результаты свидетельствуют о корреляции между характеристиками классификации на основе ИНС и характеристиками сигналов ЭЭГ как в пространственной, так и в частотной областях. Выделение таких признаков путем анализа ЭЭГ в группе участников и его использование для предварительной обработки входных данных позволяет значительно повысить (с 72% до 90% для лобной ЭЭГ) (с помощью теста парной выборки) точность классификации одиночных испытаний ЭЭГ. по всем предметам в группе.
4. Обсуждение
Классификация испытаний ЭЭГ, связанных с воображением движения с использованием искусственных нейронных сетей, является широко исследуемой темой исследований многих исследователей в различных областях науки [34]. Что касается искусственного интеллекта, важно показать, как искусственные нейронные сети устанавливают сложные зависимости в нелинейных и нестационарных сигналах, чтобы достичь значительного прогресса в разработке систем на основе ИНС. Наряду с классификацией ЭЭГ, связанной с моторикой, также особенно важно классифицировать другие типы мозговой активности, такие как паттерны эпилепсии [35], стадии сна [36] и психические расстройства [37].
В задаче классификации моторных алгоритмов ЭЭГ ИНС демонстрируют высокую (более 90%) точность классификации. В то же время для эффективного использования таких классификаторов требуется тонкая настройка параметров сети с учетом индивидуальных особенностей. Чтобы минимизировать индивидуальную изменчивость, в настоящей работе мы оптимизировали ИНС на основе данных ЭЭГ 12 необученных добровольцев.
На первом этапе мы сравнили различные структуры ИНС и достигли уровня точности 78 ± 10% для сети с радиальной базисной функцией (RBF) и 76 ± 12% для опорной векторной машины (SVM) в случае 31- вход канала.Известно, что SVM считается наиболее перспективным инструментом для классификации одиночных исследований ЭЭГ [38]. В частности, Ma et al. [39] описал SVM как метод, который позволяет решать проблемы, связанные с небольшими размерами выборки и большими размерами, и может достигать точности классификации выше 83,5%. В этом контексте наилучшая производительность была получена для SVM с нелинейным ядром на основе радиальной базисной функции (RBF-SVM). Было показано, что в то время как использование линейного SVM с пространственным и временным анализом главных компонент (PCA) продемонстрировало точность 73% [40], RBF-SVM позволило достичь точности до 93% в сочетании с анализом независимых компонентов (ICA) [41]. ] и 81% в сочетании с генетическим алгоритмом (ГА) [42, 43].Архитектура нейронной сети с радиальной базисной функцией (RBF) была применена Barios et al. [44] для классификации пациентов с хронической почечной недостаточностью и продемонстрировал точность 86,6% без оптимизации. Позже Pei et al. [45] с улучшенной сетью RBF продемонстрировал 87,14% точности классификации задач по воображению движений левой и правой руки. Совсем недавно Hamedi et al. [46] сравнили эффективность RBF с SVM и многослойным персептроном (MLP) в задаче классификации двигательной ЭЭГ. В результате сеть RBF продемонстрировала точность классификации намного выше, чем MLP, в то время как точность SVM-RBF была на 3% больше.
Анализ научной литературы позволяет сделать вывод, что начальная точность классификации двигательной ЭЭГ достигает 80%, когда оптимизация неприменима, а эффективные алгоритмы оптимизации могут повысить точность до 95%. Такое снижение точности в случае неоптимизированной ЭЭГ вызвано чрезвычайно многомерным пространством признаков входных данных и сообщается не только для задач, связанных с моторикой. В частности, Hagmann et al. [47] показали, что 200 часов одноканальной записи ЭЭГ содержат 12% шума, что приводит к ошибочной классификации.Более того, 80% характеристик ЭЭГ оказались несущественными в случае диагностики болезни Альцгеймера [48].
Следует отметить, что алгоритмы оптимизации в основном основаны на математической проекции исходных характеристик на пространство меньшей размерности. Основные методы выбора функций основаны на подходах с фильтром, оболочкой и гибридом [49]. Генетические алгоритмы на основе ИНС эффективно используются для оптимизации характеристик биологических сигналов, таких как электроэнцефалография (ЭЭГ) и электрокортикография (ЭКоГ).Например, генетический алгоритм был использован Li et al. [43] для оптимизации комбинации входных каналов для нейронной сети на основе MLP и оценки соответствия каждого канала ЭЭГ текущей задаче. Выявлено, что выбор канала позволяет лучше понять результаты, полученные классификатором. Другой метод отбора данных ЭЭГ для классификации был предложен Tomida et al. [11]. Метод был основан на оценке истинных ковариационных матриц каждой задачи воображения движения.В другом исследовании Sreeja et al. [50] показали, что выбор 30 электродов, помещенных на премоторную кору, дополнительную моторную кору и первичную моторную кору, в сочетании с предварительной обработкой обеспечивает точность классификации ЭЭГ воображения движений до 95%.
Несмотря на продемонстрированную возможность методов оптимизации для значительного повышения точности классификации, они сильно зависят от характеристик исходных данных, которые наряду с характеристиками, связанными с моторикой, включают другие закономерности, связанные с индивидуальными характеристиками субъектов, которые требуют предварительной калибровки классификатора для каждого объекта.Исходя из этого, в нашем исследовании мы предлагаем метод оптимизации, основанный на двигательных особенностях ЭЭГ на основе пространственно-временного и частотно-временного анализа ЭЭГ в группе испытуемых. Такой подход позволил достичь эффективности классификации до 90 ± 5% всего с 8 электродами за счет использования оптимального набора спектральных компонентов ЭЭГ. Недавно Yang et al. [12] сообщили о 80% точности при использовании 10 каналов и 86% для 6 каналов, полученной с помощью нейронной сети на основе MLP с использованием генетического алгоритма.Кроме того, Tam et al. [51] достиг наивысшего среднего уровня точности 90% для 8 каналов с использованием метода пространственной фильтрации. Следует отметить, что Arvaneh et al. [52] предложил новый алгоритм разреженной общей пространственной структуры (SCSP) для оптимизации и получил точность классификации на основе SVM 81,63% при использовании 13 каналов.
Таким образом, уровень точности классификации, полученный с помощью нашего подхода, выше, чем с помощью других алгоритмов оптимизации. В то же время, поскольку наш метод основан на частотно-временных и пространственно-временных характеристиках ЭЭГ, он применим для всех испытуемых, и, следовательно, на его точность гораздо меньше влияет индивидуальная изменчивость.
5. Выводы
Мы применили искусственные нейронные сети для распознавания и классификации одиночных испытаний ЭЭГ, связанных с образами движения правой и левой ноги у нетренированных добровольцев. Сосредоточившись на оптимизации точности классификации, мы снизили сложность входных данных. В рамках оптимизации был произведен оптимальный выбор как набора каналов ЭЭГ, так и полосы частот с помощью предварительного анализа пространственно-временных и частотно-временных характеристик ЭЭГ, что позволило достичь точности классификации до 90 ± 5%. с использованием всего 8 электродов.Мы сравнили наши результаты с результатами, недавно полученными с использованием других алгоритмов оптимизации (например, генетического алгоритма, оптимизации общего пространственного шаблона и метода фильтрации), и показали, что наш подход (i) дает более высокую точность, чем другие методы, и (ii) применим для все предметы, и, следовательно, на точность не влияет индивидуальная изменчивость.
Разработанный метод универсален, так как его точность практически не зависит от личности обследуемого. Мы считаем, что наш подход может быть использован для повышения эффективности интерфейсов мозг-компьютер (BCI), предназначенных для неподготовленных субъектов или группы субъектов.
Доступность данных
Экспериментальные данные содержат личную информацию и могут быть запрошены в Этическом комитете Саратовского государственного технического университета имени Юрия Гагарина. Участники дали письменное информированное согласие на использование их данных только в исследовательских целях. Чтобы запросить данные, заинтересованная сторона должна подписать соглашение о том, что предоставленные данные будут использоваться только для указанного исследования. Запрос направить председателю комитета, проректору проф.Остроумову И. по электронной почте: [email protected].
Конфликт интересов
Авторы заявляют об отсутствии конфликта интересов в отношении публикации этой статьи.
Благодарности
Работа поддержана Российским научным фондом (грант № 17-72-30003) в области экспериментальных исследований, классификации и распознавания состояний мозга на основе ИНС. Александр Н. Писарчик выражает благодарность Министерству экономики и конкурентоспособности Испании за поддержку (Ref.нет. SAF2016-80240-P) для разработки математических моделей для анализа характеристик ЭЭГ.
Энтропия | Бесплатный полнотекстовый | Бесконтактное определение обструктивного апноэ во сне по энтропийному спектру вейвлет-информации с помощью биорадара
2.2.2. Энтропия вейвлет-информации
Поскольку энтропия вейвлет-информации является комбинированным продуктом информационной энтропии и вейвлет-анализа, она может более точно проявлять нелинейное частичное изменение нестационарных сигналов и иметь лучшее низкочастотное разрешение [23].Из-за того, что респираторный сигнал является низкочастотным и нестационарным, а нелинейность и сложность сигнала апноэ сильнее нормального, значение энтропии вейвлет-информации также больше [24], что важно для различения апноэ. от нормального респираторного паттерна. Теперь ключевые параметры — выбор материнского вейвлета и процесс реализации энтропии вейвлет-информации — вводятся следующим образом:
(a)
Выбор материнского вейвлета
Вейвлет-преобразование — это процесс внутреннего произведения между исходным сигналом и вейвлет-функцией и функцией масштабирования, поэтому качество анализа сигнала во многом зависит от выбор базовой функции вейвлета — ψ (t).
Когда базовая функция — ψ (t) определена, так что ψa, b (t) = 1aψ (t − ba), где a — масштабная переменная, b — переменная смещения и a> 0. ψa, b (t) получается из базовой функции ψ (t) дальнейшим телескопическим перемещением. Если «a» и «b» постоянно меняются, мы можем получить семейство базисных вейвлет-функций. Для сигнала X (t), интегрируемого с квадратом, то есть X (t) ∈L2 (R). Тогда вейвлет-преобразование (Wavelet Transform, WT) X (t) определяется как:
WTX (a, b) = 1a∫X (t) ψ (t − ba) dt = ∫X (t) ψa, b (t) dt = 〈X (t) | ψa, b (t)〉
(1)
В настоящее время существует шесть широко используемых вейвлетов, и все они обладают различными характеристиками, в том числе хааром, daubachies, biorthgonal, coiflets, symlets и meyr wavelet.Выбор вейвлетов в основном соответствует этим пяти основным принципам: ортогональность и компактная опора и распад, регулярность, симметрия и исчезающие моменты. Ортогональность описывает избыточность данных, представленных вейвлетом; строгая ортогональность способствует точному восстановлению вейвлет-коэффициентов. Если широкополосный вейвлет, имеющий компактную опору, уже или затухает быстрее, это показывает, что вейвлет имеет лучшие локальные свойства и будет более благоприятным для обнаружения локальной мутации.Симметрия в основном влияет на фазу сигнала, а хорошая симметрия может гарантировать целостность восстановленного сигнала. Регулярность — это описание гладкости функции, представленное как дифференцируемость вейвлет-базиса, играющего особенно важную роль в вейвлет-преобразовании для поиска сингулярности. Исчезающие моменты являются наиболее важным параметром при выборе базовой функции вейвлета, и он определяет скорость сходимости при аппроксимации вейвлетом гладкой функции и указывает концентрацию энергии после вейвлет-преобразования.
Согласно текущим исследованиям раздела вейвлетов [25,26], всем шести вейвлетам может быть гарантирована ортогональность, компактный носитель и затухание, регулярность и симметрия. С точки зрения длины опоры и исчезающих моментов: определение исчезающих моментов вейвлета имеет вид следующим образом:
∫ − ∞ + ∞tkψ (t) dt = 0, k = 0, 1, 2,…, n − 1
(2)
Это означает, что ψ (t) имеет n последовательных нулей, тогда диапазон исчезающих моментов равен n.
Чем больше момент затухания, тем меньше коэффициентов будет, создавая внутренний продукт с сигналом, что делает высокочастотные коэффициенты меньше, а энергию более централизованной.Кроме того, это также приведет к увеличению длины опоры и увеличению объема вычислений. Следовательно, вейвлет с исчезающими моментами высокого порядка не следует использовать при измерении сингулярности сигнала.
Согласно приведенному выше анализу, вейвлет Добеши-1 был принят в этом исследовании в качестве материнского вейвлета, поскольку он обладает отличными характеристиками при обнаружении мутации и разделении высокочастотных и низкочастотных коэффициентов из-за малой длины опоры и малых моментов исчезновения .
(b)
Спектр энтропии вейвлетной информации
Процесс определения спектра энтропии вейвлетной информации на основе алгоритма оценки апноэ выглядит следующим образом:
(i) Анализ с несколькими разрешениями на основе алгоритма Маллата. Вначале высокочастотные коэффициенты dj (k) и низкочастотные коэффициенты aj (k) по j-й шкале разложения и в момент времени k были сгенерированы после выполнения вейвлет-разложения J-уровня на временном ряду X .Тогда коэффициенты вейвлет-реконструкции Dj (k) и Aj (k) можно было бы получить посредством одноканальной реконструкции. В этом случае исходная сигнальная последовательность Xn может быть выражена как сумма всех восстановленных коэффициентов, а именно:
X = A1 + D1 = A2 + D1 + D2 = ∑j = 1JDj + AJ = ∑j = 1J + 1Dj
(3)
где AJ можно представить как: DJ + 1. В этой статье трехуровневое вейвлет-разложение на основе специального вейвлета было применено к анализу с несколькими разрешениями. (Ii) Энергетический спектр вейвлета в каждой временной области.После вейвлет-преобразования энергия сигнала в каждом окне под одним масштабом вычисляется по формуле (4):
Ej = ∑k = 1L [Dj (k)] 2, j = 1, 2,…, J, J + 1
(4)
где Dj (k) — коэффициент вейвлет-реконструкции в j-м масштабе. L = 2048 — длина окна, и в этом алгоритме она перекрывает 50%. Затем был получен энергетический спектр вейвлетов дыхательного сигнала в шкале J, представленный как: E = [E1, E2,…, EJ, EJ + 1]. (Iii) Энтропийный спектр вейвлет-информации.Вейвлет-энтропия дыхания в каждом временном окне была сгенерирована в соответствии с определением информационной энтропии Шеннона и показана следующим образом:
SWT = −∑j = 1J + 1pjlog2pj = −∑j = 1J + 1 (EjEsum) log2 (EjEsum)
(5)
где pj указывает распределение энергии сигнала в разных масштабах. Esum обозначает сумму энергии вдовы. В конечном счете, разнообразие энтропии вейвлет-информации можно наблюдать при скольжении временной шкалы. (Iv) Оценка апноэ на основе эталонного порога.В случае апноэ значения вейвлет-энтропии респираторного сигнала выше нормы из-за увеличения частоты дыхания и степени расстройства. Таким образом, возникновение апноэ будет оцениваться на основе разумного порога энтропии вейвлета для каждого временного окна, который был установлен следующим образом:
SWTthreshold (i) = Saverage (i) × q
(6)
где Saverage (i) = sum (∑m = 14SWTminor (m)) / 4, четыре значения SWTminor представляют собой четыре меньших значения из восьми значений, окружающих SWT (i), а q представляет собой параметр веса.
До сих пор не существует профессионального определения энтропии вейвлет-информации нормального апноэ, поэтому ее пороговое значение было сгенерировано на основе опыта и принципа повышения точности суждения. В конечном итоге порог энтропии вейвлет-информации устанавливается равным 1,45-кратному нормальному уровню, т. Е. Q = 1,45, в соответствии с анализом многочисленных респираторных сигналов пациентов с СОАС, собранными био-радаром, и сравнением энтропии вейвлет-информации сигналов апноэ с энтропией нормальные дыхательные сигналы.
2.2.3. Оценка синдрома OSA и предупреждение об опасности
Наконец, функции оценки OSA и предупреждения об опасности, которые были реализованы после времен апноэ, были приобретены алгоритмом оценки апноэ. Эти две функции описаны следующим образом:
(a)
Оценка синдрома OSA
Сигналы апноэ во сне обрабатывались предложенным алгоритмом для оценки апноэ, и его результаты оценки обозначены как Hs. Предположим, что точность оценки с использованием предложенного алгоритма оценки апноэ составляет Ps, окончательное количество апноэ после всесторонней оценки по весу составляет: Основываясь на приведенных выше результатах, фактическое время возникновения апноэ у пациента с СОАС было представлено как H.В сочетании со стандартом клинических симптомов СОАС, H может поставить дополнительный диагноз СОАС.
(b)
Предупреждение об опасности
Дыхательный сигнал обрабатывается для принятия решения об апноэ с небольшой задержкой по времени, пока он принимается. Для участка сигнала последовательные временные окна апноэ, оцениваемые предложенным алгоритмом каждый раз, накапливаются счетчиком, и непрерывное время апноэ получается путем преобразования. Затем сработает сигнал тревоги, если время непрерывного апноэ превысит порог опасного времени.
Многочисленные исследования показали, что если время непрерывного апноэ превышает 120 с в течение ночи, пациент склонен к внезапной смерти ранним утром, поэтому в этом эксперименте порог рискованного времени установлен на 120 с. Однако, согласно принципу предложенного алгоритма, потребовалось еще четыре значения энтропии из четырех временных окон, чтобы получить соответствующий эталонный порог, когда последнее апноэ произошло в условиях опасности. Из-за того, что частота дискретизации fs = 100 Гц, длина окна L = 2048, и в этом алгоритме оно перекрывает 50%, его задержка составляет TL = 4 × L × 0.5 / fs = 40,96 с, что может вызвать повреждение пациента из-за того, что сигнал тревоги сработает с большей задержкой после возникновения опасного состояния. Поэтому, исходя из принципа улучшения способности защищать пациента и уменьшения потенциальной опасности, вызванной алгоритмической задержкой, мы вычли половину алгоритмической задержки из порогового значения рискованного времени. Таким образом, окончательный разумный порог времени риска установлен на 99,52 с. Это улучшение не только в некоторой степени снизит потенциальную опасность, вызванную алгоритмической задержкой, но также не приведет к высокому уровню ложных тревог.Более того, он не окажет никакого влияния на нормальные респираторные или респираторные заболевания с коротким временем апноэ.
Временные окна, определяемые как последовательные апноэ, определяются как n. Тогда фактически непрерывное время апноэ равно:
Если одно единичное время последовательного апноэ получено из предложенного метода t ≥ 99,52 с, то сработает сигнал тревоги, чтобы разбудить пациента; t <99,52 с, затем испытания продолжаются.
Навигация по записям
Как пустить текст по кругу в иллюстраторе: Создание текста в Illustrator
Как сделать текст из картинки в фотошопе: Добавьте текст на изображение в Photoshop Elements
Добавить комментарий Отменить ответ
Ваш адрес email не будет опубликован. Обязательные поля помечены *
Комментарий *
Имя *
Email *
Сайт

Найти:
Рубрики
1С
1С Обучение
Access
Adobe
Coreldraw
Delphi
Excel
Mathcad
Microsoft Access
Microsoft Excel
Microsoft Word
Sql
Word
Без рубрики
Изучение Delphi
Разное
Советы и лайфхаки
Уроки по Adobe
Уроки по CorelDRAW
Уроки по Mathcad
Уроки по Sql
Фотошкола
2019 © Все права защищены. Карта сайта
Область мозга Используемые каналы Обозначение
Полное положение (FP)
Левое полушарие (LH) ,
Теменная, затылочная и центральная доли ()
910
Теменная и затылочная доли ()
Теменная и центральная доли ()
Центральная и височная доли () Фронтальная доля ,
Височная доля () 9 1094
Центральная доля ()
Теменная доля ()
Средний ,

Adobe Photoshop 1+2 ступени

Заметки — Игорь К.

Новости велосипедостроения: Action для частотного разложения

Навигатор по журналу и не только

5 лучших каналов, по ретуши и обработке фотографий, на YouTube

Каналы на YouTube, где можно научиться ретуши и обработке фотографий

P.

Рекомендую к прочтению:

Панель расширения для Photoshop «Частотное разложение» — Обо всём — Каталог статей

Цветокоррекция по числам

P.S.

Человеческая личность отражает пространственно-временную и частотно-временную структуру ЭЭГ

Характеристики ЭЭГ

Взаимосвязь между особенностями ЭЭГ и умственными способностями

Взаимосвязь с личностными качествами

Личность человека отражает пространственно-временную и частотно-временную структуру ЭЭГ

Abstract

Введение

Материалы и методы

Участники

Схема эксперимента

Анализ психодиагностических тестов

Анализ ЭЭГ

Результаты

Обсуждение

Заключение

Благодарности

Каталожные номера

Произошла ошибка при настройке пользовательского файла cookie

Настройка вашего браузера для приема файлов cookie

Почему этому сайту требуются файлы cookie?

Что сохраняется в файле cookie?

Журавлев Виктор Михайлович — Известия вузов. Поволжье. Физико-математические науки

Контроль за отсутствием припадков с помощью мозгового компьютерного интерфейса

Крысы

Операция

Запись и обработка ЭЭГ

Гистология

Обнаружение предшественника в режиме онлайн

Стимуляция

Повышение точности классификации за счет снижения сложности сигнала

1. Введение

2. Материалы и методы

2.1. Участники

2.2. План эксперимента и оборудование

2.3. Предварительная обработка и выбор канала ЭЭГ

2,5. Частотно-временной анализ на основе вейвлетов

3. Результаты

4. Обсуждение

5. Выводы

Доступность данных

Конфликт интересов

Благодарности

Энтропия | Бесплатный полнотекстовый | Бесконтактное определение обструктивного апноэ во сне по энтропийному спектру вейвлет-информации с помощью биорадара

2.2.2. Энтропия вейвлет-информации

2.2.3. Оценка синдрома OSA и предупреждение об опасности

Добавить комментарий Отменить ответ