Fakulta elektrotechnická

ˇ ´ vysoke ´ uc ˇen´ı technicke ´ v Praze Cesk e ´ Fakulta elektrotechnicka

´ RSK ˇ ´ PRACE ´ BAKALA A Anal´ yza rozd´ıl˚ u EEG sign´ alu nadan´ ych a pr˚ umˇ ernˇ e nadan´ ych adolescent˚ u

Praha, 2015

Autor: Petr Bukovsk´ y ˇ ep´anov´a Vedouc´ı pr´ ace: Mgr. Karla Stˇ

Prohl´ aˇ sen´ı autora pr´ ace Prohlaˇsuji, ˇze jsem pˇredloˇzenou pr´aci vypracoval samostatnˇe a ˇze jsem uvedl veˇsker´e pouˇzit´e informaˇcn´ı zdroje v souladu s Metodick´ ym pokynem o dodrˇzov´an´ı etick´ ych princip˚ u pˇri pˇr´ıpravˇe vysokoˇskolsk´ ych z´avˇereˇcn´ ych prac´ı.

V Praze dne podpis

i

Podˇ ekov´ an´ı ˇ ep´anov´e za vstˇr´ıcnost a trpˇelivost, kterou projevila pˇri Dˇekuji pˇredevˇs´ım Mgr. Karle Stˇ veden´ı bakal´aˇrsk´e pr´ace. D´ale bych chtˇel podˇekovat MUDr. Ladislavu Reznerovi za jeho odborn´e konzultace a poskytnut´e materi´aly. M´e podˇekov´an´ı patˇr´ı tak´e rodinˇe a vˇsem, co mˇe podporovali at’ uˇz psychicky, finanˇcnˇe nebo i jinak.

ii

Abstrakt Tato bakal´aˇrsk´a pr´ace si klade za c´ıl urˇcit rozd´ıly v zapojen´ı r˚ uzn´ ych ˇca´st´ı mozku u nadan´ ych adolescent˚ u oproti pr˚ umˇernˇe nadan´ ym v pr˚ ubˇehu ˇreˇsen´ı u ´lohy ment´aln´ı rotace. Vybran´ ym jedinc˚ um bylo bˇehem ˇreˇsen´ı u ´lohy sn´ım´ano EEG, z jehoˇz v´ ysledk˚ u se bude pro porovn´an´ı vych´azet. V prvn´ı ˇca´sti pr´ace probˇehlo pˇredzpracov´an´ı EEG a v´ ypoˇcet pˇr´ıznak˚ u. Pro porovn´an´ı rozd´ıl˚ u v zapojen´ı r˚ uzn´ ych ˇca´st´ı mozku byla provedena selekce pˇr´ıznak˚ u, r˚ uzn´e metody klasifikace a vizualizace dat. Kv˚ uli ˇspatn´emu EEG z´aznamu byly z experimentu vyˇrazeny nˇekter´e subjekty. Selekce a klasifikace prok´azaly rozd´ıly zejm´ena v zapojen´ı medi´aln´ı oblasti mozku. To potvrdila i vizualizace, kter´a nav´ıc prok´azala zv´ yˇsenou aktivitu v tempor´aln´ıch laloc´ıch u nadan´ ych adolescent˚ u. Nadan´ı pˇri ˇreˇsen´ı u ´loh logick´eho charakteru zapojuj´ı ˇca´sti mozku, kde se nach´azej´ı asociaˇcn´ı centra. Na z´akladˇe v´ ysledk˚ u m˚ uˇze b´ yt nadan´ ym a pr˚ umˇernˇe nadan´ ym adolescent˚ um pˇrizp˚ usobena v´ yuka podle dovednost´ı.

Kl´ıˇ cov´ a slova Mozek, EEG, ment´aln´ı rotace, artefakty, segmentace, dopˇredn´a selekce, zpˇetn´a eliminace, klasifikace, naivn´ı Bayesovsk´ y klasifik´ator, v´ıcevrstv´ y perceptron, rozhodovac´ı strom.

iii

Abstract The purpose of this bachelor thesis is to determine differences in the brain activity of gifted and average adolescents during the mental rotation task. The experiment is based on EEG results, which were measured during this task. After signal preprocessing frequency and statistical features were calculated. To compare the brain activity was performed selection, classification and visualization of EEG results. Some subjects were excluded because of bad EEG signals. Selection and classification proved different brain activity especially on electrodes Fz and Cz. This results was confirmed by visualization, which also showed increased activity of gifted adolescents in the temporal lobe.

Keywords Brain, EEG, mental rotation, artifacts, segmentation, forward selection, backward elimination, classification, naive Bayesian classifier, Multilayer Perceptron, decision tree.

iv

České vysoké učení technické v Praze Fakulta elektrotechnická Katedra kybernetiky

ZADÁNÍ BAKALÁŘSKÉ PRÁCE Student:

Petr B u k o v s k ý

Studijní program:

Kybernetika a robotika (bakalářský)

Obor:

Robotika

Název tématu:

Analýza rozdílů EEG signálu nadaných a průměrně nadaných adolescentů Pokyny pro vypracování:

Cílem bakalářské práce je pomocí analýzy EEG signálu identifikovat mozkové struktury, které dobře klasifikují mezi nadanými a průměrně nadanými adolescenty v průběhu řešení úlohy mentální rotace (2D a 3D). Student se seznámí s měřením EEG signálu, jeho zpracováním, selekcí a klasifikací příznaků a provede vizualizaci výsledků. Zároveň bude provedeno zpracování behaviorálních dat (reakční časy a chybovost). Jednotlivé kroky práce jsou následující: 1. Seznamte se s průběhem psychologického experimentu, konkrétně s úlohou mentální rotace a dosavadním výzkumem měření mozkové aktivity v průběhu řešení kognitivních úloh. 2. Samostatné měření EEG signálu. 3. Proveďte automatické zpracování EEG záznamů naměřených v průběhu úlohy mentální rotace na nadaných i průměrně nadaných adolescentech (data jsou připravena) s příslušným předzpracováním (detekce artefaktů, segmentace signálu, extrakce příznaků, normalizace...). 4. Na základě extrahovaných příznaků proveďte selekci příznaků, které nejlépe budou klasifikovat mezi nadanými a průměrně nadanými jedinci. Porovnejte výstupy dopředné a zpětné selekce a jednotlivých klasifikátorů (naive Bayes, neuronové sítě, rozhodovací stromy). 5. Vizualizujte naměřená data i výsledky klasifikace.

Seznam odborné literatury: [1] S. Tong, N. V. Thakor - Quantitative EEG Analysis Methods and Clinical Applications. - Artech House, 2009. [2] Stenberg Robert J. – Kognitivní psychologie - Portál, 2002. [3] O'Boyle, Michael W., et al. - Mathematically gifted male adolescents activate a unique brain network during mental rotation. - Cognitive Brain Research 25.2 (2005), strana 583-587. [4] Petr Volf - Analýza EEG záznamu mentálně nadaných dětí – Praha, 2013 (diplomová práce).

Vedoucí bakalářské práce: Mgr. Karla Štěpánová Platnost zadání: do konce letního semestru 2015/2016

L.S. doc. Dr. Ing. Jan Kybic vedoucí katedry

prof. Ing. Pavel Ripka, CSc. Děkan V Praze dne 27. 1. 2015

vi

Obsah Seznam obr´ azk˚ u

xi

Seznam tabulek

xiii

´ 1 Uvod

1

2 Mozek

3

2.1

Neuron . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

3

2.2

Hemisf´ery . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

4

2.3

Laloky . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . ˇ ı lalok . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2.3.1 Celn´

4

2.3.2

Temenn´ı lalok . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

5

2.3.3

Sp´ankov´ y lalok . . . . . . . . . . . . . . . . . . . . . . . . . . . .

5

2.3.4

T´ yln´ı lalok . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

5

5

3 EEG

7

3.1

Vlny . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

7

3.1.1

Delta . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

8

3.1.2

Theta . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

8

3.1.3

Alfa . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

8

3.1.4

Beta . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

8

3.1.5

Gama . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

8

Elektroencefalograf . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

9

3.2

3.2.1

3.3

Elektrody . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

10

3.2.1.1

Syst´em 10-20 . . . . . . . . . . . . . . . . . . . . . . . .

10

3.2.2

Hlavice . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

11

3.2.3

Vlastn´ı EEG apar´at

. . . . . . . . . . . . . . . . . . . . . . . . .

11

Vyˇsetˇren´ı . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

12

vii

4 Ment´ aln´ı rotace ´ 4.1 Uloha ment´aln´ı rotace . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4.1.1 4.2

13 13

Experiment podle R. Sheparda a J. Metzlerov´e . . . . . . . . . .

14

Rozd´ıl mezi nadan´ ymi a pr˚ umˇernˇe nadan´ ymi dˇetmi . . . . . . . . . . . .

14

5 Pˇ redzpracov´ an´ı sign´ alu

17

5.1

Pˇrevzorkov´an´ı . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

17

5.2

Filtrace 50 Hz . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

18

5.3

Artefakty . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

18

5.3.1

Technick´e artefakty . . . . . . . . . . . . . . . . . . . . . . . . . .

19

5.3.2

Biologick´e artefakty . . . . . . . . . . . . . . . . . . . . . . . . . .

19

Segmentace . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

20

5.4.1

Konstantn´ı segmentace . . . . . . . . . . . . . . . . . . . . . . . .

20

5.4.2

Adaptivn´ı segmentace . . . . . . . . . . . . . . . . . . . . . . . .

21

5.4.2.1

M´ıra diference ve dvou spojen´ ych oknech . . . . . . . . .

21

Pˇr´ıznaky . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

21

5.4

5.5

6 Selekce

23

6.1

Dopˇredn´a selekce . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

23

6.2

Zpˇetn´a eliminace . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

24

6.3

Algoritmus plus p - minus q . . . . . . . . . . . . . . . . . . . . . . . . .

24

7 Klasifikace 7.1

7.2

25

Tr´enovac´ı a testovac´ı mnoˇzina . . . . . . . . . . . . . . . . . . . . . . . .

25

7.1.1

Hold-out . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

26

7.1.2

Krosvalidace . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

26

7.1.2.1

Leave-one-out . . . . . . . . . . . . . . . . . . . . . . . .

26

Klasifik´atory . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

27

7.2.1

Naivn´ı Bayesovsk´ y klasifik´ator . . . . . . . . . . . . . . . . . . . .

27

7.2.2

Neuronov´a s´ıt’ . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

28

7.2.2.1

Perceptron . . . . . . . . . . . . . . . . . . . . . . . . .

28

7.2.2.2

V´ıcevrstv´ y perceptron . . . . . . . . . . . . . . . . . . .

29

Rozhodovac´ı strom . . . . . . . . . . . . . . . . . . . . . . . . . .

29

7.2.3.1

Vytv´aˇren´ı rozhodovac´ıch strom˚ u . . . . . . . . . . . . .

30

7.2.3.2

Rozhodovac´ı strom C4.5 . . . . . . . . . . . . . . . . . .

30

7.2.3

viii

8 Experiment

31

8.1

Seznam mˇeˇren´ ych subjekt˚ u. . . . . . . . . . . . . . . . . . . . . . . . . .

31

8.2

Mˇeˇren´ı . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

31

8.2.1

Pr˚ ubˇeh experimentu . . . . . . . . . . . . . . . . . . . . . . . . .

31

8.2.2

Elektroencefalograf . . . . . . . . . . . . . . . . . . . . . . . . . .

32

Pˇredzpracov´an´ı dat . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

33

8.3.1

Artefakty . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

33

8.3.2

Segmenty . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

33

8.3.3

Pˇr´ıznaky . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

34

8.3

9 V´ ysledky

37

9.1

Selekce . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

37

9.2

Klasifikace . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

39

9.2.1

Porovn´an´ı klasifik´ator˚ u . . . . . . . . . . . . . . . . . . . . . . . .

39

9.2.2

Leave-one-out . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

40

9.2.3

Klasifikace v jednotliv´ ych ˇca´stech mozku . . . . . . . . . . . . . .

42

9.2.3.1

Klasifikace podle hemisf´er . . . . . . . . . . . . . . . . .

42

9.2.3.2

Klasifikace podle lalok˚ u . . . . . . . . . . . . . . . . . .

43

EEG . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

44

9.3.1

Alfa . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

44

9.3.2

Beta . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

45

9.3.3

Gama . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

47

9.3

10 Diskuse a z´ avˇ er

49

A Seznam zkratek

I

B Obr´ azky

III

C Tabulky

VII

D Obsah pˇ riloˇ zen´ eho CD

XI

ix

x

Seznam obr´ azk˚ u 2.1

Stavba neuronu . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

4

2.2

Mozkov´e laloky . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

6

3.1

Porovn´an´ı jednotliv´ ych vln . . . . . . . . . . . . . . . . . . . . . . . . . .

9

3.2

Porovn´an´ı jednotliv´ ych spekter . . . . . . . . . . . . . . . . . . . . . . .

9

3.3

Syst´em 10-20 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

10

3.4

Rozm´ıstˇen´ı elektrod - syst´em 10-20 . . . . . . . . . . . . . . . . . . . . .

11

4.1

Pˇr´ıklady jednotliv´ ych 2D a 3D stimul˚ u. . . . . . . . . . . . . . . . . . . .

14

4.2

Aktivnˇejˇs´ı oblasti mozku u nadan´ ych chlapc˚ u oproti pr˚ umˇernˇe nadan´ ym.

15

5.1

Porovn´an´ı pr˚ ubˇehu sign´alu pˇred filtrac´ı a po filtraci 50 Hz . . . . . . . .

18

5.2

Porovn´an´ı spektra sign´alu pˇred filtrac´ı a po filtraci 50 Hz . . . . . . . . .

18

5.3

Artefakt - vypadl´a elektroda . . . . . . . . . . . . . . . . . . . . . . . . .

19

5.4

Artefakt - mrk´an´ı . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

20

5.5

Konstantn´ı segmentace o d´elce segmentu 1 sekunda . . . . . . . . . . . .

20

5.6

M´ıra diference ve dvou spojen´ ych oknech . . . . . . . . . . . . . . . . . .

21

7.1

Krosvalidace . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

26

7.2

Leave-one-out . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

27

7.3

Sch´ema perceptronu . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

28

7.4

Sch´ema v´ıcevrstv´eho perceptronu . . . . . . . . . . . . . . . . . . . . . .

29

8.1

2D stimulus - identick´ y . . . . . . . . . . . . . . . . . . . . . . . . . . . .

32

8.2

2D stimulus - zrcadlen´ y. . . . . . . . . . . . . . . . . . . . . . . . . . . .

32

8.3

3D stimulus - identick´ y . . . . . . . . . . . . . . . . . . . . . . . . . . . .

32

8.4

3D stimulus - zrcadlen´ y. . . . . . . . . . . . . . . . . . . . . . . . . . . .

32

9.1

Z´avislost pˇresnosti klasifikace na poˇctu pˇr´ıznak˚ u - beta 2D . . . . . . . .

40

9.2

Alfa aktivita 2D . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

44

xi

9.3

Alfa aktivita 3D . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

44

9.4

Aktivnˇejˇs´ı oblasti u nadan´ ych oproti pr˚ umˇernˇe nadan´ ym - alfa aktivita .

45

9.5

Beta aktivita 2D . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

45

9.6

Beta aktivita 3D . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

46

9.7

Aktivnˇejˇs´ı oblasti u nadan´ ych oproti pr˚ umˇernˇe nadan´ ym - beta aktivita .

46

9.8

Gama aktivita 2D . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

47

9.9

Gama aktivita 3D . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

47

9.10 Aktivnˇejˇs´ı oblasti u nadan´ ych oproti pr˚ umˇernˇe nadan´ ym - gama aktivita

47

B.1 Z´aznam EEG sign´alu pˇri zavˇren´ ych oˇc´ıch . . . . . . . . . . . . . . . . . .

III

B.2 Pˇr´ıklad rozhodovac´ıho stromu . . . . . . . . . . . . . . . . . . . . . . . .

IV

B.3 Histogram selektovan´ ych frekvenˇcn´ıch pˇr´ıznak˚ u pro 2D stimuly

xii

. . . . .

V

Seznam tabulek 2.1

Funkce hemisf´er . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

4

8.1

Rozdˇelen´ı segment˚ u . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

34

8.2

Frekvenˇcn´ı pˇr´ıznaky

. . . . . . . . . . . . . . . . . . . . . . . . . . . . .

34

8.3

Statistick´e pˇr´ıznaky . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

35

9.1

Selekce pˇr´ıznak˚ u 2D . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

38

9.2

Selekce pˇr´ıznak˚ u 3D . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

38

9.3

Porovn´an´ı klasifik´ator˚ u - 2D stimuly . . . . . . . . . . . . . . . . . . . .

39

9.4

Leave-one-out . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

41

9.5

Klasifikace podle hemisf´er - 2D . . . . . . . . . . . . . . . . . . . . . . .

42

9.6

Klasifikace podle hemisf´er - 3D . . . . . . . . . . . . . . . . . . . . . . .

42

9.7

Klasifikace v jednotliv´ ych laloc´ıch - 2D . . . . . . . . . . . . . . . . . . .

43

9.8

Klasifikace v jednotliv´ ych laloc´ıch - 3D . . . . . . . . . . . . . . . . . . .

43

C.1 Seznam mˇeˇren´ ych subjekt˚ u . . . . . . . . . . . . . . . . . . . . . . . . . . VIII C.2 V´ yskyt artefakt˚ u . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

xiii

IX

xiv

Kapitola 1 ´ Uvod Lid´e u ´spˇeˇsn´ı v r˚ uzn´ ych oblastech mohou ˇca´sti sv´eho mozku zapojovat jinak. Kreativn´ı jedinci zapojuj´ı v´ıce pravou hemisf´eru mozku, zat´ımco matematicky nadan´ı jedinci maj´ı aktivnˇejˇs´ı levou hemisf´eru. G´eniov´e jako byl napˇr. Albert Einstein mohou m´ıt rozˇs´ıˇren´e r˚ uzn´e ˇca´sti mozku, ˇc´ımˇz se pak m˚ uˇzou odliˇsovat od ostatn´ıch lid´ı. Albert Einstein mˇel rozˇs´ıˇren´ y temenn´ı lalok, coˇz mohlo m´ıt za n´asledek lepˇs´ı logick´e uvaˇzov´an´ı a d´ıky tomu mohl formulovat napˇr. obecnou teorii relativity. C´ılem t´eto pr´ace je ovˇeˇrit rozd´ıln´e zapojen´ı r˚ uzn´ ych ˇca´st´ı mozku v pr˚ ubˇehu ˇreˇsen´ı kognitivn´ıch u ´loh u nadan´ ych a pr˚ umˇernˇe nadan´ ych adolescent˚ u. Pro posuzov´an´ı zapojen´ı mozku nadan´ ych a pr˚ umˇernˇe nadan´ ych adolescent˚ u bylo subjekt˚ um sn´ım´ano EEG v pr˚ ubˇehu ˇreˇsen´ı u ´lohy ment´aln´ı rotace. Ment´aln´ı rotace je jednou ze z´akladn´ıch kognitivn´ıch u ´loh, kde m´a subjekt za u ´kol co nejrychleji a nejpˇresnˇeji rozhodnout, zda dva rotovan´e obr´azky jsou v˚ uˇci sobˇe identick´e nebo zrcadlen´e. V pr˚ ubˇehu u ´lohy si kaˇzd´ y jedinec vybuduje strategii, na z´akladˇe kter´e vol´ı svoji odpovˇed’. V pˇredchoz´ıch experimentech bylo prok´az´ano rozd´ıln´e zapojen´ı mozku u nadan´ ych adolescent˚ u oproti pr˚ umˇernˇe nadan´ ym pˇri ˇreˇsen´ı u ´lohy ment´aln´ı rotace. Napˇr´ıklad studie funkˇcn´ı magnetick´e rezonance (fMRI), kterou v roce 2005 provedl M. W. O’Boyle, uk´azala, ˇze nadan´ı chlapci zapojuj´ı v pr˚ ubˇehu ˇreˇsen´ı u ´lohy levou i pravou hemisf´eru a ˇze se nejvyˇsˇs´ı aktivita oproti pr˚ umˇernˇe nadan´ ym chlapc˚ um projevuje pˇredevˇs´ım ve stˇredn´ı ˇca´sti ˇceln´ıho laloku a v temenn´ım laloku. Podobn´e v´ ysledky se oˇcek´avaj´ı i z v´ ysledk˚ u EEG. Bude porovn´av´ano, jak dobˇre lze klasifikovat podle r˚ uzn´ ych ˇca´st´ı mozku mezi skupinou nadan´ ych a skupinou pr˚ umˇernˇe nadan´ ych adolescent˚ u. D´ale probˇehne vizualizace EEG, ze kter´e budou n´azornˇe patrn´e aktivn´ı oblasti u obou skupin. Dosaˇzen´e v´ ysledky budou porovn´any s v´ yˇse zm´ınˇenou studi´ı fMRI. 1

2

´ KAPITOLA 1. UVOD

Kapitola 2 Mozek Mozek je nejsloˇzitˇejˇs´ı strukturou ˇziv´e hmoty. Je analytick´ ym, syntetick´ ym a koordinaˇcn´ım org´anem a regul´atorem ˇzivotn´ıch funkc´ı se schopnost´ı uˇcit se, pamatovat si a pˇrizp˚ usobit ˇcinnost mˇen´ıc´ım se ˇzivotn´ım podm´ınk´am. V pr˚ ubˇehu ˇzivota se dynamicky vyv´ıj´ı. Obsahuje 10 miliard aˇz 1 bilion neuron˚ u1 . Mozek sest´av´a ze dvou hemisf´er a ˇctyˇr z´akladn´ıch lalok˚ u. [2, 9]

2.1

Neuron

Neuron je z´akladn´ı stavebn´ı jednotkou nervov´eho syst´emu. Neurony maj´ı r˚ uznou velikost, tvar a funkci. Jejich spoleˇcnou vlastnost´ı je dr´aˇzdivost. Neuron je s´am o sobˇe nefunkˇcn´ı, funguje jen ve spojen´ı s dalˇs´ımi nervov´ ymi nebo jin´ ymi strukturami. Spojen´ı mezi neurony vytv´aˇr´ı dendrity spoleˇcnˇe s axonem. Dendrity mezi sebou tvoˇr´ı bohat´e s´ıtˇe a pˇriv´adˇej´ı do neuronu vzruchy z jin´ ych struktur. Axon je v neuronu jen jeden a vede vzruch, kter´ y neuron vytvoˇril, do c´ılov´eho m´ısta. Pro zrychlen´ı pˇrenosu sign´alu je axon obalen myelinovou pochvou. Shluky neuron˚ u vytv´aˇrej´ı v mozku a m´ıˇse ˇsedou hmotu, kter´a je lokalizov´ana v mozkov´e k˚ uˇre a v hlubok´ ych ˇca´stech mozku. [9]

1

Odhad poˇctu neuron˚ u v mozku se v literatur´ ach v´ yraznˇe liˇs´ı.

3

4

KAPITOLA 2. MOZEK

Obr´azek 2.1: Stavba neuronu Zdroj: https://cs.wikibooks.org/wiki/Soubor:Neuron_(cesky)-1.svg

2.2

Hemisf´ ery

V mozku se rozliˇsuje lev´a a prav´a hemisf´era. Mezi hemisf´erami se nach´az´ı tzv. medi´aln´ı oblast. Lev´a hemisf´era ovl´ad´a pravou ˇca´st tˇela a ve vˇetˇsinˇe pˇr´ıpad˚ u dominuje u vyhranˇen´ ych prav´ak˚ u. Prav´a hemisf´era ˇr´ıd´ı levou ˇca´st tˇela a b´ yv´a dominantn´ı u vyhranˇen´ ych lev´ak˚ u. Funkce obou hemisf´er se liˇs´ı. Lev´a hemisf´era se pod´ıl´ı na u ´kolech logick´eho charakteru, zat´ımco prav´a hemisf´era m´a funkci sp´ıˇse duˇsevn´ı. [9] Tabulka 2.1: Funkce hemisf´er

Hemisf´ era

2.3

Lev´a

Funkce ˇ c, logick´e uvaˇzov´an´ı, psan´ı, ˇcten´ı Reˇ

Prav´a

Orientace v prostoru, pˇredstavivost, vn´ım´an´ı barev a zvuk˚ u

Laloky

Kaˇzd´a hemisf´era se skl´ad´a z ˇceln´ıho (front´aln´ıho), sp´ankov´eho (tempor´aln´ıho), temenn´ıho (pariet´aln´ıho) a t´ yln´ıho (okcipit´aln´ıho) laloku (obr. 2.2). Jednotliv´e laloky jsou od sebe oddˇeleny br´azdami a maj´ı odliˇsnou funkci.

2.3. LALOKY

2.3.1

5

ˇ Celn´ ı lalok

Pˇredn´ı ˇca´st ˇceln´ıho laloku m´a nejvyˇsˇs´ı analytick´e, syntetick´e a asociaˇcn´ı funkce a ˇr´ıd´ı v˚ ul´ı vyvol´avan´e ˇcinnosti. Zadn´ı (precentr´aln´ı) ˇca´st ˇceln´ıho laloku nach´azej´ıc´ı se pˇred centr´aln´ı br´azdou m´a motorick´e funkce. Ve spodn´ı ˇca´sti ˇceln´ıho laloku se nach´azej´ı ˇcichov´a centra. [9, 21]

2.3.2

Temenn´ı lalok

Temenn´ı lalok je oddˇelen od centr´aln´ıho laloku centr´aln´ı br´azdou. Za centr´aln´ı br´azdou se nach´az´ı somatosenzorick´e centrum, do kter´eho pˇrich´azej´ı vl´akna z cel´eho tˇela vedouc´ı citlivost. V dalˇs´ı ˇca´sti temenn´ıho laloku se nach´az´ı gyrus angularis. Gyrus angularis spojuje zrakov´e, sluchov´e a ˇreˇcov´e funkce na mal´em prostoru mozkov´e k˚ ury. Jeho poˇzkozen´ım doch´az´ı k r˚ uzn´ ym poruch´am ˇreˇci, ˇcten´ı, psan´ı a pozn´av´an´ı. [9, 21]

2.3.3

Sp´ ankov´ y lalok

Sp´ankov´ y lalok je oddˇelen od ˇceln´ıho a temenn´ıho laloku boˇcn´ı br´azdou. Nach´az´ı se zde sluchov´e centrum, kter´e m´a za u ´kol rozbor sloˇzitˇejˇs´ıch zvukov´ ych sign´al˚ u (napˇr. ˇreˇc). [9,21]

2.3.4

T´ yln´ı lalok

T´ yln´ı lalok je oddˇelen od temenn´ıho temenot´ yln´ı br´azdou. V zadn´ı ˇca´sti t´ yln´ıho laloku se nach´az´ı zrakov´a oblast slouˇz´ıc´ı k vn´ım´an´ı barvy, tvaru a orientace obrazu. [9, 21]

6

KAPITOLA 2. MOZEK

Obr´azek 2.2: Mozkov´e laloky Zdroj: http://pfyziollfup.upol.cz/castwiki/?p=3265

Kapitola 3 EEG Elektroencefalogram (EEG) zaznamen´av´a elektrickou aktivitu mozku. V´ ysledkem miliard v´ yboj˚ u v mozkov´e k˚ uˇre je neust´ale se mˇen´ıc´ı elektrick´e pole, kter´e pronik´a pˇres lebku. Elektrick´e pole se d´a detekovat elektrodami, kter´e jsou pˇriloˇzen´e na hlavˇe. Vhodnou citlivost´ı, filtrac´ı a zapojen´ım elektrod lze dostat sign´al podobaj´ıc´ı se lehk´emu vlnˇen´ı moˇrsk´e hladiny. [21]

3.1

Vlny

Existuje pˇet hlavn´ıch mozkov´ ych vln, kter´e se liˇs´ı rozd´ıln´ ym kmitoˇctov´ ym p´asmem1 (obr. 3.2). Charakteristika vln se mˇen´ı podle ˇcinnosti, kterou ˇclovˇek dˇel´a. Pˇri sp´anku se projevuj´ı pomal´e frekvence a pˇri logick´em pˇrem´ yˇslen´ı naopak rychl´e frekvence. Charakteristika vln se mˇen´ı tak´e s vˇekem. [22]

1

Hranice jednotliv´ ych p´asem se liˇs´ı v z´avislosti na literatuˇre.

7

8

3.1.1

KAPITOLA 3. EEG

Delta

Delta vlny jsou vlny s nejpomalejˇs´ı frekvenc´ı, kter´e se u ˇclovˇeka zkoumaj´ı. Jejich frekvence ˇ leˇz´ı v rozmez´ı 0.5 aˇz 4 Hz. Vyskytuj´ı se pˇredevˇs´ım pˇri hlubok´em sp´anku. Casto mohou b´ yt zamˇenˇeny s artefakty, kter´e vznikaj´ı ˇcinnost´ı sval˚ u v krku a ˇcelistech. [22]

3.1.2

Theta

Frekvence theta vln se nach´az´ı v p´asmu od 4 do 7.5 Hz. Objevuj´ı se u ˇclovˇeka, kter´ y je ospal´ y nebo se nach´az´ı v hlubok´e meditaci. Jsou tak´e spojeny s tv˚ urˇc´ı ˇcinnost´ı. Theta vlny jsou dominantn´ı v kojeneck´em vˇeku d´ıtˇete. U dospˇel´ ych jedinc˚ u je v´ yskyt theta vln v bdˇel´em stavu zn´amkou patologick´eho probl´emu. [22]

3.1.3

Alfa

Alfa vlny vznikaj´ı v zadn´ı polovinˇe hlavy v t´ yln´ı oblasti. Jejich frekvence leˇz´ı v p´asmu 8 aˇz 13 Hz. Pr˚ ubˇeh alfa vln m´a podobn´ y tvar jako sinusoida. Objevuj´ı se u ˇclovˇeka, kter´ y m´a zavˇren´e oˇci, je uvolnˇen´ y a bez jak´ekoliv koncentrace a napˇet´ı. Alfa aktivita se potlaˇcuje otevˇren´ım oˇc´ı. [22]

3.1.4

Beta

Beta vlny vznikaj´ı v pˇredn´ı a centr´aln´ı ˇca´sti mozku. Frekvence beta vln se nach´az´ı v rozmez´ı od 14 do 26 Hz. Jsou spojen´e s aktivn´ım myˇslen´ım a ˇreˇsen´ım konkr´etn´ıch probl´em˚ u. Vyskytuj´ı se u ˇclovˇeka v emoˇcn´ım neklidu. [22]

3.1.5

Gama

Gama vlny maj´ı frekvenci vyˇsˇs´ı neˇz 30 Hz. Jejich amplituda je velmi n´ızk´a oproti vln´am s pomalejˇs´ı frekvenc´ı a objevuj´ı se pomˇernˇe vz´acnˇe. Vyskytuj´ı se napˇr´ıklad v situac´ıch extr´emn´ı koncentrace. Detekce tˇechto rytm˚ u lze pouˇz´ıt pro potvrzen´ı nˇekter´ ych onemocnˇen´ı mozku. [22]

9

3.2. ELEKTROENCEFALOGRAF

20 0 −20 50

Delta 51

U [µV ]

10 0 −10 50

52

53

54

55

56 Theta

51

5 0 −5 50 5 0 −5 50 2 0 −2 50

52

53

54

55

56 Alfa

51

52

53

54

55

56 Beta

51

52

53

54

55

56 Gama

51

52

53

54

55

56

T [s]

Obr´azek 3.1: Porovn´an´ı jednotliv´ ych vln

4

V´ ykonov´ a hustota [µV 2 /Hz]

3.5

x 10

Delta Theta Alfa Beta Gama

3 2.5 2 1.5 1 0.5

0

5

10

15

20

25

30

35

40

f [Hz]

Obr´azek 3.2: Porovn´an´ı jednotliv´ ych spekter

3.2

Elektroencefalograf

Elektroencefalograf je pˇr´ıstroj slouˇz´ıc´ı k sn´ım´an´ı EEG. Skl´ad´a ze tˇr´ı z´akladn´ıch ˇca´st´ı: elektrod, hlavice a vlastn´ıho EEG apar´atu. [27]

10

3.2.1

KAPITOLA 3. EEG

Elektrody

Sn´ımac´ı elektrody slouˇz´ı k pˇrenosu elektrick´ ych potenci´al˚ u z hlavy sn´ıman´eho subjektu do EEG pˇr´ıstroje. Pro kvalitn´ı z´aznam mus´ı b´ yt elektrody vyrobeny z vodiv´eho materi´alu, kter´ y nereaguje s elektrolyty na skalpu. Nejˇcastˇeji se pouˇz´ıvaj´ı kovov´e elektrody potaˇzen´e zlatem, platinou nebo chloridem stˇr´ıbrn´ ym. [27] Rozliˇsuj´ı se 3 z´akladn´ı typy elektrod: neinvazivn´ı (skalpov´e), semiinvazivn´ı a invazivn´ı. Pro z´akladn´ı sn´ım´an´ı EEG se pouˇz´ıvaj´ı elektrody skalpov´e. Skalpov´a elektroda je tvoˇrena kovovou miskou o pr˚ umˇeru 4-10 mm, ke kter´e je pˇripojen izolovan´ y flexibiln´ı vodiˇc slouˇz´ıc´ı k propojen´ı elektrody se vstupem elektroencefalografu. Elektrody se vyplˇ nuj´ı vodivou pastou nebo gelem maj´ıc´ı charakter elektrolytu, kter´ y slouˇz´ı jako vodiv´e m´edium a minimalizuje v´ yskyt pohybov´ ych artefakt˚ u. [27] 3.2.1.1

Syst´ em 10-20

Mezin´arodn´ı syst´em rozm´ıstˇen´ı elektrod 10-20 pokr´ yv´a skalp soustavou elektrod. Univerz´aln´ı syst´em umoˇzn ˇuje stejn´e sn´ım´an´ı pacient˚ u a porovn´av´an´ı jejich v´ ysledk˚ u nez´avisle na tom, kde byl z´aznam poˇr´ızen. Poloha elektrod vych´az´ı z lini´ı, kter´e vedenou mezi kostˇen´ ymi v´ ystupky na hlavˇe. Elektrody jsou um´ıstˇeny tak, ˇze dˇel´ı linii na 10% a 20% u ´seky cel´e jej´ı d´elky (obr. 3.3). [27]

Obr´azek 3.3: Syst´em 10-20 Zdroj: http://www.diytdcs.com/media/010_EEG_standard.gif

3.2. ELEKTROENCEFALOGRAF

11

Metoda 10-20 standardnˇe zahrnuje 21 elektrod slouˇz´ıc´ı k sn´ım´an´ı a jednu elektrodu zemn´ıc´ı. N´azev elektrody se skl´ad´a z p´ısmene, kter´ y odpov´ıd´a n´azvu sn´ıman´eho laloku2 , ˇ ıseln´ a indexu (obr. 3.4). C´ y index oznaˇcuje later´aln´ı polohu sn´ım´an´ı 3 , index z oznaˇcuje sn´ım´an´ı medi´aln´ı oblasti. [27]

Obr´azek 3.4: Rozm´ıstˇen´ı elektrod - syst´em 10-20 Zdroj: http://brain.fuw.edu.pl/edu/Plik:10-20.png

3.2.2

Hlavice

Konektor na konci vodiˇce elektrod se zapojuje do zd´ıˇrek v hlavici EEG pˇr´ıstroje. Pˇri skalpov´em sn´ım´an´ı jsou zd´ıˇrky oznaˇceny symboly um´ıstˇen´ı elektrod na skalpu. Kv˚ uli bezpeˇcnosti pacient˚ u mus´ı b´ yt hlavice a jej´ı spojen´ı s vlastn´ım EEG pˇr´ıstrojem konstruov´any tak, aby jimi mohl proch´azet proud maxim´alnˇe 20 A. [27]

3.2.3

Vlastn´ı EEG apar´ at

Ned´ılnou souˇca´st´ı vlastn´ıho elektroencefalografu je zesilovaˇc. Na vstup zesilovaˇce jsou za´ pojeny elektrody mezi nimiˇz se sn´ım´a rozd´ıl elektrick´ ych potenci´al˚ u. Ukolem zesilovaˇce je zes´ılit tento rozd´ıl. Zes´ılen´e rozd´ıly je d´ale nutn´e filtrovat. U modern´ıch elektroencefalograf˚ u se filtrace obvykle prov´ad´ı aˇz po skonˇcen´ı vyˇsetˇren´ı pomoc´ı digit´aln´ıch filtr˚ u. [27] 2 3

Fp - frontopol´ arn´ı, F - front´ aln´ı, C - centr´aln´ı, P - pariet´ aln´ı, O - okcipit´aln´ı, A - uˇsn´ı lal˚ uˇcky lich´ y index - lev´ a hemisf´era, sud´ y index - prav´ a hemisf´era

12

3.3

KAPITOLA 3. EEG

Vyˇ setˇ ren´ı

Standardn´ı EEG vyˇsetˇren´ı trv´a cca 20 minut. Pˇri vyˇsetˇren´ı pacient leˇz´ı nebo sed´ı, mus´ı se nach´azet v klidu a b´ yt uvolnˇen´ y. V prvn´ı ˇca´sti mˇeˇren´ı pacient postupnˇe zavˇre, otevˇre a znovu zavˇre oˇci. V okamˇziku otevˇren´ı oˇc´ı se eliminuje alfa aktivita a m˚ uˇzou se objevit beta vlny, v momentu zavˇren´ı oˇc´ı se opˇet objev´ı alfa aktivita (obr. B.1). Ve chv´ıli, kdy pacient zavˇre resp. otevˇre oˇci, se mohou na z´aznamu objevit oˇcn´ı artefakty. Toto mˇeˇren´ı se nˇekolikr´at opakuje, pˇriˇcemˇz pacient na pokyny l´ekaˇre stˇr´ıd´a d´ ych´an´ı u ´sty a nosem. D´ ych´an´ı nosem aktivuje ˇcichov´a centra a sp´ankovou oblast. D´ ych´an´ım u ´sty je aktivov´an thalamus a rozs´ahl´e oblasti mozkov´e k˚ ury. [21] V druh´e ˇca´sti vyˇsetˇren´ı prob´ıh´a fotostimulace pomoc´ı stroboskopu. Pacient m´a zavˇren´e oˇci a pˇres oˇcn´ı v´ıˇcka vn´ım´a blik´an´ı stroboskopu. Frekvence blik´an´ı se postupnˇe mˇen´ı ze 3 na 30 Hz a zpˇet na 3 Hz. Z v´ ysledn´eho sign´alu se n´aslednˇe daj´ı urˇcit pˇr´ıpadn´e patologick´e pˇr´ıznaky. [21]

Kapitola 4

Ment´ aln´ı rotace

4.1

´ Uloha ment´ aln´ı rotace

´ Uloha ment´aln´ı rotace je typick´a u ´loha z kognitivn´ı psychologie, kter´a zkoum´a pˇresnost a rychlost odpovˇed´ı a rozd´ıln´ y zp˚ usob pˇrem´ yˇslen´ı u subjekt˚ u liˇs´ıc´ı se napˇr. n´arodnost´ı, pohlav´ım, profes´ı nebo IQ. Ment´aln´ı rotaci vizu´aln´ıch objekt˚ u lze prov´adˇet s ˇradou obr´azk˚ u, a to jak s dvourozmˇern´ ymi, tak s trojrozmˇern´ ymi (obr. 4.1). Dvourozmˇern´e podnˇety, jako jsou napˇr´ıklad p´ısmena nebo obr´azky r˚ uzn´ ych sloˇzitost´ı, mohou b´ yt ot´aˇceny pouze v rovinˇe obr´azku narozd´ıl od trojrozmˇern´ ych obr´azk˚ u, kter´e mohou b´ yt ot´aˇceny i do hloubky. V modelu podle R. Sheparda a J. Metzlerov´e jsou mˇeˇren´ ym subjekt˚ um prezentov´any p´ary obr´azk˚ u. Jeden obr´azek je vzhledem k druh´emu pootoˇcen´ y a m˚ uˇze b´ yt bud’ identick´ y nebo ´ zrcadlen´ y. Ukolem mˇeˇren´eho subjektu je rozhodnout, zda jsou obr´azky stejn´e nebo r˚ uzn´e co nejrychleji a nejpˇresnˇeji. Velk´a ˇca´st v´ yzkumu zaloˇzen´a na pr´aci Sheparda a Metzlerov´e zkoumala, jak´ ym zp˚ usobem mˇeˇren´e subjekty ot´aˇc´ı obr´azky v jejich mysli. [4, 18, 24] 13

´ ´I ROTACE KAPITOLA 4. MENTALN

14

Obr´azek 4.1: Pˇr´ıklady jednotliv´ ych 2D a 3D stimul˚ u.

[8]

4.1.1

Experiment podle R. Sheparda a J. Metzlerov´ e

V experimentu podle R. Sheparda a J. Metzlerov´e bylo kaˇzd´emu z osmi mˇeˇren´ ych subjekt˚ u prezentov´ano 1600 p´ar˚ u obr´azk˚ u. Mˇeˇren´ y subjekt mˇel pro kaˇzd´ y p´ar co nejrychleji rozhodnout, zda jsou obr´azky v˚ uˇci sobˇe stejn´e ˇci zrcadlen´e. Experiment dok´azal, ˇze doba k rozpozn´an´ı zda jsou obr´azky stejn´e ˇci nikoliv je line´arnˇe z´avislou funkc´ı na u ´hlov´em rozd´ılu otoˇcen´ı mezi obˇema obr´azky. [24]

4.2

Rozd´ıl mezi nadan´ ymi a pr˚ umˇ ernˇ e nadan´ ymi dˇ etmi

V´ yzkum v oblasti kognitivn´ı neurovˇedy naznaˇcuje, ˇze mozky matematicky nadan´ ych dˇet´ı jsou kvantitativnˇe a kvalitativnˇe odliˇsn´e od tˇech, kter´e maj´ı pr˚ umˇern´e matematick´e schopnosti. Matematicky nadan´e dˇeti vykazuj´ı zn´amky zv´ yˇsen´eho v´ yvoje v prav´e ˇca´sti hemisf´ery a pˇri pˇrem´ yˇslen´ı maj´ı tendenci se spol´ehat na ment´aln´ı pˇredstavivost. [15]

´ ˚ ERN ˇ ˇ NADANYMI ´ ˇ 4.2. ROZD´IL MEZI NADANYMI A PRUM E DETMI

15

Pro mˇeˇren´ı mozkov´e aktivity u matematicky nadan´ ych a pr˚ umˇernˇe nadan´ ych chlapc˚ u byla pouˇzita fMRI. V´ ysledky uk´azaly rozd´ıly ve vyuˇzit´ı r˚ uzn´ ych ˇca´st´ı mozku pˇri ˇreˇsen´ı u ´lohy ment´aln´ı rotace (obr. 4.2). Mozkov´a aktivita u nadan´ ych se projevila v obou hemisf´er´ach a to zejm´ena v pariet´aln´ım laloku, kter´ y byl doplˇ nov´an zapojov´an´ım front´aln´ıho laloku, zat´ımco pr˚ umˇernˇe nadan´ı zapojovali pouze pravou ˇca´st mozku. [16]

Obr´azek 4.2: Aktivnˇejˇs´ı oblasti mozku u nadan´ ych chlapc˚ u oproti pr˚ umˇernˇe nadan´ ym.

[16]

16

´ ´I ROTACE KAPITOLA 4. MENTALN

Kapitola 5 Pˇ redzpracov´ an´ı sign´ alu Pˇredzpracov´an´ı EEG sign´alu prob´ıh´a v nˇekolika kroc´ıch. Prvn´ı f´aze spoˇc´ıv´a v pˇrevzorkov´an´ı sign´alu a filtrace 50 Hz. D´ale se v z´aznamu detekuj´ı artefakty a nakonec se sign´al segmentuje. Pro pˇrehlednˇejˇs´ı pr˚ ubˇeh se daj´ı ze sign´alu vyfiltrovat i velmi n´ızk´e nebo naopak velmi vysok´e frekvence.

5.1

Pˇ revzorkov´ an´ı

Elektroencefalograf v praxi zaznamen´av´a sign´al se vzorkovac´ı frekvenc´ı 200, 250 nebo 500 Hz. Pro zjiˇstˇen´ı frekvenˇcn´ıho spektra sign´alu pomoc´ı rychl´e Fourierovy transformace (FFT) je vhodn´e tento sign´al pˇrevzorkovat na vzorkovac´ı frekvenci, kter´a je rovna mocninˇe dvou. Pˇri dlouh´em z´aznamu je moˇzn´e sign´al podvzorkovat, ˇc´ımˇz se zmenˇs´ı celkov´ y poˇcet dat a algoritmy se budou prov´adˇet kratˇs´ı dobu. Mus´ı se vˇsak dodrˇzet Shannon˚ uvKotˇelnikov˚ uv teor´em (5.1). Vzorkovan´ y sign´al o nejvyˇsˇs´ı mezn´ı frekvenci fM mus´ı b´ yt vzorkov´an vzorkovac´ı frekvenc´ı fS dvakr´at vˇetˇs´ı neˇz fM , aby se dal sign´al rekonstruovat beze ztr´aty informace. [6, 23] fS ≥ 2fM

17

(5.1)

ˇ ´ ´I SIGNALU ´ KAPITOLA 5. PREDZPRACOV AN

18

5.2

Filtrace 50 Hz

S´ıt’ov´ y ˇsum je artefakt, kter´ y poch´az´ı z pˇr´ıstroj˚ u nap´ajen´ ych ze s´ıtˇe vyskytuj´ıc´ıch se v okol´ı mˇeˇren´ı, tedy i ze samotn´eho elektroencefalografu. V z´aznamu se tento artefakt objevuje v podobˇe frekvence 50 Hz a jejich n´asobk˚ u (obr. 5.1). Ruˇsiv´e frekvence se odstran´ı ve frekvenˇcn´ım spektru sign´alu (obr. 5.2) pomoc´ı filtru s p´asmovou z´adrˇz´ı. Sign´al pˇred filtrac´ı Sign´al po filtraci

60 40

U [µV ]

20 0 −20 −40 −60 639.5

640

640.5

641

641.5

642

T [s]

Obr´azek 5.1: Porovn´an´ı pr˚ ubˇehu sign´alu pˇred filtrac´ı a po filtraci 50 Hz

5

9

x 10

Spektrum pˇred filtrac´ı Spektrum po filtraci

V´ ykonov´ a hustota [µV 2 /Hz]

8 7 6 5 4 3 2 1 0

10

20

30

40

50

60

f [Hz]

Obr´azek 5.2: Porovn´an´ı spektra sign´alu pˇred filtrac´ı a po filtraci 50 Hz

5.3

Artefakty

Artefakty jsou neˇza´douc´ı ˇca´sti sign´alu vyskytuj´ıc´ı se v EEG z´aznamu, tedy kaˇzd´ y sign´al, kter´ y nevznik´a elektrickou ˇcinnost´ı mozku mˇeˇren´eho subjektu. Podle vzniku se dˇel´ı na artefakty technick´e a artefakty biologick´e. [27]

19

5.3. ARTEFAKTY

5.3.1

Technick´ e artefakty

Technick´e artefakty jsou sn´aze detekovateln´e a l´epe se s nimi pracuje. Do skupiny technick´ ych artefakt˚ u patˇr´ı kromˇe s´ıt’ov´eho ˇsumu napˇr. artefakt vznikl´ y v´ ypadkem nebo ˇspatn´ ym kontaktem elektrody (obr. 5.3) a artefakt zp˚ usoben´ y chybou samotn´eho EEG pˇr´ıstroje. Artefakt z elektrody se v dan´em okamˇziku projevuje zpravidla jen na jedn´e elektrodˇe. Je-li tedy vypadl´a elektroda z hlediska mˇeˇren´ı nepodstatn´a, v´ ysledek mˇeˇren´ı to nijak neovlivn´ı. [27]

1000

Sign´al Hranice artefaktu

800 600

U [µV ]

400 200 0 −200 −400 −600 862

863

864

865

866

867

868

869

870

871

T [s]

Obr´azek 5.3: Artefakt - vypadl´a elektroda

5.3.2

Biologick´ e artefakty

Biologick´e artefakty se rozpozn´avaj´ı obt´ıˇznˇeji a prakticky se nedaj´ı odstranit. Daj´ı se snadno zamˇenit za patoligick´ y pˇr´ıznak. Projevuj´ı se zpravidla na vˇetˇs´ı skupinˇe elektrod, proto je sign´al v dobˇe trv´an´ı artefaktu t´emˇeˇr nepouˇziteln´ y. Do t´eto skupiny artefakt˚ u ˇrad´ıme neˇza´douc´ı ˇca´sti sign´alu, kter´e jsou zp˚ usobeny mˇeˇren´ ym subjektem. Patˇr´ı sem oˇcn´ı artefakty (napˇr. mrk´an´ı (obr. 5.4)), kter´e se projevuj´ı zejm´ena na elektrod´ach Fp1 a Fp2, svalov´a ˇcinnost subjektu, pocen´ı a artefakty zp˚ usoben´e srdeˇcn´ı ˇcinnost´ı. V z´aznamu se m˚ uˇze projevit i artefakt zp˚ usoben´ y d´ ych´an´ım, ale m´a v´ yraznˇe pomalejˇs´ı frekvenci neˇz ta, kter´a je zpravidla zkoum´ana, a lehce se odstran´ı filtrov´an´ım pomal´ ych frekvenc´ı. [27]

ˇ ´ ´I SIGNALU ´ KAPITOLA 5. PREDZPRACOV AN

20

400

Sign´al Hranice artefaktu

300

U [µV ]

200 100 0 −100 −200 406

407

408

409

410

411

412

413

414

415

416

T [s]

Obr´azek 5.4: Artefakt - mrk´an´ı

5.4

Segmentace

Segmentace je rozdˇelen´ı sign´alu na ˇca´sti podle urˇcit´eho pravidla. Rozliˇsuj´ı se dvˇe skupiny segmentace: konstantn´ı a adaptivn´ı.

5.4.1

Konstantn´ı segmentace

Konstantn´ı segmentace je nejjednoduˇsˇs´ı zp˚ usob, jak rozdˇelit sign´al. Nen´ı to nic jin´eho, neˇz rozdˇelen´ı sign´alu na ˇcasovˇe konstantn´ı u ´seky (obr. 5.5). Takto rozdˇelen´e u ´seky nemaj´ı mezi sebou ˇza´dn´ y vztah.

300

Sign´ al Hranice segmentu

200

U [µV ]

100

0

−100

−200

−300

425

426

427

428

429

430

431

T [s]

Obr´azek 5.5: Konstantn´ı segmentace o d´elce segmentu 1 sekunda

ˇ ´IZNAKY 5.5. PR

5.4.2

21

Adaptivn´ı segmentace

Adaptivn´ı segmentace je rozdˇelen´ı sign´alu na ˇca´sti liˇs´ıc´ı se urˇcit´ ymi vlastnostmi. Existuje ˇrada algoritm˚ u, kter´e se liˇs´ı v´ ypoˇcetn´ı n´aroˇcnost´ı, moˇznost´ı pracov´an´ı v re´aln´em ˇcase nebo obt´ıˇznost´ı implementace. Pˇr´ıkladem adaptivn´ı segmentace je segmentace na z´akladˇe jednoduch´e m´ıry diference ve dvou spojen´ ych oknech. [17] 5.4.2.1

M´ıra diference ve dvou spojen´ ych oknech

Tento zp˚ usob adaptivn´ı segmentace je snadn´ y na implementaci a m˚ uˇze pracovat s mal´ ym zpoˇzdˇen´ım v re´aln´em ˇcase. Princip spoˇc´ıv´a v klouz´an´ı dvou spojen´ ych oken, ve kter´ ych se poˇc´ıtaj´ı zadan´e parametry, po sign´alu. V kaˇzd´em kroku se spoˇc´ıt´a m´ıra diference mezi parametry, ve kter´e se pak hledaj´ı lok´aln´ı maxima nach´azej´ıc´ı se nad zvolenou mez´ı (obr. 5.6). Maxima pˇredstavuj´ı hranici segmentu. [17]

U [µV ]

20

Okno1

Sign´ al Hranice segmentu

Okno2

10 0 −10 −20 191

191.5

192

192.5

193

193.5

194

194.5

195

195.5

196

Diference

3

M´ıra diference Vyznaˇcen´ı maxima Mez

2 1 0 191

191.5

192

192.5

193

193.5

194

194.5

195

195.5

196

T [s]

Obr´azek 5.6: M´ıra diference ve dvou spojen´ ych oknech

5.5

Pˇ r´ıznaky

Kaˇzd´ y segment se d´a popsat pomoc´ı charakteristick´ ych pˇr´ıznak˚ u. Z´akladn´ı zp˚ usob, jak popsat segmenty, je pomoc´ı statistick´ ych (tab. 8.3) a frekvenˇcn´ıch (tab. 8.2) pˇr´ıznak˚ u. Frekvenˇcn´ı pˇr´ıznaky ud´avaj´ı informaci o v´ ykonech frekvenˇcn´ıho spektra. Intervaly jednotliv´ ych spekter odpov´ıdaj´ı kmitoˇctov´emu rozmez´ı pˇr´ısluˇsn´ ych vln.

22

ˇ ´ ´I SIGNALU ´ KAPITOLA 5. PREDZPRACOV AN

Kapitola 6 Selekce Ne vˇsechny vypoˇcten´e pˇr´ıznaky jsou d˚ uleˇzit´e pro dalˇs´ı v´ ypoˇcty nebo klasifikaci. Nˇekter´e ´ celem selekce je vybrat takov´e pˇr´ıznaky mohou b´ yt pˇrebyteˇcn´e a nˇekter´e irelevantn´ı. Uˇ pˇr´ıznaky, kter´e pˇrin´aˇs´ı nejvˇetˇs´ı informaˇcn´ı zisk a eliminovat tak jejich celkov´e mnoˇzstv´ı. Zkouˇset vˇsechny moˇznosti, jak optim´alnˇe poskl´adat mnoˇzinu pˇr´ıznak˚ u, je v´ ypoˇcetnˇe velice n´aroˇcn´e. Pro selekci pˇr´ıznak˚ u se proto pouˇz´ıvaj´ı r˚ uzn´e heuristiky, kter´e mohou pracovat na ˇ principu dopˇredn´e selekce nebo zpˇetn´e eliminace. Casto se pouˇz´ıvaj´ı i genetick´e algoritmy, kter´e jsou inspirov´any pˇr´ırodou.

6.1

Dopˇ redn´ a selekce

Dopˇredn´a selekce spoˇc´ıv´a v pˇrid´av´an´ı pˇr´ıznak˚ u do pr´azdn´e mnoˇziny. Do mnoˇziny se postupnˇe pˇrid´avaj´ı odpov´ıdaj´ıc´ı pˇr´ıznaky takov´e, aby mnoˇzina pˇr´ıznak˚ u mˇela co nejmenˇs´ı chybu klasifikace. Selekce konˇc´ı v pˇr´ıpadˇe, ˇze neexistuje dalˇs´ı pˇr´ıznak, kter´ y by mohl sn´ıˇzit chybu klasifikace nebo v pˇr´ıpadˇe splnˇen´ı pˇredem dan´e podm´ınky (napˇr. pˇresnost klasifikace je vyˇsˇs´ı neˇz poˇzadovan´a pˇresnost nebo poˇcet selektovan´ ych pˇr´ıznak˚ u by pˇres´ahl poˇzadovan´e maximum). [13] Nalezen´e ˇreˇsen´ı je pouze suboptim´aln´ı. Pˇridan´e pˇr´ıznaky se z mnoˇziny neodeb´ıraj´ı. M˚ uˇze se tedy st´at, ˇze pˇr´ıznak bude nadbyteˇcn´ y po pˇrid´an´ı dalˇs´ıch pˇr´ıznak˚ u. [7] 23

24

6.2

KAPITOLA 6. SELEKCE

Zpˇ etn´ a eliminace

Ve zpˇetn´e eliminaci se zaˇc´ın´a s mnoˇzinou obsahuj´ıc´ı vˇsechny pˇr´ıznaky, ze kter´e se postupnˇe odeb´ıraj´ı ty nejhorˇs´ı. Eliminace pokraˇcuje, dokud existuje pˇr´ıznak, kter´ y by nezmenˇsil pˇresnost klasifikace nebo dokud nen´ı splnˇena pˇredem dan´a podm´ınka (napˇr. pˇresnost klasifikace po odebr´an´ı dalˇs´ıho pˇr´ıznaku by klesla pod poˇzadovanou pˇresnost). [13] Stejnˇe jako princip dopˇredn´e selekce najde i zpˇetn´a eliminace suboptim´aln´ı ˇreˇsen´ı, protoˇze po neoptim´aln´ım odebr´an´ı pˇr´ıznaku se jiˇz dan´ y pˇr´ıznak nem˚ uˇze do mnoˇziny pˇridat. [7]

6.3

Algoritmus plus p - minus q

Pomoc´ı algoritmu plus p - minus q lze ˇca´steˇcnˇe optimalizovat metody dopˇredn´e selekce i zpˇetn´e eliminace. Algoritmus spoˇc´ıv´a v pˇrid´av´an´ı p pˇr´ıznak˚ u a n´asledn´em odeb´ır´an´ı q pˇr´ıznak˚ u. Proces konˇc´ı v pˇr´ıpadˇe, kdy se dos´ahne poˇzadovan´eho poˇctu pˇr´ıznak˚ u. Dopˇredn´a selekce prob´ıh´a v pˇr´ıpadˇe p > q a zpˇetn´a eliminace v pˇr´ıpadˇe p < q. [7]

Kapitola 7 Klasifikace Klasifikac´ı se rozum´ı rozdˇelen´ı objekt˚ u, kter´e jsou charakterizov´any urˇcit´ ymi pˇr´ıznaky, do jednotliv´ ych skupin (tˇr´ıd). V tˇr´ıd´ach se nach´az´ı objekty se stejn´ ymi nebo podobn´ ymi vlastnostmi. Klasifikace prob´ıh´a pomoc´ı algoritm˚ u tzv. klasifik´ator˚ u. [7] Klasifik´ator je algoritmus, kter´ y dok´aˇze pomoc´ı urˇcit´ ych pravidel rozhodnout, do kter´e skupiny pravdˇepodobnˇe dan´ y objekt patˇr´ı. Rozhodovac´ı pravidla se klasifik´ator nauˇc´ı na tr´enovac´ı mnoˇzinˇe dat. Jedn´a se o tzv. uˇcen´ı s uˇcitelem. Tr´enovac´ı mnoˇzina obsahuje pˇr´ıznaky objekt˚ u s identifik´atorem tˇr´ıdy, do kter´e objekt patˇr´ı. Na testovac´ı mnoˇzinˇe se pak m˚ uˇze klasifik´ator otestovat, jak pˇresnˇe dok´aˇze klasifikovat. Nen´ı-li k dispozici tr´enovac´ı mnoˇzina, prob´ıh´a urˇcov´an´ı pravidel aˇz pˇri samotn´e klasifikaci. Tento zp˚ usob se naz´ yv´a uˇcen´ı bez uˇcitele a je typick´ y pro shlukov´an´ı. [7]

7.1

Tr´ enovac´ı a testovac´ı mnoˇ zina

Nen´ı vhodn´e pouˇz´ıt mnoˇzinu vˇsech dat z´aroveˇ n na tr´enov´an´ı a testov´an´ı klasifik´atoru, protoˇze hroz´ı tzv. pˇretr´enov´an´ı1 . Mnoˇzina vˇsech dat se proto dˇel´ı na tr´enovac´ı a testovac´ı mnoˇzinu. Na tr´enovac´ı mnoˇzinˇe se klasifik´ator nauˇc´ı a na testovac´ı vyzkouˇs´ı, jak pˇresnˇe dok´aˇze klasifikovat. Existuj´ı r˚ uzn´e zp˚ usoby, jak z cel´e mnoˇziny dat vybrat data na tr´enov´an´ı a data na testov´an´ı. [12] 1

Klasifik´ator dobˇre klasifikuje na tr´enovac´ı mnoˇzinˇe dat, ale m´a vysokou chybovost na datech, kter´a

mu nebyla v pr˚ ubˇehu uˇcen´ı pˇredloˇzena.

25

26

7.1.1

KAPITOLA 7. KLASIFIKACE

Hold-out

Metoda Hold-out se zakl´ad´a na rozdˇelen´ı mnoˇziny dat D na dvˇe stejnˇe velk´e podmnoˇziny D1 a D2 . V prvn´ı ˇca´sti se klasifik´ator nauˇc´ı na mnoˇzinˇe D1 a testuje na mnoˇzinˇe D2 . V druh´e ˇca´sti se klasifik´ator nauˇc´ı na mnoˇzinˇe D2 a otestuje na D1 . Oba v´ ysledky se zpr˚ umˇeruj´ı. [12]

7.1.2

Krosvalidace

Kˇr´ıˇzov´a validace (krosvalidace) spoˇc´ıv´a v rozdˇelen´ı dat na k stejnˇe velk´ ych mnoˇzin. Postupnˇe se vˇzdy jedna mnoˇzina bere jako testovac´ı mnoˇzina a zbytek jako tr´enovac´ı mnoˇzina. Na tr´enovac´ı mnoˇzinˇe se klasifik´ator nauˇc´ı klasifikovat a na testovac´ı otestuje pˇresnost klasifikace. Z celkov´ ych k v´ ysledk˚ u se vypoˇc´ıt´a aritmetick´ y pr˚ umˇer. [12]

Testovac´ı data

Mnoˇzina dat

Testovac´ı data

Rozdˇelen´ı mnoˇziny

Uˇcen´ı klasifik´a toru

Testovac´ı data Testovac´ı data

Klasifikace

Testovac´ı data Tr´enovac´ı data

Odhad

Obr´azek 7.1: Krosvalidace

7.1.2.1

Leave-one-out

Jedna z variant krossvalidace je metoda Leave-one-out. Postupnˇe se pˇr´ıznaky namˇeˇren´e u jednoho konkr´etn´ıho subjektu urˇc´ı pro testov´an´ı a na zbytku dat se klasifik´ator nauˇc´ı. Testov´an´ı prob´ıh´a tolikr´at, kolik je k dipozici namˇeˇren´ ych subjekt˚ u. V´ yhodou je vˇerohodn´ y odhad o tom, jak by byl klasifikov´an nezn´am´ y subjekt. [12]

´ 7.2. KLASIFIKATORY

27

Subjekt 1

Mnoˇzina dat

Uˇcen´ı klasifik´a toru

Subjekt 2

Rozdˇelen´ı mnoˇziny

Subjekt 3

Klasifikace

Subjekt 4 Subjekt 5

Odhad

Obr´azek 7.2: Leave-one-out

7.2 7.2.1

Klasifik´ atory Naivn´ı Bayesovsk´ y klasifik´ ator

Bayesovsk´ y klasifik´ator (NB) je z´akladn´ım statistick´ ym klasifik´atorem a vych´az´ı z Bayesova vztahu (7.1). Bayes˚ uv vztah vyjadˇruje pravdˇepodobnost jevu ωj za splnˇen´ı podm´ınky jevu x. [5, 12] P (ωj |x) =

P (x|ωj ) P (ωj ) P (x)

(7.1)

Naivn´ı Bayesovsk´ y klasifik´ator pˇredpokl´ad´a, ˇze vˇsechny jevy x1 ,..., xN jsou podm´ınˇenˇe nez´avisl´e, plat´ı-li jev ωj . To umoˇzn ˇuje vyj´adˇrit pravdˇepodobnost P (ωj |x) pomoc´ı souˇcin˚ u jednotliv´ ych podm´ınˇen´ ych pravdˇepodobnost´ı P (xi |ωj ) (7.2). [10] N

P (ωj |x1 , ..., xN ) =

Y P (ωj ) × P (xi |ωj ) P (x1 , ..., xN ) i=1

(7.2)

Hodnoty P (ωj ) a P (xi |ωj ) se urˇc´ı pˇri uˇcen´ı klasifik´atoru. Klasifikace prob´ıh´a na z´akladˇe pˇriˇrazen´ı nejpravdˇepodobnˇejˇs´ı c´ılov´e hodnoty vzhledem k hodnot´am pˇr´ıznak˚ u x1 ,..., xN , kde ωN B oznaˇcuje v´ ystup klasifik´atoru (7.3). [10] ωN B = arg max P (ωj |x1 , ..., xN ) ωj ǫΩ

.

(7.3)

28

7.2.2

KAPITOLA 7. KLASIFIKACE

Neuronov´ a s´ıt’

Neuronov´a s´ıt’ je s´ıt’ mnoha jednoduch´ ych procesor˚ u, kter´e jsou mezi sebou vz´ajemnˇe propojeny. Jednotliv´e procesory se naz´ yvaj´ı neurony, protoˇze zjednoduˇsenˇe modeluj´ı skuteˇcn´e neurony nervov´e soustavy. Jedn´ım z model˚ u neuronov´e s´ıtˇe je v´ıcevrstv´ y perceptron. [5,14] 7.2.2.1

Perceptron

Nejjednoduˇsˇs´ı model neuronov´e s´ıtˇe je perceptron, kter´ y sest´av´a z jednoho neuronu. Do neuronu vstupuje vektor x = [x1 , ..., xn ], kter´ y reprezentuje v´ ystupy jin´ ych neuron˚ u nebo podnˇety z vnˇejˇs´ıho okol´ı. Kaˇzd´ y vstup xi m´a pˇr´ısluˇsnou v´ahu wi . Dalˇs´ı vstupn´ı veliˇcinou do neuronu je tzv. pr´ah θ. [5, 14] V´aˇzen´ y souˇcet (7.4) ud´av´a celkov´ y podnˇet, tzv. potenci´al neuronu. Na potenci´al reaguje neuron v´ ystupn´ı odezvou z = S (ξ), kde S je pˇredepsan´a neline´arn´ı pˇrenosov´a funkce, obvykle tvaru sigmoidy (7.5). [14] ξ=

n X

w i xi − θ

(7.4)

1 1 + exp(−λξ)

(7.5)

i=1

S(ξ) =

Obr´azek 7.3: Sch´ema perceptronu Zdroj: http://cs.wikipedia.org/wiki/Perceptron#/media/File:Perceptron.png

´ 7.2. KLASIFIKATORY 7.2.2.2

29

V´ıcevrstv´ y perceptron

V´ıcevrstv´ y perceptron (MLP) je sloˇzen z jednoduch´ ych perceptron˚ u. Jedn´a se o neuronovou s´ıt’ s dopˇredn´ ymi vazbami. Skl´ad´a se ze tˇr´ı ˇca´st´ı: vstupn´ı vrstvy, skryt´e vrstvy a v´ ystupn´ı vrstvy. Vstupn´ı vrstva slouˇz´ı k distribuci vstupn´ıch hodnot do s´ıtˇe. V´ ystupy neuron˚ u z jedn´e vrstvy jsou z´aroveˇ n vstupy do neuron˚ u n´asleduj´ıc´ı vrstvy. Vazby mezi neurony se nach´azej´ı pouze u neuron˚ u ze sousedn´ıch vrstev, u neuron˚ u ze vzd´alenˇejˇs´ıch vrstev nebo ze stejn´e vrstvy nejsou ˇza´dn´e pˇr´ım´e vazby. Kaˇzd´ y neuron m´a tedy tolik vstup˚ u kolik je neuron˚ u v niˇzˇs´ı vrstvˇe. [5, 14]

Obr´azek 7.4: Sch´ema v´ıcevrstv´eho perceptronu Zdroj: http://is.mendelu.cz/eknihovna/opory/index.pl?fit_window=1;cast=21471

7.2.3

Rozhodovac´ı strom

Rozhodovac´ı strom reprezentuje sekvenci ot´azek. B´ yv´a uˇziteˇcn´ y pro data neˇc´ıseln´eho typu, protoˇze na ot´azky t´ ykaj´ıc´ı se strom˚ u existuje odpovˇed’ typu pravda/nepravda“, ” ano/ne“ apod. Na vrcholu stromu se zobrazuje koˇrenov´ y uzel (koˇren), z kter´eho vede ” odkaz v z´avislosti na odpovˇedi do dalˇs´ıho uzlu. Podobnˇe jsou pˇripojeny dalˇs´ı uzly, kter´e vedou aˇz do koncov´ ych uzl˚ u (list˚ u). List nese oznaˇcen´ı kategorie, do kter´e budou zaˇrazeny testovan´a data. V´ yhodou strom˚ u je jednoduch´a a pˇrehledn´a interpretace. [5, 14]

30 7.2.3.1

KAPITOLA 7. KLASIFIKACE Vytv´ aˇ ren´ı rozhodovac´ıch strom˚ u

Nejprve se vyhled´a koˇren tedy takov´ y atribut, kter´ y nese nejvˇetˇs´ı mnoˇzstv´ı informace. D´ale se rozdˇel´ı mnoˇzina pˇr´ıklad˚ u na podmnoˇziny, kter´ ych je tolik jako hodnot koˇrenov´eho atributu. Kaˇzd´a podmnoˇzina obsahuje pˇr´ıklady s pr´avˇe jednou hodnotou tohoto atributu. V kaˇzd´e z podmnoˇzin se vyhled´a dalˇs´ı atribut nesouc´ı nejvˇetˇs´ı mnoˇzstv´ı informace. Rekurzivnˇe se pokraˇcuje dokud nebudou vyˇcerp´any atributy, pˇr´ıklady nebo nebude splnˇena pˇredem dan´a podm´ınka. [5, 14] Mnoˇzstv´ı informace se nejˇcastˇeji poˇc´ıt´a pomoc´ı entropie (7.6). V´aˇzen´ ym souˇctem entropi´ı jednotliv´ ych podmnoˇzin je d´ana celkov´a entopie (7.7). [14] Hj = −p1 log2 p1 − p2 log2 p2

(7.6)

p1 - pomˇer pozitivn´ıch pˇr´ıznak˚ u v j-t´e podmnoˇzinˇe k celkov´emu poˇctu prvk˚ u v podmnoˇzinˇe p2 - pomˇer negativn´ıch pˇr´ıznak˚ u v j-t´e podmnoˇzinˇe k celkov´emu poˇctu prvk˚ u v podmnoˇzinˇe H=

K X

Pj Hj

(7.7)

j=1

K - poˇcet podmnoˇzin vych´azej´ıc´ı z jednoho atributu Pj - pomˇer velikosti j-t´e podmnoˇziny k mnoˇzinˇe vˇsech pˇr´ıklad˚ u Hj - entropie j-t´e podmnoˇziny 7.2.3.2

Rozhodovac´ı strom C4.5

Rozhodovac´ı strom C4.5 pouˇz´ıv´a k vybr´an´ı nejlepˇs´ıho pˇr´ıznaku a rozdˇelen´ı mnoˇzin gain ratio. Narozd´ıl od informaˇcn´ıho zisku (info gain), kter´ y upˇrednostˇ nuje vyb´ır´an´ı atribut˚ u, jenˇz maj´ı velk´ y poˇcet hodnot, pouˇz´ıv´a gain ratio informaci o pomˇeru a t´ım tuto zaujatost eliminuje. [11] Dalˇs´ım rozd´ılem oproti bˇeˇzn´ ym rozhodovac´ım strom˚ um je, ˇze C4.5 dok´aˇze pracovat s chybˇej´ıc´ımi daty. V uzlu, kter´ y byl dot´az´an na chybˇej´ıc´ı pˇr´ıznak, jsou n´asledov´any vˇsechny potomky uzlu. [5]

Kapitola 8 Experiment 8.1

Seznam mˇ eˇ ren´ ych subjekt˚ u

Pro experiment byla poskytnuta data (tab. C.1) z mˇeˇren´ı EEG v pr˚ ubˇehu ment´aln´ı rotace u 26-ti adolescent˚ u. Vˇek adolescent˚ u se pohyboval v rozmez´ı 15 aˇz 20 let. Mˇeˇren´ı se z˚ uˇcastnilo 10 ˇzen a 16 muˇz˚ u. Mezi mˇeˇren´ ymi subjekty byli tˇri lev´aci. Vˇsichni mˇeli ˇ adn´ norm´aln´ı nebo korigovan´ y zrak. Z´ y z mˇeˇren´ ych subjekt˚ u nebral l´eky, kter´e by mohly m´ıt vliv na z´aznam EEG. Adolescenti byli podle IQ rozdˇeleni do dvou skupin na nadan´e1 a pr˚ umˇernˇe nadan´e.

8.2

Mˇ eˇ ren´ı

´ Ukolem subjekt˚ u bylo v pr˚ ubˇehu ˇreˇsen´ı stimul˚ u co nejrychleji a nejpˇresnˇeji urˇcit, zda se jedn´a stimuly identick´e nebo zrcadlen´e. Spr´avnost odpovˇed´ı a reakˇcn´ı ˇcasy byly mˇeˇreny z´aroveˇ n s EEG. Mˇeˇren´ı EEG trvalo cca 25 minut.

8.2.1

Pr˚ ubˇ eh experimentu

• Sezn´amen´ı subjektu s experimentem • Mˇeˇren´ı EEG 1. Mˇeˇren´ı klidov´e aktivity - zavˇren´e oˇci 1

Do skupiny mezi nadan´e se ˇrad´ı subjekty s IQ vyˇsˇs´ım neˇz 130.

31

32

KAPITOLA 8. EXPERIMENT 2. Mˇeˇren´ı klidov´e aktivity - otevˇren´e oˇci 3. Uk´azka vzorov´ ych stimul˚ u ˇ sen´ı 2D stimul˚ 4. Reˇ u s r˚ uznou sloˇzitost´ı (obr. 8.1, obr. 8.2) ˇ sen´ı 3D stimul˚ 5. Reˇ u s r˚ uznou sloˇzitost´ı (obr. 8.3, obr. 8.4) • Vyplnˇen´ı osobn´ıho dotazn´ıku (vˇek, pohlav´ı, lateralita,...) • Vyplnˇen´ı dotazn´ıku t´ ykaj´ıc´ıho se zp˚ usobu ˇreˇsen´ı • Raven˚ uv IQ test • Psychologick´ y dotazn´ık2 - AQ, EQ, SQ

Obr´azek 8.1: 2D stimulus - identick´ y

Obr´azek 8.2: 2D stimulus - zrcadlen´ y

Obr´azek 8.3: 3D stimulus - identick´ y

Obr´azek 8.4: 3D stimulus - zrcadlen´ y

8.2.2

Elektroencefalograf

Mˇeˇren´ı EEG prob´ıhalo elektroencefalografem o vzorkovac´ı frekvenci 250 Hz. K dispozici byly povrchov´e AgCl elektrody ve standardn´ım zapojen´ı 10-20. Pro kontakt elektrody s pokoˇzkou hlavy byl pouˇzit gel. Zapojen´ı elektrod bylo unipol´arn´ı s referenˇcn´ı elektrodou v oblasti FCz. 2

Psychologick´ y dotazn´ık pro zpracov´ an´ı behavior´ aln´ıch dat. AQ - kvocient autistick´eho spektra, EQ

- emoˇcn´ı kvocient, SQ - spiritu´aln´ı kvocient.

ˇ ´ ´I DAT 8.3. PREDZPRACOV AN

8.3

33

Pˇ redzpracov´ an´ı dat

Pr´ace se sign´alem a v´ ypoˇcet pˇr´ıznak˚ u prob´ıhal v softwarov´em prostˇred´ı Matlab3 . Byl pouˇzit toolbox PSGlab4 doplnˇen´ y o vlastn´ı funkce. u Z toolboxu PSGlab byly pouˇzity funkce: options.run load dfile pro naˇcten´ı D soubor˚ (*.d) do form´atu pro pr´aci v Matlabu, options.run data resampling pro pˇrevzorkov´an´ı sign´alu z 250 Hz na 128 Hz, options.run data filtering 50hz pro filtrov´an´ı frekvence 50 Hz a options.run data new excl pro konverzi star´ ych ˇcasov´ ych u ´daj˚ u (napˇr. hranice segment˚ u) na nov´e.

8.3.1

Artefakty

Detekce artefakt˚ u prob´ıhala manu´alnˇe pomoc´ı funkce artefakty vizualne. V sign´alu se ˇcasto objevovaly artefakty vznikl´e v´ ypadkem elektrody, svalov´e artefakty a oˇcn´ı artefakty (tab. C.2). Mˇeˇren´e sign´aly u tˇr´ı subjekt˚ u musely b´ yt v d˚ usledku velk´eho ruˇsen´ı a ˇcast´eho v´ yskytu artefakt˚ u z experimentu odstranˇeny. D´ale byly odstranˇeny jednotliv´e elektrody, kde sign´al podl´ehal velk´emu ruˇsen´ı nebo kde se objevovaly ˇcast´e v´ ypadky elektrod.

8.3.2

Segmenty

Segmenty byly rozdˇeleny podle odpovˇed´ı mˇeˇren´ ych subjekt˚ u. Kaˇzd´a odpovˇed’ zahrnovala informaci o tom, zda porovn´avan´e obr´azky byly posouzeny subjektem jako identick´e nebo jako zrcadlen´e. V z´avislosti na dimenzi obr´azku obsahovala odpovˇed’ jeˇstˇe informaci o tom, jesti se jednalo o 2D nebo 3D stimulus.

3 4

Vysoko´ urovˇ nov´ y programovac´ı jazyk. www.mathworks.com/products/matlab/ http://bio.felk.cvut.cz/psglab/

34

KAPITOLA 8. EXPERIMENT Tabulka 8.1: Rozdˇelen´ı segment˚ u

Segment

Oznaˇ cen´ı Koment´ aˇ r

Zavˇren´e oˇci

1

Mˇeˇren´ı klidov´e aktivity zavˇren´ ych oˇc´ı, doba trv´an´ı 30 sekund

Otevˇren´e oˇci

2

Mˇeˇren´ı klidov´e aktivity otevˇren´ ych oˇc´ı, doba trv´an´ı 60 sekund

2D stejn´e

21

2D stimulus oznaˇcen subjektem jako identick´ y

2D zrcadlen´e 22

2D stimulus oznaˇcen subjektem jako zrcadlen´ y

3D stejn´e

31

3D stimulus oznaˇcen subjektem jako identick´ y

3D zrcadlen´e 32

3D stimulus oznaˇcen subjektem jako zrcadlen´ y

8.3.3

Pˇ r´ıznaky

Frekvenˇcn´ı (tab. 8.2) a statistick´e (tab. 8.3) pˇr´ıznaky byly spoˇc´ıt´any pro kaˇzd´ y segment pomoc´ı funkce z toolboxu PSGlab options.run feature extraction default. Jednotliv´e segmenty byly pˇriˇrazeny k pˇr´ısluˇsn´ ym pˇr´ıznak˚ um pomoc´ı funkce konecne segmenty. Pro export pˇr´ıznak˚ u do programu Weka 5 byly pouˇzity funkce to weka 6 , to weka l1o 7 a to weka l1o best 8 .

Tabulka 8.2: Frekvenˇcn´ı pˇr´ıznaky

Pˇ r´ıznak

Jednotka

Interval

Alfa

µV 2 /Hz

h7; 12i Hz

Beta

µV 2 /Hz

h12; 30i Hz

Gama

5

2

µV /Hz

h30; 40i Hz

Program, kter´ y obsahuje n´astroje pro pˇredzpracov´ an´ı dat, klasifikaci, regresi, shlukov´ an´ı a vizualizaci

v´ ysledk˚ u. http://www.cs.waikato.ac.nz/ml/weka/ 6 Export zadan´ ych pˇr´ıznak˚ u ze vˇsech elektrod do form´atu pro pouˇzit´ı krosvalidace 7 Export zadan´ ych pˇr´ıznak˚ u ze vˇsech elektrod do form´atu pro pouˇzit´ı leave one out 8 Export nejlepˇs´ıch pˇr´ıznak˚ u do form´atu pro pouˇzit´ı leave one out

ˇ ´ ´I DAT 8.3. PREDZPRACOV AN

35

Tabulka 8.3: Statistick´e pˇr´ıznaky

Pˇ r´ıznak

Oznaˇ cen´ı Vzorec

Minimum

minvalue

-

Maximum

maxvalue

-

Stˇredn´ı hodnota

mean

x¯ =

Smˇerodatn´a odchylka Koeficient ˇsikmosti

std skewness

sx = α=

1 n

n P

ri=1 1 n

1 n

1 n

Koeficient ˇspiˇcatosti

kurtosis

β=

Medi´an

median

x˜0.5 =

n P

n P

(xi − x¯)2

i=1

(xi −¯ x)3

i=1 n P

xi

s3x (xi −¯ x)4

i=1 4

( sx

−3

x([0.5n]+1) , x(0.5n) +x(0.5n+1) , 2

0.5n 6= [0.5n] 0.5n = [0.5n]

36

KAPITOLA 8. EXPERIMENT

Kapitola 9 V´ ysledky Selekce a klasifikace v´ ysledk˚ u prob´ıhala v programu Weka pro pˇr´ıznaky namˇeˇren´e zvl´aˇst’ pˇri 2D stimulech a pˇri 3D stimulech. Z v´ ysledk˚ u selekce a klasifikace by mˇely b´ yt patrn´e rozd´ıly v zapojen´ı r˚ uzn´ ych ˇca´st´ı mozku pro ˇreˇsen´ı 2D a 3D stimul˚ u. Rozd´ıly by se mˇely projevit i ve vizualizaci v´ ykonov´eho spektra.

9.1

Selekce

Pro selekci pˇr´ıznak˚ u byla pouˇzita funkce GreedyStepwise, kter´a m´a jako parametr volbu mezi dopˇrednou selekc´ı a zpˇetnou eliminac´ı. Selekce prob´ıhala na frekvenˇcn´ıch pˇr´ıznac´ıch (tab. 8.2), statistick´ ych pˇr´ıznac´ıch (tab. 8.3) a d´ale zvl´aˇst’ na pˇr´ıznac´ıch alfa, beta a gama.

37

´ KAPITOLA 9. VYSLEDKY

38

Tabulka 9.1: Selekce pˇr´ıznak˚ u 2D

Pˇ r´ıznaky

Dopˇ redn´ a selekce

Zpˇ etn´ a selekce

Frekvenˇcn´ı

F4-gama,O1-gama,

F4-gama,O1-gama,

T4-gama,Fz-alfa,

T4-gama,Fz-alfa,

Fz-beta,Fz-gama,

Fz-beta,Fz-gama,

Cz-alfa,Cz-beta

Cz-alfa,Cz-beta

F4-skewness,F7-std,

F4-skewness,F7-std,

F8-kurtosis,F8-std,

F8-kurtosis,F8-std,

Fz-minvalue,Fz-std,

Fz-minvalue,Fz-std,

Fz-maxvalue,Cz-std,

Fz-maxvalue,Cz-std,

Cz-kurtosis

Cz-kurtosis

Alfa

Fz,Cz

Fz,Cz

Beta

T4,Fz,Cz

T4,Fz,Cz

Gama

F4,O1,T4,Fz

F4,O1,T4,Fz

Statistick´e

Tabulka 9.2: Selekce pˇr´ıznak˚ u 3D

Pˇ r´ıznaky

Dopˇ redn´ a selekce

Zpˇ etn´ a selekce

Frekvenˇcn´ı

Fz-alfa,Fz-beta,

Fz-alfa,Fz-beta,

Fz-gama,Cz-alfa

Fz-gama,Cz-alfa

F7-kurtosis,F7-std,

F7-kurtosis,F7-std,

Statistick´e

Fz-minvalue,Fz-median, Fz-minvalue,Fz-median, Fz-maxvalue,Fz-std,

Fz-maxvalue,Fz-std,

Cz-kurtosis,Cz-std

Cz-kurtosis,Cz-std

Alfa

Fz,Cz

Fz,Cz

Beta

Fz,Cz

Fz,Cz

Gama

O1,T4,Fz,Cz

O1,T4,Fz,Cz

Dopˇredn´a selekce i zpˇetn´a eliminace vykazuj´ı stejn´e v´ ysledky. Nejˇcastˇejˇs´ı zastoupen´ı ve vybran´ ych pˇr´ıznac´ıch maj´ı pˇr´ıznaky z elektrod Fz a Cz. To naznaˇcuje rozd´ılnou mozkovou ˇcinnost mezi hemisf´erami ve front´aln´ı a centr´aln´ı ˇca´sti. Nejvˇetˇs´ı zastoupen´ı u statistick´ ych pˇr´ıznak˚ u m´a smˇerodatn´a odchylka. Naopak ˇza´dn´e z vybran´ ych pˇr´ıznak˚ u nepoch´az´ı z pariet´aln´ıch a frontopol´arn´ıch elektrod. U frontopol´arn´ıch elektrod se ˇcasto projevuj´ı oˇcn´ı artefakty, proto zde nemus´ı b´ yt ˇza´dn´ y rozd´ıl mezi obˇema skupinami.

39

9.2. KLASIFIKACE

9.2

Klasifikace

Pro klasifikaci byly pouˇzity funkce NaiveBayes, MultilayerPerceptron a J48 1 implementov´any v programu Weka. Nejdˇr´ıve byly porovn´any klasifik´atory a vybral se nejvhodnˇejˇs´ı z nich. D´ale se provedla klasifikace Leave-one-out, kde byly vyˇrazeny subjekty, kter´e nebyly spr´avnˇe klasifikov´any. Nakonec byly subjekty klasifikov´any podle hemisf´er a jednotliv´ ych lalok˚ u, kde byly patrn´e rozd´ıly v zapojov´an´ı r˚ uzn´ ych ˇca´st´ı mozku u nadan´ ych oproti pr˚ umˇernˇe nadan´ ym adolescent˚ um.

9.2.1

Porovn´ an´ı klasifik´ ator˚ u

Klasifik´atory byly porovn´any na v´ ysledc´ıch namˇeˇren´ ych pˇri 2D stimulech. Byla pouˇzita krosvalidace, kde mnoˇzina pˇr´ıznak˚ u byla rozdˇelena na 10 podmnoˇzin. Klasifikace probˇehla na vˇsech pˇr´ıznac´ıch dan´e skupiny pˇr´ıznak˚ u i na pˇr´ıznac´ıch selektovan´ ych (tab. 9.1). Tabulka 9.3: Porovn´an´ı klasifik´ ator˚ u - 2D stimuly

Klasifik´ ator

C4.5

NB

MLP

Vˇsechny

Selektovan´e Vˇsechny

Selektovan´e Vˇsechny

Selektovan´e

pˇr´ıznaky

pˇr´ıznaky

pˇr´ıznaky

pˇr´ıznaky

pˇr´ıznaky

pˇr´ıznaky

Frekvenˇcn´ı

96.80

97.20

92.41

92.81

99.30

97.50

Statistick´e

93.01

92.71

82.72

81.02

97.75

95.01

Alfa

93.01

90.41

91.31

90.91

95.45

90.41

Beta

96.30

95.85

89.26

92.56

99.10

95.65

Gama

93.26

88.36

84.87

84.12

97.75

88.41

Pˇ r´ıznaky

Nejvˇetˇs´ı chybu klasifikace na cel´e mnoˇzinˇe pˇr´ıznak˚ u vykazuje NB, naopak nejl´epe klasifikuje MLP. Rozhodovac´ı strom C4.5 m´a srovnatelnou pˇresnost klasifikace na mnoˇzinˇe selektovan´ ych pˇr´ıznak˚ u jako MLP a o cca 3 % horˇs´ı na cel´e mnoˇzinˇe dan´ ych pˇr´ıznak˚ u. Pˇresnost klasifikace selektovan´ ych pˇr´ıznak˚ u u klasifik´atoru C4.5 a NB je ve vˇetˇsinˇe pˇr´ıpadech podobn´a jako jejich klasifikace na cel´e mnoˇzinˇe pˇr´ıznak˚ u. U MLP se zhorˇsila pˇresnost klasifikace na mnoˇzinˇe selektovan´ ych pˇr´ıznak˚ u oproti klasifikaci na mnoˇzinˇe vˇsech pˇr´ıznak˚ u pr˚ umˇernˇe o 4.5 %.

1

Funkce s implementac´ı rozhodovac´ıho stromu C4.5

´ KAPITOLA 9. VYSLEDKY

40

Dalˇs´ı zp˚ usob porovn´an´ı klasifik´ator˚ u byl proveden pomoc´ı zpˇetn´e eliminace, kde byly postupnˇe z cel´e mnoˇziny dan´ ych pˇr´ıznak˚ u odeb´ır´any nejhorˇs´ı pˇr´ıznaky. V kaˇzd´em kroku byly testov´any jednotliv´e klasifik´atory. Testov´an´ı probˇehlo na beta pˇr´ıznac´ıch namˇeˇren´ ych pˇri 2D stimulech.

Pˇ resnost klasifikace [%]

100

NB C4.5 MLP

95

90

85

80

75 0

2

4

6

8

10

12

14

16

Poˇ cet odebran´ ych pˇ r´ıznak˚ u

Obr´azek 9.1: Z´avislost pˇresnosti klasifikace na poˇctu pˇr´ıznak˚ u - beta 2D

S odeb´ır´an´ım nejhorˇs´ıch pˇr´ıznak˚ u postupnˇe roste pˇresnost NB, ale i v nejlepˇs´ım pˇr´ıpadˇe je o cca 5 % horˇs´ı neˇz u MLP a C4.5. Pˇresnost C4.5 se t´emˇeˇr v˚ ubec nemˇen´ı aˇz do odebr´an´ı 15. pˇr´ıznaku. D´ıky vnitˇrn´ı selekci rozhodovac´ıch strom˚ u m˚ uˇze C4.5 celou dobu pracovat jen s tˇemi nejlepˇs´ımi pˇr´ıznaky. MLP je aˇz do odebr´an´ı 11. pˇr´ıznaku lepˇs´ı o 2 aˇz 3 % neˇz C4.5 a v dalˇs´ı ˇca´sti jsou oba klasifik´atory srovnateln´e. Jako klasifik´ator se nejl´epe jev´ı C4.5. M´a lepˇs´ı klasifikaˇcn´ı schopnost neˇz NB a na menˇs´ı mnoˇzinˇe pˇr´ıznak˚ u je srovnateln´ y i s MLP. Jeho ˇcasov´a n´aroˇcnost je znaˇcnˇe niˇzˇs´ı neˇz u MLP2 a v´ ysledky rozhodovac´ıho stromu se daj´ı snadno interpretovat (obr. B.2).

9.2.2

Leave-one-out

Pˇr´ıznaky pro kaˇzd´ y subjekt byly postupnˇe br´any jako testovac´ı mnoˇzina a pˇr´ıznaky ostatn´ıch tvoˇrily tr´enovac´ı mnoˇzinu. Pro klasifikaci byla pouˇzita funkce J48. 2

Klasifikace pˇr´ıznak˚ u beta trvala funkci MultilayerPerceptron pˇres 1 minutu. Klasifikace pomoc´ı

funkce J48 probˇehla za cca 4 sekundy.

18

41

9.2. KLASIFIKACE Tabulka 9.4: Leave-one-out

Jm´ eno

Frekvenˇ cn´ı Frekvenˇ cn´ı Statistick´ e

Statistick´ e

2D

3D

2D

3D

1313

100

98.28

100

100

2332

85.11

94.55

80.85

83.64

42292

97.78

100

88.89

77.55

elmo2

96.00

100

100

96.00

nuzky

100

100

100

100

tarzan

96.88

96.55

95.83

98.28

will

98.94

100

97.87

100

delizrout

100

100

100

97.96

jedle

100

98.11

84.27

86.79

klara

96.88

94.83

94.79

91.38

mcslunicko

98.95

82.14

100

94.64

objekt14

98.80

100

96.39

100

peta

72.92

31.03

54.17

87.93

tomas

97.65

56.00

77.65

78.00

Johny

100

100

98.82

98.25

Ludek

100

100

100

100

Najanaa

98.92

100

95.70

98.25

Michal5

96.88

100

86.46

74.14

Mikro97

100

100

92.86

94.64

Yuillya

98.94

100

100

100

zanet

52.87

4.88

33.33

19.51

tadeas

3.26

1.75

78.26

56.14

tucnak2

50.00

73.68

11.46

14.04

Pr˚ umˇ er

88.73

84.00

85.55

84.66

ˇ Spatn´ a klasifikace probˇehla celkem v 8 pˇr´ıpadech a projevila se u 4 subjekt˚ u. Z experimentu byly vyˇrazeny subjekty, kter´e byly klasifikov´any ˇspatnˇe v´ıce neˇz jednou, tedy zanet, tadeas, tucnak2. Nejvyˇsˇs´ı pˇresnost klasifikace se projevila u subjekt˚ u Nuzky a Ludek.

´ KAPITOLA 9. VYSLEDKY

42

9.2.3

Klasifikace v jednotliv´ ych ˇ c´ astech mozku

Pro zjiˇstˇen´ı rozd´ıl˚ u v zapojen´ı r˚ uzn´ ych ˇca´st´ı mozku nadan´ ych a pr˚ umˇernˇe nadan´ ych byla provedena klasifikace, kter´a zahrnovala pˇr´ıznaky alfa, beta a gama z jednotliv´ ych lalok˚ u a hemisf´er. Pro klasifikaci byla pouˇzita funkce J48.

9.2.3.1

Klasifikace podle hemisf´ er

Tabulka 9.5: Klasifikace podle hemisf´er - 2D

ˇ ast mozku C´

Alfa

Beta

Gama

Pr˚ umˇ er

Prav´a hemisf´era

77.59

89.35

84.19

83.71

Lev´a hemisf´era

82.98

91.49

90.21

88.23

Medi´aln´ı oblast

99.77

99.71

97.97

99.15

Pr˚ umˇ er

86.78

93.52

90.79

-

Tabulka 9.6: Klasifikace podle hemisf´er - 3D

ˇ ast mozku C´

Alfa

Beta

Gama

Pr˚ umˇ er

Prav´a hemisf´era

76.74

88.89

86.72

84.12

Lev´a hemisf´era

81.36

92.00

86.53

86.63

Medi´aln´ı oblast

99.53

99.81

97.83

99.06

Pr˚ umˇ er

85.88

93.57

90.36

-

Mezi klasifikacemi pro 2D a 3D stimulus nejsou v´ yrazn´e rozd´ıly. Jedin´ y vˇetˇs´ı rozd´ıl se t´ yk´a klasifikace pˇr´ıznaku gama podle lev´e hemisf´ery. Nejlepˇs´ı klasifikaci vykazuje medi´aln´ı oblast (elektrody Fz, Cz, Pz), kde je pr˚ umˇern´a pˇresnost klasifikace t´emˇeˇr 100 %. Klasifikace podle lev´e hemisf´ery vych´az´ı ve vˇetˇsinˇe pˇr´ıpad˚ u l´epe neˇz podle prav´e hemisf´ery. Nejlepˇs´ı pˇr´ıznak beta dosahuje pr˚ umˇern´e pˇresnosti klasifikace pˇres 93 %. Nejhorˇs´ım z frekvenˇcn´ıch pˇr´ıznak˚ u je alfa.

43

9.2. KLASIFIKACE 9.2.3.2

Klasifikace podle lalok˚ u Tabulka 9.7: Klasifikace v jednotliv´ ych laloc´ıch - 2D

ˇ ast mozku C´

Alfa

Beta

Gama

Pr˚ umˇ er

Frontopol´arn´ı

76.61

79.91

78.34

78.29

Front´aln´ı

97.28

98.67

91.89

95.95

Pariet´aln´ı

74.81

76.38

75.85

75.68

Tempor´aln´ı

72.43

78.40

75.91

75.58

Okcipit´aln´ı

74.00

84.89

84.95

81.28

Centr´aln´ı

97.92

95.66

82.74

92.11

Pr˚ umˇ er

82.18

85.65

81.61

-

Tabulka 9.8: Klasifikace v jednotliv´ ych laloc´ıch - 3D

ˇ ast mozku C´

Alfa

Beta

Gama

Pr˚ umˇ er

Frontopol´arn´ı

72.69

84.09

79.76

78.85

Front´aln´ı

97.27

98.78

92.56

96.20

Pariet´aln´ı

69.40

72.32

68.46

70.06

Tempor´aln´ı

69.11

74.48

73.73

72.44

Okcipit´aln´ı

71.19

79.38

79.47

76.68

Centr´aln´ı

96.99

95.76

82.02

91.59

Pr˚ umˇ er

79.44

84.14

79.33

-

Nejvˇetˇs´ım rozd´ılem mezi 2D a 3D stimulem je pˇresnost klasifikace podle pariet´aln´ıho a okcipit´aln´ıho laloku, kde je v obou pˇr´ıpadech pr˚ umˇern´a pˇresnost klasifikace vˇetˇs´ı o cca 5 % u 2D stimulu neˇz u 3D stimulu. Nejlepˇs´ı klasifikaci vykazuje front´aln´ı lalok s pr˚ umˇernou pˇresnost´ı klasifikace kolem 96 % a d´ale centr´aln´ı lalok s pr˚ umˇernou pˇresnost´ı klasifikace 92 %. Naopak nejhorˇs´ı klasifikace je podle pariet´aln´ıho a tempor´aln´ıho laloku.

´ KAPITOLA 9. VYSLEDKY

44

9.3

EEG

Pro vykreslen´ı v´ ykon˚ u frekvenˇcn´ıho spektra byla pouˇzita funkce topoplot z toolboxu EEGlab3 . Byla vykreslena v´ ykonov´a spektra alfa, beta a gama vln pro 2D i 3D stimuly u nadan´ ych a pr˚ umˇernˇe nadan´ ych adolescent˚ u. D´ale byla provedena vizualizace aktivnˇejˇs´ıch oblast´ı nadan´ ych oproti pr˚ umˇernˇe nadan´ ym.

9.3.1

Alfa

Nadan´ı

Pr˚ umˇernˇe nadan´ı 450

400

350

300

250

200

150

Obr´azek 9.2: Alfa aktivita 2D

Nadan´ı

Pr˚ umˇernˇe nadan´ı 450

400

350

300

250

200

150

Obr´azek 9.3: Alfa aktivita 3D

3

http://sccn.ucsd.edu/eeglab/

45

9.3. EEG 2D

3D 1 0.8 0.6 0.4 0.2 0 −0.2 −0.4 −0.6 −0.8 −1

Obr´azek 9.4: Aktivnˇejˇs´ı oblasti u nadan´ ych oproti pr˚ umˇernˇe nadan´ ym alfa aktivita

Alfa aktivita u obou skupin je v´ yrazn´a zejm´ena v okcipit´aln´ım laloku a d´ale v pariet´aln´ım a tempor´aln´ıch laloc´ıch (obr. 9.2, obr. 9.3). Mezi aktivitou pˇri ˇreˇsen´ı 2D a 3D stimul˚ u nen´ı u obou skupin t´emˇeˇr ˇza´dn´ y rozd´ıl. Nejvˇetˇs´ı rozd´ıl mezi nadan´ ymi a pr˚ umˇernˇe nadan´ ymi adolescenty je patrn´ y v zapojen´ı ˇca´st´ı, kter´e jsou sn´ımany elektrodami Fz a Cz (obr. 9.4), coˇz potvrzuje i selekce pˇr´ıznak˚ u alfa (tab. 9.1, tab. 9.2).

9.3.2

Beta

Nadan´ı

Pr˚ umˇernˇe nadan´ı 240

220

200

180

160

140

120

100

80

Obr´azek 9.5: Beta aktivita 2D

´ KAPITOLA 9. VYSLEDKY

46 Nadan´ı

Pr˚ umˇernˇe nadan´ı 240

220

200

180

160

140

120

100

80

Obr´azek 9.6: Beta aktivita 3D

2D

3D 1 0.8 0.6 0.4 0.2 0 −0.2 −0.4 −0.6 −0.8 −1

Obr´azek 9.7: Aktivnˇejˇs´ı oblasti u nadan´ ych oproti pr˚ umˇernˇe nadan´ ym beta aktivita

Beta aktivita u pr˚ umˇernˇe nadan´ ych se projevuje zejm´ena v okcipit´aln´ı ˇca´sti mozku a smˇerem k frontopol´arn´ımu laloku je vidˇet postupn´ y pokles aktivity (obr. 9.5, obr. 9.6). Jak u nadan´ ych tak i u pr˚ umˇernˇe nadan´ ych pracuj´ı obˇe hemisf´ery t´emˇeˇr identicky. V porovn´an´ı nadan´ ych a pr˚ umˇernˇe nadan´ ych adolescent˚ u jsou patrn´e (stejnˇe jako u alfa aktivity) rozd´ıly pˇredevˇs´ım v aktivitˇe sn´ıman´e elektrodami Fz a Cz. D´ale je patrn´ y rozd´ıl v zapojen´ı tempor´aln´ıch lalok˚ u, kter´ y se projevuje pˇredevˇs´ım pˇri ˇreˇsen´ı 3D stimul˚ u (obr. 9.7).

47

9.3. EEG

9.3.3

Gama Nadan´ı

Pr˚ umˇernˇe nadan´ı 110

100

90

80

70

60

50

40

30

Obr´azek 9.8: Gama aktivita 2D

Nadan´ı

Pr˚ umˇernˇe nadan´ı 110

100

90

80

70

60

50

40

30

Obr´azek 9.9: Gama aktivita 3D

2D

3D 1 0.8 0.6 0.4 0.2 0 −0.2 −0.4 −0.6 −0.8 −1

Obr´azek 9.10: Aktivnˇejˇs´ı oblasti u nadan´ ych oproti pr˚ umˇernˇe nadan´ ym gama aktivita

48

´ KAPITOLA 9. VYSLEDKY

Stejnˇe jako beta i gama aktivita vykazuje nejvyˇsˇs´ı ˇcinnost v okcipit´aln´ım laloku. Nadan´ı zapojuj´ı pˇredevˇs´ım levou hemisf´eru mozku, zat´ımco u pr˚ umˇernˇe nadan´ ych nen´ı patrn´a zv´ yˇsen´a aktivita nikde, kromˇe okcipit´aln´ıho a ˇca´sti pariet´aln´ıho laloku (obr. 9.8, obr. 9.9). U pr˚ umˇernˇe nadan´ ych je vidˇet ˇca´steˇcn´ y pokles v aktivitˇe v ˇreˇsen´ı 3D stimul˚ u oproti 2D stimul˚ um. Nadan´ı oproti pr˚ umˇernˇe nadan´ ym maj´ı v pr˚ ubˇehu ˇreˇsen´ı 2D stimul˚ u zv´ yˇsenou aktivitu na elektrodˇe Fz. V pr˚ ubˇehu 3D stimul˚ u jsou rozd´ıly jeˇstˇe v´ yraznˇejˇs´ı. Vyˇsˇs´ı aktivita se projevuje zejm´ena v lev´em tempor´aln´ım laloku a v pˇredn´ı ˇca´sti prav´e hemisf´ery (obr. 9.10).

Kapitola 10 Diskuse a z´ avˇ er Celkem 26 jedinc˚ u ve vˇeku 15-20 let se z˚ uˇcastnilo experimentu, ve kter´em jim bylo v pr˚ ubˇehu ˇreˇsen´ı u ´lohy ment´aln´ı rotace sn´ım´ano EEG. Kaˇzd´emu ze subjekt˚ u bylo pro´ m´ıtnuto 96 2D a 58 3D p´ar˚ u obr´azk˚ u. Ukolem bylo co nejrychleji a nejpˇresnˇeji urˇcit zda jsou obr´azky identick´e nebo zrcadlen´e. Po namˇeˇren´ı EEG kaˇzd´ y ze subjekt˚ u vyplnil osobn´ı dotazn´ık a dotazn´ık t´ ykaj´ıc´ı se postupu ˇreˇsen´ı. D´ale se kaˇzd´ y subjekt z´ uˇcastnil psychologick´ ych test˚ u pro zjiˇstˇen´ı AQ, EQ a SQ a Ravenova IQ testu, podle kter´eho byly rozdˇeleny do dvou skupin na nadan´e a pr˚ umˇernˇe nadan´e. Z namˇeˇren´eho EEG bylo potˇreba vyfiltrovat frekvenci 50 Hz vzniklou s´ıt’ov´ ym ruˇsen´ım a detekovat artefakty. Nejˇcastˇeji se v sign´alech vyskytovaly svalov´e a oˇcn´ı artefakty a artefakty vznikl´e ˇspatn´ ym kontaktem elektrody. U subjekt˚ u byly vyˇrazeny segmenty s v´ yskytem artefakt˚ u a ve zbyl´ ych segmentech byly spoˇc´ıt´any frekvenˇcn´ı a statistick´e pˇr´ıznaky. Pomoc´ı selekce bylo snahou urˇcit, kter´e pˇr´ıznaky od sebe nejl´epe oddˇeluj´ı obˇe skupiny. Nejlepˇs´ı frekvenˇcn´ı pˇr´ıznaky byly pˇr´ıznaky z elektrod Fz a Cz a d´ale z elektrod O1 a T4 u pˇr´ıznaku gama. Mezi statistick´ ymi pˇr´ıznaky figurovaly pˇr´ıznaky namˇeˇren´e ve front´aln´ım a centr´aln´ım laloku. Pro klasifikaci bylo nejprve nutn´e vybrat vhodn´ y klasifik´ator. Otestov´any byly 3 klasifik´atory: naivn´ı Bayesovsk´y klasifik´ ator, v´ıcevrstv´ı perceptron a rozhodovac´ı strom C4.5. Porovn´av´ana byla jejich schopnost pˇresnˇe klasifikovat na vˇsech a na selektovan´ ych pˇr´ıznac´ıch dan´e skupiny. Nejhorˇs´ı klasifikaˇcn´ı schopnost se projevila u NB. Nejlepˇs´ı schopnost klasifikovat na vˇsech pˇr´ıznac´ıch mˇel MLP. Na mnoˇzinˇe selektovan´ ych pˇr´ıznak˚ u byly klasifik´atory MLP a C4.5 srovnateln´e. Kv˚ uli v´ ypoˇcetn´ı n´aroˇcnosti MLP a dobr´e 49

50

´ ER ˇ KAPITOLA 10. DISKUSE A ZAV

interpretovatelnosti rozhodovac´ıho stromu byl nakonec pro dalˇs´ı klasifikaci vybr´an klasifik´ator C4.5. Pro vylouˇcen´ı ˇspatnˇe klasifikovan´ ych subjekt˚ u byla pouˇzita metoda Leave-one-out. Pˇr´ıznaky jednoho subjektu byly urˇceny na testov´an´ı, zat´ımco pˇr´ıznaky ostatn´ıch subjekt˚ u tvoˇrily tr´enovac´ı mnoˇzinu, na kter´e se klasifik´ator nauˇcil. Klasifikace probˇehla na frekvenˇcn´ıch a statistick´ ych pˇr´ıznac´ıch namˇeˇren´ ych pˇri ˇreˇsen´ı 2D i 3D stimul˚ u. Z experimentu byly vyˇrazeny subjekty, kter´e byly chybnˇe klasifikov´any v´ıce neˇz jednou. Pro zjiˇstˇen´ı, jak dobˇre lze obˇe skupiny klasifikovat podle r˚ uzn´ ych ˇca´st´ı mozku, byla provedena klasifikace podle hemisf´er a podle lalok˚ u na frekvenˇcn´ıch pˇr´ıznac´ıch. Nejl´epe ˇslo klasifikovat podle medi´aln´ı oblasti. Z obou hemisf´er bylo dosaˇzeno lepˇs´ıch v´ ysledk˚ u pomoc´ı pˇr´ıznak˚ u z lev´e hemisf´ery. Jako nejlepˇs´ı pˇr´ıznak se projevil pˇr´ıznak beta a nejhorˇs´ım pˇr´ıznakem byl pˇr´ıznak alfa. Z lalok˚ u klasifikoval nejl´epe front´aln´ı a centr´aln´ı lalok. Z pˇr´ıznak˚ u opˇet klasifikoval nejl´epe pˇr´ıznak beta a pˇresnost klasifikace u pˇr´ıznak˚ u alfa a gama byla srovnateln´a. Z vykreslen´ı v´ ykonu frekvenˇcn´ıho spektra se projevily rozd´ıly na elektrod´ach Fz a Cz. Na elektrodˇe Fz mˇeli nadan´ı zv´ yˇsenou aktivitu oproti pr˚ umˇernˇe nadan´ ym, zat´ımco na Cz ji mˇeli niˇzˇs´ı. U beta aktivity nadan´ ych adolescent˚ u se projevila zv´ yˇsen´a ˇcinnost obou hemisf´er a to hlavnˇe u 3D stimul˚ u, kde byl zapojen pˇredevˇs´ım lev´ y tempor´aln´ı lalok. Stejnˇe jako u beta i u gama aktivity se projevila zv´ yˇsen´a aktivita u nadan´ ych v lev´em tempor´aln´ım laloku a s n´ım i vyˇsˇs´ı aktivita v prav´e ˇca´sti front´aln´ıho laloku. Zapojen´ı front´aln´ıho laloku spoleˇcnˇe s vyˇsˇs´ı aktivitou v lev´e hemisf´eˇre se shoduje s fMRI studi´ı, kterou provedl M. W. O’Boyle [16]. Zv´ yˇsen´a aktivita stˇredn´ı ˇca´sti front´aln´ıho laloku u nadan´ ych m˚ uˇze b´ yt zp˚ usobena zapojen´ım asociaˇcn´ıch center v pr˚ ubˇehu ˇreˇsen´ı u ´lohy. Zapojov´an´ım tˇechto center v pr˚ ubˇehu ˇreˇsen´ı u ´loh logick´eho charakteru m˚ uˇze pomoci k dosaˇzen´ı lepˇs´ıch v´ ysledk˚ u.

Literatura [1] ALIVISATOS, Bessie; PETRIDES, Michael: Functional activation of the human brain during mental rotation. Neuropsychologia, roˇcn´ık 35, ˇc. 2, 1997, s. 111–118. [2] ATKINSON, Rita L.: Psychologie. Praha: Victoria Publishing, 1995, ISBN 808560535x. [3] BERKA, Petr. Bayesovsk´ a klasifikace [online]. 3.10.2009 [cit. 2015-04-14]. Dostupn´e z: http://sorry.vse.cz/~berka/docs/izi456/kap_5.6.pdf [4] COOPER, Lynn A.: Mental rotation of random two-dimensional shapes. Cognitive psychology, roˇcn´ık 7, ˇc. 1, 1975, s. 20–43. [5] DUDA, Richard; HART, Peter E.; STORK, David G.: Pattern classification. New York: J. Wiley, druh´e vyd´an´ı, 2001, ISBN 0471056693. ´ CEK, ˇ [6] HAASZ, Vladim´ır; SEDLA Miloˇs: Elektrick´ a mˇeˇren´ı: pˇr´ıstroje a metody. Praha: ˇ Vydavatelstv´ı CVUT, 2003, ISBN 8001027317. ˇ ´IK, Jiˇr´ı: Anal´yza a klasifikace dat. Brno: Akademick´e nakladatelstv´ı CERM, [7] HOLC 2012, ISBN 9788072047932. [8] JORDAN, K.; HEINZE, H.-J.; LUTZ, K.; aj.: Cortical Activations during the Mental Rotation of Different Visual Objects. NeuroImage, roˇcn´ık 13, ˇc. 1, 2001, s. 143–152. [9] Kandel, Eric R.; Schwartz, James H.; Jessell, Thomas M.; aj.: Principles of neural science, roˇcn´ık 4. New York: McGraw-Hill, 2000. [10] KANTARCIOGLU, M.; VAIDYA, J.; CLIFTON, C.: Privacy preserving naive bayes classifier for horizontally partitioned data. IEEE ICDM workshop on privacy preserving data mining[online], 2003, s. 3–9. Dostupn´e z: http://www.cis.syr.edu/~wedu/ppdm2003/papers/1.pdf 51

52

LITERATURA

[11] Karegowda, A. G.; Manjunath, A. S.; Jayaram, M. A.: Comparative study of attribute selection using gain ratio and correlation based feature selection. International Journal of Information Technology and Knowledge Management, roˇcn´ık 2, ˇc. 2, 2010, s. 271–277. [12] KUNCHEVA, Ludmila I.: Combining pattern classifiers: methods and algorithms. John Wiley & Sons, 2004, ISBN 9780471210788. [13] LIU, Huan; MOTODA, Hiroshi: Computational methods of feature selection. Boca Raton: Chapman & Hall/CRC, c2008, ISBN 9781584888789. ˇ ´IK, Vladim´ır; ST ˇ EP ˇ ANKOV ´ ´ Olga; LAZANSK ˇ ´ Jiˇr´ı; aj.: Umˇel´ [14] MAR A, Y, a inteligence. Praha: Academia, prvn´ı vyd´an´ı, 1993, ISBN 8020004963. [15] O’BOYLE, Michael W.: Mathematically Gifted Children: Developmental Brain Characteristics and Their Prognosis for Well-Being. Roeper Review, roˇcn´ık 30, ˇc. 3, 2008, s. 181–186. [16] O’BOYLE, Michael W.; CUNNINGTON, R.; SILK, T. J.; aj.: Mathematically gifted male adolescents activate a unique brain network during mental rotation. Cognitive Brain Research, roˇcn´ık 25, ˇc. 2, 2005, s. 253–257. ´ Aneˇzka: Adaptivn´ı segmentace EEG sign´ [17] OSTRA, alu. Brno, 2012. Bakal´aˇrsk´a pr´ace. VUT v Brnˇe, Fakulta elektrotechniky a komunikaˇcn´ıch technologi´ı. [18] PETERS, Michael; BATTISTA, C.: Applications of mental rotation figures of the Shepard and Metzler type and description of a mental rotation stimulus library. Brain and cognition, roˇcn´ık 66, ˇc. 3, 2008, s. 260–264. [19] PETERS, M.; LAENG, B.; LATHAM, K.; aj.: A Redrawn Vandenberg and Kuse Mental Rotations Test - Different Versions and Factors That Affect Performance. Brain and Cognition, roˇcn´ık 28, ˇc. 1, 1995, s. 39–58. [20] Popisn´a statistika [online]. 17.12.2009 [cit. 2015-03-29]. Dostupn´e z: http://mant.upol.cz/soubory/MC/p13.pdf [21] Rozhovory s MUDr. Ladislavem REZNEREM, neurologem v nemocnici Boskovice. Brno, 10.–29.4.2015. [22] SANEI, Saeid; CHAMBERS, Jonathon A.: EEG signal processing. NJ: John Wiley & Sons, 2007, ISBN 0470025816.

LITERATURA

53

[23] SHANNON, Claude E.: Communication in the Presence of Noise. PROCEEDINGS OF THE IEEE, roˇcn´ık 86, ˇc. 2, 1998. [24] SHEPARD, R. N.; METZLER, J.: Mental rotation of three-dimensional objects. Science, roˇcn´ık 171, ˇc. 3972, u ´nor 1971, s. 701–703. [25] STERNBERG, Robert J.: Kognitivn´ı psychologie. Praha: Port´al, 2002, ISBN 8071783765 [26] TONG, Shanbao; THAKOR, Nitish Vyomesh: Quantitative EEG analysis methods and clinical applications. Boston: Artech House, 2009. ˇ [27] VOJTECH, Zdenˇek.: EEG v epileptologii dospˇel´ych. Praha: Grada, 2005, ISBN 8024706903. [28] VOLF, Petr: EEG signal analysis of mentally gifted children. Praha, 2013. Diplomov´a ˇ pr´ace. CVUT v Praze, Fakulta elektrotechnick´a.

54

LITERATURA

Pˇ r´ıloha A Seznam zkratek AQ

Kvocient autistick´eho spektra

C

Centraln´ı

EEG

Elektroencefalograf

EQ

Emoˇcn´ı kvocient

F

Front´aln´ı

FFT

Rychl´a Fourierova transformace (Fast Fourier transform)

fMRI

Funkˇcn´ı magnetick´a rezonance

Fp

Frontopol´arn´ı

IQ

Inteligenˇcn´ı kvocient

MLP

V´ıcevrstv´ y perceptron (Multilayer perceptron)

NB

Naivn´ı Bayesovsk´ y klasifik´ator (Naive Bayes)

O

Okcipit´aln´ı

P

Pariet´aln´ı

SQ

Spiritu´aln´ı kvocient

I

II

ˇ ´ILOHA A. SEZNAM ZKRATEK PR

Pˇ r´ıloha B Obr´ azky

Obr´azek B.1: Z´aznam EEG sign´alu pˇri zavˇren´ ych oˇc´ıch Zdroj: Nemocnice Boskovice, duben 2015

III

IV

ˇ ´ILOHA B. OBRAZKY ´ PR

Obr´azek B.2: Pˇr´ıklad rozhodovac´ıho stromu

Obr´azek B.3: Histogram selektovan´ ych frekvenˇcn´ıch pˇr´ıznak˚ u pro 2D stimuly

V

VI

ˇ ´ILOHA B. OBRAZKY ´ PR

Pˇ r´ıloha C Tabulky Jm´ eno

Pohlav´ı Vˇ ek ˇ Z 16 ˇ 17 Z

Lateralita

IQ

P

> 130

P

> 130

16

P

> 130

42292

M ˇ Z

16

P

> 130

elmo2

M

16

P

> 130

nuzky

M ˇ Z

16

P

> 130

16

P

> 130

M ˇ Z

16

P

> 130

15

P

> 130

15

P

> 130

klara

M ˇ Z

15

P

> 130

mcslunicko

M

15

P

> 130

objekt14

M

15

L

> 130

peta

M

15

P

> 130

tomas

M

15

P

> 130

Johny

M

17

L

h90, 110i

Ludek

16

P

h90, 110i

Najanaa

M ˇ Z

17

L

h90, 110i

Michal5

M

15

P

h90, 110i

Mikro97

M ˇ Z

15

P

h90, 110i

15

P

h90, 110i

333 1313 2332

tarzan will delizrout jedle

Yuillya

VII

ˇ ´ILOHA C. TABULKY PR

VIII

zanet

ˇ Z

?

P

h90, 110i

tadeas

M

?

P

h90, 110i

tucnak2

20

P

h90, 110i

arina

M ˇ Z

19

P

h90, 110i

dick

M

20

P

h90, 110i

Tabulka C.1: Seznam mˇeˇren´ ych subjekt˚ u

Jm´ eno

Procento

Koment´ aˇ r

artefakt˚ u 333

100

Vysok´a u ´roveˇ n oˇcn´ıch artefakt˚ u, v´ ypadky elektrody O1, vysok´a u ´roveˇ n ˇspiˇcek - ne-

1313

0.73

pouˇziteln´ y sign´al ˇ adn´e svalov´e artefakty, stˇredn´ı u Z´ ´roveˇ n oˇcn´ıch artefakt˚ u

2332

1.29

Stˇredn´ı u ´roveˇ n ruˇsen´ı, mal´e svalov´e artefakty, v´ ypadky elektrod

42292

4.68

Stˇredn´ı u ´roveˇ n ruˇsen´ı, v´ yskyt drobn´ ych artefakt˚ u

elmo2

35.07

Vysok´a u ´roveˇ n ruˇsen´ı, v´ yskyt svalov´ ych a oˇcn´ıch artefakt˚ u, konec sign´alu nepouˇziteln´ y

nuzky

12.39

V´ yskyt velk´ ych svalov´ ych artefakt˚ u, oˇcn´ı artefakty, v´ ypadky elektrod

tarzan

2.20

V´ ypadek sign´alu, hodnˇe oˇcn´ıch artefakt˚ u (neodstranˇeno), bez svalov´ ych artefakt˚ u

will

2.06

Mal´a u ´roveˇ n ruˇsen´ı, m´ırn´e artefakty

delizrout

4.42

Stˇredn´ı u ´roveˇ n ruˇsen´ı, v´ ypadky elektrod

jedle

7.98

Stˇredn´ı u ´roveˇ n ruˇsen´ı, v´ yskyt velk´ ych svalov´ ych artefakt˚ u

klara

0

Sign´al t´emˇeˇr bez ruˇsen´ı, bez artefakt˚ u

mcslunicko

0.89

M´ırn´e ruˇsen´ı, t´emˇeˇr bez artefakt˚ u

objekt14

9.19

Velk´e ruˇsen´ı, hodnˇe v´ ypadk˚ u elektrod

IX

peta

0

M´ırn´e ruˇsen´ı, bez artefakt˚ u

tomas

8.77

Velk´e ruˇsen´ı na vˇsech elektrod´ach, v´ ypadky elektrod, nepouˇziteln´e sign´aly z elektrod T5 a C3

Johny

11.71

N´ızk´a u ´roveˇ n ruˇsen´ı, velk´e svalov´e artefakty

Ludek

1.14

N´ızk´a u ´roveˇ n ruˇsen´ı, v´ yskyt svalov´ ych artefakt˚ u

Najanaa

1.13

N´ızk´a u ´roveˇ n ruˇsen´ı, mal´e artefakty

Michal5

0

Vysok´e ruˇsen´ı, nepouˇziteln´ y sign´al na elektrod´ach Fp1, F3, C3, C4, P3, O1, F7

Mikro97

50.32

Zaˇca´tek sign´alu velice ruˇsen´ y s v´ yskytem velk´ ych svalov´ ych artefakt˚ u, druh´a p˚ ulka lepˇs´ı, v´ yskyt menˇs´ıch svalov´ ych artefakt˚ u

Yuillya

1.86

Mal´a u ´roveˇ n ruˇsen´ı, v´ ypadky elektrody, bez svalov´ ych artefakt˚ u

zanet

8.65

tadeas

3.46

V´ yskyt svalov´ ych a oˇcn´ıch artefakt˚ u ˇ y sign´al, v´ Cist´ yskyt mal´ ych svalov´ ych artefakt˚ u

tucnak2

2.42

Vysok´a u ´roveˇ n ruˇsen´ı, drobn´e svalov´e artefakty

arina

100

Vysok´a u ´roveˇ n ruˇsen´ı, v´ yskyt artefakt˚ u po cel´em u ´seku - nepouˇziteln´ y sign´al

dick

100

Vysok´a u ´roveˇ n ruˇsen´ı, v´ yskyt artefakt˚ u po cel´em u ´seku - nepouˇziteln´ y sign´al Tabulka C.2: V´ yskyt artefakt˚ u

X

ˇ ´ILOHA C. TABULKY PR

Pˇ r´ıloha D Obsah pˇ riloˇ zen´ eho CD K t´eto pr´aci je pˇriloˇzeno CD, na kter´em je uloˇzena pr´ace ve form´atu PDF a zdrojov´e k´ody.

XI