Нефаз расшифровка: ПАО «НЕФАЗ»

Содержание

ПАО «НЕФАЗ»

Историческая справка

17 декабря 1970 года Совет Министров СССР издал Постановление «О строительстве и реконструкции заводов Министерства автомобильной промышленности для обеспечения Камского автомобильного завода запасными частями и комплектующими деталями». Как известно, в те годы «КАМАЗ» – автогигант в городе Набережные Челны – был объявлен Всесоюзной ударной стройкой. Было решено строить и заводы-спутники, которые бы поставляли туда необходимую комплектацию.

25 декабря 1970 года Государственный Комитет Совета Министров по делам строительства издал приказ №65 «О создании завода по производству автосамосвалов и лебёдок” в городе Нефтекамске Башкирской АССР. Подобный же приказ №4 от 8 января 1971 года издал Министр автомобильной промышленности СССР.

Распоряжением Совета Министров БАССР от 19 января 1971 года была создана комиссия для выбора площадки под строительство завода. Комиссия обследовала три земельных площади.

Выбор был сделан на участке вдоль автомобильной дороги Нефтекамск-Янаул. Совет Министров БАССР вынес решение о резервации 100 га земли для строительства завода.

13 июля 1972 года началось строительство завода.

15 апреля 1977 был собран первый десятитонный автосамосвал КАМАЗ-5511.

11 октября 1977 года состоялся пуск главного конвейера. С этого дня начался серийный выпуск автосамосвалов КАМАЗ-5511.

31 октября 1977 года был утвержден акт Государственной комиссии о приёмке в эксплуатацию первой очереди Нефтекамского завода по производству автосамосвалов.

17 ноября 1977 года вышел приказ №343 «О вводе в эксплуатацию завода по производству автосамосвалов, г. Нефтекамск Башкирской АССР», подписанный министром автомобильной промышленности В. Н. Поляковым: «Считать введённой в эксплуатацию первую очередь завода по производству автосамосвалов, г. Нефтекамск Башкирской АССР производственной мощностью 10 000 автосамосвалов в год», – говорится в этом приказе.

26 июля 1978 года приказом №206 завод был переименован в Нефтекамский завод автосамосвалов.

27 ноября 1978 года был утверждён Устав Нефтекамского завода автосамосвалов.

В 1981 году была сдана в эксплуатацию первая очередь корпуса вахтовых автобусов площадью 3 500 кв. метров для размещения мощностей по выпуску 3 000 вахтовых автомобилей в год.

1 мая 1982 года на демонстрации нефтекамцы и гости города увидели первенец машины для вахтовиков. Таким образом, Нефтекамский завод автосамосвалов начал производство техники нового для себя направления.

В 1993 году завод стал открытым акционерным обществом «Нефтекамский автозавод».

В 2000 году руководством завода была принята новая серьезная программа – «Программа освоения пассажирских автобусов на шасси КАМАЗ».

В августе 2000 года была начата разработка конструкторской документации городского автобуса первого класса (по международной классификации) большой вместимости. К ним относятся автобусы длиной 10-12 метров, полной массой до 17 тонн. Нефтекамскому автобусу был присвоен номер модели – 5299.

6 декабря 2000 года вписано красной строкой в новейшую историю Нефтекамского автозавода. В этот день был представлен первый автобус городского типа НЕФАЗ-5299.

В октябре 2002 года сдана в эксплуатацию вторая очередь автобусного производства с уникальным лакокрасочным комплексом производства Германии. Введение в строй этого комплекса, аналогов которому в России нет, позволило выйти на проектную мощность производства – 1 000 автобусов в год. Кроме того, обеспечено очень высокое качество покраски и антикоррозионной обработки.

Общая вместимость: 35

Мест для сидения: 27

Iveco 211GS-15

Общая вместимость: 20

Мест для сидения: 20

Аренда транспорта и спецтехники | ООО «ГТМ»

№ п/п	Наименование	Марка а/м
		Автомобильный транспорт
1	Седельный тягач	Маз 54329 ОДАЗ 3937 ОП(прицеп) -12 тн
2	Седельный тягач	Маз 642208-028 МАЗ 9758-043 прицеп – 25 тн
3	Седельный тягач	Маз 642208-028 ЧМЗАП-99064(пприцеп тяжеловоз)-40тн
4	Седельный тягач	Маз 642208 СЗАП 9328 прицеп – 25 тн
5	Трубовоз	Урал 375 Прицеп ПВ 20402 роспуск 12 тн
6	Грузовой бортовой	Камаз 43105 , Маз-533702-2120-8 тн
7	Грузовой бортовой	Газ-5201 гп 3. 5 тн
8	Грузовой бортовой	Газель 3737 – 1.5 тн
9	Автобус-вахта	Газ 6611
10	Автобус-вахта	Камаз Нефаз
11	Грузо-пассажирск.	УАЗ 2206 -грузопассаж. – 11 мест
12	Спец.дефектоскоп.	Уаз-39099
13	Самосвал	Татра 815 С
14	Самосвал	Зил ММЗ 4502
15	Бензовоз	Урал 375 5.0 л
16	Бензовоз	Газ-5201 2.2 л
		Строительные машины и механизмы
17	Груз.с кран.оборуд.	FUSO –гп 2тн
18	Автокран	Маз-3562 – гп 10 тн
19	Автокран	Маз К 3577 – гп 12 ,5 тн
20	Автокран	Маз45717А1 –гп 25 тн
21	Автокран	КС 55730 гп 32 тн
22	Автокран	Урал КС-45717-1 – гп 25 тн
23	Кран гусеничный	РДК-25 –гп 25 тн
24	Автогидроподъемники	АГП ВС 22 МС – 22 м
25	Экскаватор	Экскаватор ЕТ 25
26	Погрузчик-экскаватор	Погрузчик-экскаватор ТО 4940
27	Траншеекопатель	ТраншеекопательЭТР-224 600мм
28	Баровая установка	ДТ 75
29	Трактор	Бульдозер Т-170 М
30	Трубоукладчик	ТГ-124 на базе трактора ТГ-130 гп 12 тн
31	Спец. автомобили	Маз 5334 компрессор
32	Спец.автомобили	КрАЗ 250 с Эл.станцией 100 квт.
33	Спец.автомобили	Урал 4320 термопост
34	Компрессорн.станция	МЗА-ЗИФ
35	Компрессорн.станция	ПВ 108

НЕФАЗ НЗАС-3964 – Автобусы-вахтовые (NEFAZ NZAS-3964 – NefAZ НЗАС-3964 – NEFTEKAMSKIY AVTOZAVOD НЗАС-3964 – NZAS-3964 – Автобус-вахтовый НЕФАЗ НЗАС-3964 – Автобус-вахтовый НЗАС-3964 – НЕФАЗ НЗАС-3964 – НЕФТЕКАМСКИИ АВТОЗАВОД НЗАС-3964 – НЕФТЕКАМСКИЙ АВТОЗАВОД НЗАС-3964 – НЗАС-3964) – Технические характеристики НЕФАЗ НЗАС-3964 – Габаритные размеры НЕФАЗ НЗАС-3964 – Двигатель НЕФАЗ НЗАС-3964 – Ходовая часть НЕФАЗ НЗАС-3964

Документ энциклопедии Стройтех, Категория: Автобусы-вахтовые

Производитель:НЕФАЗ
Базовое шасси:-

Технические характеристики НЕФАЗ НЗАС-3964

Эксплуатационная масса:6 170,00 кг
Эксплуатационная мощность:89,48 кВт
Скорость:80,00 км/ч

Габаритные размеры НЕФАЗ НЗАС-3964

Длина:6 350,00 мм
Ширина:2 500,00 мм
Высота:2 905,00 мм

Двигатель НЕФАЗ НЗАС-3964

Модель двигателя:ЗМЗ-53-11 BENZin V8
Объем двигателя:-
Частота оборотов двигателя:-
Ход поршня двигателя:-

Ходовая часть НЕФАЗ НЗАС-3964

Дорожный просвет:-
Колеса:12. 00-18(320-457)
Колесная база:3 300,00 мм
Колесная формула:4×4

Эксплуатационные характеристики НЕФАЗ НЗАС-3964

Количество мест:20,00 чел
Базовая машина:ГАЗ-66-11
Количество дверей:1,00+2,00 шт

NEFAZ NZAS-3964

NefAZ НЗАС-3964

NEFTEKAMSKIY AVTOZAVOD НЗАС-3964

NZAS-3964

Автобус-вахтовый НЕФАЗ НЗАС-3964

Автобус-вахтовый НЗАС-3964

НЕФАЗ НЗАС-3964

НЕФТЕКАМСКИИ АВТОЗАВОД НЗАС-3964

НЕФТЕКАМСКИЙ АВТОЗАВОД НЗАС-3964

НЗАС-3964

+ добавить объявление

НЕФАЗ НЗАС-3964 – аренда:

1.	НефАЗ 4208-11-13 Автобус-вахтовый 2013 г. 07.03.2018	г. Нижегородская область, Дзержинск	1 300 РУБ/час
2.	Вахтовые автобусы: НЕФАЗ, УСТ :- 24, 30 мест Автобус-вахтовый 2014 г. 29.11.2017	Аверой г. Уссурийск	1 800 РУБ/час
3.	НефАЗ 4208-11-13 Автобус-вахтовый 2008 г. 15.11.2017	г. Пермский край, Пермь	1 100 РУБ/час
4.	НефАЗ 42111-110-11 Автобус-вахтовый 2009 г. 30.05.2017	г. Краснодарский край, Краснодар	1 200 РУБ/час
5.	НефАЗ 5299 Автобус 2013 г. 08.04.2017	г. Москва, г.Москва, ул. Прянишникова, д. 19а, строение 9, 2 этаж, офис 24	1 452 РУБ/час
6.	Автотопливозаправщик Автотопливозаправщик 2008 г. 24.11.2016	СТРОЙ ТЕХ	1 300 РУБ/час
7.	Урал 3255-3022-79М Автобус-вахтовый 2014 г. 21.08.2017	г. Ямало-Ненецкий автономный округ, Новый Уренгой	1 200 РУБ/час
8.	Урал 3255-3013-79М-28 Автобус-вахтовый 1998 г. 21.05.2017	г. Омская область, Омск	1 200 РУБ/час
9.	Урал 3255-0020-61М Автобус-вахтовый 2008 г. 15.05.2017	г. Чувашская республика, Чебоксары	1 750 РУБ/час
10.	Урал 3255-0020-61М Автобус-вахтовый 2007 г. 18.04.2017	г. Ханты-Мансийский автономный округ, Лангепас, Лангепас	850 РУБ/час

Энциклопедия СтройТех является открытой справочно-информационной системой.
Любой посетитель может свободно просматривать, копировать и изменять документы.
Информация предоставляется «как есть» и не может гарантировать правильность приведённых в ней данных.
Увидели неточность – смело вносите свои правки.
Не нашли нужного документа – добавление займет пару минут.
Команда Стройтех открыта для всего нового и улучшения старого – форма отправки предложений.

На правах рекламы:

ЯрЛИ. О компании

Версия для печати

«Научно-производственная компания ЯрЛИ» (ЗАО «НПК ЯрЛИ») создана в 1958 г. как филиал Государственного научно-исследовательского и проектного института лакокрасочной промышленности (ГИПИ ЛКП) г. Москва. В 1991 г. институт получил статус самостоятельной организации.

С 90-х годов компания разрабатывает и производит лакокрасочные материалы (ЛКМ) для различных отраслей промышленности.

Строительство новых и техническое перевооружение существующих технологических комплексов, использование высокопроизводительного оборудования, развитие научной базы позволяет компании занимать лидирующие позиции на рынке лакокрасочных материалов индустриального назначения в России.

Сегодня российский рынок индустриальных ЛКМ оценивается в 420 тыс. тонн, из которых 40% занимает импорт, остальные 60% — это отечественное производство, при этом 28 тыс. тонн выпускает ЗАО «НПК ЯрЛИ» (примерно 7 % от общего объема потребления).

Одно из приоритетных направлений деятельности компании — производство ЛКМ для окраски рулонного металла валковым методом. Эта технология обладает многими преимуществами по сравнению с нанесением покрытий на отдельные изделия:

получение высококачественных покрытий
низкие энергозатраты
хорошая автоматизация производства
сокращение расходов и минимизация негативного воздействия процесса окраски на окружающую среду

В строительстве используется 70% окрашенного рулонного металла с полимерным покрытием, наносимым валковым методом, в автомобильной промышленности — 10%, в производстве бытовой техники — 7%, а также в других отраслях. До 2005 г. ЛКМ для окраски рулонного металла полностью импортировали в Россию, сейчас ЗАО «НПК ЯрЛИ» занимает 15- 20% в общей структуре таких заказов.

Среди перспективных направлений развития производства: водоразбавляемые индустриальные противокоррозионные ЛКМ, УФ-отверждаемые пигментированные эмали по металлу, ЛКМ с низким содержанием органических растворителей для однослойных покрытий, NIR-отверждаемые индустриальные ЛКМ, химстойкие эпоксидные ЛКМ с 100% содержанием нелетучих веществ.

ЗАО «НПК ЯрЛИ» — поставщик лакокрасочных материалов для ПАО «КАМАЗ», ПАО «НЕФАЗ», ПАО «Северсталь», ПАО «Татнефть», Автомобильного завода «УРАЛ», АО «Алтайвагон», АО «Тихвинский вагоностроительный завод», Группы «Ростсельмаш», предприятий Республик Беларусь и Казахстан и Азербайджанской Республики.

ЗАО «НПК ЯрЛИ» имеет современное оборудование для испытаний ЛКМ и покрытий в соответствии с ГОСТ, ISO, EN, DIN, ASTM и др.

Система менеджмента качества распространяется на разработку и производство ЛКМ и сертифицирована на соответствие требованиям стандартов ГОСТ РВ 0015-002-2012, ГОСТ Р ИСО 9001-2015, ГОСТ Р ИСО/ТУ 16949-2009, ISO 9001:2015, ISO/TS 22163:2017 (IRIS).

ЗАО «НПК ЯрЛИ» член технического комитета по стандартизации МТК 195 «Материалы и покрытия лакокрасочные» и участвует в разработке межгосударственных и национальных стандартов на ЛКМ и методы испытаний.

Большое внимание уделяется сотрудничеству с профессиональными ассоциациями. Компания входит в состав крупнейших отраслевых международных организаций: ЕССА (Европейская Ассоциация Производителей Окрашенного Рулонного Металла), FATIPEC (Федерация Ассоциации Технических Специалистов Лакокрасочников Континентальной Европы) и Российской Ассоциации производителей специализированной техники и оборудования (Ассоциации «Росспецмаш»).

На сегодняшний день число сотрудников компании более 600 человек, из них 14 человек имеют ученую степень, более 200 — высшее образование.

Возглавляет компанию генеральный директор Манеров Владимир Борисович, кандидат технических наук, заслуженный изобретатель Российской Федерации, почетный химик.

Обозначения контрольных ламп (индикаторов) щитка приборов.

» Ремонт автомобильной электроники в Краснодаре

Обозначения контрольных ламп (индикаторов) щитка приборов.

В данной статье мы рассмотрим обозначения контрольных ламп панели приборов. Порой не так просто разобраться что нужно Вашему автомобилю. Конечно хорошо, если у Вас автомобиль свежего года выпуска, который умеет общаться (сообщать о проблемах автомобиля) на русском языке. Но что же делать, если у Вас нет бортового компьютера, или автомобиль умеет только моргать и зажигать контрольные лампы(обозначения, индикаторы). Вот перечень тех индикаторов, которые могут загореться на щитке приборов (панели приборов). Список не полон, т.к. производители автомобилей с каждым днем придумывают всё новые и новые системы для комфорта и безопасности при вождении автомобилем, но дает общее представление о состоянии электронных компонентов Вашего автомобиля. Более точно о работе той или иной системы автомобиля(при возникновении неисправности) поможет компьютерная диагностика. Можете добавить в закладки данную страницу – чтобы она была под рукой, или скачать бесплатное приложение для андроида на английском языке dashboardsymbols (хорошая идея должна быть и на русском языке).

Предупредительные контрольные лампы

Задействован автоматический, или ручной стояночный тормоз, низкий уровень тормозной жидкости, или дефект тормозной системы.

Повышенная температура (красный) или пониженная температура (синий значек) системы охлаждения двигателя. При мигании – проверить электрику.

Падение давления масла в двигателе (Oil Pressure) ниже допустимого значения. Может также обозначать падения уровня масла.

Проверить уровень масла (Oil Level). Датчик уровня масла в двигателе (Engine Oil Sensor).

Падение напряжения в бортовой сети автомобиля, отсутствие заряда АКБ или другие неисправности в системе электроснабжения (с надписью MAIN – для гибрида).

Контрольные лампы, сообщающие о неисправностях или работе различных систем автомобиля

Предупредительный сигнал для привлечения внимания водителя в случае нештатной ситуации (падение давления масла, незакрытая дверь и т. д.), обычно сопровождающийся пояснительной текстовой информацией на дисплее приборной панели или другим указателем.

Неисправность в электронной системе стабилизации.

Неисправности одной или более подушек системы пассивной безопасности (Supplemental Restraint System – SRS).

Индикатор отключения подушки безопасности переднего пассажира (Side Airbag Off).

Индикатор подушки безопасности пассажира (Passenger Air Bag), которая отключается автоматически. Если на сиденье находится взрослый человек, а индикатор показывает “AIRBAG OFF”, значит имеется неисправность в системе.

Отключена система боковых (занавесок) подушек безопасности (Roll Sensing Curtain Airbags – RSCA), срабатывающих при опрокидывании автомобиля. Часто встречается на склонных к опрокидыванию автомобилях (с высоким центром тяжести). Один из поводов для ее отключения – езда по бездорожью, где происходят большие крены кузова, способные вызвать срабатывание датчиков системы.

Неисправность предварительной системы безопасности (Pre Collision or Crash System – PCS).

Индикатор активации противоугонной системы или иммобилайзера.

Сигнализирует о неисправности противоугонной системы или о каком-то сбое в ее работе.

Неисправности или перегрев автоматической КПП или других узлов трансмиссии.

Описание неисправности нужно искать в руководстве по эксплуатации автомобиля.

Встречается в основном на суперкарах и сообщает о неисправности в одном из узлов трансмиссии или о его перегреве. Есть опасность для машины стать неуправляемой.

Превышена допустимая температура в автоматической коробке передач (Automatic Transmission – A/T). Дальнейшее движение крайне не рекомендуется до охлаждения АКПП.

Электрические неисправности в автоматической трансмиссии (Automatic Transmission – AT). Продолжение движения не рекомендуется.

Индикатор режима блокировки АКПП (A/T Park – P) в позиции “P” (“паркинг”) может находиться на автомобилях с полным приводом и понижающим рядом в раздаточной коробке. АКПП блокируется, когда переключатель режимов полного привода находится в нейтральной позиции (N).

Неисправность в гидро- или электроусилителе рулевого управления.

Активирован стояночный тормоз.

Низкий уровень тормозной жидкости.

Неисправность в антиблокировочной системе тормозов (Antilock Braking System – ABS) или система отключена (если есть такая возможность и она задействована).

Тормозные колодки изношены до предельного уровня.

Неисправность в системе распределения тормозных усилий.

Неисправность в системе электрического парковочного тормоза.

При включенном зажигании сигнализирует о необходимости нажатия на тормоз для разблокировки переключателя передач АКПП.

Падение давления воздуха в одной или нескольких шинах более, чем на 25% от номинального значения.

При работающем двигателе сигнализирует о необходимости диагностики двигателя и его систем или о наличии неполадок в их работе. Может сопровождаться отключениием некоторых систем автомобиля до устранения неисправности. Система EPC (Electronic Power Control – электронный регулятор мощности) при обнаружении неисправности в двигателе может принудительно снизить подачу топлива.

Индикаторы системы Start-Stop (ENG Auto Stop (A-STOP)). Зеленый – двигатель выключен. Желтый - неисправность в системе.

Падение мощности двигателя по каким-либо причинам. Остановка двигателя и его перезапуск не менее чем через 10 секунд иногда решает проблему.

Неполадки в работе двигателя или электроники трансмиссии. Может также указывать на неисправность иммобилайзера или системы впрыска.

Неисправен или загрязнен кислородный датчик (лямбда-зонд). Продолжать движение не рекомендутся, потому что данный датчик напрямую влияет на работу системы впрыска.

Неисправность или перегрев каталитического нейтрализатора. Может сопровождаться падением мощности двигателя.

Проверьте крышку топливного бака.

Указывает водителю о появлении нового сообщения на дисплее приборной панели или включении другого индикатора. Может напоминать о необходимости выполнения каких-то сервисных функций или сообщать о других проблемах.

Сообщает, что водителю нужно обратиться к инструкции по эксплуатации автомобиля, чтобы расшифровать сообщение с дисплея приборной панели.

Понижен уровень охлаждающкей жидкости в системе охлаждения двигателя.

Неисправность электронной дроссельной заслонки (ETC).

Неисправна или отключена система слежения (Blind Spot – BSM) за невидимыми для водителя зонами вокруг автомобиля.

Напоминание о необходимости проведения планового техобслуживания (Maintenance Required) автомобиля, смены масла (OIL CHANGE) и т.д. Первый индикатор в некоторых автомобилях может указывать на более серьезные проблемы.

Загрязнен и нуждается в замене воздушный фильтр системы впуска двигателя.

Неисправность в системе ночного видения (Night View)/перегорели инфракрасные датчики.

Выключена повышающая передача “овердрайв” (Overdrive – O/D) в автоматической коробке передач.

Контрольные лампы системы стабилизации и помощи в критических ситуациях

Индикаторы антипробуксовочной системы (Traction and Active Traction Control, Dynamic Traction Control (DTC), Traction Control System (TCS)): зеленые указывают, что система в данный момент выполняет какие-либо действия; желтые – система отключена или обнаружен какой-то сбой в ее работе. Поскольку она связана с системами подачи топлива и тормозной, то неисправности в этих системах могут вызвать ее отключение.

Системы стабилизации (Electronic Stability Program – ESP) и помощи при экстренном торможении (Brake Assist System – BAS) взаимосвязаны. Данный индикатор сообщает о неполадках в какой-то из них.

Неисправность в системе кинетической стабилизации подвески (Kinetic Dynamic Suspension System – KDSS).

Индикаторы систем подъема/спуска с горы, поддержания постоянной скорости, помощи при трогании с места и т.д.

Система стабилизации (Stability Control) деактивирована. Также она автоматически отключается при горящем индикаторе “Check Engine”. В зависимости от производителя система стабилизации может называться по разному: AdvanceTrac, Automatic Stability Control (ASC), Dynamic Stability Control (DSC), Dynamic Stability and Traction Control (DSTC), Electronic Stability Control (ESC), Interactive Vehicle Dynamics (IVD), Precision Control System (PCS), StabiliTrak, Vehicle Dynamic Control (VDC), Vehicle Dynamics Control Systems (VDCS), Vehicle Stability Assist (VSA), Vehicle Stability Control (VSC) и т.д. Обнаружив скольжение колес, при помощи систем тормозов, подачи топлива и управления подвеской выравнивает положение автомобиля на дороге.

Индикатор системы стабилизации Dynamic Stability Control (DSC) или Electronic Stability Program (ESP). На машинах некоторыхпроизводителейобозначаетантипробуксовочнуюсистему Anti-Slip Regulation (ASR) и дифференциалсэлектроннойблокировкой Electronic Differential Lock (EDL).

Задействован полный привод или система нуждается в диагностике.

Неисправность в системе помощи при экстренном торможении Brake Assist System (BAS). Влечет за собой отключение системы Electronic Anti-Slip Regulation (ASR).

Отключена система интеллектуальной помощи при экстренном торможении (Intelligent Brake Assist – IBA), способная для предупреждения столкновения самостоятельно задействовать тормозную систему при обнаружении препятствия в опасной близости от машины. Если система не отключена, а индикатор горит – возможно неисправность или загрязнение лазерных датчиков системы.

Индикатор того, что зафиксировано скольжение автомобиля и система стабилизации вступила в работу.

Система стабилизации неисправна или не функционирует. Автомобиль продолжает управляться нормально, но без помощи электроники.

Контрольные лампы специальных и дополнительных систем

Отсутствие/присутствие электронного ключа в автомобиле.

Первый значек – отсутствие электронного ключа в автомобиле. Второй – ключ найден, но его батарея нуждается в замене.

Включен режим “Снег” (Snow Mode), поддерживающий повышенные передачи при движение и трогании с места. Может иметь возможность управлять подачей топлива.

Предлагает водителю остановиться и отдохнуть от вождения. Может сопровождаться звуковым сигналом или текстовым сообщением на дисплее.

Сообщает об опасном сокращении дистанции до впереди идущего автомобиля или о появлении препятствия на пути следования. Может являться частью системы “Круиз-контроль”.

Индикатор легкого доступа в автомобиль с системой регулирования высоты положения кузова над дорогой.

Активирован круиз-контроль (Cruise Control) или адаптивный круиз-контроль (Adaptive Cruise Control – ACC), способный поддерживать необходимую скорость для сохранения дистанции до впереди идущего автомобиля. Мигающий индикатор может указывать на неисправность в системе.

Активирована тормозная система (Brake Hold). Растормаживание происходит после нажатия на педаль газа.

Спортивный и комфортный режим работы амортизаторов (Sport Suspension Setting / Comfort Suspension Setting).

На автомобилях с пневматической подвеской подобный индикатор указывает высоту положения кузова над дорогой. В данном случае высшее положение (HEIGHT HIGH).

Check Suspension – CK SUSP. Указывает на вероятные неисправности в ходовой части и необходимость ее проверки.

Выключена или неисправна (возможно загрязнены датчики-радары) система предупреждения столкновений (Collision Mitigation Brake System – CMBS), с помощью радара следящая за пространством впереди машины и способная без участия водителя в случае необходимости применить экстренное торможение.

Включен режим движения с прицепом (Tow Mode).

Система помощи при парковке (Park Assist). Зеленый – система активирована. Желтый - сбой в работе или загрязнены датчики системы.

Индикаторсистемыслежениязаполосойдвижения (Lane Departure Warning Indicator – LDW, Lane Departure Prevention - LDP, или Lane Keeping Assist – LKA). Желтый мигающий сигнал предупреждает, что автомобиль смещается со своей полосы вправо или влево. Может сопровождаться звуковым сигналом. Желтый немигающий может указывать на неисправность. Зеленый – система активирована.

Неисправность в системе “Start/Stop”, способной в целях экономии топлива глушить двигатель, к примеру, при остановке на красный свет, и запускать его снова при нажатии на “газ”.

Водитель ведет автомобиль в режиме экономии топлива.

Активирован режим экономичного движения (ECO MODE).

Подсказывает когда лучше перейти на повышенную передачу в целях экономии топлива на автомобилях с механической КПП.

Трансмиссия находится в режиме заднего привода.

Трансмиссия находится в режиме заднего привода, но при необходимости электроника автоматически включает режим полного привода.

Задействован режим полного привода.

Задействован режим полного привода с понижающим рядом в раздаточной коробке.

Заблокирован центральный (межосевой) дифференциал и используется режим “жесткого” полного привода.

Заблокирован задний межколесный дифференциал.

Первый индикатор – полный привод отключен. Второй – в нем обнаружена неисправность.

При работающем двигателе может сообщать о неисправности в системе полного привода (4 Wheel Drive – 4WD, All Wheel Drive – AWD) или о несовпадении диаметров колес передней и задней осей.

Неисправности в системе полного привода (Super Handling – SH, All Wheel Drive – AWD). Возможно перегрев дифференциала.

Превышена температура масла в заднем дифференциале (Rear Differential Temperature). Рекомендуется остановиться и дождаться охлаждения дифференциала.

При работающем двигателе сообщает о неисправности в системе активного подруливания (4 Wheel Active Steer – 4WAS).

Неисправность в системе активного подруливания задних колес (Rear Active Steer – RAS) или система отключена. Неисправности в системах двигателя, тормозов или подвески могут вызвать автоматическое отключение RAS.

Задействована функция трогания с места с повышенной передачи. Может использоваться на автомобилях с АКПП для езды в условиях скользкого дорожного покрытия.

На автомобилях, оборудованных вариатором (Continuously Variable Transmission - CVT), загорается на несколько секунд после включения зажигания.

Неисправность в рулевом управлении с переменным передаточным числом (Variable Gear Ratio Steering – VGRS).

Индикаторысистемыпереключениярежимовдвижения “SPORT”, “POWER”, “COMFORT”, “SNOW” (Electronically Controlled Transmission – ECT, Electronic Throttle Control System – ETCS, Electronic Throttle Control, Elektronische Motorleistungsregelung). Может иметь возможность изменять настройки АКПП, подвески, двигателя.

Активирован режим “POWER” (PWR) автоматической коробки передач, при котором переключения “наверх” происходят позже, позволяя раскручивать двигатель до более высоких оборотов и, соответственно, получать большую выходную мощность. Может иметь возможность изменять настройки подвески и подачи топлива.

Контрольные лампы для электромобиля/гибрида

Неисправность в контуре высокого напряжения или главной батареи.

Сообщает о наличии неисправности в системе электропривода автомобиля. Смысл тот же, что и у “Check Engine”.

Низкий уровень заряда высоковольтной батареи.

Низкий уровень заряда батарей. Требуется подзарядка.

Указывает на значительное снижение мощности.

Батареи находятся в процессе заряда.

Гибрид находится в режиме движения только на электротяге. EV (electric vehicle) MODE.

Автомобиль готов к началу движения (Hybrid Ready).

Неисправность в системе внешнего звукового сопровождения для предупреждения пешеходов о приближении автомобиля.

Индикатор обнаружения критической (красный) и не критической (желтый) неисправности. Встречается в электромобилях. Может иметь возможность понижать мощность вплоть до полной остановки двигателя. При загорании красного продолжать движение категорически не рекомендуется.

Контрольные лампы используемые в дизельных автомобилях

Включены свечи накаливания. Индикатор гаснет после прогрева и отключения свечей.

Индикаторы сажевого фильтра (фильтра макрочастиц) Diesel Particulate Filter (DPF).

Недостаток жидкости (Diesel Exhaust Fluid – DEF) в выхлопной системе, которая необходима для каталитической реакции, очищающей отработавшие газы.

Неисправность системы очистки отработавших газов или уровень эмиссии слишком высок.

Вода в топливе (Water in Fuel) или необходимость обслуживания системы очистки топлива (Diesel Fuel Conditioning Module – DFCM).

Контрольные лампы внешних световых приборов

Индикатор включения наружного освещения.

Не горит одна или более ламп наружного освещения или неисправности в цепи.

Включен дальний свет.

Задействована система автоматического переключения между ближним и дальним светом.

Неисправность в системе автоматического регулирования угла наклона света фар головного света.

Отключена система адаптивных фар (Adaptive Front-lighting System – AFS) или (возможно мигание) в ней обнаружена неисправность.

Система автоматического включения фар ближнего света в дневное время (Daytime Running Lamps – DRL).

Неисправна одна или более ламп стоп-сигнала/заднего фонаря.

Включены габаритные огни.

Включены противотуманные фары.

Включены задние противотуманные фары.

Включен поворотный сигнал или аварийная сигнализация.

Дополнительные контрольные лампы

Напоминание о непристегнутом ремне безопасности.

Незакрытая дверь/капот/багажник.

Остался минимальный запас топлива.

Кончается жидкость в омывателе ветрового стекла.

Прицепы для сельского хозяйства | ООО «Большегрузные Прицепы». Аренда прицепов-большегрузов для использования в малопроходимой местности.

Решение транспортных задач сельского хозяйства

Для того, чтобы легко решить транспортные задачи, поставленные при доставке сельскохозяйственных грузов, используют специальную технику. При оптимизации процесса работы с продукцией сельского хозяйства, при ее транспортировке как раз и важны сельскохозяйственные полуприцепы. Они имеют адаптированную конструкцию. С их помощью доставляют до места назначения корма, овощные и зерновые культуры, птиц и животных, удобрения, а также силос и другие сыпучие материалы.

Виды сельскохозяйственных прицепов

Прицепы для сельского хозяйства бывают: тентованные, самосвалы и герметичные. Существует также отдельный особый вид – универсальные. Все прицепы могут работать с трактором или грузовым автомобилем.

При транспортировке зерновых культур используют различную по объему и форме технику. Ее также различают по количеству осей и способу загрузки. Кузов такой техники имеет прямоугольную форму и чаще всего изготавливается из алюминия или стали.

Зерновозы – это прицепы с тремя или четырьмя осями, оснащены рессорной или пневматической подсветкой, на осях – односкатная или двускатная резина. Грузоподъемность у них достаточно большая (35 тонн), а объем – 92 кубических метра. Борта у этой техники закреплены, есть специальный тент с системой натяжки. Таким образом груз защищается от пыли и грязи. Существуют зерновозы с боковой и задней загрузкой.

Для транспортировки крупного рогатого скота, овец и свиней используют специализированные полуприцепы. Такие конструкции в основном выполняются из алюминиевых профилей. Собственный вес прицепа при этом скрадывается. Особенностью скотовоза является наличие нескольких этажей (2-3). Перемещаются они с помощью гидравлики. Животных загружают через задний борт. Существует автоматические: освещение, поилка, кондиционер, вентиляция и подогрев. Для обеспечения большей грузоподъемности скотовоз оснащается шасси и пневматической подсветкой.

Если вы самостоятельно решили выбрать подходящую модель прицепа для сельского хозяйства, то важно обратить внимание на такие факторы: плечо перевозок, метод разгрузки-погрузки, тип тягача, тип дорог, по которым буде путешествовать прицеп, вид перевозимого груза.

Расшифровка терминов

Сельское хозяйство – здесь постоянно производятся всевозможные грузоперевозки. Поэтому просто необходима специализированная техника. Используют ее в садах, огородах, на поле и на ферме.

Транспортировка – это один из наиболее важных моментов в сельском хозяйстве. Главенствующая роль отводится специализированному транспорту, ибо от него зависит качество перевозки.

Прицеп – не имеет собственного привода. Движется за счет другого средства (транспортного). Существует несколько видов (зависит от сферы применения).

границ | Роль амплитуды и фазы ЭКоГ в расшифровке положения, скорости и ускорения во время непрерывного двигательного поведения

Введение

Интерфейсы «мозг-машина» (ИМТ) — это устройства, которые могут восстанавливать двигательную способность у пациентов с тяжелым параличом за счет использования нейронных сигналов для управления внешними эффекторами. Известный подход BMI заключается в прямом переводе активности нейронов, связанной с движением, соответствующей движениям (преднамеренным, попыткам или выполненным) в действия внешнего исполнительного механизма. Этот подход прямого моторного декодирования был успешно использован для моторного контроля с обратной связью с множественной единичной активностью (SUA) у обезьян (Carmena et al., 2003) и людей (Hochberg et al., 2006; Collinger et al. , 2013), а также с помощью электрокортикографии (ЭКоГ) (Yanagisawa et al., 2011; Milekovic et al., 2012) с использованием низкочастотного компонента (LFC) измеренных сигналов популяции нейронов (Milekovic et al., 2012). Растущее число офлайн-исследований [рассмотрено Waldert et al.(2009)] показывают, что LFC содержит существенную информацию о широком диапазоне параметров движения.

Предыдущие исследования предполагали, но не подвергали количественной проверке, что фазовая информация, содержащаяся в сигнале LFC, может играть более важную роль в декодировании двигателя на основе LFC, чем амплитуды (Jerbi et al., 2007; Waldert et al., 2008; Ball et al. и др., 2009, см. рис. 1). Связанный, но нерешенный вопрос заключается в том, какие частоты — вне диапазона, использованного в предыдущих исследованиях LFC — являются наиболее информативными. Изучение этих вопросов потребует количественного сравнения точности декодирования на основе фазы и амплитуды, чего в настоящее время нет. Появляется все больше свидетельств того, что фаза активности нейронов на более низких частотах играет функциональную роль в сенсорных, моторных и когнитивных процессах (Lakatos et al., 2005; Panzeri et al., 2010; Ng et al., 2013). Однако функциональной роли фазы в корковом моторном контроле уделяется гораздо меньше внимания (но см. Miller et al., 2012), чем в области сенсорной обработки.

Рис. 1. Представления низкочастотного компонента ЭКоГ (LFC) во временной и частотно-временной областях. Необработанный мозговой сигнал, записанный с участка над премоторной корой (A) , показан в (B) (серая кривая). LFC во временной области получается с помощью фильтрации нижних частот (синяя кривая). Два значения LFC с одинаковыми амплитудами обозначены черными точками в соответствующие моменты времени, обозначенные пунктирными вертикальными линиями. Данные LFC могут быть преобразованы в эквивалентное, комплексное, частотно-временное представление, заданное временным ходом значений амплитуды и фазы колебательных компонентов на разных частотах в диапазоне LFC.В (C) показан временной ход колебательного компонента сигнала мозга с частотой 1,0 Гц. Векторы данных в те же самые два момента времени, как указано в (B) , показаны черным цветом, амплитуда сигнала соответствует длине вектора, а фаза – его углу (обозначенному цветом) в комплексном пространстве. Обратите внимание, что амплитуда и фаза в двух выбранных моментах времени в (B) теперь различаются. Трехмерный рисунок показывает временную (ось x ) и реальную (ось y ), а также мнимую (ось z ) компоненты дескрипторов Фурье (FD) сигнала. (D,E) — то же для колебательных составляющих 1,5 Гц и 2,0 Гц соответственно. В настоящем исследовании мы рассмотрели кодирование траектории и декодирование сигналов ЭКоГ на основе таких частотно-временных представлений, чтобы определить вклад информации о амплитуде и фазе соответственно.

Продолжающиеся споры о расшифровке параметров движения из нейронных сигналов касаются того, какие из них на самом деле представлены (закодированы) в мозгу. Исследования SUA выявили «множество корреляций» (Todorov, 2000) с различными параметрами движения, включая мышечную активность (Fetz and Cheney, 1980), направление (Georgopoulos et al., 1982) и величина скорости движения (Schwartz and Moran, 1999), положение рук (Kettner et al., 1988), ускорение (Hore and Flament, 1988). Точно так же сигналы популяций нейронов содержат информацию о скорости (Jerbi et al., 2007), положении и скорости (Pistohl et al., 2008), а также направлении движения (Ball et al., 2009). Этот вопрос еще более усложняется, поскольку — в зависимости от поведенческой парадигмы — многие параметры движения коррелируют друг с другом (Stark et al., 2009).Таким образом, положение, скорость и ускорение анализировались отдельно и сравнивались в настоящем исследовании.

Мы рассмотрели следующие вопросы, касающиеся роли информации о фазе в декодировании положения движения, скорости и ускорения из LFC: Является ли точность декодирования на основе фазы существенно выше, чем на основе величины спектральных компонентов? Можно ли понять вклад фазы LFC в декодирование непрерывного движения, предполагая простую модель, в которой LFC содержит временной коррелят траектории (или ее производных), которая «копирует» движение? Чтобы решить эти проблемы, мы привлекли людей с имплантированными ЭКоГ к игровым, одномерным, непрерывным двигательным задачам и проанализировали ЭКоГ-сигналы, связанные с движением рук, записанные в сенсомоторных областях коры лобной и теменной коры, с помощью нового алгоритма декодирования.

Методы

Субъектов

Три пациента приняли участие в исследовании после того, как дали свое информированное согласие. Всем им было имплантировано несколько сеток ЭКоГ субдурально во время преднейрохирургической оценки трудноизлечимой фармакорезистентной эпилепсии. Исследование было одобрено комитетом по этике университетской клиники. Информация об этих трех субъектах и их имплантациях представлена в Таблице 1.

Таблица 1. Информация о предмете .

Задача

В настоящем исследовании мы исследовали расшифровку траекторий непрерывного движения в одном измерении, а именно горизонтальной скорости движения (т.д., влево/вправо). Для этой цели мы разработали двигательную парадигму, похожую на игру, которая дает испытуемым более расслабленный и приятный опыт, чем стереотипные повторения движений от пробы к пробе, и больше приближается к реальному применению. Как показано на рис. 2А, испытуемые управляли автомобилем на дороге с помощью имеющегося в продаже рулевого колеса, разработанного для компьютерных игр с автомобильными гонками (Ferrari GT Experience, Thrustmaster, La Gacilly, Франция). Испытуемым был представлен двухмерный вид сверху (рис. 2В), где автомобиль удерживался в постоянном вертикальном положении, а фон игры, включая дорогу, скользил вниз с постоянной скоростью 150 пикселей в секунду, создавая иллюзию движения вперед.Важно отметить, что автомобиль управлялся только в горизонтальном измерении с помощью руля. Отклонение руля в любую сторону линейно переводилось в горизонтальное положение автомобиля. Испытуемых просили использовать обе руки для управления. В парадигму были добавлены игровые функции: предметы, которые нужно собирать (монеты, четырехлистный клевер), препятствия, которых нужно избегать (динамит, бомбы, черные кошки), развилки дорог и фоновые объекты (дома, деревья). В игре также был звук работающего двигателя автомобиля, и при попадании в награды / препятствия воспроизводились дополнительные звуковые эффекты.

Рис. 2. Двигательная задача и имплантация сетки ЭКоГ. (A) Субъект S1 ведет машину с помощью рулевого колеса. Парадигма (гоночная игра) была представлена испытуемым на портативном компьютере, расположенном перед ними. (B) Пример парадигмы. Снимок автомобиля на дороге с предметами, которые нужно собирать (монеты) и избегать (динамиты). Неинтерактивные фоновые объекты включали дома и деревья. Испытуемый управлял автомобилем в горизонтальном (лево/право) измерении. (C) Плотность спектра мощности (PSD) для положения движения (фиолетовый), скорости (зеленый) и ускорения (коричневый). (D) Автокорреляционная функция положения движения (голубой) и взаимная корреляция между положением и скоростью (пурпурный). (E–G) Анатомические привязки электродов ЭКоГ к анатомическим областям (подробнее см. Методы) субъектов S1–S3 соответственно. Анатомические области имеют цветовую кодировку. Электродная сетка визуализируется на поверхности стандартного мозга (из SPM5).Сплошная черная линия: центральная борозда, определенная по отдельным МРТ после имплантации.

Характеристики двигательного поведения испытуемых во время игры, отраженные в средней плотности спектра мощности (PSD), рассчитанной для всех испытуемых и всех сеансов горизонтального положения, скорости и ускорения автомобиля (и, следовательно, движения), являются показано на рисунке 2C. Ход дороги был получен путем вычисления белого шума с фильтрацией нижних частот (баттервортовского шума 3-го порядка с частотой среза 1,5 Гц и нулевым фазовым сдвигом), за исключением разветвлений дороги (см. выше).Автокорреляция положения автомобиля (рис. 2D, голубая кривая) показывает, что непрерывное движение коррелировало на небольшом временном масштабе (например, для скорости CC = 0,5 при задержке 0,2 с), но не на более крупных временных масштабах (> 1,5 с), а также требует наличия пика взаимной корреляции между производными траектории (например, положением и скоростью на рисунке 2D).

Цель игры состояла в том, чтобы набрать как можно больше очков. Текущая оценка предъявлялась испытуемому в правом верхнем углу экрана компьютера. Испытуемому давали указание (1) оставаться на дороге (середина дороги отмечена тонкой белой линией), так как отклонение от дороги более чем на 10% ширины экрана приводило к потере баллов, (2 ) для сбора наградных предметов на дороге (что дает положительные баллы, например, см. монеты на дороге на рис. 2B) и (3) избегать столкновений с препятствиями (минусовые баллы, см. стоимость временного выезда с дороги. Одна сессия игры длилась 5 мин, начало и конец четко обозначались флагами старта и финиша соответственно.Мы проанализировали 4 занятия по каждому предмету.

Записи ЭКоГ и траектории

Сетчатые электроды ЭКоГ имели диаметр 4 мм и расстояние между центрами электродов 10 мм. Место имплантации, исходя только из потребностей клинической оценки, включало части моторной коры кисти/руки у всех трех субъектов (рис. 2E-G). Данные ЭКоГ оцифровывали с частотой дискретизации 2,5 кГц (усилитель AC441-01 Neuvo, Compumedics Limited, Abotsford, Australia). Сбор данных о движении и отображение игровой парадигмы выполнялись с помощью программного обеспечения Freiburg BMI (Milekovic et al. , 2012). Последующий анализ данных был выполнен с использованием MATLAB (версия R2011b, The MathWorks Inc., Natick, MA). В S1 два сломанных канала (отмечены белым на рисунке 2E) были исключены из анализа.

ЭКоГ была синхронизирована с записанными данными с игрового руля и уменьшена до 0,5 кГц. Необработанные записи ЭКоГ были повторно соотнесены с общим средним значением и удалены тренды с использованием фильтра верхних частот (Баттерворта, 4-й порядок, нулевой фазовый сдвиг) с нижней частотой среза 0,1 Гц.Впоследствии данные были нормализованы к единице стандартного отклонения для каждого канала и сеанса.

Необработанные одномерные данные трекера горизонтального положения, полученные с частотой 1,0 кГц, также были подвергнуты субдискретизации для соответствия частоте дискретизации 0,5 кГц ЭКоГ и сглажены с помощью фильтра Савицкого-Голея (размер окна 0,250 с, 2-й порядок, соответствующий отсечка нижних частот примерно 5 Гц) для лучшей оценки производной. Одномерная скорость (или ускорение) оценивалась с использованием пятиточечной аппроксимации сглаженного горизонтального положения автомобиля (или скорости соответственно) (Abramowitz and Stegun, 1970). Впоследствии данные о движении также были нормализованы к единице стандартного отклонения для каждого сеанса. Важно отметить, что положение движения, скорость и ускорение, используемые в настоящем исследовании, представляли собой одномерную векторную переменную, где направление указывалось ее знаком (отрицательное — влево, положительное — вправо). Обратите внимание, что параметр, рассматриваемый в настоящем исследовании, в случае скорости был равен , а не скорости (= абсолютное значение скорости со знаком).

Картирование электрической стимуляции и назначение каналов анатомическим областям

Во время клинической оценки каждый отдельный имплантированный электрод подвергался электрической стимуляции для получения функционального картирования коры головного мозга под электродом.Это было сделано с помощью стимулятора INOMED NS 60 (INOMED, Эммендинген, Германия) с 7-секундными сериями прямоугольных импульсов 50 Гц переменной полярности, с постепенным увеличением амплитуды либо до индукции сенсорных/моторных ответов субъекта, либо до 15 Амплитуда импульса мА.

Кроме того, индивидуальные контакты электродов были назначены кортикальным анатомическим областям (AA) (Pistohl et al., 2012) на основе специфических постимплантационных МРТ-сканирований. Короче говоря, у каждого субъекта после имплантации сетки была получена структурная МРТ с полным охватом головы (последовательность T1 MPRAGE) с разрешением 1 мм ³.Моторную кору идентифицировали по анатомическим ориентирам (Steinmetz et al., 1989; Rumeau et al., 1994; Yousry et al., 1997), по индивидуальному расположению центральных и латеральных борозд определяли электроды к лобным, теменным и височным доли. Кроме того, использовалась система вероятностного атласа (Eickhoff et al., 2006; SPM Anatomy Toolbox, версия 1.7b) для назначения каждого электрода анатомической области на основе максимальной вероятности атласа под контактом электрода. Для визуализации сетки ЭКоГ были визуализированы на поверхности стандартного мозга (SPM5), поскольку сегментация всей поверхности коры была невозможна на основе постимплантационных МРТ из-за артефактов пустот электродов. Отнесение к АА и расположение борозд см. на рисунках 2E-G. Обратите внимание, что при этой анатомической процедуре назначения контакты в области кисти/руки вдоль центральной борозды (CS) относятся к премоторной коре, потому что первичная моторная кора определяется как идентичная BA4, которая полностью скрыта внутри CS в этой области головного мозга. Результаты электростимуляции не использовались в этой процедуре анатомического распределения, что является более объективным, чем предыдущие назначения, когда вероятностная анатомическая информация еще не была включена в процедуру анатомического распределения ЭКоГ (например,г., Болл и др., 2009). Результаты картирования электростимуляции очень хорошо подтвердили анатомическое определение премоторной коры.

Модель декодирования

Методы линейного декодирования применялись во многих предыдущих исследованиях для декодирования непрерывного движения, например, векторы населения (Georgopoulos et al., 1982), фильтры Калмана (Wu et al. , 2006; Pistohl et al., 2008), множественная линейная регрессия ( MLR) (Paninski et al., 2004; Georgopoulos et al., 2005; Bradberry et al., 2010). В настоящем исследовании мы использовали MLR для декодирования положения, скорости и ускорения одномерного непрерывного движения (где знак, например, скорости указывал направление движения — влево/вправо).

Реакция (зависимая, прогнозируемая переменная) была параметром движения, тогда как характеристики сигнала ЭКоГ были предикторами (независимая переменная). Формулировка задачи регрессии состоит из формирования пар ответ-предиктор [уравнение 1]. Во всех последующих анализах мы сформировали предикторы x _k ( t _i – τ) путем одновременных выборок признаков ЭКоГ из выбранных каналов (т.е., одна выборка на выбранный канал k ) с временной задержкой τ для построения одной модели декодирования MLR β(τ).

(y(t1)⋮y(tn))=(1×1(t1+τ)…xP(t1+τ)⋮⋮⋱⋮1×1(tn+τ)⋯xP(tn+τ))(β0(τ)⋮ βP(τ))+(ε(t1)⋮ε(tn))(1)

где T _{I _I, I = 1, . .., N – это наблюдение на I -th-St Rep, y ( T _I) Ответ, x _K ( T _{I _I – τ) – K –й предсказатель на этапе времени T _I с компенсацией времени τ, где K = 0, …, P ( P — количество выбранных каналов ЭКоГ).β _k (τ) — k -й коэффициент регрессии, а ε( t _i ) — остаточная ошибка.}}

Временное смещение τ τ в [уравнении 1] является важным параметром, который мы систематически варьировали в нашем анализе в течение интервала [−3,5, 3,5] с. Как и в других исследованиях (например, Acharya et al., 2010), τ < 0 в нашем исследовании отражает то, что активность нейронов предшествует движению, таким образом, указывая на то, что особенности ЭКоГ действительно « прогностические».В случае τ > 0 выборки ЭКоГ появляются после выборок скорости и, следовательно, являются « постдиктивными » в смысле декодирования.

Этот подход только с одной выборкой признаков на канал с одинаковым временным смещением для всех выбранных каналов позволил нам отслеживать развертывание декодированной информации в области временного смещения (аналогично Pistohl et al., 2008) и позволил нам раскрыть существенные различия в информации о величине и фазе декодирования (см. Результаты).

Оценка предсказания

Все наборы данных (4 сеанса продолжительностью 5 минут для каждого субъекта) были разделены на 30 непрерывных разделов данных (кратностей), каждая продолжительностью 40 с, которые использовались в качестве сверток проверки для прогнозируемого параметра движения.Пары характеристик «отклик-предиктор» извлекались с дискретными временными шагами по 100 мс. Производительность декодирования оценивалась с помощью 30-кратной перекрестной проверки, где 29 кратностей (более 19 минут времени записи) использовались в качестве обучающих наборов для построения модели [оценка коэффициентов регрессии β(τ)], а оставшаяся кратность проверки движения использовалась в качестве тестовый набор для предсказания скорости модели (см. [Уравнение 2]). Это повторялось 30 раз, так что каждый непрерывный участок данных скорости использовался в качестве тестового набора ровно один раз.(t)=∑k=0Pxk(t+τ)βk(τ)(2)

Особенности декодирования ЭКоГ

Здесь мы предлагаем использовать представления сигнала ЭКоГ в частотно-временной области с комплексными значениями [например, с помощью преобразования Фурье с временным разрешением (FT)] для развертывания значений фазы и амплитуды сигнала (см. Рисунок 1). Важно отметить, что мы делаем четкое различие между амплитудой LFC (значение колебаний сигнала ЭКоГ после фильтрации нижних частот во временной области) и амплитудой дескрипторов Фурье в заданное время и на заданной частоте (значение амплитуды дескрипторов Фурье абсолютное значение комплексных чисел, представляющих FT в частотно-временной области).Обзор алгоритмов декодирования представлен на рисунке 3.

Рис. 3. Обзор алгоритмов обработки и декодирования данных (DAlg), использованных в настоящем исследовании. Левая сторона , декодирование с использованием в качестве предикторов LFC во временной области ЭКоГ (DAlg1) или относительной мощности с временным разрешением в выбранной полосе частот (DAlg2). Правая сторона , декодирование в комплекснозначной частотно-временной области с предикторами ЭКоГ, имеющими информацию о фазе и/или амплитуде (DAlg3–5).

LFC, использованный в предыдущих исследованиях, представляет собой сигнал во временной области, полученный с помощью низкочастотной фильтрации. Несмотря на широкое использование LFC в исследованиях ИМТ, существуют значительные различия в частотных диапазонах и фильтрах, используемых в разных исследованиях. Например, в отношении LFP Mehring et al. (2003) использовали сглаженный сигнал (ядро Гаусса, ширина 125 мс, что соответствует отсечке нижних частот приблизительно 15 Гц). В ЭКоГ данные были сглажены фильтрами Савицкого-Голея (2-й порядок, 0.5-секундная ширина, соответствующая отсечке нижних частот приблизительно 2,5 Гц) (Mehring et al. , 2004; Pistohl et al., 2008; Ball et al., 2009). В нескольких других исследованиях ЭКоГ (Schalk et al., 2007; Kubánek et al., 2009; Acharya et al., 2010) применялось скользящее среднее, которое, например, Schalk et al. (2007) использовали размер окна 333 мс (отсечка примерно 2,5 Гц) и назвали сигнал LFC «локальным моторным потенциалом». Однако в дальнейшем мы будем использовать термин LFC. Подобная изменчивость в отношении точных частотных диапазонов LFC и используемых фильтров также существует в исследованиях, использующих неинвазивные сигналы мозга (Jerbi et al., 2007; Уолдерт и др., 2008 г.; Брэдберри и др., 2010).

Мгновенная фаза в каждый момент времени узкополосного сигнала, то есть сигнала, в котором преобладает один колебательный компонент, может быть получена с помощью преобразования Гильберта и аналитического представления сигнала (Aertsen and Johannesma, 1980; Johannesma et al. , 1981; Боашаш, 1992). Однако LFC, использовавшийся в предыдущих исследованиях декодирования движения, обычно не является узкополосным сигналом, поскольку максимальная частота спектра его амплитуды огибающей может быть больше, чем самая низкая частота в спектре самого сигнала LFC. Такие широкополосные сигналы могут содержать несколько колебательных компонентов на разных частотах, каждый из которых имеет свою фазу. В этой ситуации частотно-временные представления широкополосного LFC, такие как полученные с помощью преобразования Фурье или вейвлета, полезны для получения фаз сигнала различных частотных составляющих (FC) (рис. 1). Таким образом, в настоящем исследовании мы разработали подход, использующий фазовую информацию с временным и частотным разрешением для декодирования непрерывного движения из широкополосного LFC.

LFC во временной области

В этом анализе используется LFC сигналов ЭКоГ во временной области (DAlg1, рис. 3). Вектор признаков прогнозирования состоял из одновременных выборок из выбранных каналов и, таким образом, использовал амплитуды потенциалов LFC ЭКоГ в один конкретный момент времени (см. [Уравнение 1]). Отклик для декодирования представлял собой положение, скорость или ускорение, отфильтрованные фильтрами нижних частот (5-й порядок Баттерворта с частотой среза 4,0 Гц и нулевым фазовым сдвигом), LFC каналов ЭКоГ служили предикторами, также извлеченными с применением фильтра нижних частот ( Баттерворт 3-го порядка с 1. частота среза 5 Гц и нулевой фазовый сдвиг). Верхняя граница частоты среза фильтра нижних частот LFC определялась систематическим перебором до 5 Гц (см. также раздел Выбор частотных полос).

Относительная мощность в различных диапазонах частот

Кратковременное преобразование Фурье (STFT) с временным шагом 100 мс и 2-секундным окном Ханнинга использовалось для вычисления мощности сигнала ЭКоГ в различных частотных диапазонах (DAlg2, рис. 3). Относительную мощность спектров рассчитывали относительно базового значения (Rickert et al., 2005), определяемый здесь как средняя мощность частотного бина для каждого сеанса. Относительная мощность данной полосы частот ( f ₁ − f ₂ ) вычислялась как среднее значение по полосе. Эта процедура позволяет избежать недооценки мощности высокочастотных элементов разрешения в пределах определенной полосы частот из-за спада мощности 1/ f (Miller et al., 2009). Результирующие временные ряды относительной мощности полосы использовались для прогнозирования положения, скорости или ускорения с фильтром нижних частот (так же, как в разделе LFC во временной области).

Фурье-дескрипторы кратковременного преобразования Фурье

Здесь мы описываем алгоритм с новыми функциями, используя явную фазовую информацию . Для простоты мы ссылаемся здесь только на декодирование скорости, но тот же подход применим и к временным рядам положения и ускорения. Описанный ниже метод (см. также DAlg3–5, рис. 3) относится к методам реконструкции изображений с использованием FT, где, взяв лишь несколько первых дескрипторов Фурье , можно реконструировать изображение с определенной потерей деталей (Person и Фу, 1977).Мы применяем эту основную идею к сигналу временного ряда, для которого из-за его нестационарности FT вычислялся с временным разрешением. Результирующие временные ряды дескриптора Фурье (например!) скорости были предсказаны на основе сигналов ЭКоГ. Следовательно, как модель декодирования, так и шаг предсказания были сформулированы в пространстве Фурье, а предсказанное Фурье-изображение трассы скорости было впоследствии отображено обратно во временную область с помощью обратного преобразования Фурье.

Более подробно, откликами были временных рядов дескрипторов Фурье скорости, а предикторами были временных рядов дескрипторов Фурье на той же частоте выбранных каналов ЭКоГ.Дескрипторы Фурье представляют собой комплексные коэффициенты, полученные из FT и связанные с несущей частотой f тригонометрической функции, см. [Уравнение 3], что соответствует члену S ( T , f ). Временной ряд дескрипторов Фурье на частоте f был получен частотно-временным разложением с использованием STFT.

S(T,f)=∫−∞+∞s(t)w(t−T)e−2πjftdt(3)

STFT преобразует сигнал во временной области с действительным знаком с ( t ) (рис. 4A) в комплексное представление частотно-временной области S ( T , f ) (см. рис. 1C– Е и 4С-Е).В [уравнении 3] х — это воображаемая единица, х дюймов [с] охватывает ту же продолжительность времени, что и исходное время t , а х — частота в [Гц]. Функция w ( t − T ) представляет собой оконную функцию (Ханнинга) [черный ящик на рис. 4A, для которого w (0) = 1] с центром вокруг Рисунок 4). Ширина окна Ханнинга, обратно пропорциональная частотному разрешению, была установлена равной 2.0 с (отсюда разрешение по частоте 0,5 Гц) и скользил с шагом по времени 0,1 с.

Рисунок 4. Реконструкция сигнала из дескрипторов Фурье (FD). FD были получены с помощью краткосрочного анализа Фурье (STFT) и проиллюстрированы на основе данных о скорости движения из перекрестной проверки субъекта S1. (A) Десять секунд декодированной скорости (направление указано знаком), 2-секундное окно Ханнинга вокруг времени t STFT (черный прямоугольник).Пунктирные вертикальные линии на всех следующих графиках указывают значения, полученные (или предсказанные) на этом временном шаге. (B) Временной ряд FD первого бина частоты f = 0,0 Гц (FD _{0,0 Гц} ), т. е. действительная составляющая постоянного тока. (C) Временной ряд FD второго частотного бина, f = 0,5 Гц, т. е. комплекснозначный FD _{0,5 Гц} . FD( T , f ) в разные моменты времени T имеют цветовую кодировку на основе фаз комплексных значений. (D) Третий частотный бин, f = 1,0 Гц, FD _{1,0 Гц} (E) Четвертый частотный бин FD _{1,5 Гц} . (F) Реконструкция частотных составляющих скорости на частотах f (FC _f ) первых четырех ФД _f, полученных из их обратного STFT (iSTFT). FC нанесены с разным смещением для лучшей визуализации. (G) Реконструкция (синий) исходной (красный) скорости, как показано в (A) , как сумма первых десяти FC _f с коэффициентом корреляции, равным 0.99. Таким образом, сумма FC снова сходится к исходному сигналу; следовательно, алгоритм работал так, как предполагалось. (H–K) Первые четыре фурье-дескриптора горизонтальной скорости, предсказанные по функциям ECoG FD _f со смещением по времени τ = 0 с (с использованием DAlg3, см. рис. 3). (L) Реконструкция (с помощью iSTFT) предсказанной скорости FC _f по первым четырем FD _f . (M) Реконструкция предсказанной скорости (синий) как суммы первых десяти предсказанных FC _f и исходной скорости (красный) из (A) .Коэффициент корреляции между выполненной скоростью и скоростью, декодированной по ЭКоГ, для этой конкретной реконструкции составил 0,73.

Комплекснозначный временной ряд S ( T , f ) для заданной частоты f называется временным рядом дескрипторов Фурье на частоте f (и далее сокращенно FD _f ) сигнала s ( t ), где первый интервал частоты S ( T , 0), f = 0 Гц, представляет собой действительную постоянную составляющую (рис. 4B), тогда как все высокочастотные бины S ( T , f ), f > 0 Гц являются комплексными (рис. 4C-E).Квадраты модулей этих комплексных значений определяют спектральную мощность, а углы определяют фазы соответствующих FC соответственно.

STFT ([уравнение 3]) была применена к временным рядам обеих скоростей и ( t ), в результате чего были получены частотно-временные ряды Y ( T , f ), и каждый выбранный K – ECH канал ECOG x _K ( K ( T ), что приводит к тому, что серии частоты времени x _{K _K ( T , F ), с величинами и фазы ЭКоГ относительно выполнения движения.Пары «отклик-предиктор» (см. [уравнение 1]) представляли собой комплексные дескрипторы Фурье скорости, Y ( T , f _s ), и ЭКоГ, X (}

06

, F _S), на той же частоте F _S, где были выбраны различные F _S, чтобы покрыть интервал 0-4 Гц. Коэффициенты регрессии результирующей модели β также были комплексными, и этап прогнозирования (см. [Уравнение 2]), соответственно, дал комплексные оценки для каждого FD s ), см. рисунки 4H–K).Затем предсказанные FD были преобразованы обратно во временную область с помощью обратного STFT (iSTFT, см. [Уравнение 4]):

s(t)w(t−T)=12π∫−∞+∞S(T,f)e2πjftdf(4)

Это обратное преобразование возвращает только оконные временные ряды с центром вокруг времени T . ФД невыбранных частот были установлены равными нулю. Чтобы реконструировать исходный временной ряд скорости, iSTFT повторялся для всех временных шагов, и сохранялась только центральная точка времени t = T каждого шага iSTFT, что восстанавливает исходный сигнал как s ( t ) = S ( T ) W ( T – T ) = S ( T ) W (0) = S ( T ).Обратите внимание, что для обеспечения того, чтобы результат iSTFT был действительным, в обратном преобразовании Фурье необходимо учитывать комплексно-сопряженные «отрицательные частоты» FD (Johannesma et al. , 1981). Обратите внимание, что [уравнения 3 и 4] даны здесь для представления непрерывного сигнала ввиду более простых и понятных выражений. В реальных алгоритмах мы применили дискретные версии этих уравнений (см. Лайонс, 2003 г.) к выборкам сигналов в дискретной частотно-временной сетке.

Таким образом, можно реконструировать фактическую кривую скорости (рисунок 4F, демонстрирующий, что наш подход работает так, как задумано) и предсказанную ЭКоГ (рисунок 4L) кривую скорости как сумму их FC, причем каждая частотная составляющая определяется как временной ряд, рассчитанный iSTFT с одним частотным бином.Важно отметить, что можно оценить предсказания каждого выбранного FC отдельно. Затем сумма FC сходится к исходному сигналу ([уравнение 4], рис. 4G). Принимая во внимание все FC, исходный сигнал будет полностью реконструирован. Если прогнозируемые временные ряды скоростей FD хорошо оцениваются по данным ЭКоГ, сумма прогнозируемых FC также сходится к фактической скорости (рис. 4M). Таким образом, представленный алгоритм предлагает большую гибкость в выборе интересующих FC.Алгоритм можно последовательно запускать для всех отдельных частотных элементов разрешения для определения наиболее информативных FC в интересующем диапазоне, но он также может одновременно использовать несколько FC смежных или разделенных частотных элементов разрешения. При таком применении предлагаемый способ позволяет определить точность декодирования для любой произвольно определенной полосы частот или выбора поддиапазонов. Кроме того, чтобы выяснить, в какой степени ЭКоГ действительно предсказывала (как ожидалось для эфферентных сигналов управления двигателем) или постдиктивна (как ожидалось для ответов, управляемых сенсорной обратной связью) по отношению к данным о скорости движения, временной сдвиг τ между предикторами и ответ также был изучен в анализе.

Комплекснозначный FD _f явно включает информацию об амплитуде и фазе (DAlg3, рис. 3). Чтобы выделить индивидуальное влияние амплитудной и фазовой информации на предсказание, мы также сравнили декодирование с использованием каждого из них в отдельности, игнорируя другое (но без изменения декодируемой скорости FD _f ).

Чтобы исключить величину предикторов ЭКоГ, каждый дескриптор Фурье S ( T , f ), определенный с помощью STFT (см. [Уравнение 3]), был нормализован по его величине (т.е., S ( T , f ) = S ( T , f )/| S ( T , f )|) на каждом временном шаге T . Следовательно, модуль ФР _f был равен 1 для всех времен T и частот f . Однако фаза ФД не изменилась. Эта функция сигнала (которую мы далее будем называть фазовой информацией только ) использовалась DAlg4 (рис. 3).

Напротив, чтобы исключить информацию о фазе предикторов ЭКоГ, все фазовые углы были установлены равными нулю для каждого S ( T , f ), но величины были сохранены (то есть, S ( T , f ) = | S ( T , f )|). Это эквивалентно взятию огибающей магнитуды FD _f . Эта характеристика сигнала (которую мы далее будем называть информацией о величине только ) использовалась DAlg5 (рис. 3).

Важным свойством FT в контексте настоящего исследования является то, что FT производной функции s ( t ) является частотно-масштабированным FT, S ( f ), исходная функция, с ( т ). В случае STFT:

FT[dndtns(t)w(t−T)]=(2πjf)nS(T,f)(5)

Таким образом, декодирование ФК различных производных траекторий дает одинаковые результаты в терминах КК (поскольку они масштабно-инвариантны). Однако это справедливо только для самих FC, но не для общих реконструкций траекторной производной (т.g., положение, скорость, ускорение), которые представляют собой сумму отдельных FC (как объяснялось выше), потому что FC имеют разную мощность в каждом случае (см. рис. 2C).

Выбор полос частот

Расчетные производные траектории были подвергнуты низкочастотной фильтрации на частоте 4 Гц (5-й порядок Баттерворта с нулевым фазовым сдвигом) для декодирования ECoG LFC во временной области (DAlg1, рис. 3), в основном для обеспечения возможности сравнения с частотно-временным FD _f декодирование фазы и амплитуды (DAlg3, рис. 3, где для практических целей используются только первые 10 FC — т.э., до 4 Гц — реконструировались). Этот выбор сохранил исходное (записанное) положение ( CC = 1,00 ± 0,00), скорость ( CC = 0,98 ± 0,00) и большую часть профиля ускорения ( CC = 0,70 ± 0,02) [среднее значение ± стандартное отклонение ( std) CC между необработанным кинематическим сигналом и низкочастотным фильтром [0–4] Гц для всех 4 сеансов всех 3 субъектов].

Чтобы установить оптимальную отсечку фильтра нижних частот для данных ЭКоГ в DAlg1, мы провели поиск по этому параметру (пример для скорости на рисунке 5А).Последовательно для всех испытуемых мы обнаружили глобальный максимум точности декодирования (DA) на частоте 1,5 Гц, который затем был использован для иллюстрации результатов анализа декодирования и настройки.

Рис. 5. Выбор оптимальных частотных диапазонов для скоростного декодирования. Репрезентативные результаты показаны для субъекта S1. (A) Поиск частоты среза фильтра нижних частот при декодировании ЭКоГ LFC во временной области. Средний коэффициент корреляции как функция фильтра нижних частот верхней границы и временного смещения τ между предикторами (вектор признаков LFC ECoG) и декодированной скоростью движения.Наибольший коэффициент корреляции по ЛЧХ обнаружен в диапазоне частот [0,1–1,5] Гц у всех испытуемых. (B) Кумулятивная сумма (направление снизу вверх) прогнозируемых частотных составляющих скорости на разных несущих частотах f (FC _f ), декодированная с использованием признаков ECoG FD в частотно-временной области _f (DAlg3 , рис. 3). Средний коэффициент корреляции между накопленными прогнозами (т. Е. ФК _{F 0}, FC _{F 0} + FC _{F 1 _{, FC _{F 0} + FC _{F 1} + FC _{f 2} , …) и фактическая скорость с различными временными сдвигами τ между предикторами и скоростью движения (как в A ).Точность декодирования достигла предела по всем предметам после включения первых 5 FC _f .}}

Еще один вопрос заключается в том, сколько и какие предсказанные FC следует учитывать при реконструкции с частотно-временными характеристиками (DAlg3, рис. 3). Чтобы ответить на этот вопрос, мы проанализировали CC между скоростью и постепенной суммой индивидуально предсказанных FC скорости, начиная с постоянной составляющей 0 Гц (рис. 5B). Мы обнаружили, что DA насыщается уже после первых 5 FC, главным образом потому, что FC с более высокой скоростью (> 2 Гц) имели лишь малую амплитуду и, следовательно, мало влияли на общую реконструкцию скорости (см.,, Фигуры 2С, 4F). Но так как DA также не ухудшилась при включении этих высших ЧХ, мы все же использовали для реконструкции все первые 10 ЧХ (до 4 Гц).

Анализ настройки ЭКоГ

Анализ настройки дает представление о том, как функции сигнала ЭКоГ модулируются с учетом измеренной скорости (в этом разделе мы сосредоточились на иллюстрации роли фазы только при настройке скорости). Сглаженная и нормализованная скорость была разделена на 20 бинов, размеры которых были скорректированы таким образом, чтобы каждый бин содержал равное количество образцов. Для всех выборок скорости, отнесенных к определенному бину, вычислялось «общее среднее» соответствующих характеристик ЭКоГ, как среднее значение по всем событиям ‘ означает. Событие в этом анализе было определено как непрерывный сегмент данных, начинающийся в момент, когда временной ряд скорости вошел в границу бина, до тех пор, пока он снова не покинул ее (и не попал в следующий бин). Для каждого такого события мы извлекли (с определенной временной задержкой — см. раздел «Модель декодирования») соответствующие выборки ЭКоГ и вычислили их среднее значение.Окончательное значение настройки («общее среднее») в каждом бине является тогда средним по всем таким событиям . Эта процедура позволяет избежать возможного чрезмерного представления событий , которые были бы непропорционально длиннее, чем другие, и обеспечивает репрезентативность результатов настройки для всего анализируемого интервала времени. Параллельно с анализом декодирования мы также выполнили анализ настройки с разрешением смещения по времени как для LFC с действительным значением, так и для комплексных характеристик FD _f сигнала ЭКоГ. Обратите внимание, что мы определили смещение времени τ таким образом, что его отрицательное значение отражает, что активность нейронов предшествует выполнению движения (дополнительные сведения см. в разделе «Методы», раздел «Модель декодирования»).

Результаты

Декодирование параметров движения только по фазе и только по амплитуде

Используя подход к декодированию, основанный на частотно-временном представлении ЭКоГ, как описано в разделе Фурье-дескрипторы кратковременного преобразования Фурье, мы сначала рассмотрели вопрос, действительно ли фаза LFC является основным источником декодируемой информации, связанной с движением.Сравнивая результаты DAlg5 (только информация о величине) и DAlg4 (только информация о фазе), полученные из одного и того же набора данных, можно было количественно оценить относительный вклад величины и фазы по отдельности. Мы сравнили производительность декодирования, взяв все каналы сетки ЭКоГ при одном конкретном временном смещении τ, чтобы предсказать скорость. Это временное смещение τ систематически варьировалось в интервале [-3,5, 3,5] с. Обратите внимание, что мы определили временной сдвиг τ таким образом, что его отрицательное значение соответствует ситуации, когда активность ЭКоГ предшествует движению (дополнительную информацию см. в разделе «Методы», раздел «Модель декодирования»).Мы обнаружили, что для всех испытуемых фаза оказалась значительно более информативной, чем величина во всех производных траектории (рис. 6C, D, для прямого сравнения предсказания скорости у отдельных испытуемых, см. желтую и пурпурную кривые на рис. 7A). Пиковые коэффициенты корреляции (CC) между фактической и прогнозируемой скоростью для всех испытуемых, валидационные кратности движения, находились в диапазоне 0,46 ± 0,10 (среднее ± стандартное значение) только для фазовых признаков, что было значительно выше (парный двусторонний знаковый тест 30 CCs). из каждой перекрестной проверки и временной задержки P = 0.001, коррекция частоты ложных открытий для нескольких тестов с запаздыванием по времени), чем для признаков только по величине, где CC = 0,16 ± 0,12 (таблица 2). Более того, максимальная DA, достигнутая с использованием только фазы, была очень похожа на таковую, полученную с использованием LFC во временной области (DAlg1, рисунок 6A, таблица 2, также ср. пурпурный и голубой кривые на рисунке 7A). Эти результаты четко определяют фазу (а не амплитуду) как основной носитель информации для декодирования скорости движения ЭКоГ LFC.

Рисунок 6.Расшифровка положения, скорости и ускорения. Результаты, полученные при декодировании всех каналов сетки ЭКоГ как среднее значение по всем наборам тестов движения (т. е. 3 × 30 проверочных сгибов) для субъектов S1–S3. Среднее CC ± стандартная ошибка среднего как функция смещения по времени τ между предикторами ЭКоГ и декодированным положением движения (фиолетовый), скоростью (зеленый) и ускорением (коричневый). Отрицательные значения τ указывают на то, что ЭКоГ предшествует выполнению движения. Проанализированы четыре различных характеристики (строки рисунков): (A) LFC во временной области (DAlg1), (B) время-частота амплитуда и фаза (DAlg3), (C) время-частота только амплитуда (DAlg5) и (D) время-частота только фаза . (DAlg4) Декодирование на основе признаков с информацией из низкочастотной фазы ЭКоГ было значительно лучше, чем только по амплитуде.

Рис. 7. Расшифровка скорости по различным компонентам сигнала и анатомическим областям. Результаты для субъектов S1–S3. (A) Декодирование всех каналов сетки. Среднее CC ± стандартная ошибка среднего как функция временного сдвига τ между предикторами ЭКоГ и декодированной скоростью движения (отрицательные значения τ указывают на то, что ЭКоГ предшествует во времени выполнению движения).Проанализированы 4 различных характеристики: время-частота амплитуда и фаза (красный), время-частота только фаза (пурпурный), время-частота только амплитуда (желтый) и LFC во временной области ( голубой). Точность декодирования амплитудно-частотных и фазовых характеристик при их пиковых значениях (обозначенных красными треугольниками) значительно лучше, чем у LFC во временной области. (B) Декодирование модуля время-частота и фаза с использованием одиночных каналов и временного смещения τ, обозначенного красными треугольниками в (A) .Квадратные графики представляют сетку ЭКоГ каждого субъекта с отмеченной центральной (и боковой в S1) бороздой (толстая белая кривая на сетке), разделением анатомических областей (тонкие белые линии, см. рис. 2E-G) и помеченными результаты электростимуляции (цвет метки: пурпурный — двигательная реакция, серый — сенсорная реакция. Н — рука, А — рука, О — рот, Е — глаза, Н — нога, С — плечо, Н — шея). (C) Декодирование групп каналов на основе распределения по анатомическим областям (раздел «Отображение электрической стимуляции и назначение каналов по анатомическим областям» в основном тексте) с использованием амплитудно-частотных и фазовых характеристик.Цвета анатомических областей такие же, как на рисунках 2E-G. Премоторная область (обозначена синим цветом) обеспечивает наиболее точные прогнозы у всех субъектов. (D) Декодирование модуляций относительной мощности в широком диапазоне различных частотных диапазонов. Коэффициент корреляции имеет цветовую кодировку для каждой полосы частот ( f ₁ − f ₂), как определено осями x – и y . Результаты показаны для временного сдвига τ с максимальной корреляцией для каждого субъекта (0.0 с, -0,1 с и 0,2 с для субъектов S1–S3 соответственно). Фаза медленных колебаний была явно более информативной, чем любая из характеристик мощности спектральной полосы.

Таблица 2. Пиковая точность декодирования. Значения CC (среднее ± стандартное значение для 3 × 30 сгибов проверки движения всех 3 субъектов) при оптимальном смещении времени, определенном для каждого субъекта индивидуально .

Декодирование движения с одновременным использованием фазы и величины

Затем мы проверили, можно ли получить дальнейшее увеличение DA путем декодирования скорости движения с использованием фазы и амплитуды одновременно (DAlg3, рис. 3).Сравнение результатов с использованием всех каналов сетки ЭКоГ в качестве предикторов показало согласованную закономерность для всех трех испытуемых (рис. 6Б, 7А, красные кривые): комплексные признаки, содержащие информацию о фазе и амплитуде, имели наилучшие показатели и были значительно лучше, чем ЛЧХ. (Рисунок 7A, синие кривые) — парный двусторонний критерий знака 30 CC из каждой кратности перекрестной проверки и временной задержки, уровень значимости P = 0,05, коррекция частоты ложных открытий для нескольких тестов с временной задержкой.Примеры предсказанных производных траекторий (с использованием DAlg3) показаны на рисунках 4M, 8.

Рис. 8. Прогноз положения, скорости и ускорения на основе репрезентативной проверочной развертки. Использование амплитудно-временных характеристик и фазы (DAlg3, τ = 0 с). (A) положение, (B) скорость, (C) ускорение, СС даны для этих отдельных примеров.

Декодирование положения, скорости и ускорения с временным разрешением

Декодирование положения и скорости по фазе на низких частотах дало очень близкий DA для всех алгоритмов (рис. 6, табл. 2), в то время как ускорение было стабильным и значительно хуже декодируемым.Систематическое использование вектора признаков в качестве каналов только с одним временным смещением τ между парами ответ-предиктор и изменение этого значения смещения в течение интервала дает временной профиль декодируемой информации в сигналах предиктора относительно выполнения движения. Мы последовательно обнаружили, что (1) начало происходило за 2 с до движения, т. е. на стадии «прогнозирования», (2) с пиком около 0 с, что соответствует времени выполнения движения, и (3) возврат до нулевого базового уровня примерно через 2 с после выполнения движения, на стадии «постдикции» (рис. 6, 7А).

Примечательно, что временной профиль DA, полученный из сигнала LFC, оказался менее гладким, чем профиль, основанный на характеристиках амплитуды и фазы. Это было особенно ясно при декодировании скорости субъекта S1, где декодирование LFC показало двойной пик (рис. 7A, слева), тогда как декодирование амплитуды и фазы показало один плавный пик в том же временном окне. Причина этих временных различий была дополнительно исследована и выяснена с помощью анализа одноканальной настройки скорости (см. ниже, раздел Декодирование и настройка скорости одного канала).

Декодирование скорости с пространственным разрешением

Чтобы охарактеризовать анатомическое происхождение декодируемой информации, мы провели два набора анализов декодирования с пространственным разрешением. Мы сосредоточились здесь только на скорости (хотя аналогичные наблюдения были сделаны также для положения и ускорения). Сначала мы провели одноканальный анализ для функций FD _f. Алгоритм декодирования (DAlg3, рис. 3) был таким же, как и в разделе «Декодирование движения с использованием фазы и величины одновременно», за исключением того, что предикторы состояли только из одной выборки канала при смещении по времени τ максимальной производительности всех каналов. характеристики величины и фазы (обозначены красными треугольниками на рисунке 6A).Таким образом, для каждого канала мы построили свою модель и оценили ее прогноз индивидуально. Значения CC для отклоненных каналов в S1 (рис. 2E, белый цвет) были интерполированы с соседних электродов.

Результат этого анализа показан в виде сетки значений CC (рис. 7B). У всех испытуемых каналы вблизи центральной борозды (CS, запись из премоторных и первичных соматосенсорных областей) имели в целом лучшую производительность, чем каналы, расположенные дальше от CS.

Во-вторых, для количественной оценки вклада различных АА, определенных, как описано в Методах (раздел «Картирование электрической стимуляции и назначение каналов анатомическим областям»), мы провели анализ декодирования (DAlg3, рис. 3), используя каналы, назначенные каждому из АА. .Таким образом, у всех испытуемых можно было проанализировать премоторную и первичную соматосенсорные области, зону Брока у испытуемых S2 и S3, верхнюю теменную кору (SPL) в S1. Остальные каналы сетки ЭКоГ (обозначенные как «другие»), не включенные ни в один из вышеупомянутых АА, анализировались вместе. У всех субъектов премоторная область показала наилучшую производительность декодирования среди проанализированных областей (рис. 7C).

Относительная мощность полос частот Декодирование скорости

Фаза высокочастотных колебаний (>4 Гц) не может быть легко использована для непрерывного прогнозирования скорости движения (спектр которой <4 Гц, ср.,, рис. 2С), потому что фаза меняется быстрее, чем относительно медленный ход скорости движения во времени. Однако такой аргумент не работает, когда рассматривается огибающая амплитуды (или мощности) высокочастотного колебания. Таким образом, исследовалась относительная мощность полос частот (DAlg2, рис. 3), определяемая всеми возможными комбинациями границ полос из следующего диапазона: 0, 4, 8, 13, 30, 45, 70, 100, 130, 160, и 200 Гц. Оптимальное смещение времени τ оценивалось индивидуально для каждого субъекта (рис. 7D).Для субъекта S1 глобальный максимум был обнаружен при τ = 0,0 с, CC = 0,33 ± 0,09 (среднее ± станд.) в полосе частот 30–200 Гц; для субъекта S2: τ = -0,1 с, CC = 0,30 ± 0,10, полоса частот 45–200 Гц; для субъекта S3: τ = 0,2 с, CC = 0,27 ± 0,10, полоса 70–200 Гц. Наблюдалась значительная вариабельность значений смещения по времени для максимума декодирования, но определенная согласованность для наилучшей мощности полосы частот, а именно в широкополосной высокой гамме (75–200 Гц) — только нижняя граница варьировалась у разных субъектов.Важно отметить, что LFC и/или сложные функции FD давали значительно лучшие прогнозы, чем любые из характеристик спектральной мощности с ограниченной полосой пропускания того же сигнала.

Декодирование положения, скорости и ускорения с частотным разрешением

В результатах амплитудных и фазовых характеристик (DAlg3, рис. 3), представленных до сих пор, декодированная переменная была получена как сумма ее предсказанных FC. Дополнительным полезным свойством предложенного здесь алгоритма является то, что DA может оцениваться частотно-разрешённым способом, оценивая CC каждой FC отдельно (CC _FC), что позволяет детально изучить наиболее информативные узкополосные FC в пределах широкополосный ЛЧХ.Чтобы изучить профиль CC _FC с частотным разрешением при более высоком частотном разрешении, мы также провели тот же анализ, что и раньше, но с более широким окном Ханнинга продолжительностью 5 с (что соответствует разрешению по частоте 0,2 Гц). предикторов время-частота и фаза были взяты при смещении по времени τ = 0 с.

Из приведенных выше результатов (рис. 6, 7А) следует, что величина LFC лишь незначительно влияет на декодирование непрерывного движения, а фаза четко определяется как основной источник декодируемой информации.Аналогичные результаты (т. е. фаза DA >> амплитуда DA) были получены, когда единственным каналом предиктора является сам кинематический сигнал (например, положение, тривиально декодирующее само положение). Затем, используя предикторов время-частота и фаза , как и ожидалось, все FC были точно предсказаны независимо от их спектрального профиля (до тех пор, пока он не был тождественно равен нулю).

Это наблюдение привело нас к гипотезе о том, что LFC можно понимать как точную копию кинематической переменной во временной области.Несколько более реалистичный сценарий был построен, когда к кинематической «копии» был добавлен белый шум [таким образом, модель «копия + шум», кинематический сигнал (при стандартном отклонении = 1) + белый шум (при стандартном отклонении = 20)]. В этом случае, как и следовало ожидать, FC, совпадающие с максимальной спектральной плотностью мощности (PSD) положения движения (рис. 9A, E), скорости (рис. 9B, F) и ускорения (рис. 9C, G), тем самым имея максимальный сигнал- к шуму, также были лучше декодируемы. Примечательно, что частотные профили CC _FC сильно различались для каждой кинематической модели «копия + шум» (в среднем по всем траекториям всех субъектов).

Рис. 9. Декодирование с частотно-временным разрешением моделей «кинематическая копия + белый шум» и реальной ЭКоГ. Коэффициенты корреляции между прогнозируемой и фактической частотными составляющими (CC _FC ), вычисленные для разных несущих частот f и временных сдвигов τ. Кинематическая копия (станд. = 1) суммировалась с белым шумом (станд. = 20). (A) модель «положение + шум» предсказывает положение, (B) «скорость + шум» предсказывает скорость и (C) модель «ускорение + шум» предсказывает ускорение. (D) CC _FC для реальных данных ЭКоГ, предсказывающих производные траектории, т. е. положение, скорость и ускорение (усредненные по всем субъектам, а также все производные траектории, см. раздел Декодирование положения, скорости и ускорения с частотным разрешением) . (E) модель «положение + шум», частотный профиль CC _FC (фиолетовая кривая, левая ось y ) для частотно-временной амплитуды и фазы признаков при смещении по времени τ = 0 с и выше разрешение по частоте (размер окна = 5 с), построенное в зависимости от спектральной плотности мощности временного хода положения вдоль траектории (PSD, голубой, правая ось y ). (F) То же, что и (E) для модели «скорость + шум» (зеленая кривая слева от оси и ). (G) То же, что (E) для модели «ускорение + шум» (коричневая кривая, левая ось и ). (H) CC _FC, полученный в результате декодирования реальных данных ЭКоГ (красный), нанесенных поверх CC _FC трех моделей в (E–G) . Существует только близкое соответствие между ECoG CC _FC и частотным профилем, полученным в модели «скорость + шум» (зеленый).

Для данных ЭКоГ, записанных у субъектов S1–S3 (последний столбец на рис. 9), мы обнаружили, что наиболее информативные FC постоянно находились в области очень низких частот между 0,5 и 1,0 Гц. Как указано в конце раздела «Особенности декодирования ЭКоГ», предсказание по ЭКоГ ФК для любой кинематической производной должно быть одинаковым (что действительно наблюдалось; рисунки 9D, H представляют собой среднее значение для всех субъектов и всех кинематических производных). . Удивительно, но декодирование с частотно-временным разрешением CC _FC (τ, f ) показало (рис. 9D) очень похожий частотный профиль, что и у модели «скорость + шум» (рис. 9B), что также подтвердилось. в результатах декодирования с более высоким частотным разрешением (рис. 9H).

В свете этих результатов стало также ясно, почему ускорение имело значительно меньший DA, чем положение или скорость (таблица 2). Это было связано с тем, что наиболее информативные ФК располагались в диапазоне 0,5–1,0 Гц, тогда как высокие частоты были менее информативны (рис. 9Г, З, f > 2 Гц). Следовательно, высокочастотные компоненты, важные для восстановления ускорения, были предсказаны относительно неточно (рис. 9З, ср., красная и коричневая кривые для f > 2 Гц).Это не относится к положению или скорости, высокие FC которых имеют относительно небольшую мощность в нашей двигательной задаче (рис. 9E, F, голубые кривые).

Одноканальное декодирование скорости и настройка

Для дальнейшего изучения роли фазы в декодировании двигателя мы выполнили одноканальное декодирование и анализ настройки. В анализах, основанных на всех каналах, как описано выше, декодирование с использованием фазы показало более плавный ход времени, чем декодирование на основе LFC (см. выше, фиг. 6, 7A). Эта разница была еще более заметной на уровне одного канала (рис. 10).Ход смещения по времени при декодировании на основе LFC обычно показывал четко различимые множественные пики, в то время как декодирование на основе фазы (отдельно или в сочетании с величиной) было намного более плавным (голубые кривые по сравнению с красными/пурпурными кривыми на рисунке 10A). Этот эффект может быть интуитивно понятен при настройке скорости одного канала с временным разрешением для различных компонентов сигнала.

Рисунок 10. Одноканальное декодирование скорости и анализ настройки. Столбцы представляют три выбранных канала от субъектов S1–S3 соответственно. (A) Точность одноканального декодирования при различном смещении по времени τ (те же обозначения, что и на рисунке 5A). Проанализированы три различных характеристики: амплитуда и фаза время-частота (красный), только фаза времени-частоты (пурпурный) и LFC во временной области (голубой). Выбранный канал соответствует 1-й строке и 3-му столбцу в сетке ЭКоГ субъекта S1 (см. рис. 2). Обратите внимание на форму «верблюжьей спины» декодирования на основе LFC с двумя отдельными пиками, обозначенными «1» и «2». (B) Скорость — настройка ECoG LFC.Ось x определяет временной сдвиг τ между данными скорости и ЭКоГ, ось y определяет ячейки скорости v (где v > 0 для движений вправо и v < 0 для движений влево) . Среднее значение ECoG LFC в бинарном интервале имеет цветовую кодировку (и интерполируется). Около τ = 0 с можно наблюдать градиент полярности среднего LFC от положительного (для v < 0) до отрицательного (для v > 0) (левая звезда и квадрат соответственно).Примерно через 1 с полярность стала противоположной (правый квадрат и звезда). Минимальная точность декодирования на основе LFC в (A) , как показано вертикальной пунктирной линией, явно соответствует времени изменения полярности в (B) , где LFC показал небольшую настройку. (C) Скорость — ECoG FD _f настройка, где f = 0,5 Гц. Биннинг скорости такой же, как и в (B) , ответ комплексного значения FD _f кодируется цветом прозрачности (масштабируется, как показано цветной полосой в правом нижнем углу), где прозрачность указывает на величина усредненных признаков FD _f и их фазовые углы, определяемые как arctg(Re/Im), кодируются круговой цветовой картой.В моменты времени с минимальной точностью декодирования LFC (вертикальные пунктирные линии) фаза все еще настраивается из-за изменений полярности, как показано на (B) , что объясняет высокий фазовый DA в эти моменты времени (пурпурная кривая на А ). (D–F) то же, что и (A–C) , выбранный канал соответствует 5-й строке и 4-му столбцу сетки ЭКоГ субъекта S2. (G–I) то же, что и (A–C) , выбранный канал соответствует 8-й строке и 5-му столбцу сетки ЭКоГ субъекта S3.

На рисунке 10А показан пример настроенного на скорость канала премоторной коры субъекта S1. На временном профиле декодирования на основе LFC (голубая кривая) отчетливо различимы два пика DA (обозначены цифрами 1 и 2 соответственно). Между этими пиками СС между реальной и предсказанной скоростью упали почти до нуля (обозначены черной пунктирной линией). График настройки скорости с временным разрешением того же канала (рис. 10B) показывает, что во время первого пика DA правая скорость (положительный знак) была связана с отрицательным потенциалом (обозначен верхней звездочкой на рис. 10B), и, аналогично, скорость влево с положительным потенциалом (нижний квадрат).Эти дифференциальные отклики LFC объясняют хорошую декодируемость при таком временном смещении. Однако во время второго пика DA полярность настройки LFC была обратной (положительная LFC при движении вправо и отрицательная LFC при движении влево, отмеченные верхним квадратом и нижней звездочкой на рисунке 10B). Это изменение полярности объясняет исчезновение настройки LFC при промежуточной задержке (черная пунктирная линия). Однако в тот же момент времени фаза сигнала была четко настроена (рис. 10С) — из-за противоположного направления изменения полярности: от отрицательного к положительному для движения вправо и от положительного к отрицательному для движения влево соответственно.Как следствие, скорость все еще хорошо декодируется в этот промежуточный момент времени, если используется информация о фазе (с дополнительной информацией о величине или без нее, красная и пурпурная кривые на рисунке 10A) и результирующий временной профиль является гладким. Подобные эффекты наблюдались во многих моторно-кортикальных каналах всех испытуемых (рис. 10, остальные панели).

Обсуждение

Ранее предполагалось, что информация о фазе может быть особенно важна для декодирования двигателя (Jerbi et al. , 2007). Но было неясно, является ли фаза единственным основным источником декодируемой информации или, наоборот, существенный вклад вносят также величины (Ball et al., 2009). В настоящем исследовании мы применили алгоритм декодирования, позволяющий нам решать этот вопрос напрямую путем декодирования только информации о фазе или величине, их комбинации, ЭКоГ с фильтром нижних частот, а также спектральной мощности в ограниченном диапазоне. Наши результаты ясно показывают, что фаза LFC ЭКоГ действительно намного более информативна, чем величины (таблица 2, рисунки 6, 7A), и что частотный профиль декодируемой информации точно соответствует мощности отдельных FC скорости (рис. 9H).Оба этих наблюдения согласуются с предположением о «копированном» представлении информации, связанной с движением, в нашем случае скорости, в LFC сигналов активности популяции нейронов, таких как ЭКоГ. Точность декодирования по спектральной мощности в разных частотных диапазонах (рис. 7D) была значительно ниже, чем у фазы медленных колебаний. Наилучшая DA была достигнута для широкополосной высокой гаммы (70–200 Гц), CC = 0,30 ± 0,10 (среднее ± стандартное). Такие результаты согласуются с предыдущими отчетами (Pistohl et al., 2008; Болл и др., 2009). Комбинация различных функций (например, высокая гамма + LFC) является еще одной многообещающей стратегией для увеличения общего DA, необходимого для практического применения ИМТ.

В предыдущих исследованиях ЭКоГ с использованием подобных непрерывных двигательных задач, как у нас, Schalk et al. (2007) сообщили о среднем CC около 0,5, а Pistohl et al. (2008) сообщили о значениях около 0,4. Наши результаты декодирования (таблица 2) имели наилучший DA для скорости (среднее значение ± станд. CC = 0,54 ± 0,10) и, таким образом, сравнимы по достигнутой точности, что указывает на то, что использование частотно-временной области амплитуды и фазы функции (DAlg3, рис. 3) могут быть полезны для декодирования моторики, а также могут увеличить производительность онлайн-ИМТ на основе аналогичных подходов (Milekovic et al. , 2012).

Представления сигнала во временной и частотной областях математически эквивалентны. Следовательно, при оптимальных методах декодирования результирующий DA должен быть одним и тем же в двух случаях. В настоящем исследовании мы сравнили декодирование LFC на основе временных данных из одного временного интервала с комплексными частотными характеристиками из того же временного интервала, поскольку мы стремились разграничить отдельные роли фазы и амплитуды. Таким образом, мы выполнили декодирование на основе всех доступных моментов времени по отдельности, что позволило нам с максимальной временной точностью связать профили смещения во времени фазового и LFC-кодирования и декодирования (см. ниже).

Временная эволюция основанного на фазе DA, полученного путем систематического изменения временного смещения τ между предикторами ЭКоГ и скоростным откликом, показала относительно плавный ход времени с глобальным максимумом во время, близкое к выполнению движения (рис. 6, 7A). . Этот основной временной профиль наблюдался для декодирования на основе всех электродов (рис. 7A), а также для отдельных AA (рис. 7C). Форма кривой DA отражает лежащие в основе нейронные процессы, включая двигательную подготовку и сенсорную обработку, а также автокорреляцию кинематического сигнала ответа (рис. 2D), низкочастотные характеристики признаков, используемых в качестве предикторов, и процесс обработки. декодируемых функций (фильтрация с нулевым фазовым сдвигом, работа с окнами и т. д.). Примечательно, что такой гладкий временной ход не был получен при декодировании на основе LFC, что давало профили «верблюжьей спины», особенно в отдельных каналах (рис. 10). Эти множественные пики могут быть приняты для обозначения различных стадий нейронной обработки, в то время как фазовое декодирование скорее указывает на плавную, непрерывную эволюцию информации, связанной с движением.

Пистол и др. (2008) также продемонстрировали развертывание декодируемой информации, взяв одно и то же временное смещение для всех каналов, как и в настоящем исследовании. Однако их анализ был ограничен только фазой предсказания (отрицательные значения смещения времени τ в нашем исследовании). Мы намеревались изучить весь временной профиль и, следовательно, также использовали ЭКоГ из фазы «постдикция» (т. е. скорость в данный момент времени декодируется из активности ЭКоГ в более поздний момент времени). Мы обнаружили, что максимальная точность была получена при декодировании скорости по близкой к одновременной ЭКоГ. В S3 пик скорости DA (т. е. смещение по времени с максимальным CC, см. красные треугольники на рисунке 7A) был даже немного смещен в фазу «постдикции».Это темпоральное свойство важно для построения замкнутых ИМТ, поскольку, очевидно, нельзя использовать информацию из «постдиктивной» части при декодировании в реальном времени. Настоящие результаты предполагают, что расхождение между особенностями ЭКоГ и декодированной скоростью должно быть сведено к минимуму.

Пространственное распределение декодируемой информации имело правдоподобную топографию. Отдельные каналы с самым высоким DA были хорошо выровнены с моторными областями в соответствии с картированием электрической стимуляции (рис. 7B).Анатомической областью с наилучшей производительностью была прецентральная двигательная область (рис. 7C), что соответствует результатам предыдущих исследований расшифровки ЭКоГ (Ball et al., 2009).

Еще один вопрос, которому уделялось большое внимание в исследованиях по расшифровке ЭКоГ, заключается в том, какой частотный диапазон является наиболее информативным. Однако точные частоты в низкочастотном диапазоне, дающие большую часть информации, еще не определены. Алгоритм декодирования, предложенный в настоящем исследовании, основан на декодировании дескрипторов Фурье в частотно-временной области и, таким образом, подходит для распутывания DA, полученных из отдельных FC.Мы обнаружили, что у всех испытуемых наиболее информативными были очень низкие FC в диапазоне 0,5–1,0 Гц с пиком DA около 0,5 Гц (рис. 9D, H). Возможность такого исследования с частотным разрешением имеет практические преимущества для выбора FC, которые будут использоваться для последующей реконструкции и/или выбора оптимального фильтра.

Изменения полярности были заметной особенностью настройки скорости-ЭКоГ (рис. 10). Эти временные моменты изменения полярности представляют особый интерес, поскольку информативным здесь было фазовое, а не LFC-декодирование.Это можно понять, поскольку декодирование LFC требовало линейной настройки сигнала LFC на скорость, что ясно видно для тех временных задержек, когда активность LFC была наиболее информативной (рис. 10A, D, G): здесь LFC имела противоположную полярность для двух разные направления движения. Эта линейная настройка исчезала в момент смены полярности (вертикальные пунктирные линии на рис. 10) и, следовательно, декодирование на основе LFC не удалось, в то время как фаза оставалась настроенной и декодируемой (рис. 10A, D, G, красная и пурпурная кривые).Включение более чем одного канала в вектор признаков предсказания LFC делает этот эффект менее выраженным, но все же видимым (рис. 7A, голубая кривая), поскольку инверсия полярности происходила с разным временным сдвигом по каналам (см. рис. 10A, D, G). .

Таким образом, результаты настоящего исследования показывают, что во время непрерывной двигательной задачи фаза, а не амплитуда существенно влияли на декодирование кинематики движения, как предполагалось ранее, но не проверялось количественно, и что частотный профиль DA хорошо соответствовал форме PSD скорости движения.Эти выводы согласуются с предположением о том, что существует точная копия скорости, встроенной в многоканальные данные ЭКоГ во временной области, и что нет никаких дополнительных механизмов, основанных на величине, кодирующих скорость в частотном диапазоне LFC, как показано на графике. простая модель «скорость + шум». В последующих исследованиях было бы интересно проверить, в какой степени данные движения с другими частотными составами могут быть точно «скопированы» LFC, например, более быстрое движение с их максимальным частотным содержанием в более высоких частотах или даже суперпозиции медленных и быстрых движений. что приводит к более чем одному спектральному пику. Будет ли частотный профиль реконструированных FC оставаться таким же, как сообщается в этом исследовании, или он будет соответствовать профилю PSD, как предсказано моделью «скорость + шум»? С предложенными здесь методами также было бы интересно, существуют ли другие задачи или параметры движения, где величины существенно влияют на декодирование движения, то есть насколько преобладает информация, связанная с движением, в фазе LFC при декодировании ЭКоГ.

Заявление о конфликте интересов

Авторы заявляют, что исследование проводилось при отсутствии каких-либо коммерческих или финансовых отношений, которые могли бы быть истолкованы как потенциальный конфликт интересов.

Благодарности

Эта работа была поддержана грантом GoBio Федерального министерства образования и исследований Германии 0313891, грантом BrainCon 0316064C и грантом DFG EXC 1086 BrainLinks-BrainTools для Университета Фрайбурга, Германия. Мы хотели бы поблагодарить испытуемых за участие в нашем исследовании. Мы благодарны персоналу Фрайбургской университетской клиники, Центра эпилепсии за помощь. Плата за подготовку статьи была профинансирована фондом публикаций открытого доступа Фрайбургского университета.

Ссылки

Абрамовиц М. и Стегун И. А. (1970). Справочник по математическим функциям . Нью-Йорк, штат Нью-Йорк: Dover Publications.

Ачарья, С., Файфер, М.С., Бенц, Х.Л., Кроун, Н.Е., и Такор, Н.В. (2010). Электрокортикографическая амплитуда предсказывает положение пальцев во время медленных хватательных движений руки. Дж. Нейронный инженер . 7, 046002. doi: 10.1088/1741-2560/7/4/046002

Опубликовано Резюме | Опубликован полный текст | Полный текст перекрестной ссылки

Арцен, А.и Йоханнесма, П.И.М. (1980). Спектро-временные рецептивные поля слуховых нейронов травяной лягушки I. Характеристика тональных и естественных раздражителей. биол. Кибер . 38, 223–234. дои: 10.1007/BF00337015

Опубликовано Резюме | Опубликован полный текст | Полный текст перекрестной ссылки

Болл, Т. , Шульце-Бонхаге, А., Эрцен, А., и Меринг, К. (2009). Дифференциальное представление направления движения руки по отношению к корковой анатомии и функции. Дж. Нейрал. Eng .6, 016006. doi: 10.1088/1741-2560/6/1/016006

Опубликовано Резюме | Опубликован полный текст | Полный текст перекрестной ссылки

Боашаш, Б. (1992). Оценка и интерпретация мгновенной частоты сигнала — часть I: основы. Проц. IEEE 80, 520–538. дои: 10.1109/5.135376

Полнотекстовая перекрестная ссылка

Брэдберри, Т.Дж., Джентили, Р.Дж., и Контрерас-Видал, Дж.Л. (2010). Реконструкция трехмерных движений рук по неинвазивным электроэнцефалографическим сигналам. Дж. Нейроски . 30, 3432–3437. doi: 10.1523/JNEUROSCI.6107-09.2010

Опубликовано Резюме | Опубликован полный текст | Полный текст перекрестной ссылки

Кармена, Дж. М., Лебедев, М. А., Крист, Р. Э., О’Доэрти, Дж. Э., Сантуччи, Д. М., Димитров, Д. Ф., и соавт. (2003). Обучение управлению интерфейсом мозг-машина для достижения и захвата приматами. ПЛОС Биол . 1:Е42. doi: 10.1371/journal.pbio.0000042

Опубликовано Резюме | Опубликован полный текст | Полный текст перекрестной ссылки

Коллинджер, Дж.L., Wodlinger, B., Downey, J.E., Wang, W., Tyler-Kabara, E.C., Weber, D.J., et al. (2013). Высокоэффективный нейропротезный контроль у человека с тетраплегией. Ланцет 381, 557–564. doi: 10.1016/S0140-6736(12)61816-9

Опубликовано Резюме | Опубликован полный текст | Полный текст перекрестной ссылки

Эйкхофф, С. Б., Хайм, С., Зиллес, К., и Амунтс, К. (2006). Проверка анатомически заданных гипотез в функциональной визуализации с использованием цитоархитектонических карт. Нейроизображение 32, 570–582.doi: 10.1016/j.neuroimage.2006.04.204

Опубликовано Резюме | Опубликован полный текст | Полный текст перекрестной ссылки

Фетц, Э. Э., и Чейни, П. Д. (1980). Постспайковое облегчение активности мышц передних конечностей кортико-мотонейрональными клетками приматов. Дж. Нейрофизиол . 44, 751–772.

Опубликовано Резюме | Опубликован полный текст

Георгопулос А.П., Каласка Дж.Ф., Каминити Р. и Мэсси Дж.Т. (1982). О взаимосвязи между направлением двумерных движений рук и разрядом клеток моторной коры приматов. Дж. Нейроски . 2, 1527–1537.

Опубликовано Резюме | Опубликован полный текст

Георгопулос, А. П., Лангхейм, Ф. Дж., Лойтольд, А. С., и Меркл, А. Н. (2005). Магнитоэнцефалографические сигналы предсказывают траекторию движения в пространстве. Эксп. Мозг Res . 167, 132–135. doi: 10.1007/s00221-005-0028-8

Опубликовано Резюме | Опубликован полный текст | Полный текст перекрестной ссылки

Хохберг Л.Р., Серруя М.Д., Фрихс Г.М., Муканд Дж.А., Салех М., Каплан А.Х. и др. (2006). Нейронный ансамбль управления протезами человека с тетраплегией. Природа 442, 164–171. doi: 10.1038/nature04970

Опубликовано Резюме | Опубликован полный текст | Полный текст перекрестной ссылки

Хор, Дж. , и Фламент, Д. (1988). Изменения нейронной разрядки моторной коры, связанные с развитием атаксии мозжечка. Дж. Нейрофизиол . 60, 1285–1302.

Опубликовано Резюме | Опубликован полный текст

Джерби, К., Лашо, Дж.П., Н’Диай К., Пантазис Д., Лихи Р. М., Гарнеро Л. и соавт. (2007). Когерентное нейронное представление скорости рук у людей, выявленное с помощью МЭГ. Проц. Натл. акад. науч. США . 104, 7676–7681. doi: 10.1073/pnas.0609632104

Опубликовано Резюме | Опубликован полный текст | Полный текст перекрестной ссылки

Johannesma, P.I.M., Aertsen, A.M.H.J., Cranen, L., and van Erning, L. (1981). Фонохром: когерентное спектрально-временное представление звука. Слушай. Рез .5, 123–145. дои: 10.1016/0378-5955(81)

-3

Опубликовано Резюме | Опубликован полный текст | Полный текст перекрестной ссылки

Кеттнер Р.Э., Шварц А.Б. и Георгопулос А.П. (1988). Моторная кора приматов и свободные движения рук к визуальным целям в трехмерном пространстве. III. Позиционные градиенты и популяционное кодирование направления движения от различных источников движения. Дж. Нейроски . 8, 2938–2947.

Опубликовано Резюме | Опубликован полный текст

Кубанек, Й., Миллер, К.Дж., Оджеманн, Дж.Г., Вулпоу, Дж.Р., и Шалк, Г. (2009). Расшифровка сгибания отдельных пальцев с использованием электрокортикографических сигналов у людей. Дж. Нейронный инженер . 6, 066001. doi: 10.1088/1741-2560/6/6/066001

Опубликовано Резюме | Опубликован полный текст | Полный текст перекрестной ссылки

Лакатос, П., Шах, А.С., Кнут, К.Х., Ульберт, И., Кармос, Г., и Шредер, К.Е. (2005). Колебательная иерархия, контролирующая возбудимость нейронов и обработку стимулов в слуховой коре. Дж. Нейрофизиол . 94, 1904–1911. doi: 10.1152/jn.00263.2005

Опубликовано Резюме | Опубликован полный текст | Полный текст перекрестной ссылки

Лайонс, Р. (2003). Советы и приемы DSP — скользящее ДПФ. IEEE Signal Proc. Маг . 20, 74–80. doi: 10.1109/MSP.2003.1184347

Полнотекстовая перекрестная ссылка

Меринг, К., Наврот, М.П., Кардосо де Оливейра, С., Ваадия, Э., Шульце-Бонхаге, А., Эрцен, А., и соавт. (2004). Сравнение информации о направлении движения руки в одиночных каналах локальных и эпикортикальных полевых потенциалов моторной коры обезьяны и человека. J. Physiol. Париж 98, 498–506. doi: 10.1016/j.jphysparis.2005.09.016

Опубликовано Резюме | Опубликован полный текст | Полный текст перекрестной ссылки

Меринг, К., Риккерт, Дж., Ваадия, Э., Кардосу де Оливейра, С., Арсен, А., и Роттер, С. (2003). Вывод о движениях рук на основе потенциалов локального поля в моторной коре обезьяны. Нац. Нейроски . 6, 1253–1254. doi: 10.1038/nn1158

Опубликовано Резюме | Опубликован полный текст | Полный текст перекрестной ссылки

Милекович, Т., Fischer, J., Pistohl, T., Ruescher, J., Schulze-Bonhage, A., Aertsen, A., et al. (2012). Онлайн-интерфейс мозг-машина, использующий расшифровку направления движения по электрокортикограмме человека. Дж. Нейронный инженер . 9, 046003. doi: 10.1088/1741-2560/9/4/046003

Опубликовано Резюме | Опубликован полный текст | Полный текст перекрестной ссылки

Миллер, К. Дж., Гермес, Д., Хани, С. Дж., Хебб, А. О., Рэмси, Н. Ф., Найт, Р. Т., и другие. (2012). Двигательная корковая активность человека избирательно зависит от основных ритмов. PLoS вычисл. Биол . 8:e1002655. doi: 10.1371/journal.pcbi.1002655

Опубликовано Резюме | Опубликован полный текст | Полный текст перекрестной ссылки

Миллер, К. Дж., Соренсен, Л. Б., Оджеманн, Дж. Г., и ден Нийс, М. (2009). Степенной закон масштабирования электрического потенциала поверхности мозга. PLoS вычисл. Биол . 5:e1000609. doi: 10.1371/journal.pcbi.1000609

Опубликовано Резюме | Опубликован полный текст | Полный текст перекрестной ссылки

Панински Л., Феллоуз М., Хацопулос Н.и Донохью, Дж. П. (2004). Пространственно-временная настройка двигательных нейронов коры на положение и скорость руки. Дж. Нейрофизиол . 91, 515–532. doi: 10.1152/jn.00587.2002

Опубликовано Резюме | Опубликован полный текст | Полный текст перекрестной ссылки

Персун, Ф., и Фу, К. (1977). Описание формы с использованием дескрипторов Фурье. Транзакции IEEE в системах. Человек Кибер . 7, 170–179. doi: 10.1109/TSMC.1977.4309681

Полнотекстовая перекрестная ссылка

Пистоль, Т., Ball, T., Schulze-Bonhage, A., Aertsen, A., and Mehring, C. (2008). Прогнозирование траекторий движения рук по ЭКоГ-записям человека. J. Neurosci. Методы 167, 105–115. doi: 10.1016/j.jneumeth.2007.10.001

Опубликовано Резюме | Опубликован полный текст | Полный текст перекрестной ссылки

Пистоль, Т., Шульце-Бонхаге, А., Эрцен, А., Меринг, К., и Болл, Т. (2012). Расшифровка естественных типов захвата по ЭКоГ человека. Нейроизображение 59, 248–260. doi: 10.1016/j.neuroimage.2011.06.084

Опубликовано Резюме | Опубликован полный текст | Полный текст перекрестной ссылки

Риккерт, Дж. , Кардосо де Оливьера, С., Ваадия, Э., Артсен, А., Роттер, С., и Меринг, К. (2005). Кодирование направления движения в различных частотных диапазонах потенциалов локального поля моторной коры. Дж. Нейроски . 25, 8815–8824. doi: 10.1523/JNEUROSCI.0816-05.2005

Опубликовано Резюме | Опубликован полный текст | Полный текст перекрестной ссылки

Рюмо, К., Цурио, Н., Мураяма, Н., Peretti-Viton, P., Levrier, O., Joliot, M., et al. (1994). Расположение функции руки в сенсомоторной коре: МР и функциональная корреляция. AJNR Am. Дж. Нейрорадиол . 15, 567–572.

Опубликовано Резюме | Опубликован полный текст

Schalk, G., Kubanek, J., Miller, K.J., Anderson, N.R., Leuthardt, E.C., Ojemann, J.G., et al. (2007). Расшифровка двумерных траекторий движения с помощью электрокортикографических сигналов у человека. Дж. Нейронный инженер . 4, 264–275.дои: 10.1088/1741-2560/4/3/012

Опубликовано Резюме | Опубликован полный текст | Полный текст перекрестной ссылки

Шварц, А. Б., и Моран, Д.В. (1999). Моторная корковая активность во время рисуночных движений: представление популяции при отслеживании лемнискатов. Дж. Нейрофизиол . 82, 2705–2718.

Опубликовано Резюме | Опубликован полный текст

Старк, Э., Дрори, Р., и Абелес, М. (2009). Моторная активность коры, связанная с кинематикой движения, имеет локальную пространственную организацию. Кортекс 45, 418–431. doi: 10.1016/j.cortex.2008.03.011

Опубликовано Резюме | Опубликован полный текст | Полный текст перекрестной ссылки

Steinmetz, H., Furst, G., and Meyer, B.U. (1989). Черепно-мозговая топография по международной системе 10-20. Электроэнцефалогр. клин. Нейрофизиол . 72, 499–506. дои: 10.1016/0013-4694(89)-7

Опубликовано Резюме | Опубликован полный текст | Полный текст перекрестной ссылки

Вальдерт С., Пистол Т., Браун К., Болл Т., Эрцен, А., и Меринг, К. (2009). Обзор направленной информации в нейронных сигналах для интерфейсов мозг-машина. J. Physiol. Париж 103, 244–254. doi: 10.1016/j.jphysparis.2009.08.007

Опубликовано Резюме | Опубликован полный текст | Полный текст перекрестной ссылки

Waldert, S., Preissl, H., Demandt, E., Braun, C., Birbaumer, N., Aertsen, A., et al. (2008). Направление движения руки расшифровано по МЭГ и ЭЭГ. Дж. Нейроски . 28, 1000–1008. doi: 10.1523/JNEUROSCI.5171-07.2008

Опубликовано Резюме | Опубликован полный текст | Полный текст перекрестной ссылки

Ву, В., Гао, Ю., Биненшток, Э., Донохью, Дж. П., и Блэк, М. Дж. (2006). Байесовское популяционное декодирование моторной активности коры с использованием фильтра Калмана. Нейронные вычисления . 18, 80–118. дои: 10.1162/089976606774841585

Опубликовано Резюме | Опубликован полный текст | Полный текст перекрестной ссылки

Янагисава Т., Хирата М., Сайто Ю., Гото Т., Кишима Х., Фукума Р. и др. (2011).Управление протезом руки в режиме реального времени с использованием сигналов электрокортикографии человека. Дж. Нейрохирург . 114, 1715–1722 гг. doi: 10.3171/2011.1.JNS101421

Опубликовано Резюме | Опубликован полный текст | Полный текст перекрестной ссылки

Юсри, Т. А., Шмид, У. Д., Алкадхи, Х., Шмидт, Д., Перо, А., Бюттнер, А., и соавт. (1997). Локализация двигательной области руки на бугорке прецентральной извилины. Новый ориентир. Мозг 120, 141–157. doi: 10.1093/мозг/120.1.141

Опубликовано Резюме | Опубликован полный текст | Полный текст перекрестной ссылки

Пространственно-временная декомпозиция для однократного декодирования активности М/ЭЭГ

https://doi.org/10.1016/j.neuroimage.2016.03.043Получить права и контент
Основные моменты
•
Пространственно-временная декомпозиция для многоканального анализа изменяющихся во времени сигналов.
•
Извлечение пространственных и временных компонентов активности М/ЭЭГ в одной попытке.
•
Полная и краткая характеристика данных ЭЭГ во время задачи визуальной категоризации.
•
Однократное декодирование на основе характеристик, важных для задачи.
•
Надежные и согласованные результаты декодирования среди участников.
Abstract
Мы разрабатываем новую методологию однократного анализа многоканальных изменяющихся во времени сигналов нейровизуализации. Мы вводим пространственно-временную декомпозицию М/ЭЭГ, основанную на неотрицательной матричной факторизации (NMF), которая описывает однократные М/ЭЭГ-сигналы с использованием набора неотрицательных пространственных и временных компонентов, которые линейно комбинируются со знаковыми скалярные коэффициенты активации.Мы иллюстрируем эффективность предложенного подхода на наборе данных ЭЭГ, записанном во время выполнения задачи визуальной категоризации. Наш метод извлекает три временных и два пространственных функциональных компонента, обеспечивая компактное, но полное представление лежащей в основе структуры, что подтверждает и кратко суммирует результаты предыдущих исследований. Кроме того, мы вводим анализ декодирования, который позволяет определить четкую функциональную роль каждого компонента и связать их с экспериментальными условиями и параметрами задачи.В частности, мы демонстрируем, что представленный стимул и сложность задачи каждого испытания могут быть надежно декодированы с использованием определенных комбинаций компонентов из идентифицированного пространственно-временного представления. При сравнении с алгоритмом линейного дискриминанта со скользящим окном мы показываем, что наш подход обеспечивает более надежную производительность декодирования среди участников. В целом, наши результаты показывают, что предложенная пространственно-временная декомпозиция представляет собой значимое низкоразмерное представление, которое несет соответствующую информацию о сигналах М/ЭЭГ с одной пробой.
ключевых слов
м / ЭЭГ
м / ЭЭГ
NMF
NMF
Однопробный анализ
Neural Представительство
Уменьшение размеров
Декодирование
Рекомендуемая статьи Статьи (0)
© 2016 Авторы. Опубликовано Elsevier Inc.
Рекомендуемые статьи
Рекомендуемые статьи
Статьи с цитингом
0 Низкооборудование нелинейная фазовая шумоподавление с использованием модифицированной мягкой стратегии декодирования
показаны 1-10 из 14 ссылок
Сортировка Byrelevancemost под влиянием PAPERSRECTYCTIONE
CONOGELLUATION для каналов фазового шума без памяти
F.Kayhan, G. Montorsi
Математика, информатика
IEEE Transactions on Wireless Communications
2014
Показано, что оптимизированные созвездия гораздо более устойчивы к изменениям характеристик фазового шума, чем фазовый сдвиг модуляция с манипуляцией (PSK) и квадратурная амплитудная модуляция (QAM). Expand
Посмотреть 1 отрывок, справочная информация
Адаптация скорости и увеличение охвата с помощью вероятностно сформированной 64-QAM: экспериментальная демонстрация
Предлагается система передачи с регулируемой скоростью передачи данных для когерентной оптической передачи с одной несущей, которая обеспечивает передача близка к пределу Шеннона, и экспериментально продемонстрировано, что оптическая передача вероятностно сформированных сигналов 64-QAM превосходит дальность передачи обычных сигналов 16-QAM и обычных сигналов 64-ZAM. Развернуть
Посмотреть 1 отрывок, справочная информация
Модель EGN нелинейного распространения волокна.
В этой статье подробно анализируются ошибки GN-модели и выводится полный набор формул, учитывающих все одноканальные, перекрестные и многоканальные эффекты, которые составляют расширенную GN-модель (EGN-модель), которая оказалась очень хорошей. при оценке подробного накопления NLI по пролетам и отлично при оценке реалистичного максимального охвата системы. Expand
Посмотреть 1 отрывок, справочная информация
Достижимая скорость передачи данных для волоконной оптики: приложения и вычисления
Показано, что AIR, такие как взаимная информация и обобщенная взаимная информация, являются хорошими показателями проектирования для кодированных оптических систем, а теоретические прогнозы по сравнению с производительностью современных кодов, включая проверку плотности с низкой четностью и полярные коды.Expand
Просмотреть 3 выдержки, ссылки методы
Декодирование слухового внимания на основе объектов из исходно реконструированных альфа-колебаний МЭГ
Аннотация
Как мы обращаем внимание на соответствующую слуховую информацию в сложных натуралистических сценах? Многие исследования были сосредоточены на определении того, какая информация посещается, без учета основных механизмов контроля сверху вниз. Исследования, изучающие контроль внимания, обычно манипулируют конкретными особенностями простых стимулов и сигнализируют о них.Однако в натуралистических сценах невозможно отделить релевантную информацию от нерелевантной на основе признаков низкого уровня. Вместо этого мозг должен анализировать и выбирать интересующие слуховые объекты. Нейронные основы объектного слухового внимания остаются недостаточно изученными. Здесь мы записывали МЭГ, в то время как 15 здоровых людей (9 женщин) готовились к повторению слухового объекта, представленного в одном из двух перекрывающихся естественных слуховых потоков. Поток, содержащий повторение, был проспективно отмечен с достоверностью 70%.Принципиально то, что эту задачу нельзя было решить, обращаясь к низкоуровневым функциям, а только полностью обрабатывая объекты. Мы натренировали линейный классификатор на корковом распределении восстановленной по источнику колебательной активности, чтобы различать, какой слуховой поток присутствовал. Мы могли успешно классифицировать посещаемый поток по альфа-активности (8–14 Гц) в ожидании начала повторения. Важно отметить, что внимание можно было классифицировать только на основе испытаний, в которых испытуемые впоследствии обнаруживали повторение, но не на основании пропущенных испытаний.Поведенческая релевантность была дополнительно подтверждена корреляцией между точностью классификации и эффективностью обнаружения. Декодируемость не сохранялась на протяжении всего предъявления стимула, но достигала пика незадолго до начала повторения, что позволяет предположить, что внимание действовало временно в соответствии с временными ожиданиями. Таким образом, мы демонстрируем упреждающие альфа-колебания, лежащие в основе нисходящего контроля объектного слухового внимания в сложных натуралистических сценах.
УТВЕРЖДЕНИЕ ЗНАЧЕНИЯ В повседневной жизни мы часто сталкиваемся с бомбардировкой слуховой информацией, из которой нам нужно выбрать то, что имеет отношение к нашим текущим целям.Предыдущие исследования показали, как мы обращаем внимание на определенные строго контролируемые аспекты слухового ввода. Хотя это бесценно, до сих пор неясно, как это связано с контролем внимания в естественных слуховых сценах. Здесь мы использовали высокую точность магнитоэнцефалографии в пространстве и времени для исследования мозговых механизмов, лежащих в основе нисходящего контроля объектного внимания в экологически обоснованных звуковых сценах. Мы показываем, что ритмическая активность в слуховой ассоциативной коре на частоте ∼10 Гц (альфа-волны) контролирует внимание к релевантным в данный момент сегментам слуховой сцены и предсказывает, будут ли эти сегменты обнаружены впоследствии.
Связь фазы с амплитудой поддерживает фазовое кодирование в ЭКоГ человека
Рецензент №1:
1) Авторы могут непреднамеренно преувеличивать свои результаты, определяя PAC по увеличению мощности в HFA с помощью процедуры связи, запускаемой осцилляциями (OTC). PAC требует не изменения мощности, а изменения распределения мощности относительно фазы низкочастотного колебания. Вызванная активность может исказить результаты CFC. Пытались ли авторы изучать вызванную и нестимульную блокировку отдельно?
Как описано в ответ на проблему № 2, мы выбираем этот относительно необычный и новый показатель PAC, потому что он не подвержен смещению из-за фазовой синхронизации низкочастотной активности между испытаниями.Как справедливо отмечает рецензент, безрецептурный метод основан на временном увеличении HFA, которое не обязательно происходит во всех случаях PAC. Мы оценили PAC как как увеличение HFA, так и фазовую привязку HFA к фазам медленных колебаний. Учитывая это дополнительное ограничение в нашем анализе, мы полагаем, что оцениваем PAC консервативно, потому что, как отмечает рецензент, PAC не обязательно связан со сменой власти. Это становится очевидным в нашей альтернативной метрике (см. ответ на проблему № 2).Что касается вызванной активности, мы наблюдали события HFA, распределенные по всему периоду предъявления стимула (рис. 2F; рис. 3B — дополнение к рисунку 1; рис. 3C — дополнение к рисунку 1), что не согласуется с типичным представлением о вызванной стимулом активности. Мы добавили в рукопись следующий текст: «Примечательно, что этот метод может консервативно оценивать PAC, поскольку он основан на временном увеличении HFA, которое не обязательно происходит во всех случаях PAC».
2) Безрецептурные препараты нуждаются в дополнительных пояснениях в этой статье.Учитывая основные утверждения статьи, авторам следует сравнить ОТС с более устоявшимися методами ПАУ, чтобы читатель мог лучше оценить результаты. Результаты могут быть завышены выбранной метрикой.
Мы благодарим рецензента за это предложение и провели несколько анализов с этой целью. Мы рассчитали индекс модуляции (MI: Tort et al, 2009, PNAS) путем группировки амплитуды HFA (51–200 Гц; см. либо дельта (.5–4 Гц), тета (4–8 Гц), альфа (8–13 Гц) или весь диапазон низких частот (0,5–12 Гц). После анализа суррогатного контроля мы наблюдали значительный PAC в каждой полосе. В соответствии с нашими первичными результатами, при использовании этих методов PAC был наиболее заметен в дельта-диапазоне. Кроме того, величина активности гамма-диапазона была максимальной при той же фазе дельта-колебаний (180°, колебательный минимум), что и при оценке методом ОТС. Основываясь на метрике, основанной на MI, мы обнаружили, что электроды 102/167 демонстрируют значительный PAC с фазой дельта-диапазона.Тем не менее, мы обнаружили больше электродов, показывающих значительный PAC с использованием более традиционной метрики, основанной на MI, по сравнению с метрикой OTC (72/167 электродов PAC+). Мы полагаем, что это связано с тем, что, как указывает рецензент, MI не требует смены власти, в то время как OTC более консервативен в требовании смены власти.
Мы выбрали OTC, а не другие меры PAC, потому что стремились исследовать связь между PAC и фазовым кодированием, которое, как считается, зависит от точного времени и рассчитывается в отдельные моменты времени.Любая традиционная метрика PAC с временным разрешением, такая как MI (рассчитанная по испытаниям), потенциально подвержена смещению из-за фазовой синхронизации (и ее невозможно рассчитать, если фазовая синхронизация между испытаниями идеальна, потому что тогда не существует фазовой дисперсии). С другой стороны, мы не могли рассчитать PAC во времени из-за относительно коротких пробных периодов (связанных с опасениями рецензента по поводу расчета PAC на эпохальных данных). Это рассуждение побудило нас использовать метод OTC.
Кроме того, мы добавили описание анализа в дополнительные материалы и добавили следующий текст в раздел «Результаты», чтобы решить эту проблему: «В-третьих, для сравнения с предыдущими методами PAC мы повторно вычислили PAC с использованием индекса модуляции (Tort и другие., 2009) в разных низкочастотных диапазонах, снова обнаружив PAC, который был наиболее распространенным в дельта-диапазоне (рис. 2 – дополнение к рисунку 3)».
3) Имеются отчеты (Mathewson, 2009; Schyns, 2011), указывающие на то, что фазовое кодирование становится очевидным только на стадиях высокой мощности. Необходимо протестировать фазовое кодирование в зависимости от мощности, а затем оценить фазовое кодирование отдельно для испытаний с высокой и низкой мощностью. Это важно, поскольку результаты расшифровки предполагают, что только HFA может объяснить некоторые выводы.F _MAX и F _MIN должны быть указаны значения для каждого субъекта. Чтобы установить PAC как предполагаемый механизм, необходимо исключить, что ни HFA, ни низкочастотная фаза/мощность сами по себе не могут объяснить результаты.
Мы полностью согласны с рецензентом, и фактически более ранняя версия этой рукописи включала такой анализ, оценивающий категориальное декодирование с использованием низкочастотной мощности/фазы или HFA вместе с нашим подходом к оценке различий.Теперь мы включаем результаты этого анализа для примеров электродов на рис. 3. На левой панели рис. 3 — дополнение к рисунку 1 показаны временные и усредненные значения дельта-мощности/фазы или мощности HFA, а также оценки различий для каждого из них. категория. Для сравнения на правой панели показаны окна HFA для каждой категории (аналогично рис. 4). В соответствии с предыдущими работами (обзор в Watrous et al., 2015), эти примеры показывают, что некоторая категориальная информация содержится в каждом показателе.В примере с электродом на рис. 3 — дополнение к рисунку 1 лица можно хорошо отличить от других категорий на основе информации о мощности в диапазоне примерно 300–700 мс, на основе низкочастотной фазы примерно в диапазоне 100–150 мс и на основе HFA в диапазоне примерно 250 мс. -300 мс. Однако критически важно, что максимальные оценки различий фазы и HFA (например, для лиц) не перекрываются, и эти расширенные периоды DS не отображаются четко в окнах HFA (сравните с правой панелью). В этом примере лица могут быть декодированы с помощью HFA с фазовой кластеризацией (т.е. PAC) во многих моментах времени на протяжении всего периода предъявления стимула, в то время как декодирование, основанное только на низкочастотной фазе или мощности, или только на основе величины HFA, возможно только в ограниченные периоды времени. Более того, в отличие от того, что мы наблюдаем в нашем первичном анализе на основе PAC (рис. 3), категориальное декодирование для всех категорий невозможно только с помощью HFA (который в этом примере позволяет только отличить лица от не-лиц, но не между любыми другими). категории).
Другой пример показан на рис. 3 — дополнение к рисунку 2 (тот же пациент и электрод, что и на рис. 3C).В этом случае декодирование на основе PAC позволяет отделить как дома, так и сцены от всех трех соответствующих других категорий (DS на основе PAC, равное 3, для домов и сцен на рисунке 3C). Напротив, однозначное декодирование по фазе возможно только в определенные моменты времени для лиц и инструментов (левая панель на рисунке 3 — дополнение к рисунку 2), а декодирование только с помощью HFA позволяет отделить лица от трех других категорий только в короткое временное окно. в суде.
Эти примеры подчеркивают сложную взаимосвязь между каждой мерой и категориальным представлением, что, безусловно, требует дальнейшего изучения.Мы считаем, что полная характеристика этих эффектов выходит за рамки этой рукописи. Однако наши примеры ясно показывают, что некоторая категориальная информация может быть восстановлена только по низкочастотной фазе, мощности и HFA, но также демонстрируют, что дополнительную информацию можно восстановить на основе PAC.
Наконец, теперь мы наносим значения F _MAX и F _MIN для отдельных субъектов на рис. 4 — дополнение к рисунку 1.
4) Может ли распределение фазовых углов при появлении стимула иметь систематическое смещение по отношению к зрительному потоку? Чтобы исключить увлечение ритмическим потоком, авторы могли использовать ITC или фазовую синхронизацию с сенсорным потоком (например,г. Тут и др., 2011).
Мы представили предварительную оценку проблемы, связанной с фазовой синхронизацией, в предыдущем рисунке 3 — приложении 1 к рисунку (теперь рисунок 3 — приложение 3 к рисунку). На этом рисунке показана доля электродов со значительной фазовой синхронизацией исключительно для каждой из четырех категорий в зависимости от времени и частоты. Мы находим доказательства того, что в наших записях есть некоторая избирательная фазовая блокировка по категориям. Важно отметить, что наши результаты PAC были самыми сильными в дельта-диапазоне с использованием методов OTC и MI (Tort et al., 2009, PNAS) и, таким образом, поддерживают некоторый уровень визуального увлечения предъявлением стимула, как описано в разделе «Обсуждение». Однако в целом только относительно небольшое количество электродов показало фазовую кластеризацию, специфичную для категории (5 процентов всех электродов для всех категорий, кроме инструментов, где 16 процентов показали фазовую кластеризацию), в то время как декодирование каждой из этих категорий на основе PAC было возможно в более чем в два раза больше электродов (от 12 до 17 процентов всех электродов имели разницу в 3 балла для каждой из четырех категорий).Опять же, это показывает, что декодирование на основе PAC нельзя объяснить только синхронизацией по фазе.
5) Основной проблемой является использование вейвлетов для выделения фазы колебаний. Вейвлеты представляют собой акаузальный подход к определению фазы сигнала, поскольку предполагается лежащее в основе колебание. Это приводит к частотному, но также и к фазовому сглаживанию, т.е. что переходная ERP загрязняет оценки фазы перед стимулом из-за обратного «размазывания». Статья выиграла бы от причинно-следственного подхода. Пожалуйста, обратитесь к Zoefel and Heil (2013, FIPSY).
Мы согласны с тем, что извлечение фазы сигнала с помощью вейвлетов потенциально может привести к сглаживанию фазы, основанному на предположении о лежащих в основе колебаниях, но считаем, что некоторые соображения говорят против такого эффекта, искажающего наши результаты. Во-первых, визуальное сравнение необработанных сигналов и извлеченных фаз (с использованием вейвлетов) не выявило систематического сдвига в оценках фаз (например, рисунок 3А). Что еще более важно, мы напрямую проверили предположение об основных колебаниях, удостоверившись, что все электроды PAC+ демонстрируют пик в спектре мощности модулирующего сигнала на той же частоте, что и необработанный сигнал.В-третьих, учитывая, что мы не смотрим исключительно на вызванную активность, вероятность того, что ERP «обратно размывает» наши фазовые оценки, теоретически сведена к минимуму. Наконец, такое фазовое сглаживание может привести к равномерно распределенным (т. е. фон Мизеса) фазам, что противоположно тому, что мы обнаружили при расчете фазовой кластеризации (с использованием оценок фазы, извлеченных вейвлетом) на электродах PAC+. Эти соображения привели нас к использованию вейвлетов, потому что они использовались в первоначальной реализации OTC Дворжаком и Фентоном.
6) Балл разницы вводится во втором абзаце подраздела «ВПД происходит на разных фазах для разных категорий» и требует предварительного пояснения. Схема для OTC и DS была бы предпочтительнее.
Следуя этому полезному комментарию, мы добавили блок-схему как для метода OTC, так и для метода DS, как рисунок 1 — дополнение к рисунку 1.
7) Отводились ли фаза и мощность от одного и того же электрода? Был ли PAC рассчитан по эпохальным данным? И то, и другое может привести к ложным выводам.
Фаза и мощность были извлечены на одном и том же электроде, потому что нас интересовало, как категориальное представление через фазу может происходить локально. Математически фаза и мощность независимы. На практике, однако, они зависят от синхронизации нейронных комплексов поблизости от записывающего контакта и, таким образом, являются взаимозависимыми (например, высокая синхронизация приведет к устойчивой оценке фазы и, вероятно, к высокой фазовой синхронизации между попытками, но также и к высокой мощности). В этом исследовании у нас не было реальной возможности использовать разные электроды, потому что основной целью было сначала оценить PAC, который в первую очередь характеризовался как локальное явление.Хотя в некоторых сообщениях указывается, что информация может быть представлена между электродами (Canolty et al., 2010 PNAS; Majima et al., 2014 Neuroimage), мы считаем, что это самый простой способ понять фазовое кодирование. Кроме того, наши новые результаты оценки различий, основанные на низкочастотной мощности и низкочастотной фазе (см. рис. 3 — дополнение к рисунку 1 и рис. 3 — дополнение к рисунку 2), показывают независимое декодирование по фазе и мощности, что противоречит идее о том, что эти два показатели сильно взаимосвязаны.PAC рассчитывался для конкатенированных эпох данных с отклоненными артефактами с использованием методов OTC, как описано Dvorak and Fenton, 2014. Наш анализ не включал события HFA, обнаруженные вблизи границы конкатенации, и поэтому мы наблюдали аналогичные результаты при расчете OTC для неэпохированных или эпохальных, но объединенные данные (пример взят из рисунка 2 — приложение к рисунку 1, пациент № 4, результаты).
8) Почему авторы анализировали только частотный спектр до 120 Гц? Часто признаки ГГ на ЭКоГ начинаются только с частоты 100 Гц, а затем доходят до 250 Гц.
Мы решили проанализировать спектр до 120 Гц, чтобы избежать возможных искажений, связанных с эпилепсией, таких как патологическая «быстрая пульсация» (выше 150 Гц; Staba et al, 2007, Epilepsia; Menendez de la Prida et al, 2015, Журнал клинической нейрофизиологии). 120 Гц также было верхней границей частоты, используемой Дворжаком и Фентоном в оригинальной статье, описывающей безрецептурные препараты, и в нескольких других работах, посвященных изучению ПАУ у людей, аналогичные частоты среза были равны или ниже 150 Гц (Canolty et al., 2006, Наука; Lega et al., 2014, кора головного мозга; Voytek et al., 2015, Nature Neuroscience). Учитывая, что точная взаимосвязь между нормальным/патологическим HFA и когнитивными функциями остается неясной, мы посчитали наиболее важным придерживаться консервативного подхода к этому вопросу, хотя мы не оспариваем другие исследования, обнаружившие высокие эффекты гамма/HFA на более высоких частотах.
Также отметим, что аналогичные результаты мы получили при использовании индекса модуляции с «полным» частотным диапазоном гаммы (50-200 Гц).Исходя из этих причин, мы предлагаем сохранить исходный диапазон частот. Тем не менее, мы готовы провести этот дополнительный анализ, если рецензент сочтет это необходимым.
9) Регистрировались ли движения глаз у кого-либо из испытуемых? Авторы утверждают, что это маловероятный источник артефактных данных, но данные отслеживания глаз были бы более убедительными.
Мы проинструктировали пациентов не сводить глаз с фиксационного креста между стимулами, чтобы свести к минимуму любые эффекты, связанные с движениями глаз.К сожалению, электроокулограммы/айтрекеры плохо переносятся пациентами, которые уже испытывают головной дискомфорт, связанный с имплантацией электродов. Таким образом, данные о движениях глаз не собирались систематически в этом исследовании, и, таким образом, движения глаз являются потенциальной путаницей, которую мы не можем полностью исключить (Kovach et al., 2011, Neuroimage). Однако даже при рассмотрении сценария, в котором некоторые из наших событий HFA были связаны с движениями глаз, из этого не обязательно следует, что: 1) эти события HFA должны показывать активность с синхронизацией по фазе и 2) также являются диагностическими для категории изображения.Кроме того, движения глаз происходят преимущественно в определенные моменты времени, в частности около 200 мс, где они могут объяснять очевидные индуцированные реакции гамма-диапазона, в то время как PAC в нашем исследовании происходил широко на протяжении всей фазы предъявления стимула (рис. 2 — дополнение к рисунку 2). ).
Рецензент №2:
1) Анатомия: хотя авторы приводят доказательства PAC и фазового кодирования визуальных категорий, их выводы не ссылаются на функциональную нейроанатомию.Сайты записи по предметам происходят из самых разных регионов; это кажется мне проблемой при интерпретации специфического кодирования визуальных категорий. Дополнительный фильм предполагает, что ряд отдаленных областей, обычно не связанных со зрением более высокого уровня, демонстрируют некоторую степень фазового кодирования/представления визуальных категорий. Это кажется несовместимым с предыдущей работой по электрофизиологии и функциональной визуализации (которая не цитируется и не обсуждается в деталях). В связи с этим разнообразие мест записи также делает использование статистики подсчета несколько произвольным.Процент электродов, демонстрирующих интересующий эффект, может иметь одинаковое значение для больших или малых процентов (например, низкий % для анатомически специфического эффекта или высокий % для тривиального общего эффекта). Авторы должны пояснить, почему макромасштабное фазовое кодирование существует для визуальных категорий во многих областях коры, а не сосредоточено на более классических областях категориальной избирательности.
Мы благодарим рецензента за это замечание и добавили следующий абзац в Обсуждение: «Интересно, что фазовое кодирование категориальной информации распространилось за пределы областей мозга, связанных со зрением более высокого порядка.[…] Тем не менее, наши выводы согласуются с предыдущей работой (Zhang et al., 2014; Majima et al., 2014; Yaffe et al., 2014), в которой были обнаружены пространственно-распределенные репрезентации, специфичные для контента».
2) Задание/расшифровка: В своем задании авторы представляют только четыре экземпляра для каждой категории, повторяя каждый по 33 раза (если я правильно понял). Хотя это может способствовать мнемоническому кодированию, оно ограничивает претензию на категориальное декодирование. В частности, при разработке декодера категорий большое количество повторений стимула ограничивает понимание, учитывая сходство между любым обучающим и тестовым набором.
Мы согласны с рецензентом в том, что повторение каждого экземпляра (4 экземпляра из 4 категорий; всего 16 изображений, повторенных по 30 раз каждое) ограничивает возможность обобщения наших результатов на другие стимулы в этих категориях. Подобные компромиссы между обобщаемостью и статистической выборкой/мощностью являются распространенной проблемой в этой области, не имеющей согласованного решения. Мы выбрали этот дизайн, чтобы максимизировать шансы выявления ответов, выборочных по категориям, при этом гарантируя, что эти ответы можно обобщить для нескольких образцов.Мы добавили следующий текст, относящийся к этому пункту, в Обсуждение: «Еще одно предостережение заключается в том, что наши результаты свидетельствуют о категориальном фазовом кодировании, основанном на ограниченном наборе изображений. […] Последующие исследования должны проверить обобщаемость этих результатов с использованием большего количества образцов в рамках одной категории и с использованием других категорий».
В связи с этим я обнаружил, что отчеты о базовых результатах декодирования неясны (работает ли декодер выше ожидаемых уровней вероятности? > 25%).
Приносим свои извинения за отсутствие ясности в сообщении основных результатов декодирования.Да, все электроды, о которых сообщалось, что они являются значимыми, находились на уровне или выше 95-го процентиля точности случайной классификации, полученной с помощью тестирования перестановок. Мы классифицировали метку категории, связанную с каждым событием HFA, и количество событий HFA в каждой категории варьировалось в зависимости от электродов. Таким образом, эффективность случайной классификации варьировалась для разных электродов и не была зафиксирована на уровне 25%. Таким образом, мы решили сообщить о значимости, основанной на тестировании перестановок, которое учитывает разный уровень вероятности для разных электродов.Мы добавили к этому эффекту в разделе «Методы»: «Производительность классификации шансов варьируется в зависимости от электродов, потому что мы классифицировали метку категории, связанную с каждым событием HFA, и количество событий HFA в категории варьировалось в зависимости от электродов. Таким образом, мы решили сообщить о значимости на основе тестирования перестановок, которое учитывает различный уровень вероятности для разных электродов».
Учитывая цели авторов, кажется, что лучше использовать данные для количественной оценки согласованности показателей фазового кодирования при повторении стимулов, а также для сравнения внутри/между классами.Этот подход будет больше сосредоточен на извлечении признаков одного испытания и проверке сходства между повторными испытаниями (я отмечаю, что здесь вступают в игру проблемы подавления повторения). Этот подход к отображению согласованности фазового кодирования стимула предоставил бы более надежные доказательства утверждений авторов.
Нам не совсем ясно, что здесь предлагает рецензент, но мы считаем, что наш анализ, вероятно, уже включает эти идеи. Фактически наш анализ был основан на извлечении признаков единичного испытания.Мы удостоверились, что для этих функций существует согласованность внутри класса, а затем проверили, как они могут различаться между категориями. В частности, мы гарантировали, что фазы, связанные с событиями HFA (наши особенности одного испытания) для каждой категории, были согласованными путем оценки фазовой кластеризации, привязанной к началу событий HFA. Затем мы сравнили эти фазовые распределения между категориями, чтобы проверить фазовое кодирование.
Рецензент №3:
1) В Рисунок 2H , Рисунок 2 – дополнение к рисунку 1 , авторы показывают PAC «низкая гамма» и PAC «высокая гамма».Этот режим связи 32 Гц кажется поразительным, потому что вполне вероятно, что связь распространяется еще ниже этого диапазона в бета-диапазон. Утверждалось, что эта низкая гамма отличается от более «широкополосной» высокой гаммы (работа Кая Миллера и Доры Гермес), которая коррелирует со скачками численности населения (Мукамель, Наука; Мэннинг, Дж. Нейроски), в отличие от низкой гаммы, которая является более колебательным. Таким образом, низкий гамма-эффект может быть скорее формой «вложенной» связи, как утверждала Нэнси Копелл.
Мы благодарим рецензента за этот содержательный комментарий.Мы согласны с тем, что наши результаты могут подразумевать несколько различных «режимов связи», возможно, с различными формами узкополосной (низкочастотной) или широкополосной (высокочастотной) гаммы. Мы рассматриваем это как плодотворное направление для будущих исследований и добавили соответствующий текст в Обсуждение: «Аналогичным образом, наши результаты, показывающие PAC на различных фазах и частотах (Maris et al., 2011; van der Meij et al. , 2012), особенно около 32 Гц, может отражать форму «вложенной связи» (Kopell et al., 2010), отличной от «широкополосной» высокой гаммы, которая, как предполагается, отражает всплеск популяции (Manning et al., 2009; Миллер и др., 2014)».
2) Наблюдается непропорциональный эффект PAC на частотах 0,5 Гц и 1,0 Гц, но с удивительной специфичностью, а не между этими двумя частотами, как показано в Рисунок 4 – приложение к рисунку 1 . Почему, по мнению авторов, это происходит, и почему они считают, что их эффекты PAC настолько ограничены этим дельта-диапазоном, в отличие от того, что другие наблюдали на ЭКоГ?
Мы согласны с тем, что этот результат несколько удивителен, и предприняли несколько попыток исключить тривиальные интерпретации, основанные на обработке сигналов.Сначала мы хотели удостовериться, что результаты не связаны с 1/f-характером сигнала, и исключили эту учетную запись на основании того факта, что на частотах 0,5 и 1 Гц имеются отчетливые пики, а не плавный спад с увеличением частоты. . Мы также обнаруживаем самые сильные эффекты PAC в дельта-диапазоне с использованием индекса модуляции (Tort et al., 2009) и, таким образом, можем исключить возможность того, что наш сравнительно новый аналитический метод (OTC) повлиял на этот результат. Тем не менее, мы также наблюдали значительную связь с тета- и/или альфа-фазой.
Учитывая это, мы доверяем наблюдаемым нами дельта-эффектам и полагаем, что эти результаты могут объясняться несколькими факторами. Во-первых, наши предъявления стимулов происходили в дельта-диапазоне (с некоторым дрожанием) и, следовательно, могли частично задействовать зрительную систему. Во-вторых, в литературе преобладают результаты PAC с использованием фаз в заранее определенной полосе частот. Обычно это активность тета-диапазона, в значительной степени мотивированная находками у грызунов. Недавние данные свидетельствуют о том, что ближайшим аналогом тета-колебаний грызунов на самом деле являются человеческие дельта-колебания (Watrous et al., 2013; гиппокамп; Jacobs et al., 2014, Philosophical Transactions of the Royal Society B). Таким образом, можно предположить, что предыдущие исследования также наблюдали бы сильные эффекты PAC дельта-диапазона, если бы они учитывали эту полосу. Отметим, что одной из сильных сторон метода OTC является то, что он не требует предположений о частоте связи.
3) Насколько чувствительно определение времени событий HFA к методу фильтрации?
Как описано выше (обозреватель 1, комментарий 2), мы рассчитали PAC с использованием индекса модуляции и получили сопоставимые результаты.Таким образом, идентификация PAC посредством обнаружения событий HFA и точного метода фильтрации, по-видимому, не оказывает заметного влияния на наши первичные выводы. Это хорошо согласуется с предыдущей литературой (van Vugt et al., 2007, Journal of Neuroscience Methods). В конечном итоге мы использовали вейвлеты, основанные на методе OTC, в котором авторы подробно обсуждают важность различных параметров фильтрации (Dvorak and Fenton, 2014, Journal of Neuroscience Methods).
4) Что касается выбора электродов, неясно, почему следует использовать электроды только в контралатеральном полушарии.Зачем систематически отвергать все полушарие (за исключением одного субъекта, как ни странно), если вы все равно визуально проверяете каналы на наличие эпилептической активности? Кроме того, каково медицинское обоснование имплантации пациентам электродов в предположительно здоровое полушарие?
Чтобы избежать влияния на наши результаты эпилептических артефактов, мы использовали чрезвычайно консервативный подход, анализируя только электроды, полученные из контралатерального полушария, и впоследствии проверяя эти электроды вручную на наличие остаточной эпилептической активности.Что касается медицинского обоснования, хирурги обычно имплантируют электроды с двух сторон, когда есть неопределенность в отношении зоны начала припадка. На самом деле, это основная причина для выполнения этих имплантаций, и диагноз пораженного полушария ставится спустя много времени после имплантации, часто после того, как мы провели наши эксперименты. Классификация полушарий (патологические и здоровые) основывалась на результатах дооперационной диагностики, а также на клинической оценке внутричерепных записей.Эти решения принимаются исключительно на основании клинических соображений, и ни один из авторов этого исследования не участвовал в этом процессе.
Комментарии к статистике:
1) Критерий Уотсона-Вильямса предполагает распределение фон Мизеса. Верно ли это для изучаемых здесь дистрибутивов? Если нет, используйте тест Уилера-Уотсона.
Мы полностью согласны с рецензентом. В нашей реализации теста Ватсона использовался идентичный код, следующий за Rizzuto et al (2006, Neuroimage), который находится в открытом доступе на веб-сайте Майка Каханы.Этот метод явно проверяет предположение о распределениях фон Мизеса путем вычисления и сравнения круговой дисперсии каждого распределения. В ситуациях, когда распределения не имеют одинаковых дисперсий, тест модифицируется в соответствии с Фишером (1993).
2) Для статистики повторной выборки: изображения были показаны группами по четыре, но передискретизация, похоже, использует случайную перестановку. Повторная выборка должна выполняться таким образом, чтобы метки для «фрагментов» перетасовывались, но внутри этих 4-х пробных фрагментов метки должны оставаться прежними.Это будет контролировать любой эффект этого фрагментирования.
Приносим извинения за путаницу, которая, вероятно, возникла из-за нашей подписи к Рисунку 1. Изображения были представлены в псевдослучайном порядке, а не «кусками». Таким образом, наше перестановочное тестирование уместно. В подпись к рисунку мы добавили текст, указывающий на псевдослучайный порядок представления изображений.
3) Существуют ли существенные различия между категориями? Сколько электродов имеют категорию с DS=3?
Мы не уверены, что рецензент имеет в виду под «неподвижным» в этом контексте, но 49 из 63 электродов, показывающих PAC и фазово-кластеризованные события HFA для каждой из 4 категорий, имели по крайней мере одну категорию с DS = 3.
4) Было бы неплохо также получить оценку размера эффекта везде, где указано p-значение.
Теперь мы включаем величины эффекта для статистически значимых (любое p<0,05) эффектов, которые были получены с помощью биномиального, парного t-критерия или критерия хи-квадрат. Размеры эффекта для круговых переменных кажутся более сложными; после поиска в литературе и Интернете мы не знаем о расчетах размера эффекта для круговых данных (критерий Рэлея, критерий Уотсона-Вильямса). Мы будем рады включить размеры эффекта для этих тестов, если у рецензента есть дополнительные предложения
5) Для оценок начальной загрузки SVM, являются ли два эксперимента начальной загрузки фактически независимыми, чтобы поддерживать ожидаемую частоту ложных срабатываний, равную 0.42 электрода?
Да, каждая оценка начальной загрузки выполнялась отдельно. Мы либо перетасовывали метки категорий, либо использовали фазы в случайных событиях HFA. В той мере, в какой перетасовка выполнялась 90 005 или 90 006 в испытаниях или в рамках мероприятий HFA (и никогда одновременно), мы предполагаем, что эти тесты независимы. Тем не менее, наши результаты показывают, что 17 из 19 электродов, демонстрирующих значительное декодирование по сравнению со случайными событиями HFA, также демонстрируют значительное декодирование при перетасовке пробных меток.Это указывает на то, что электрод, показывающий значительное декодирование, вероятно, покажет это по сравнению с любым из этих двух типов суррогатного тестирования.
Общие комментарии:
1) Существуют ли пространственные кластеры среди электродов, которые имеют фазовое кодирование для каждой из различных категорий (см. Vidal et al, 2010)?
Мы благодарим рецензента за это предложение. Мы проверили это, рассчитав среднее межэлектродное расстояние между каждой парной комбинацией электродов, которые были избирательными для определенной категории, и сравнили это с соответствующим количеством случайно выбранных электродов (с заменой).Мы повторили эту процедуру рандомизации 1000 раз, чтобы оценить распределение расстояний между электродами, которое можно было бы ожидать случайно. Как видно на изображении ответа автора 2, мы не наблюдали ни значительной пространственной кластеризации, ни значительной пространственной диффузии конфигураций электродов (темно-синие полосы между 5-м и 95-м процентилями смоделированных межэлектродных расстояний). Мы считаем, что это отсутствие кластеризации связано с тем, что мы отбирали выборочные ответы по категориям, которые выходили за рамки видения более высокого порядка, и добавили текст для этого в Обсуждение (точный текст см. Рецензент 2, комментарий 1 выше).
2) Пожалуйста, сделайте все графики фаз розы непрозрачными, как показано на рисунке 3C , чтобы мы могли видеть распределение фаз для каждой категории.
Мы соответствующим образом обновили рисунок.
3) Для этих фазовых графиков было бы неплохо видеть истинное количество высокочастотных событий активности в каждом интервале фазы.
Теперь мы включили графики, показывающие окна HFA (цветовой код фазы F _MAX) для каждой категории этих электродов на крайних правых панелях рисунка 3B — приложение к рисунку 1 и рисунка 3C — дополнение к рисунку 1.Мы решили показать их, а не гистограммы, потому что они позволяют лучше сравнивать окна HFA с временным разрешением и декодировать с использованием мощности, фазы или HFA (см. Обозреватель 1, комментарий 3).
4) Неясно, как следует интерпретировать Рисунок 3 – дополнение к рисунку 1 . Например, основной эффект в статье находится в дельта-диапазоне, но этот рисунок, кажется, показывает плохую кластеризацию дельта-фазы. Почему?
Рисунок 3 — дополнение к рисунку 1 показывает пропорцию электродов, показывающих фазовую кластеризацию по конкретной категории для каждой категории.Наибольшая доля электродов с наиболее устойчивыми эффектами находится в дельта-диапазоне при ~ 0,5 и 1 Гц (за исключением инструментов). Также стоит отметить, что, поскольку в этом анализе исследуются эффекты, специфичные для категории, любой значительный электрод, показывающий фазовую кластеризацию, будет отображаться только на любой из 4 панелей. Наконец, мы сообщаем о событиях HFA с фазовой кластеризацией для всех 4 категорий на F _MAX в 63 из 72 электродов PAC+. Таким образом, мы наблюдаем устойчивую фазовую кластеризацию в дельта-диапазоне, которая часто зависит от категории, и считаем, что рисунок 3 — приложение 1 к рисунку точно отражает этот вывод.
https://doi.org/10.7554/eLife.07886.019
Патент США на устройство обработки данных для приема и декодирования слов, в котором данные кодируются с помощью инверсии фазы или без инверсии фазы сигнала заданной частоты. Патент (Патент № 4,295,207, выдан 13 октября 1981 г.)
ПЕРЕКРЕСТНАЯ ССЫЛКА НА РОДСТВЕННЫЕ ПРИЛОЖЕНИЯ
Настоящая заявка раскрывает предмет, который раскрыт и заявлен в следующих одновременно находящихся на рассмотрении заявках:
Сер.№ 965808, поданной 4 декабря 1978 г., в настоящее время патент США. № 4 224 478 на имя Роберта Дж. Фэйи и Мартина Л. Резника, озаглавленный «ЦЕПЬ ПЕРЕДАЧИ ДАННЫХ», и переданный GTE Sylvania Incorporated и GTE Laboratories Incorporated;
Сер. № 965809, поданной 4 декабря 1978 г., в настоящее время патент США. № 4 220 825 на имя Робера Дж. Фэи, озаглавленный «КОНТРОЛЬ СОСТОЯНИЯ ТЕЛЕФОНА», переданный GTE Sylvania Incorporated;
Сер. № 965756, поданной 4 декабря 1978 г., в настоящее время патент США. Нет.4 224 602 на имя Ричарда В. Андерсона и Альфреда И. Боттнера под названием «СИГНАЛЬНОЕ УСТРОЙСТВО» и передано GTE Sylvania Incorporated;
Сер. № 973201, поданной 26 декабря 1978 г., в настоящее время патент США. № 4 220 872 на имя Роберта Дж. Фэи, озаглавленный «ЦЕПЬ ПИТАНИЯ ПОСТОЯННОГО ТОКА», переданный GTE Sylvania Incorporated;
Сер. № 973218, поданной 26 декабря 1978 г., в настоящее время патент США. № 4 225 792 на имя Роберта Дж. Фэи, озаглавленный «ЦЕПЬ ДЕТЕКТОРА» и переданный GTE Sylvania Incorporated;
Сер.№ 75782, поданной 17 сентября 1979 г. на имя Ричарда Л. Ноугла, озаглавленной «SENSING APPARATUS» и переданной GTE Laboratories Incorporated;
Сер. № 75769, поданной 17 сентября 1979 г. на имя Ричарда Л. Наугла и Уильяма Л. Геллера, озаглавленной «АППАРАТ ВЫХОДА-ВХОДА» и переданной GTE Laboratories Incorporated;
Сер. № 094 015, зарегистрированный одновременно с настоящим документом на имя Джеффри Р. Фокса, Артура Марголиса, Роба Муленбека и Мартина Л. Резника, озаглавленный «АППАРАТУРА ДЛЯ СИСТЕМЫ МОНИТОРИНГА И СИГНАЛИЗАЦИИ» и переданный GTE Laboratories Incorporated;
Сер.№ 094018, поданный одновременно с настоящим документом на имя Ричарда В. Андерсона, Дж. Эдварда Шленера и Мартина Л. Резника, озаглавленный «АППАРАТЫ ДЛЯ СИСТЕМЫ МОНИТОРИНГА И СИГНАЛИЗАЦИИ» и переданный GTE Sylvania Incorporated и GTE Laboratories Incorporated;
Сер. № 094,013, поданный одновременно с настоящим документом на имя Ричарда У. Андерсона и Дж. Эдварда Шленера, озаглавленный «АППАРАТУРА ДЛЯ СИСТЕМЫ МОНИТОРИНГА И СИГНАЛИЗАЦИИ» и переданный GTE Sylvania Incorporated;
Сер. Нет.094,012, поданный одновременно с настоящим документом на имя Роберта Дж. Фэйи и Мартина Л. Резника, озаглавленный «АППАРАТУРА КОНТРОЛЯ СОСТОЯНИЯ ТЕЛЕФОНА» и переданный GTE Sylvania Incorporated и GTE Laboratories Incorporated;
Сер. № 094 014, поданный одновременно с настоящим документом на имя Роберта Дж. Фэйи и Мартина Л. Резника, озаглавленный «АППАРАТ ДЛЯ МОНИТОРИНГА ИСПОЛЬЗОВАНИЯ ТЕЛЕФОНА» и переданный GTE Sylvania Incorporated и GTE Laboratories Incorporated;
Сер. № 094 245, поданной одновременно с настоящим документом на имя Роберта А.Норбедо и Мартин Л. Резник под названием «АППАРАТУРА ДЛЯ СИСТЕМЫ СИГНАЛИЗАЦИИ», назначенный GTE Laboratories Incorporated;
Сер. № 094 242, зарегистрированный одновременно с настоящим документом на имя Роберта Дж. Фэйи и Мартина Л. Резника, озаглавленный «АППАРАТЫ ДЛЯ СИСТЕМЫ МОНИТОРИНГА И СИГНАЛИЗАЦИИ» и переданный GTE Sylvania Incorporated и GTE Laboratories Incorporated;
Сер. № 094 016, поданной одновременно с настоящим документом на имя Ричарда У. Андерсона, Роберта Дж. Фэйи, Уильяма Р. Макклеллана и Дж.Эдвард Шленер, под названием «СИСТЕМА МОНИТОРИНГА И СИГНАЛИЗАЦИИ», назначенный GTE Sylvania Incorporated;
Сер. № 094017, поданный одновременно с настоящим документом на имя Ханса Г. Бланка и Мартина Л. Резника, озаглавленный «УСТРОЙСТВО ДЛЯ СВЯЗИ С УСТРОЙСТВОМ ОБРАБОТКИ ПО ТЕЛЕФОННОЙ СЕТИ», и переданный GTE Laboratories Incorporated;
Сер. № 094 243, зарегистрированный одновременно с настоящим документом на имя Роберта Дж. Фэи и Роберта А. Норбедо, озаглавленный «АППАРАТУРА ДЛЯ СИСТЕМЫ СИГНАЛИЗАЦИИ» и переданный GTE Sylvania Incorporated и GTE Laboratories Incorporated;
Сер.№ 094019, поданный одновременно с настоящим документом на имя Роберта Дж. Фэйи, Роберта А. Норбедо и Дж. Эдварда Шленера, озаглавленный «АППАРАТЫ ДЛЯ СИСТЕМЫ МОНИТОРИНГА И СИГНАЛИЗАЦИИ» и переданный GTE Sylvania Incorporated и GTE Laboratories Incorporated;
Сер. № 094 244, зарегистрированный одновременно с настоящим документом на имя Роберта Дж. Фэйи и Роберта А. Норбедо, озаглавленный «АППАРАТУРА ДЛЯ СИСТЕМЫ СИГНАЛИЗАЦИИ» и переданный GTE Sylvania Incorporated и GTE Laboratories Incorporated; и
Сер.№ 094 246, зарегистрированный одновременно с настоящим документом на имя Роберта Дж. Фэйи, Роберта А. Норбедо и Мартина Л. Резника, озаглавленный «СИСТЕМА ПЕРЕМЕННОГО ВРЕМЕНИ», и переданный GTE Sylvania Incorporated и GTE Laboratories Incorporated.
Следующие одновременно находящиеся на рассмотрении заявки относятся к устройству, которое может быть использовано в системе сигнализации и мониторинга по настоящему изобретению:
Сер. № 75783, поданной 17 сентября 1979 г. на имя Джеффри Р. Фокса, Артура Марголиса и Роба Муленбека, озаглавленной «УСТРОЙСТВО ПОДАЧИ ПИТАНИЯ» и переданной GTE Laboratories Incorporated; и
Сер.№ 084 976, зарегистрированный 15 октября 1979 г. на имя Уильяма Л. Геллера под названием «ПРИЕМНИК ЦИФРОВОЙ СВЯЗИ» и переданный GTE Laboratories Incorporated.
ПРЕДПОСЫЛКИ ИЗОБРЕТЕНИЯ
Настоящее изобретение относится к системе контроля и сигнализации. Более конкретно, настоящее изобретение относится к системе контроля и сигнализации, такой как система медицинского обслуживания на дому, для наблюдения за действиями людей в их собственных домах, квартирах и т. д. и для обеспечения двунаправленной связи между этими местами и централизованной связью. центр.
В последние годы, по мере старения населения в целом и увеличения числа пожилых людей в составе населения, а также в результате усиления законодательства о социальном обеспечении, направленного на удовлетворение потребностей этих лиц, возросло доверие и использование учреждений профессионального ухода, таких как больницы, дома престарелых и пенсионные центры, для обеспечения медицинского обслуживания и обслуживания этих лиц. Подавляющее большинство этих лиц содержатся и получают уход в таких учреждениях по уважительным и уважительным причинам, чаще всего для лечения медицинских проблем, требующих медицинских средств и оборудования, а также профессиональных услуг врачей, медсестер и т.п.Однако есть ряд лиц, которые в настоящее время содержатся в учреждениях без медицинских показаний. У этих людей, как правило, нет семьи или друзей, которые могли бы о них позаботиться, или они не желают навязывать или обременять такую семью или друзей и готовы пожертвовать некоторой степенью независимости ради безопасности и свободы от беспокойства, беспокойства и одиночества, которые могут предоставить учреждения. предоставлять. Поэтому было признано, что если могут быть предоставлены альтернативы помещению в лечебное учреждение, особенно для тех лиц, которые не нуждаются в постоянном или постоянном стационарном внимании или наблюдении, при обеспечении существенной степени безопасности и независимости для этих лиц, предпочтительно в их собственных домах, нагрузка на систему стационарного ухода может быть снижена, что приведет к снижению затрат на здравоохранение.Любые такие альтернативы, которые давали бы такие же результаты для людей, не являющихся пожилыми, таких как молодые инвалиды, инвалиды или немощные взрослые, также имели бы эффект улучшения качества жизни таких людей и, в то же время, ухудшения здоровья. затраты на уход.
До сих пор было предложено множество устройств и систем, предназначенных для решения проблем, описанных выше. Одна такая система, разработанная в Швеции, описана в патенте США No. № 3885235 и приспособлен для пассивного наблюдения за нормальной, рутинной деятельностью человека в его собственном жилище и для выдачи тревожных состояний в случае, если эта рутинная деятельность не выполняется в течение определенного периода времени, например периода до до 24 часов.Система, описанная в патенте, включает в себя множество исполнительных устройств, которые могут быть по-разному расположены в заранее определенных зонах жилого помещения, таких как холлы, туалеты, ванные комнаты и спальни, и которые могут быть связаны с аппаратурой, которая, вероятно, приводится в действие или регулярно используется людьми. человека в течение обычного дня. Это устройство может включать в себя, например, цепи освещения, радиоприемники, телевизоры и бытовые приборы. Приведение в действие или использование любого из приводных блоков в течение указанного выше периода времени приведет к сбросу электромеханического таймера, установленного на этот период времени, и повторению его временного цикла.В случае, если ни один исполнительный элемент не приводится в действие или используется в течение периода времени, например, из-за бездействия или недееспособности человека, таймер отключается по истечении периода времени и возникает состояние тревоги, например, в виде звукового или звукового сигнала. визуальная сигнализация, выдаваемая системой, указывающая на эту ситуацию. Если состояние тревоги возникло в результате бездействия, а не недееспособности, пользователь может отключить систему с помощью главного выключателя. Главный выключатель может также использоваться для отключения системы, когда человек покидает свое место жительства на длительный период времени, например, на период времени, превышающий период времени таймера.По возвращении человека система устроена таким образом, что рутинная работа любого из приводных блоков приводит к сбросу таймера и заставляет таймер повторять свой временной цикл. Система, описанная выше, может также включать в себя переключатель сигнализации в доме для использования индивидуумом для создания условий тревоги во время чрезвычайных ситуаций, таких как неотложная медицинская помощь или несчастные случаи.
В более поздней версии системы, описанной в вышеупомянутом патенте США №
. Нет.3 885 235, известный как «Автоматическая система предупреждения (AWA)», предоставляются дополнительные функции, в том числе расположение фотоэлементной оптики, чувствительной к направлению, в ванной комнате; электронный таймер, имеющий два периода времени, а именно: короткий период времени, связанный с устройством оптики в ванной, и более длительный период времени, связанный со всеми другими исполнительными устройствами; цикл предварительной тревоги, действующий до фактического цикла тревоги, во время которого состояние тревоги может быть отменено или прервано; и удаленная передача сигналов тревоги.В этой более поздней системе признается тот факт, что большинство несчастных случаев происходит в ванной комнате. Соответственно, система устроена таким образом, что, когда человек входит в ванную комнату, фотоэлемент, чувствительный к направлению, обнаруживает этот вход и вызывает сокращение временного цикла электронного таймера до его короткого периода времени, например, около одного часа. Если человек не выходит в течение одного часа, например, из-за недееспособности или бездействия человека, будет инициирован цикл предварительной тревоги, и, если цикл предварительной тревоги не завершен или прерван человеком, фактический цикл тревоги будет инициирован по прошествии короткого периода времени (т.г., около 1/2 часа). В случае, если человек выходит из ванной в течение одного часа, фотоэлемент, чувствительный к направлению, обнаружит этот выход и заставит временной цикл электронного таймера установить или вернуться к более длительному временному циклу, например, около 8 часов. . Во время любого цикла предварительной тревоги, вызванного неиспользованием любого из исполнительных устройств в пределах места жительства человека, человек может, если он не является недееспособным, прервать или отменить цикл предварительной тревоги путем срабатывания или использования любого исполнительного устройства (которое сбрасывает таймер). чтобы не возникало фактического состояния тревоги.Тревожное состояние может быть сгенерировано локально или, при желании, передано по телефонной сети, например, в виде записанного сообщения, в центральный центр оповещения, после чего может быть предпринята попытка связи с человеком и/или отправлена или вызвана помощь. .
Еще одна система, которая была предложена ранее для пассивного мониторинга действий людей в пределах их собственного жилья и для создания соответствующих условий тревоги, описана в патенте США No. № 3 989 900.В этой системе отслеживается использование стандартного телефона. Каждый раз, когда трубка телефона снимается или снимается с держателя телефона, например, во время совершения и приема обычных телефонных звонков, таймер устанавливается на циклический цикл через заданный период времени, например, до 24 часов. , сбрасывается и повторяет свой временной цикл. Пока телефон используется в течение периода времени, установленного таймером, тревога не возникает. Если телефон не используется в течение периода времени таймера, например, из-за недееспособности или бездействия человека, создается локальная тревога, и одновременно с этим включается проигрыватель магнитной ленты для непрерывного набора множества телефонных номеров мест, где может быть оказана помощь, и передать предварительно записанное сообщение о необходимости помощи по адресу физического лица.Если тайм-аут таймера произошел из-за бездействия, а не из-за неспособности, пользователь может, в ответ на локальное состояние тревоги, прервать состояние тревоги и последовательность передачи данных (в течение периода времени около 90 секунд), просто подняв и вернув трубку обратно на держатель телефона, тем самым сбросив таймер. Эта последняя операция также может быть использована для сброса таймера в такое время, когда индивидуум планирует покинуть свое место жительства на период времени, меньший, чем предварительно определенный период времени таймера.В системе также предусмотрен активирующий переключатель для активации состояния тревоги в случае возникновения чрезвычайных ситуаций. Вышеупомянутый патент также предполагает использование высокоскоростного цифрового номеронабирателя и передатчика вместо вышеупомянутого магнитофона. В этом случае истечение времени таймера вызовет локальную тревогу, и, если последовательность сигналов тревоги не будет прервана (например, в течение 5 минут), цифровой номеронабиратель и передатчик сработают, чтобы занять телефонную линию для установления связи. с центральной станцией.Набор номера центральной станции продолжается до тех пор, пока от центральной станции не будет получен приемный сигнал, после чего на центральную станцию может быть отправлен опознавательный сигнал.
В других системах, которые были предложены ранее для того, чтобы люди могли оставаться в своих собственных домах, обеспечивая при этом соответствующую сигнализацию тревоги в аварийных или аварийных ситуациях, передатчик используется человеком для связи в различных условиях с управляющим устройством, расположенным на помещения.Передатчик, который может быть в форме небольшого переносного ручного устройства или устройства, которое можно носить в кармане или сумочке, прикреплять к одежде или носить как подвеску (например, см. патенты США №№ 4121160 и 4134108), может может использоваться человеком для связи с устройством управления в различных ситуациях, включая чрезвычайные ситуации или аварийные ситуации, для ответа на периодические контрольные сигналы или стимулы от устройства управления в качестве индикации того, что «все в порядке» (например, см. , № 3,662,111), или реагировать в пределах заранее определенных периодов времени таймера устройства.Сигналы от передатчика обычно представляют собой закодированные радиочастотные сигналы, используемые для управления схемой в устройстве управления. Активация передатчика в аварийной или аварийной ситуации или невозможность активировать передатчик в требуемое время, например, из-за недееспособности или бездействия, обычно вызывает инициацию цикла тревоги, который, если он не будет прерван или отменен пользователем, приведет к запуску последовательности сигналов тревоги для информирования других о чрезвычайной ситуации, аварии или ситуации бездействия.Последовательность сигналов тревоги может по-разному инициироваться цифровыми или магнитофонными номеронабирателями и включать одно или несколько сообщений, идентификационные данные и т. д., которые должны быть переданы, например, по телефонной сети таким организациям или отдельным лицам, как центр экстренной помощи, полиция или пожарная часть, скорая помощь, врачи, фельдшеры, спасатели, родственники, друзья или соседи. Во многих системах будут предприняты неоднократные попытки передать информацию о тревоге в центральный пункт с использованием одного или нескольких телефонных номеров, а некоторые системы могут включать операции установления связи между локальным блоком управления и центральным оборудованием и включать тестовые вызовы для определения надлежащего функционирования систем. .
Хотя различные системы, описанные выше, в определенной степени полезны для облегчения проблем одиноких людей, все они имеют серьезные недостатки и недостатки, которые ограничивают их эффективность и полезность. Как группа, например, эти системы используют простые методы обработки, обработки и передачи данных, более или менее ограниченные магнитофонным и цифровым набором номера, передачей и приемом ограниченных объемов данных и, в некоторых случаях, простым квитированием и контролем четности. -проверочные операции.Например, неизвестно, используют ли какие-либо из этих систем компьютеры, микропроцессоры и т.п., способные выполнять существенную и существенную обработку данных либо в жилых помещениях отдельных лиц, либо в центральных местах. В результате эти системы подвержены высокому уровню ложных срабатываний и проблемам с надежностью, причем эти последние проблемы особенно усугубляются в тех системах, в которых используются механические ленточные номеронабиратели, электромеханические таймеры и т.п. Таким образом, в этих системах из-за отсутствия сложной обработки данных и связи нет надлежащей гарантии, если таковая вообще имеется, что успешная и удовлетворительная передача данных, таких как условия тревоги или информация, была достигнута, так что лица, ответственные за действуя на основе этой информации, могут адекватно выполнять свои обязанности.Описанные выше системы, возможно также из-за их ограниченных возможностей обработки данных и связи, имеют ограниченные возможности по обнаружению или точному определению и различению неисправностей различных их критических компонентов, например исполнительных устройств, аппаратуры управления или телефона. линии. В этих системах неисправность их критического компонента, если предположить, что такая неисправность каким-то образом сообщена ответственному лицу (например, в результате состояния тревоги), обычно требует, чтобы обслуживающий персонал проник в дом человека и проверил все. системы или ее основной части, чтобы определить конкретный источник неисправности или неисправности.Кроме того, в тех системах, в которых используются таймеры, имеющие один или несколько переустанавливаемых периодов времени (например, одночасовой цикл посещения туалета и/или обычный 8-часовой цикл), эти временные периоды можно изменять только в пределах жилых помещений отдельных лиц, что требует дорогостоящего обслуживания. вызовы обслуживающего персонала для внесения изменений. Изменение периодов таймера только в местах проживания отдельных лиц также может привести к увеличению вероятности взлома этими лицами.
В дополнение к упомянутым выше общим недостаткам и недостаткам, системы, описанные выше, имеют другие и более конкретные недостатки и недостатки, которые ограничивают их эффективность и полезность в домашних медицинских условиях.Например, в шведских системах несколько исполнительных устройств и аварийные выключатели жестко подключены к блокам управления. Эта операция жесткой проводки делает установку этих систем сложной, трудоемкой и дорогой. Кроме того, при использовании нескольких различных «пассивных» исполнительных устройств шведские системы не используют общедоступный и часто используемый в большинстве жилых помещений пассивный исполнительный элемент, а именно телефон. Хотя системы, описанные в патенте США No. № 3 989 900 в качестве пассивного исполнительного устройства используется телефон, никакие другие пассивные исполнительные устройства не используются, что снижает объем контроля за действиями физических лиц.Кроме того, для сброса таймера в блоке управления используются только переходы телефона «вкл/трубка» в «выкл/трубка». Таким образом, при завершении телефонного разговора переход от снятия трубки к положенной трубке, возникающий в результате того, что человек кладет трубку на подставку телефона, не приводит к сбросу таймера, что, вероятно, приводит к увеличению частоты тревог системы. . В случае систем, использующих РЧ-передатчики для передачи сигналов тревоги или реагирования на заданные проверочные сигналы, эти системы также не используют пассивные исполнительные устройства и тем самым имеют меньший объем контроля за действиями людей и, следовательно, меньшую эффективность.
КРАТКАЯ СУЩНОСТЬ ИЗОБРЕТЕНИЯ
В соответствии с настоящим изобретением предусмотрено устройство обработки данных для приема и обработки закодированных слов в такой системе, как домашняя система медицинского обслуживания, как описано выше. Каждое закодированное слово, принятое и обработанное устройством обработки данных, последовательно включает в себя опорный бит, начальный бит и дополнительные биты. Различные биты кодируются в пределах соответствующего количества битовых периодов заранее определенным количеством циклов сигнала заранее определенной частоты.Стартовый бит инвертируется по фазе по отношению к фазе опорного бита для представления первого логического значения, и каждый из дополнительных битов либо инвертируется по фазе, либо не инвертируется по фазе по отношению к предыдущему биту, таким образом, чтобы представить первое логическое значение. логическое значение или второе логическое значение соответственно.
Устройство обработки данных в соответствии с изобретением включает в себя первое устройство выборки, предназначенное для взятия последовательных выборок каждого слова, полученного на входном терминале.Устройство сравнения работает для сравнения выборок, взятых первым устройством выборки, с частотными данными, представляющими сигнал заданной частоты и, по меньшей мере, одну ее аппроксимацию. Первое устройство работает, когда выборки, созданные первым устройством выборки, сравниваются с частотными данными устройства сравнения для создания условия, указывающего на прием опорного бита. Второе устройство работает в соответствии с вышеупомянутым условием, созданным первым устройством, и когда последующие выборки, созданные первым устройством выборки, не сравниваются с частотными данными устройства сравнения, инвертируют упомянутые выборки.Устройство компаратора дополнительно работает для сравнения инвертированных выборок с частотными данными. Четвертое средство работает, когда инвертированные выборки сравниваются с частотными данными устройства сравнения, чтобы создать условие, указывающее инверсию фазы, соответствующую начальному биту слова выборки.
Стартовое устройство работает в соответствии с вышеупомянутым условием, созданным третьим устройством, чтобы установить счет, представляющий заданный период времени, истечение которого соответствует заранее определенной точке в следующем битовом периоде, следующем за начальным битовым периодом.Второе устройство выборки предназначено для изменения счета, установленного устройством запуска, и по истечении заданного периода времени для последовательной выборки слова на входе. Четвертое устройство работает для каждого последующего битового периода, следующего за начальным битовым периодом, чтобы установить счет, представляющий вышеупомянутый предварительно определенный период времени, истечение которого соответствует заранее определенной точке в следующем битовом периоде. Вышеупомянутое второе устройство выборки дополнительно изменяет счет, установленный четвертым устройством, и по истечении заданного периода времени выполняет последовательные выборки слова на входе.
Пятое устройство размещается для каждого битового периода, следующего за начальным битовым периодом, и после установления четвертым устройством каждого счета, представляющего заданный период времени, для определения фазы бита в предыдущем битовом периоде относительно опорной фазы . Если фаза бита отличается от опорной фазы, пятое устройство инвертирует выборки, взятые вторым устройством выборки. Если фаза бита совпадает с опорной фазой, выборки, взятые вторым устройством дискретизации, не инвертируются пятым устройством.Устройство компаратора дополнительно действует после каждого определения пятым устройством сравнения инвертированных или неинвертированных выборок пятого устройства с частотными данными. Шестое устройство работает, если инвертированные или неинвертированные выборки пятого устройства в каждом битовом периоде, следующем за начальным битовым периодом, сравниваются с частотными данными компаратора для получения выходного сигнала второго логического значения. Седьмое устройство работает, если инвертированные или неинвертированные выборки пятого устройства в каждом битовом периоде, следующем за начальным битовым периодом, не сравниваются с частотными данными устройства сравнения, чтобы инвертировать выборки.Устройство сравнения дополнительно сравнивает инвертированные выборки седьмого устройства с частотными данными. Восьмое устройство срабатывает, если инвертированные выборки седьмого устройства сравниваются с частотными данными устройства сравнения для получения на выходе первого логического значения.
КРАТКОЕ ОПИСАНИЕ ЧЕРТЕЖА
Различные задачи, особенности и преимущества системы контроля и сигнализации в соответствии с настоящим изобретением будут рассмотрены в подробном обсуждении в сочетании с прилагаемыми чертежами, на которых:
РИС.1 представляет собой схематическую блок-схему системы мониторинга и сигнализации в соответствии с настоящим изобретением.
ПОДРОБНОЕ ОПИСАНИЕ ИЗОБРЕТЕНИЯ
Настоящее изобретение подробно описано в одновременно рассматриваемой заявке на патент Сер. № 094017, поданной 14 ноября 1979 г. на имя Ханса Г. Бланка и Мартина Л. Резника, такая заявка разрешена, а пошлина за выпуск уплачена. Следующие части этой одновременно находящейся на рассмотрении заявки включены сюда в качестве ссылки:
(а) ФИГ.2-66 и их соответствующее краткое описание под заголовком «КРАТКОЕ ОПИСАНИЕ ЧЕРТЕЖЕЙ»; и
(b) Полная часть описания, следующая за заголовком «ДЕТАЛЬНОЕ ОПИСАНИЕ ИЗОБРЕТЕНИЯ».
Однократное декодирование бистабильного восприятия на основе разреженной неотрицательной тензорной декомпозиции
Изучение нейронных коррелятов спонтанного чередования в восприятии, вызванного бистабильными зрительными стимулами, перспективно для понимания механизма нейронной обработки информации и нейронной основы зрительного восприятия и перцептивное принятие решений.В этой статье мы разрабатываем метод разреженной неотрицательной тензорной факторизации (NTF) для извлечения признаков из потенциала локального поля (LFP), собранного из средней височной (MT) зрительной коры макаки, для декодирования ее бистабильной структуры. -восприятие от движения (SFM). Мы применяем подход извлечения признаков к многоканальному частотно-временному представлению внутрикорковых данных LFP. Преимущества подхода к извлечению разреженных признаков на основе NTF заключаются в его способности давать компоненты, общие для пространственной, временной и частотной областей, но различающиеся в разных условиях без предварительного знания различающих частотных диапазонов и временных окон для конкретного субъекта.Мы используем классификатор машин опорных векторов (SVM), основанный на характеристиках компонентов NTF, для однократного декодирования сообщенного восприятия. Наши результаты показывают, что, хотя другие полосы также обладают определенной различимостью, признак гамма-полосы несет наиболее различительную информацию для бистабильного восприятия, и что наложение ограничений разреженности на неотрицательную тензорную факторизацию улучшает извлечение этого признака.
1. Введение
Вопрос о коре является центральным значение для многих проблем когнитивной нейробиологии.Чтобы ответить на этот вопрос, одна важная экспериментальная парадигма состоит в том, чтобы отделить восприятие от визуального. входы с использованием бистабильных стимулов. Изучение бистабильного восприятия имеет большое значение. перспектива для понимания нейронных коррелятов зрительного восприятия [1]. Пиковая активность широко изучался в исследованиях мозга, чтобы определить взаимосвязь между перцептивными отчеты при неоднозначной зрительной стимуляции в средней височной области (MT) макаки [2, 3]. Тем не менее, пиковые данные, полученные с помощью стандартных нейрофизиологических методов предоставляют информацию только о выходах небольшого числа нейронов внутри данной области мозга.Потенциал локального поля (LFP) в последнее время привлек повышенное внимание к анализу активности популяции нейронов [4, 5]. Считается, что LFP в значительной степени возникают в результате дендритной активности локальных популяций нейронов и преобладают возбуждающие синаптические входы в корковую область, а также внутрирегиональная локальная обработка. Исследование корреляций между отчеты о восприятии и колебания LFP во время физически идентичных, но неоднозначные условия восприятия могут пролить новый свет на механизм обработка нейронной информации и нейронная основа зрительного восприятия и перцептивное принятие решений.
Одним из важных направлений исследований в области нейробиология изучает ритмическую активность мозга при выполнении различных задач. Например, обнаружено, что бета- и мю-диапазоны связаны с десинхронизация, связанная с событием, и гамма-диапазон связан с связанная с событием синхронизация для двигательных и двигательных воображаемых задач [6, 7], и что гамма-диапазон также связаны с памятью и вниманием [4, 8]. Колебания мозга для бистабильных перцептивных дискриминацию, с другой стороны, нелегко отличить, и она остается в значительной степени неизвестно, какая полоса является наиболее различительной для бистабильного восприятия.В соответствии с недавней литературой, в этой статье мы обнаруживаем, что гамма колебание является особенно дискриминативным для различения различных восприятия. Для нейробиологических временных рядов основные процессы часто нестационарный. Чтобы выявить временную структуру LFP, спектр LFP на часто анализируется определенное время и частота. Например, кратковременный Преобразование Фурье (STFT) предоставляет средства совместного частотно-временного анализа путем применение движущихся окон к сигналу и преобразование сигнала Фурье в каждом окне [9].С технологическим прогрессом, многоканальностью интракортикальные записи становятся доступными в настоящее время, и они обеспечивают новые возможности для изучения того, как популяции нейронов взаимодействуют, чтобы произвести определенный перцептивный результат. Однако разные каналы LFP могут записывать не только активность мозга коррелирует с восприятием, но также и с фоновой текущей активностью это не связано с восприятием. Представляет интерес декомпозиция многоканального изменяющийся во времени спектр LFP на несколько компонентов с различными модальностями в пространственной, временной и частотной областях, чтобы идентифицировать среди них компоненты общие для разных областей и в то же время дискриминационные для разные условия.
Традиционные методы двусторонней декомпозиции включают анализ основных компонентов (PCA), анализ независимых компонентов (ICA) и линейный дискриминантный анализ (LDA), которые извлекают признаки из двусторонние данные (матрицы) путем разложения их на разные факторы (модальности) на основе ортогональности, независимости и различимости соответственно. Однако все PCA, ICA или LDA представляют данные целостным образом с их факторы как аддитивно, так и субтрактивно в сочетании.Для двустороннего разложения неотрицательных матриц данных интуитивно понятно допускать только неотрицательные факторы для достижения легко интерпретируемого представления данных на основе частей. Такой подход называется неотрицательной матричной факторизацией (НМФ) [10, 11]. В практических приложениях часто существуют многосторонние данные (тензоры) с тремя или более модальностями. если двусторонний в этих обстоятельствах следует использовать подходы декомпозиции, тензоры сначала преобразовать в матрицы, развернув несколько модальностей.Тем не мение, такое развертывание может привести к потере некоторой информации, характерной для развернутых модальностей. и усложнить интерпретацию разложенных компонентов. Следовательно, чтобы получить более естественное представление исходной структуры данных, это рекомендуется использовать подходы тензорной декомпозиции для факторизации многосторонних данных. Типичными моделями тензорной факторизации являются модели PARAFAC и TUCKER [12–14]. Их отличие заключается в что модель TUCKER допускает взаимодействие внутри каждой модальности, в то время как Модель PARAFAC нет.Модель PARAFAC часто используется благодаря двум преимуществам. он обладает. Во-первых, это самая простая и экономичная многоходовая модель. и, следовательно, оценка его параметров проще, чем у всех других многоходовых модели. Во-вторых, он может добиться уникальной тензорной декомпозиции вплоть до тривиальной перестановка, изменение знака и масштабирование до тех пор, пока выполняется несколько слабых условий. удовлетворены [15, 16]. В неврологии приложений модель PARAFAC использовалась для анализа трехстороннего пространственно-временно-частотное представление данных ЭЭГ [17, 18].Однако исходная модель PARAFAC не предполагает неотрицательные ограничения на его факторы. В результате в ряде случаев оценочную модель PARAFAC для неотрицательных тензорных данных может быть трудно интерпретировать. Неотрицательная тензорная факторизация (NTF), как следует из ее названия, накладывает неотрицательное ограничение на каждую модальность и является более подходящим для разложения неотрицательных тензорных данных. На самом деле, NTF широко используется в различных областях, начиная от хемометрики, анализа изображений, обработки сигналов и заканчивая неврология [19–25].Например, в [23] модель PARAFAC с неотрицательные ограничения использовались для декомпозиции многоходовой межпробной фазы когерентность (ITPC), определенная в [26], что является средним значением нормализованного пространственно-временного частотного представления данные по испытаниям. Однако для однократного декодирования функции должны быть извлекаются из каждого отдельного испытания, и, следовательно, ITPC не может использоваться. Это достойно упомянуть, что возможны расходы, связанные с введением неотрицательные ограничения на модель PARAFAC, а именно потеря уникальности в разложении [27].Тем не менее, ограничения разреженности могут быть применены улучшить уникальность неотрицательно ограниченного PARAFAC декомпозиция и, что примечательно, ограничения разреженности могут улучшить представление данных на основе частей [28, 29].
В этой статье мы разрабатываем разреженный метод на основе NTF для извлекать признаки из ответов LFP для декодирования бистабильного восприятие структуры из движения (SFM). Мы применяем извлечение признаков подход к многоканальному частотно-временному представлению интракортикальной ЛФП данные, собранные из области зрения МТ у обезьяны-макаки, выполняющей SFM задача, направленная на выявление компонентов, общих в пространстве, времени и частотных областях и в то же время различать разные условия.Чтобы определить лучший диапазон LFP для бистабильного восприятия дискриминации, мы сначала кластеризуем каждый компонент NTF, используя K -средних алгоритм кластеризации на основе его частотной модальности, который измеряет спектральный характеристики компонента, а затем использовать машины опорных векторов (SVM) классификатор для декодирования восприятия обезьяны на основе одной попытки для определить различимость каждого кластера. При этом мы обнаружили что, хотя другие диапазоны также обладают определенной различимостью, гамма-диапазон функция несет наиболее различительную информацию для бистабильного восприятия, и что накладывает ограничения разреженности на неотрицательный тензор факторизация улучшает извлечение этого признака.Остальная часть бумаги организован следующим образом. В разделе 2 мы сначала представляем экспериментальную парадигму а затем ввести разреженный подход NTF, алгоритм кластеризации K -means, и классификатор SVM. В разделе 3 мы исследуем применение Подход на основе NTF для декодирования бистабильного восприятия SFM. Наконец, раздел 4. содержит выводы.
2. Материалы и методы
2.1. Субъекты и нейрофизиологические записи
Электрофизиологические записи были выполнены в здоровый взрослый самец макаки-резус.После завершения поведенческого тренинга были имплантированы затылочные регистрирующие камеры и произведена трепанация черепа. Внутрикортикальные записи проводились с помощью многоэлектродной матрицы, в то время как обезьяна рассматривала стимулы структуры из движения (SFM), которые состояли из ортогональная проекция прозрачной сферы, покрытой случайным образом распределенные точки по всей его поверхности. Стимулы чередуются в течение всего периода презентации, придающей вид трехмерной структуры.То обезьяна была хорошо обучена и должна была указать направление вращения (по часовой стрелке или против часовой стрелки), нажав на один из двух рычагов. Правильные ответы для стимулов, определяемых несоответствием, были подтверждены применением жидкости награда. В случае полностью неоднозначных (бистабильных) стимулов, когда стимулы может быть воспринят одним из двух возможных способов, и правильный ответ не может быть внешне определенная, обезьяна была вознаграждена случайностью. Анализируются только испытания данных, соответствующие бистабильным стимулам. бумага.Местом регистрации служила средняя височная область (MT) обезьяны. зрительная кора, которая обычно связана с обработкой зрительных движений. ЛФП был получен путем фильтрации собранных данных в диапазоне от 1 до 100 Гц.
2.2. Разреженная неотрицательная тензорная факторизация
В [11] два алгоритма с обновлением мультипликативных факторов были предложены для решения проблемы NMF. Один алгоритм основан на минимизации квадрата ошибки, а другой основан на минимизации обобщенная дивергенция Кульбака-Лейблера (КЛ).Эти алгоритмы были распространены на задача NTF с использованием модели PARAFAC в [21]. Ограничения разреженности, первоначально предложенные для NMF [28, 29] также могут быть включены в NTF для повышения уникальности PARAFAC с неотрицательными ограничениями декомпозиция и улучшение представления данных на основе частей. в В статье мы сосредоточимся на разреженном алгоритме NTF, основанном на неотрицательном и модель PARAFAC с разреженными ограничениями и минимизация обобщенного KL расхождение.Налагаемые ограничения разреженности аналогичны ограничениям из [28].
Обозначим N -сторонний тензор с индексами . Пусть представляют элемент с . Предположим, что модель PARAFAC разлагает тензор на компоненты, каждая из которых является внешним произведением векторов, охватывающих разные модальности, где – матрица, соответствующая модальности th.
Тензор можно преобразовать в матрицу. Пусть матрица обозначает моду- n матризация .Далее следует, где обозначает произведение Хатри-Рао (по столбцам произведение Кронекера) и означает транспонирование.
Функция стоимости для разреженного подхода NTF на основе минимизацию обобщенной КЛ-дивергенции можно записать в виде где – параметр регуляризации для разреженного ограничения. Обратите внимание, что если , это соответствует неразреженному подходу NTF. Обновление фактора для разреженный подход NTF такой же, как в [11], за исключением дополнительного члена регуляризации; где – матрица единиц, и обозначают поэлементное умножение и дивизия соответственно.Мы можем сначала случайным образом инициализировать, а затем поочередно обновлять их в итеративным образом до сходимости. В [11] доказано, что такой итерационный мультипликатив update можно рассматривать как особый вид обновления градиентного спуска с использованием метода оптимальный размер шага на каждой итерации, который гарантированно достигает локально оптимальная факторизация.
2.3.
K – означает кластеризацию
K – означает, что алгоритм кластеризации разделяет набор данных на кластеры, где каждый кластер представлен своим означают, что данные внутри каждого кластера похожи, но данные между отдельные кластеры различны [30].Первоначально алгоритм кластеризации K означает генерирует случайные точки как кластерные средства. Затем это повторяет два шага, а именно шаг назначения и шаг обновления, пока конвергенция. На этапе назначения каждая точка данных назначается кластеру. так что расстояние от точки данных до среднего значения кластера меньше чем от точки данных к средствам других кластеров. В обновлении шаг, средние значения всех кластеров пересчитываются и обновляются на основе данных присвоенные им баллы.Критерием сходимости может быть то, что кластер задание не меняется. Алгоритм кластеризации K означает простой и быстрый но результаты кластеризации зависят от начальных случайных назначений. К Чтобы преодолеть эту проблему, мы можем выбрать лучшую кластеризацию из нескольких случайных запусков.
Мы используем значение силуэта, чтобы определить количество кластеры [31]. То значение силуэта измеряет, насколько точка данных похожа на точки в собственном кластер по сравнению с точками в других кластерах и определяется следующим образом: где среднее расстояние от th точки данных до других точек в ее кластера, а — среднее расстояние от й точки до точек другого кластера.Значение силуэта находится в диапазоне от -1 до +1, где 1 означает, что данные отделимы и правильно сгруппированы, 0 означает плохую кластеризацию, а -1 означает что данные неправильно сгруппированы.
2.4. Классификатор машин опорных векторов
Машины опорных векторов (SVM) — популярный классификатор. которая минимизирует эмпирическую ошибку классификации и в то же время максимизирует запас, определяя линейную разделяющую гиперплоскость для различают разные классы данных [32, 33].SVM устойчив к выбросам и имеет хорошие способность к обобщению. В связи с этим он нашел широкое применение в Приложения.
Предположим, что векторы обучающих признаков для декодирования и метки классов есть , то SVM решает следующую задачу оптимизации:где – вектор весов, – параметр штрафа члена ошибки выбранный перекрестной проверкой, является резервной переменной и является смещением. Получается, что маржа двух классов обратно пропорционально .Следовательно, первый член целевой функции SVM используется для максимизации маржа. Второй член целевой функции – это регуляризация член, допускающий ошибки обучения для несепарабельного случая.
Метод множителя Лагранжа можно использовать для нахождения оптимальное решение для и в приведенной выше задаче оптимизации. Предположим, что это вектор признаков тестирования. Тогда тестирование делается просто путем определения, по какую сторону лежит разделяющая гиперплоскость, т. е. если , этикетка классифицируется как , в противном случае метка классифицируется как .SVM также может использоваться как метод на основе ядра, когда векторы признаков отображается в пространство большей размерности [32].
3. Экспериментальные результаты
В этом разделе мы приводим экспериментальные примеры для продемонстрировать эффективность предлагаемого подхода к извлечению признаков для предсказание перцептивных решений на основе нейронных данных. Одновременно, собранные 4-канальные данные LFP использовались для демонстрации. Преобразование Габора (STFT с окном Гаусса) используется для получения частотно-временного представления данные.Количество испытаний — 96. Используемое временное окно — от начала действия стимула. до 1 секунды после этого. Мы видим, что производительность не сильно изменится, если другое временное окно, например, от начала стимула до 800 миллисекунд после этого используется. Мы используем как неразреженные, так и разреженные подходы NTF, основанные на минимизировать обобщенную дивергенцию KL и выбрать количество NTF компонентов должно быть 20 со случайной инициализацией для всех модальностей. То Параметр регуляризации для разреженного подхода NTF выбран равным 0.5, и ограничение разреженности применяется к каждой модальности. Мы применяем неразреженные и разреженные подходы NTF к неотрицательным четырехсторонним данным (канал по частоте по времени по испытанию) и используйте модальность, соответствующую испытаниям как особенности. Мы используем K — означает кластеризацию для кластеризации функций с 50 random начинает находить лучшую кластеризацию и принимает корреляцию между спектральные модальности компонентов NTF в качестве метрики расстояния. НФТ и кластеризация выполняется для всех данных, поскольку они не контролируются и не не требуют никакой информации на этикетке.С другой стороны, если извлечение признаков метод требует информации о метках, это должно быть сделано только на обучающих данных. Мы используем линейный классификатор SVM из пакета LIBSVM [34] и используем точность декодирования как мера производительности, рассчитанная с помощью перекрестной проверки с исключением одного (ЛООКВ). В частности, для набора данных с испытаниями мы выбираем испытания для обучения и используем оставшиеся 1 проба для проверки. Это повторяется несколько раз, и каждое испытание служит для тестирования. однажды.Точность декодирования получается как отношение числа правильно декодированных попыток к . Также можно разделить данные на три непересекающихся набора: один для оценка параметров, одна для выбора модели и одна для тестирования конца результат. Мы рассматривали этот вариант в прошлом, но мы решили использовать Процедура LOOCV из-за ограниченного количества доступных испытаний.
На рис. 1 показано значение силуэта, полученное кластеризация неразреженных компонентов NTF с использованием алгоритма K средних в качестве Функция количества кластеров.Обратите внимание, что значение силуэта увеличивается с количеством кластеров, пока количество кластеров не станет равным четырем. Следовательно, мы выбираем количество кластеров равным четырем. На рис. 2 показана частота модальности 20 неразреженных компонентов NTF, сгруппированных по K -средним алгоритм. Цвет каждой кривой указывает, к какому кластеру относится компонент. принадлежит. Синий, зеленый, красный и черный цвета соответствуют кластерам 1–4 соответственно. Рисунки 3 и 4 аналогичны рисункам 1 и 2 соответственно, за исключением того, что используются разреженные компоненты NTF.Для сравнения мы используем тот же диапазон для и . оси на Рисунке 3, как на Рисунке 1. Обратите внимание, что значения силуэта на Рисунке 3 следуют той же тенденции, что и на рисунке 1. Следовательно, количество кластеров для разреженных компонентов NTF также выбрано четыре. Кроме того, ясно что для данного количества кластеров значение силуэта на рисунке 3 всегда равно больше, чем на рис. 1. Это указывает на то, что кластеризация разреженных Компоненты NTF лучше, чем кластеризация неразреженных компонентов NTF, хотя основная цель этих двух рисунков — показать, что при использовании метода NTF либо разреженные, либо неразреженные, количество кластеров сходится к 4.Это может быть Из рисунков 2 и 4 видно, что как разреженные, так и неразреженные компоненты NTF хорошо сгруппированы по алгоритму K -means, и что разные кластеры могут иметь разное количество компонентов. Кроме того, в обоих случаях кластеры обычно попадают в отдельные спектральные полосы: первое скопление в основном в высокий гамма-диапазон (50–60 Гц), второй кластер в дельта-диапазоне (1–4 Гц), третий кластер в альфа-диапазоне (10–20 Гц), а четвертый кластер в основном в низкочастотный гамма-диапазон (30–40 Гц).

Чтобы поближе познакомиться с компонентами NTF, мы построить частотно-временное представление для каждой компоненты на основе внешний продукт его частотной модальности и временной модальности. На рисунках 5(a) и 5(b) показан частотно-временной график для двух неразреженных компонентов NTF кластер 1. Красный и синий на рисунках обозначают сильную и слабую активность, соответственно. Обратите внимание, что локализован первый неразреженный компонент NTF. частотно-временное представление в высокой гамма-диапазоне, а второе компонент содержит сильную активность как в высокой гамма-диапазоне, так и в других диапазонах.Кроме того, эти два компонента охватывают разные временные окна с первым компонент как в раннем окне, так и в позднем окне и второй компонент преимущественно в раннее окно. На рисунках 6(a) и 6(b) показаны репрезентативные частотно-временной график для (а) кластера 1, (б) кластера 2, (в) кластера 3 и (г) кластер 4, соответственно, разреженных компонентов NTF. Красный и синий представляют сильная и слабая активность соответственно. Обратите внимание на сходство между рисунками 6 (а) и 5(а).Однако в отличие от первого кластера для неразреженного NTF компоненты, первый кластер для разреженных компонентов NTF имеет только один компонент с хорошо локализованным частотно-временным представлением в высокой гамме полоса (50–60 Гц). На рисунках 6(b)–6(d) мы можем наблюдать концентрированные частотно-временные распределения для второго кластера в дельта-диапазоне (1–4 Гц), третий кластер в альфа-диапазоне (10–20 Гц), а четвертый кластер в основном в низком гамма-диапазоне (30–40 Гц).
Затем мы сравним точность декодирования SVM на основе различные характеристики неразреженных и разреженных компонентов NTF в таблицах 1 и 2 соответственно. В частности, мы сравниваем точность декодирования на основе комбинация всех признаков из каждого из кластеров 1–4 (обозначается как c1 (объединенный) – c4 (объединенный) соответственно) и один лучший признак из каждого из кластеров 1–4 (обозначается как c1 (лучший) – c4 (лучший) соответственно). Ясно, что кластер 1 значительно превосходит кластеры 2–4 по точности декодирования.Следовательно, функция высокой гамма-диапазона является более различительной, чем функции в других диапазонах для бистабильного восприятия. Обратите внимание, что сочетание всех функции в пределах одного кластера иногда приводят к более низкой точности декодирования, чем единственная лучшая функция из этого кластера. Вероятно, это связано с избыточность функций в пределах одного кластера. Сравнивая таблицы 1 и 2, мы можно увидеть, что функция высокой гамма-диапазона разреженного подхода NTF лучше чем у неразреженного подхода NTF.Первый имеет лучшее декодирование точность 0,76 (соответствует разреженной составляющей NTF на рисунке 6(a)), в то время как последний имеет наилучшую точность декодирования 0,72 (соответствует первый неразреженный компонент NTF на рис. 5(а)). Точность декодирования для второй неразреженный компонент NTF кластера 1 (соответствует рис. 5(b)) всего 0,61. Показатели декодирования показывают, что хотя рисунки 6(a) и 5(a) кажутся очень похожими, особенности полосы высоких частот, выделенные разреженные и неразреженные подходы NTF различны.Это связано с тем, что что ограничения разреженности улучшают основанное на частях представление данные и способствуют лучшему извлечению функции высокой гамма-диапазона, приводит к повышению точности декодирования. Мы выполнили статистические тесты для сравнения производительности разреженной и неразреженной NTF методы. Хотя в большинстве случаев нет существенной разницы между разреженная NTF значительно превосходит неразреженную NTF в случае сочетание характеристик для диапазона высоких частот гамма-излучения.Кроме того, результаты как разреженного NTF, так и неразреженного NTF показывают значительную разницу между диапазоном высоких частот гамма-излучения и другими диапазонами. В качестве эталона мы также рассчитали точность декодирования SVM на основе мощности полосы пропускания отфильтрованный LFP в полосах частот часто используемых диапазонов; дельта-диапазон (1–4 Гц), тета-диапазон (5–8 Гц), альфа-диапазон (9–14 Гц), бета-диапазон (15–30 Гц) и гамма диапазоне (30–80 Гц) и обнаружил, что максимальная точность декодирования для всех равна 0.61. В совокупности наши результаты показывают, что NTF полезен для функции LFP. извлечения и что, хотя другие полосы также имеют определенную различимость, функция гамма-диапазона несет наиболее различительную информацию для бистабильных восприятие, и что накладывает ограничения разреженности на неотрицательные тензорная факторизация улучшает извлечение этого признака.
91 747
91 752 Характеристика +
с1 (комбинированный) с2 (комбинированный) с3 (комбинированный) с4 (комбинированный)
Декодирование точность 0.70 0,61 0,63 0,63
Характеристика c1 (лучший) c2 (лучший) c3 (лучший) c4 (лучший)
Декодирование точность 0,72 0,61 0,61 0,61
+ +
Характеристика с1 (комбинированный) с2 (комбинированный) с3 (комбинированный ) c4 (комбинированный)
Точность декодирования 0.76 0,61 0,53 0,58
Характеристика c1 (лучший) c2 (лучший) c3 (лучший) c4 (лучший)
Декодирование точность 0,76 0.61 0.61 0.61
4. Выводы
в этой статье мы разработали редкий неотрицательную метод на основе тензорной факторизации (NTF) для извлечения признаков из локального потенциал поля (LFP) в средней височной области (MT) макаки выполнение задачи бистабильной структуры из движения (SFM).Мы применили подход выделения признаков к многоканальному частотно-временному представлению данных LFP для выявления компонентов, общих в пространстве, времени и частотных областях и в то же время различать разные условия.