Trening: Modyfikacja potencjału elektrycznego rejestrowanego na powierzchni skóry, a pochodzącego od aktywności neuronów kory mózgowej (protokół)

Podobne dokumenty
Zastosowanie terapii Neurofeedback w leczeniu zaburzeń psychicznych

EEG Biofeedback. Metoda EEG-Biofeedback wykorzystuje mechanizm sprzężenia zwrotnego do treningu i usprawniania pracy mózgu

Zastosowanie sieci neuronowych w problemie klasyfikacji wielokategorialnej. Adam Żychowski

Opracowała: K. Komisarz

STAROSTWO POWIATOWE W SOKÓŁCE

Neurofeedback: jego rosnąca popularność i zastosowania

Multimedialne Systemy Medyczne

Biofeedback BIOFEEDBACK - BIOLOGICZNE SPRZĘŻENIE ZWROTNE (BIOLOGIA - NAUKA O ORGANIZMACH ŻYWYCH FEEDBACK - SPRZĘŻENIE ZWROTNE)

CZY ZALEŻNOŚCI W UKŁADZIE WIELOKANAŁOWYM MOŻNA BADAĆ PARAMI?

Biofeedback biologiczne sprzężenie zwrotne

Po pierwsze diagnoza- Mini QEEG

weryfikacja hipotez dotyczących parametrów populacji (średnia, wariancja)

Ethernet. Ethernet. Network Fundamentals Chapter 9. Podstawy sieci Rozdział 9

Metody badawcze. Metodologia Podstawowe rodzaje metod badawczych

NCBR: POIG /12

ZESTAWIENIE PARAMETRÓW TECHNICZNYCH


Problem eliminacji nieprzystających elementów w zadaniu rozpoznania wzorca Marcin Luckner

Część I. Aparatura do rejestracji sygnałów biologicznych zestaw musi spełniać następujące minimalne warunki:

Sen i czuwanie rozdział 9. Zaburzenia mechanizmów kontroli ruchowej rozdział 8

A Zadanie

Analizy Ilościowe EEG QEEG

Klasyfikacja LDA + walidacja

SPRZĘT. 2. Zestaw do przygotowania i prowadzenia badań eksperymentalnych: 2.1 E-Prime 2.0 Professional

Własności światła laserowego

Cyfrowe przetwarzanie sygnałów w urządzeniach EAZ firmy Computers & Control

OKREŚLENIE WPŁYWU WYŁĄCZANIA CYLINDRÓW SILNIKA ZI NA ZMIANY SYGNAŁU WIBROAKUSTYCZNEGO SILNIKA

Szczegółowy program kursu Statystyka z programem Excel (30 godzin lekcyjnych zajęć)

Pomiar gotowości szkolnej uczniów za pomocą skali quasi-obserwacyjnej

Ćwiczenie - 1 OBSŁUGA GENERATORA I OSCYLOSKOPU. WYZNACZANIE CHARAKTERYSTYKI AMPLITUDOWEJ I FAZOWEJ NA PRZYKŁADZIE FILTRU RC.

Słyszenie w środowisku

Jakość danych pomiarowych. Michalina Bielawska, Michał Sarafin Szkoła Letnia Gdańsk

Omówienie różnych metod rozpoznawania mowy

OPTYMALIZACJA STRUKTUR ELEKTROENERGETYCZNYCH SIECI PROMIENIOWYCH

Trafność egzaminów w kontekście metody EWD

Narzędzia geoprzestrzenne Business Intelligence (BI)

Analiza właściwości filtra selektywnego

Analiza danych medycznych

Terapia i edukacja dziecka z ASD oparta na dowodach. Model NPDC w placówkach oświatowych

Zintegrowana teoria autyzmu Obliczenia płynowe w modelo

7. Maszyny wektorów podpierajacych SVMs

NAZWA KWALIFIKACJI MODUŁY KWALIFIKACJI. Trener Zarządzania. I. Identyfikacja i analiza potrzeb szkoleniowych (IATN) II. III. IV.

TRYLOGIA SONY W OBJĘCIACH NEURO Czyli mózg konsumenta oceniający kreatywną egzekucję strategii.

Szczegółowy program kursu Statystyka z programem Excel (30 godzin lekcyjnych zajęć)

Pakiet nr 1. Zestawienie wymaganych parametrów technicznych - funkcjonalnych

Linear Classification and Logistic Regression. Pascal Fua IC-CVLab

Elementy kognitywistyki III: Modele i architektury poznawcze

Biofeedback nowa forma terapii w poradnictwie. Teoria i praktyka

Zadanie 2 - Aparat EEG Holtera do 24 godzinnego monitorowania EEG ze stanowiskiem analizy zapisów

Przejścia fazowe w uogólnionym modelu modelu q-wyborcy na grafie zupełnym

WYKORZYSTANIE MASZYNY WEKTORÓW NOŚNYCH ORAZ LINIOWEJ ANALIZY DYSKRYMINACYJNEJ JAKO KLASYFIKATORÓW CECH W INTERFEJSACH MÓZG-KOMPUTER

Elektronika. Wzmacniacz operacyjny

Imię i nazwisko (e mail): Rok: 2018/2019 Grupa: Ćw. 5: Pomiar parametrów sygnałów napięciowych Zaliczenie: Podpis prowadzącego: Uwagi:

Zmienność i modele stochastyczne odpowiedzi wzrokowych neuronów wzgórka czworaczego górnego kota

Rys. 1. Wzmacniacz odwracający

Z LABORATORIUM DO KLINIKI CZYLI O REHABILITACJI NEUROPSYCHOLOGICZNEJ. Maria Nalberczak

Państwowa Wyższa Szkoła Zawodowa

Struktura rzeczowa treningu sportowego

Architektura komputerów

1. Wstęp. Elektrody. Montaże

dr inż. Piotr Kowalski, CIOP-PIB Wprowadzenie

Systemowe zarządzanie jakością : koncepcja systemu, ocena systemu, wspomaganie decyzji / Piotr Miller. Warszawa, Spis treści

STATYSTYKA MATEMATYCZNA WYKŁAD 4. Testowanie hipotez Estymacja parametrów

Politechnika Poznańska TWO

Optymalizacja optymalizacji

ZAKRES AKREDYTACJI LABORATORIUM BADAWCZEGO Nr AB 310

Ankieta. Informacje o uczestniku. Imię i nazwisko: Stanowisko : Warsztat Innowacyjne metody dydaktyczne (np. learning by doing, design thinking)

Statystyczne sterowanie procesem

Analiza porównawcza wybranych własności systemów zarządzania bazami danych

INTERAKTYWNY SYSTEM TERAPII RĘKI

Krzysztof Ślot Biometria Łódź, ul. Wólczańska 211/215, bud. B9 tel

WZMACNIACZE OPERACYJNE Instrukcja do zajęć laboratoryjnych

Parametry wydajnościowe systemów internetowych. Tomasz Rak, KIA

CYFROWE PRZETWARZANIE SYGNAŁÓW

Neuromodulacja akustyczna CR

DOBÓR CECH DIAGNOSTYCZNYCH DLA KLASYFIKATORA SVM W ZADANIU KLASYFIKACJI STANU PRZETOKI TĘTNICZO-ŻYLNEJ NA PODSTAWIE SYGNAŁU AKUSTYCZNEGO

Komputerowe systemy neurodydaktyczne

Zastosowanie optymalizacji rojem cząstek (PSO) w procesie uczenia wielowarstwowej sieci neuronowej w problemie lokalizacyjnym

Optymalizacja Automatycznych Testów Regresywnych

Neurokognitywistyka. Mózg jako obiekt zainteresowania w

ANALIZA WIDMOWA SYGNAŁÓW (1) Podstawowe charakterystyki widmowe, aliasing

Komunikacja Człowiek-Komputer

Metody: sesja plakatowa, ćwiczenia, dyskusja, porównanie w parach, metaplan

GA40XX seria. 1,5GHz/3GHz/7,5GHz. Cyfrowy Analizator Widma

KONCENTRACJA. TRENING UWAGI.

OFERTA. Lp. Nazwa zadania Cena netto (zł) VAT (zł) Cena brutto (zł)

Podstawy transmisji sygnałów

1.ABSTRAKT REZULTATY I WNIOSKI PODSUMOWANIE LITERATURA...5 DODATEK C. OPIS INFORMATYCZNY PROCEDUR... 7

Machine Learning for Data Science (CS4786) Lecture11. Random Projections & Canonical Correlation Analysis

Państwowa Wyższa Szkoła Zawodowa

STATYSTYKA OD PODSTAW Z SYSTEMEM SAS. wersja 9.2 i 9.3. Szkoła Główna Handlowa w Warszawie

Elektromiograf NMA-4-01

todzkie ZAPYTANIE OFERTOWE

GDAŃSKI UNIWERSYTET MEDYCZNY

Analiza właściwości filtrów dolnoprzepustowych

PL B1. AKADEMIA GÓRNICZO-HUTNICZA IM. STANISŁAWA STASZICA W KRAKOWIE, Kraków, PL BUP 15/15

WPŁYW SZYBKOŚCI STYGNIĘCIA NA WŁASNOŚCI TERMOFIZYCZNE STALIWA W STANIE STAŁYM

HAŁASU Z UWZGLĘDNIENIEM ZJAWISK O CHARAKTERZE NIELINIOWYM

Dwiczenie laboratoryjne nr 12: EEG-BIOFEEDBACK

Transkrypt:

Neurofeedback-EEG Metoda terapeutyczna polegająca na podawaniu pacjentowi sygnałów zwrotnych o zmianach stanu aktywności elektrycznej mózgu, dzięki czemu może on nauczyć się świadomie modyfikować funkcje, które normalnie nie są kontrolowane świadomie (Wikipedia)

Trening: Modyfikacja potencjału elektrycznego rejestrowanego na powierzchni skóry, a pochodzącego od aktywności neuronów kory mózgowej (protokół)

Charakterystyka sygnału EEG Rozdzielczość czasowa sygnału milisekundy, rozdzielczość przestrzenna 5cm Od kilku do 256 elektrod zbierających sygnał w zakresie 2-100Hz Cechy: amplituda sygnału EEG, moc sygnału w poszczególnych pasmach, korelacje fazowe i fazowo amplitudowe Właściwości cech: niski stosunek S/N, outliers, niestacjonarność, wielowymiarowość, sygnał skorelowany, niska liczebność zestawów treningowych (100-200 powt.)

Charakterystyka sygnału EEG Rozdzielczość czasowa sygnału milisekundy, rozdzielczość przestrzenna 5cm Od kilku do 256 elektrod zbierających sygnał w zakresie 2-100Hz Cechy: amplituda sygnału EEG, moc sygnału w poszczególnych pasmach, korelacje fazowe i fazowo amplitudowe Właściwości cech: niski stosunek S/N, outliers, niestacjonarność, wielowymiarowość, sygnał skorelowany, niska liczebność zestawów treningowych (100-200 powt.)

Charakterystyka sygnału EEG Rozdzielczość czasowa sygnału milisekundy, rozdzielczość przestrzenna 5cm Od kilku do 256 elektrod zbierających sygnał w zakresie 2-100Hz Cechy: amplituda sygnału EEG, moc sygnału w poszczególnych pasmach, korelacje fazowe i fazowo amplitudowe Właściwości cech: niski stosunek S/N, outliers, niestacjonarność, wielowymiarowość, sygnał skorelowany, niska liczebność zestawów treningowych (100-200 powt.)

Charakterystyka sygnału EEG Rozdzielczość czasowa sygnału milisekundy, rozdzielczość przestrzenna 5cm Od kilku do 256 elektrod zbierających sygnał w zakresie 2-100Hz Cechy: amplituda sygnału EEG, moc sygnału w poszczególnych pasmach, korelacje fazowe i fazowo amplitudowe Właściwości cech: niski stosunek S/N, outliers, niestacjonarność, wielowymiarowość, sygnał skorelowany, niska liczebność zestawów treningowych (100-200 powt.)

Neurofeedback-EEG nasz obecny stan wiedzy Przegląd literatury Stosowane metody treningu nie są skuteczne w modyfikacji amplitudy trenowanych poza pasmem alfa Wielo pasmowe protokoły treningowe w zasadzie nie wpływają na amplitudę trenowanych pasm Brak specyficzności większości protokołów względem trenowanych funkcji poznawczych

Neurofeedback-EEG nasz obecny stan wiedzy Przegląd literatury Stosowane metody treningu nie są skuteczne w modyfikacji amplitudy trenowanych poza pasmem alfa Wielo pasmowe protokoły treningowe w zasadzie nie wpływają na amplitudę trenowanych pasm Brak specyficzności większości protokołów względem trenowanych funkcji poznawczych

Neurofeedback-EEG nasz obecny stan wiedzy Przegląd literatury Stosowane metody treningu nie są skuteczne w modyfikacji amplitudy trenowanych poza pasmem alfa Wielo pasmowe protokoły treningowe w zasadzie nie wpływają na amplitudę trenowanych pasm Brak specyficzności większości protokołów względem trenowanych funkcji poznawczych

Neurofeedback-EEG nasz obecny stan wiedzy Wyniki doświadczalne Niespecyficzny wzrost amplitud pasm obserwowany w trakcie pierwszych 3 sesji treningowych (na 20) Brak różnic w charakterystyce EEG mierzonej przed i po cyklu treningowym Brak zmian mierzonych testem behawioralnym po zakończeniu treningu

Prawdopodobne przyczyny nieskuteczności obecnych metod Problem odwrotny niemożność oddziaływania na źródła sygnału Brak udowodnionej zależności pomiędzy trenowanym pasmem/pasmami a trenowaną funkcją Dekoncentracja osoby badanej, łatwość odwrócenia uwagi

Prawdopodobne przyczyny nieskuteczności obecnych metod Problem odwrotny niemożność oddziaływania na źródła sygnału Brak udowodnionej zależności pomiędzy trenowanym pasmem/pasmami a trenowaną funkcją poznawczą Dekoncentracja osoby badanej, łatwość odwrócenia uwagi

Prawdopodobne przyczyny nieskuteczności obecnych metod Problem odwrotny niemożność oddziaływania na źródła sygnału Brak udowodnionej zależności pomiędzy trenowanym pasmem/pasmami a trenowaną funkcją poznawczą Dekoncentracja osoby badanej, łatwość odwrócenia uwagi

Próba opracowania skutecznego treningu Neurofeedback-EEG (grant NCBR) Opracowanie zadań dla wybranych funkcji poznawczych Znalezienie zestawu cech sygnału EEG właściwego dla poprawnego wykonania danego zadania/funkcji Promowanie i wzmacnianie zidentyfikowanych cech w trakcie treningu neurofeedback-eeg Wykorzystanie gogli VR do zanurzenia pacjenta w treningu i odcięcia od bodźców zewnętrznych Weryfikacja skuteczności treningu za pomocą podobnego zadania

Próba opracowania skutecznego treningu Neurofeedback-EEG (grant NCBR) Opracowanie zadań dla wybranych funkcji poznawczych Znalezienie zestawu cech sygnału EEG właściwego dla poprawnego wykonania danego zadania/funkcji Promowanie i wzmacnianie zidentyfikowanych cech w trakcie treningu neurofeedback-eeg Wykorzystanie gogli VR do zanurzenia pacjenta w treningu i odcięcia od bodźców zewnętrznych Weryfikacja skuteczności treningu za pomocą podobnego zadania

Próba opracowania skutecznego treningu Neurofeedback-EEG (grant NCBR) Opracowanie zadań dla wybranych funkcji poznawczych Znalezienie zestawu cech sygnału EEG właściwego dla poprawnego wykonania danego zadania/funkcji Promowanie i wzmacnianie zidentyfikowanych cech w trakcie treningu neurofeedback-eeg Wykorzystanie gogli VR do zanurzenia pacjenta w treningu i odcięcia od bodźców zewnętrznych Weryfikacja skuteczności treningu za pomocą podobnego zadania

Próba opracowania skutecznego treningu Neurofeedback-EEG (grant NCBR) Opracowanie zadań dla wybranych funkcji poznawczych Znalezienie zestawu cech sygnału EEG właściwego dla poprawnego wykonania danego zadania/funkcji Promowanie i wzmacnianie zidentyfikowanych cech w trakcie treningu neurofeedback-eeg Wykorzystanie gogli VR do zanurzenia pacjenta w treningu i odcięcia od bodźców zewnętrznych Weryfikacja skuteczności treningu za pomocą podobnego zadania

Próba opracowania skutecznego treningu Neurofeedback-EEG (grant NCBR) Opracowanie zadań dla wybranych funkcji poznawczych Znalezienie zestawu cech sygnału EEG właściwego dla poprawnego wykonania danego zadania/funkcji Promowanie i wzmacnianie zidentyfikowanych cech w trakcie treningu neurofeedback-eeg Wykorzystanie gogli VR do zanurzenia pacjenta w treningu i odcięcia od bodźców zewnętrznych Weryfikacja skuteczności treningu za pomocą podobnego zadania

Wyniki badań pilotażowych Trening czyli seria powtórzeń co 2-3 dni (3 sesje) Tradycyjna analiza sygnału EEG z 3 kolejnych powtórzeń wykazała za każdym razem inne istotne różnice pomiędzy próbami kontrolnymi i właściwymi Porównanie koherencji podobnego wykazało stałe różnice pomiędzy próbami kontrolnymi i właściwymi we wszystkich 3 sesjach, inne dla każdej osoby Inne miary: Entropia spektralna wykazał grupowe różnice pomiędzy próbami właściwymi i kontrolnymi

Próba opracowania skutecznego treningu Neurofeedback-EEG (grant NCBR) Opracowanie zadań dla wybranych funkcji poznawczych Znalezienie zestawu cech sygnału EEG właściwego dla poprawnego wykonania danego zadania/funkcji Promowanie i wzmacnianie zidentyfikowanych cech w trakcie treningu neurofeedback-eeg Wykorzystanie gogli VR do zanurzenia pacjenta w treningu i odcięcia od bodźców zewnętrznych Weryfikacja skuteczności treningu za pomocą tego samego zadania

Machine Learning i analiza stanów mózgu na podstawie sygnału EEG Anderson et al. 1996: 5 Mental Tasks Two-layer neural network implemented on 128 processor server classification accuracy on untrained samples - 73% using the frequency-based representation Qiang Wang and Olga Sourina 2013: 2 Mental Tasks (relax and arithmetic tasks) EEG frequency band power, feature extraction: six order AR model coefficients, statistical features, and fractal dimension PCA features reduction to 32 features from 336 SVM with radial basis function classification method Average classification accuracy 97.14% on the set of 95 samples, Core 2 Quad CPU Q9400 @ 2.66 GHz and 3.25 GB RAM. Completed within 400 ms.