Ученые представили электробульбограмму (EBG) — новый неинвазивный метод, разработанный для регистрации ответов от обонятельной луковицы человека (OB).
OB является начальным этапом обработки в обонятельной системе и запускает процессы распознавания и различения запахов, пишет Nature.
EBG требует всего несколько электродов на лбу, что делает его простым и перспективным инструментом для использования вне лабораторий. Поскольку электроды EBG оптимизированы для измерения активности OB, они, вероятно, предоставляют более релевантную обонятельную информацию и меньше посторонних данных по сравнению с сигналами ЭЭГ.
Подобно ЭЭГ, измерения EBG часто усредняются по пробам для уменьшения влияния шума. Исследования EBG показывают, что обонятельная луковица человека генерирует бета- и гамма-колебания во время обработки запахов.
Однако, насколько известно авторам, в настоящее время нет исследований о возможности использования EBG для однократного прогнозирования обонятельного опыта. В данном исследовании рассматривается возможность обнаружения восприятия запаха с помощью неинвазивной регистрации биологических сигналов человека в отдельных пробах.
Особое внимание уделено двум фундаментальным аспектам применения интерфейсов мозг-компьютер (BCI) на основе обонятельного опыта человека: типам биологических данных, используемым для исследования обонятельного опыта, и моделям, используемым для обработки этих сигналов и прогнозирования обонятельного опыта. Впервые сравнивается производительность нового метода EBG (scalp-EBG) и данных о сниффинге с общепринятыми измерениями ЭЭГ.
Было показано, что отслеживание сниффа, регистрирующее изменения температуры во время вдоха, коррелирует с восприятием запаха. Кроме того, сравнивается производительность этих типов данных с реконструированной активностью OB и пириформной коры (source-EBG), широко используемой в нейробиологических исследованиях.
Поскольку разные каналы данных могут содержать уникальную информацию о задаче, изучается вопрос о том, повышает ли объединение этих каналов точность обнаружения. Кроме того, внимание уделяется типу модели, используемой для обработки данных.
Сложность обонятельных биосигналов затрудняет поиск признаков, которые максимально представляют связанную с задачей активность в записях отдельных проб. Глубокие нейронные сети — это сквозные модели, продемонстрировавшие многообещающие результаты в анализе биомедицинских сигналов.
Преимущество использования глубоких нейронных сетей заключается в их способности снижать потребность в обширной предварительной обработке данных и разработке признаков. Это особенно полезно, когда доступ к экспертам в данной области является дорогостоящим или когда данные слишком сложны для прямой идентификации признаков, что делает процесс трудным и трудоемким, как в случае с сигналами ЭЭГ.
В результате сравнивается производительность сверточной нейронной сети (CNN) со стандартной линейной моделью, требующей разработки признаков. CNN являются наиболее часто используемыми архитектурами в классификации сигналов ЭЭГ и показали улучшенные результаты по сравнению с другими архитектурами во многих приложениях BCI.
Стоит отметить, что сети глубокого обучения обычно требуют значительного объема данных для обучения общим и значимым признакам. В этом исследовании оценивается производительность этих моделей с небольшими наборами данных, оценивается риск переобучения и предлагаются стратегии для предотвращения предвзятой оценки производительности.
VK
OK
Telegram
Дзен