文摘
大脑内的神经心理学特征至今仍未充分理解之前的格式塔心理分析。特别是,人类大脑意识信息的提取和分析本身并没有得到足够的重视。在本文中,我们的目标是探讨EEG信号的特点从不同的有意识的想法。具体来说,我们试图提取大脑的生理意义的特征响应不同的轮廓和形状在完形图像认知测试通过结合持续的同源性分析与脑电图(EEG)。实验结果表明,更多的大脑区域在大脑额叶参与主体感知图像的随机和无序组合命令相比,完形图像。同时,持久性诱发的脑电图数据随机熵序列图(RSD)是显著不同,诱发的命令格式塔(销售税)图像在多个频段,这表明人类认知的形状和轮廓的图像可以在某种程度上通过拓扑分析分开。这意味着数字化神经信号的可行性,同时保留原始信号的整体和局部特征,进一步验证了我们广泛的实验。总的来说,本文评估和量化相关的认知神经关联EEG信号,通过持续的同源性的特性,提供了一种方法来实现神经信号的数字化。人类意识信号的可分析性的初步验证提供了可靠的研究思路和方向的实现特征提取和分析人类大脑意识的认知。
1。介绍
近年来,随着神经网络的发展,研究人员正致力于解释人类意识的本质生成和人工智能(AI)。的研究方向之一是探索人类大脑认知和意识的法律生成过程,促进机器学习技术的发展。在通信技术中,就是沟通的实现(B2BC)的支持下,未来6 g技术也迫切需要一个方法来实现人类大脑神经信号的数字化来支持其研究的发展。最典型的脑电图(EEG)信号的分析方法是基于大脑信号的特征通过过滤、去除工件与事件相关电位(ERP)的分析,和脑域热图对原始时域信号。复杂和动态的多通道时域信号不是一个理想的信息传播载体。目前,各种数字分析方法基于EEG信号不断地提出和改进(1- - - - - -4),如实验分析和其他不同的方法考虑脑电图信号不同学科之间的显著差异。此外,(3]试图提取的数字特性可能更相关和简单的有关信号,正值B2BC的第一步:神经信号的数字化过程。结合B2BC的相关性启蒙和人工智能,人类大脑的认知过程的分析是前瞻性的价值。
格式塔心理学理论的先驱基础现代认知学习理论,它成立于20世纪早期的心理学家韦斯特海默•科勒(george w . bush)和k Koffka基于相似研究[5]。他们认为思维是一个全面的和有意义的知觉,而不是一个简单的集合连接表示,认为学习在于形成一个完形,旨在改变到另一个格式塔。这一认知过程从根本上不同于当前图像识别模型深度学习能力的人工神经网络(ann)。
目前,深度学习的快速发展,不断更新的和更强的算法模型出现,他们的计算能力和学习能力为指定的任务变得越来越强大。在此基础上,一些研究者开始雄心勃勃的新目标,转向关注使人工智能更“聪明”,实现类人脑智力。他们希望机器学习来实现人类的大脑能做什么和解决问题或承认人类的大脑。众所周知,传统的神经网络设计灵感的信号传输的基本原理在单个神经细胞。因此,整个生物神经网络的链接自然是我们需要探索的方向的下一个前沿。它可以启发我们构建类人脑智力和从传统机器学习过程转移到更高级的意识水平。通过探索大脑认知的行为,它可能是可能的探索意识的一代(6),不限于大脑产生什么样的意识。
研究人员试图探索神经网络和人类大脑的生物模式(7- - - - - -15]。了解大脑对外界刺激的反应,科学家开发了脑功能网络分析方法,因为他们声称的功能是由内部不同的神经元之间的相互作用以及不同的大脑区域11]。他们着手分析所显示的神经信号的大脑作为一个整体。大脑中的神经元的空间和连接关系结构是一个复杂的连接模型,已用于分析人脑的活动与拓扑工具很长时间了。这种研究的初始焦点在躯体感觉的感觉(e g。,hot and cold sensations and pain sensations) that are easy to recognize in brain signals [12]。随后,脑电图异常反应(癫痫发作)13),稳态视觉诱发电位(SSVEP),运动意图检测(14),和情感分类(15)进行了分析。我们比较不同的脑电图分析方法获得的结果在各领域的合作。其中,精神分裂症的检测精度达到了平衡精度89.59%;检测移动图像识别率达到64.9% - -79.5%;和情感EEG信号的分类基于性别达到90.4%(支持向量机)和92%(资讯)16]。
特别是,灵感来自于最近的研究在完形识别的贝克et al。17和金等。18)提供完全矛盾的结论,讨论人工神经网络之间的差异和人类大脑认知过程激励我们遵循研究认知过程的意识水平。然而,意识到人类大脑的认知整体轮廓的几何图案面临当地和全球问题在前面的格式塔实验。
代数拓扑的数学工具具备提供定量信息任意图形的局部和全局属性(8]。因此,拓扑数据分析(TDA)能够提供一系列新的拓扑和几何方法分析大脑的神经网络覆盖EEG信号,其中持续的同源性是一个关键的方法。(19- - - - - -24]。持久的同源性分析提供了有效的算法来计算每个复杂的贝蒂数图在网络家庭正在考虑和编码嵌套复杂的进化同源组在不同网络规模。因此,它有助于更好地理解EEG数据,分析EEG信号的稳定有关干扰或噪声。
在我们的研究中,20个参与者被认为在传统的视觉刺激实验方法和收集脑电图信号在同一时间。完形的轮廓的神经生理学评价实验研究利用欧拉EEG信号的特点和持久的同源性特征。在此基础上,如何参与的大脑区域轮廓识别被认为是选择Vietoris-Rips过滤。
这项工作的主要贡献如下:(1)这个实验中采用的拓扑计算方法提供了有效的分离性轮廓EEG信号的认知行为和实现数字脑电图信号的特征提取(2)B2BC我们提供参考意义和参考方法和其他工作需要实现EEG信号的数字特征提取(3)我们演示了使用持久同源建模的可行性分析EEG信号
2。实验和方法评估大脑认知的完形模式
神经生理学评估过程的总体框架和方法,完形轮廓认知如图1基于拓扑数据分析通过持续的同源性。在大脑的认知过程中,受试者第一次看随机序列图(RSD)照片反复以固定的间隔,然后看完形(销售税)图像以同样的方式。同时,EEG数据收集到一个特殊的帽子与传感电极同步(步骤1),然后使用两种方法计算相关系数:一是相关系数计算阶段(0 - 1)的脑电图传感器之间的信号通过基于希尔伯特变换的算法构造相关矩阵,另一个是计算标准化之间的欧几里得距离传感器构建一个距离矩阵(步骤二)13)获取拓扑Vietoris-Rips单纯形(步骤3)。最后,持久同源方法应用于分析各种图片刺激大脑的神经生理学特性在不同的品质(步骤IV和V)。
2.1。刺激
如图2,我们选择了两种代表性的完形照片的存在和不存在特定的标准三角形的轮廓。一是销售税的照片,人们可以很容易地认识三角形的轮廓,和其他人的照片相对标准偏差。的大小和质量两种类型的图片是相同的,都是1440×1080分辨率。探索的特点改变意识主体的认知过程,我们重复RSD 30次,然后重复10倍消费税增加样本的数量和消除潜在的实验错误。
2.2。过程
后一般介绍实验和脑电图帽准备、研究对象与脑电图记录启动测试,图中描述3。两个认知的脑电图记录时间对应于在整个生产过程中两个连续的阶段。第一阶段是收集脑电图信号时的主题没有一个清晰的认知相对标准偏差,和第二阶段主题时收集的信号识别的轮廓从消费税的三角形。当受试者开始确定三角形从消费税的内在大纲,每个试验开始于一个固定的时间段,持续1秒,然后RSD或销售税形象出现,持续10秒。之后,休息时间段似乎提醒受试者,他们可以休息1秒。一个接一个,随后的试验开始运行。
2.3。对象和设备
EEG数据测量从20名健康志愿者(9男性和11个女性,年龄19-27)与正常或矫正到正常视力。志愿者主要是二年级的学生和青少年。主要的年龄是22岁,平均年龄22.4岁,标准差1.71。实验设备是一个标准Neuracle 64系统,其中包括一个64 -与传感器阵列通道顶成人帽,脑电图记录软件,脑电信号采集和放大器(NSW364)。EEG信号的采样率为1000 Hz,和滤波窗口改变频率从0.3到100赫兹。
2.4。脑电图数据的拓扑数据分析
脑电图数据的拓扑数据分析总结在图1,以下提供了相应的细节。
2.4.1。脑电图信号采集与预处理
EEG数据收集的脑电图帽和downsampled 250 Hz。过滤后的脑电图信号得到一组不同波段的过滤器,包括δ乐队(1 - 3 Hz),θ带(4 - 7赫兹),α8—13赫兹乐队(),β乐队(14-30 Hz),整个乐队(1-45赫兹)。
具体操作如下:在整个收购过程中,我们纪念EEG信号对应于不同的事件分割促进后续试验。因为整个收购过程是连续的,考虑到人类大脑的活动频率在正常情况下,我们首先执行(1-45 Hz)在整个时域信号过滤,然后试着段提取我们需要的目标数据,在此基础上进行后续数据调整基线校正和将采样等。
过滤信号的每个电极脑电图帽对应于一组测量分g .如上所述,两种数据分析方法用于描述大脑认知过程:一个是通过实时计算相关矩阵的相位关系,另一个是为每个点定义的距离矩阵通过信号电平的相关性。
2.4.2。相关矩阵计算
计算步骤如下:(1)关键的特征提取和预处理后的脑电图信号,得到每个试用期的信号如下: 在哪里N是数据的总长度,等于采样率乘以测量时间,然后呢米电极的总数,收集脑电图信号。矩阵中的每一行F脑电图描记器代表一个电极收集的信号。(2)希耳伯特变换(25在每个信号执行)F脑电图描记器,也就是说,每一行,获得一个新的矩阵H(F脑电图描记器)。(3)H(F脑电图描记器步骤2)得到的用于计算每个电极的瞬时阶段: (4)关联矩阵相应元素的值的计算方程(3)。绝对值是然后结合获取关联矩阵方程(4): 在哪里j是一个虚数单位和和代表了nth瞬时相位的电极p和问,分别。
2.4.3。距离矩阵计算
过滤信号的每个电极脑电图帽构成一组采样点G和电极之间的距离计算了不同渠道(13] 在哪里r |k和t |k站的y分不同的电极(xk,yk),年代k计算样本标准差是所有人吗y制造在位置k在通道r。
2.4.4。单纯的复合物结构
单纯的复合物是由Vietoris-Rips过滤根据相关矩阵或距离矩阵获得在第二步中,见图4。
2.4.5。欧拉特征
持续熵计算之前,我们补充欧拉熵做初步分析数据的拓扑属性的可分性,这也提供了一个依据持续的同源性分离性。最初的EEG信号的拓扑结构是由Vietoris-Rips过滤:一个使用锁相值(PLV)的脑电图信号数据的归一化相关系数(C矩阵)电极和其他用途之间的相关性水平距离归一化相关系数(D矩阵)。欧拉熵可以根据贝蒂数字计算。Vietoris-Rips过滤过程中,贝蒂的数字变化,所以我们可以恢复一个欧拉熵曲线。欧拉的大脑网络熵的值不同e计算,这是一个显著的事实,欧拉熵的变化有一个负峰ε。自ε值对应的负峰欧拉熵之间的清晰和不清楚的情况不同,我们进一步计算ε价值当欧拉熵的负峰出现,这是作为一个相变点在这工作。在人类大脑结构的拓扑建模,所表现出的相变点欧拉熵往往代表一个临界点大脑活动的变化(8]。
2.4.6。持续的同源性分析
持续的同源性是一个代数拓扑方法的数量才是最重要的n维孔在拓扑空间中,贝蒂数。贝蒂数的通用拓扑空间年代是由 , ,和在这篇文章中。连接组件的数量吗年代;孔的数量吗年代;和孔隙的数量吗年代。在过滤过程中,当一个时间k维洞出现在单纯复形记录 ,而的时候吗k维孔消失。因此,k维贝蒂间隔定义为 ,和相应的持久性条形码是它的图形表示形式(8,26,27]。另一方面,持续的熵(PE)提供了一种新的熵测量提取拓扑空间的功能持久性条形码。在这篇文章中, 将持续条形码组与拓扑空间的过滤年代,在那里我是一组索引(图5)。因此,单纯复形的持续熵H过滤计算由以下方程: 在哪里 和 。此外,H可新,被视为持久的同源性特征本文脑电图数据,表示如下: 在哪里的最大间隔被认为是持久的条形码。
脑电图数据的拓扑模式诱发RSD /销售税照片是由Vietoris-Rips过滤,如图6。检查大脑不同区域之间的关系和感知图像形状和轮廓,EEG映射结果补充和画在图6。当受试者感知不规则分布图像,更多的大脑区域,与nonprominent特性,但当他们感知下令图片,会有明确的反应区域特征更加突出。因此,我们假设模糊认知目标的任务更加困难,导致更多的心理活动。此外,由于强烈的脑部活动观察额叶,额叶的功能需要进一步调查。额叶是最复杂的心理活动的生理基础。它负责计划、调节和控制人类的精神活动,起着至关重要的作用在人类的先进和有目的的行为。图6表明人类感知形状之间的相关性和高级认知过程包括完形模式。这些结果验证我们方法的有效性在描述EEG信号之间的内在关联和形状认知,和我们的方法更接近实际的生物反应过程。
在这方面,我们初步欧拉熵分析图如图7。两种类型的熵计算欧拉秀在相变点的区别。红色的线条代表的RSD在不清楚的状态识别中,蓝线代表销售税,可以识别一个三角形的轮廓。可以看出,消费税的相变点样本将会出现比RSD的还要早。总体样本的数据结果如图8。
3所示。结果和讨论
它可以看到从图8销售税的相变点大部分样品的试验RSD之前,它直观地显示了整个大脑的整体拓扑特征的可分性信号,因此进一步的连续一致性分析可以在此基础上进行。
减少分析拓扑特性的计算时间,持续熵的变化研究对象在不同的时间延迟后外观照片了。是有区别的RSD和销售税试验。没有被告知实验的目的,受试者观察RSD图片首先,无序和随机的。因此,整个脑电图所示每个审判水平。他们都在一定程度上在一个相对平衡的方式,而关于消费税的图片,直观地反映在2 s,脑电图水平稳定。因此,两秒后的脑电图信号显示的图像选择持续的同源性分析。
表1显示范围、平均值和最大的价值认知行为的两种类型的区分程度调查采用持续熵作为整体实验标准的歧视。每个频带的平均利率的区别分类C- - -D矩阵都大于70%,最佳的区分率达到90%和85%C- - -D矩阵,分别。
图9展示了各自的性能和比较持久的熵得到两个不同的矩阵计算方法。蓝线代表了参与者的反应销售税,红线代表应对相对标准偏差。基于统计分类的20个主题和频率比较,很明显,这两种方法都清楚地描述之间的分离功能的持续熵两个拓扑模式两种类型的大脑认知情况。我们进一步比较图表销售税和相对标准偏差值计算的相关矩阵,如图10。数据显示9和10,几乎所有的持久的拓扑结构熵值脑电图信号引起的销售税(蓝色)高于诱导的相对标准偏差(红色);相反的情况,当持续熵计算距离矩阵。测量和分析的结果,很明显,乐队有显著差异α和θ乐队,符合相应的原始信号的整体趋势。然而,在乐队,两种类型的属性的方法是类似的,比较的结果相对标准偏差和销售税类似如图11。
总结,我们已经提出了一个神经生理学方法的认知评估完形的形状和轮廓图像通过脑电图。当受试者感知RSD为图像,与消费税的形象相比,更多的大脑区域参与认知过程。可以理解,人类大脑的随机性。TDA用于提取EEG信号的生理特性引起的形状轮廓。结果验证脑电图数据消费税引起的图像在β乐队,和持久的两种计算方法得到的熵值低于RSD的形象。持久的熵值α和θ乐队和整体1-45赫兹乐队一直显示 与相关矩阵计算方法 距离矩阵计算方法。
与传统的神经生理学方法相比基于诱发电位(要求一个特定的实验范式),我们的方法提供了一种可归纳的方法,可以从整个大脑信号中提取的总体信息,不仅仅是性能。我们的方法不仅关注大脑对外界刺激反应还在算法设计的规范化和提取数字特征,可以可靠地分类,代表不同的认知观念。代数拓扑用于解释协调各种神经在人类大脑区域之间的关系。这项工作可以作为灵感来源的分析方法复杂的神经网络的协同工作。复杂的神经网络模型的维数降低一维持久熵来衡量其特点。
自本文聚焦于一个特定的完形轮廓认知的情况下,未来的研究可能扩展到更多的分析不同的完形轮廓的认知,甚至颜色或内容认知和逐步尝试利用TDA解释认知过程。与前面的EEG信号分析实验,这项工作意味着可行性来解释人类的大脑意识模式可分的方式,这是一个初步探索感觉意识。此外,深化理解大脑的神经网络链接行为的大脑反应过程从外部刺激到数字特性可以激励我们去建立一个新的人工神经网络结构,这需要进一步的研究和实验。
4所示。结论和未来的工作
在本文中,我们提出了一种方法从脑电图轮廓的生理评价认知使用持久性同源性的大脑网络及其分离提取数字功能,持久的熵(PE)。我们的方法获得了通过集成EEG认知相关的神经信息收集与传统完形心理学测试程序和生理上获得有意义的功能的大脑反应不同的形状轮廓拓扑数据分析(TDA)。验证实验结果表明,当受试者感知混乱分布图像,更多的大脑区域,但更平均水平值,当他们认为下令图片,会有明确的反应区域特征更加突出。体育计算通过使用两个不同的脑电图相关特征提取矩阵都是可分的。在 , ,和(1-45 Hz)乐队,整体性能是一致的,在两种类型的计算乐队已经达到一个统一的计算值和分类情况的结果。上述结果可以直观地显示在一些特定B2BC交互场景中,一个特定的人类大脑神经信号的传播为特征信号(PE)。
完形轮廓认知的神经生理学评估过程是一个初步研究探索人类意识的形成。实验结果表明,常规脑电图信号数字化和电极点转化为矩阵关系,然后Vietoris-Rips复杂构造使用拓扑计算表达特点。令人鼓舞的是显示了很好的分离,它提供了一种B2BC发展的可能性。
目前,仍然存在一定的局限性,特别是在以下两个方面:(1)一是无创性电信号采集设备不能完全恢复电信号产生的空间位置,这意味着我们的拓扑重建的准确性建设不能恢复原信号所产生的意识(2)第二,代数拓扑的使用还处于初步阶段,并需要更多的实验来验证该方法的鲁棒性。
未来的工作前景可以扩展从广度和深度两个维度。宽度是有很多形式的有意识的思考,因为项目是一个探索性的实验中,我们使用轮廓识别作为起点。后续工作可以开发更高级的认知的意识分析行为,如简单的数学问题的计算,简单的对与错的判断逻辑,等等。要求我们进一步加强深度,加强该方法在现有研究的基础上。我们可以试着完善基于性别差异的研究,大脑区域选择,更详细的试验分割,和频带选择以验证该方法的鲁棒性和可靠性。这些任务的实现和渐进的发展将为我们的未来打下坚实的基础实现脑-机互连和那么互连技术,这也是一个有效的方法来模拟,实现人类智能。人类意识和思维活动的分析在这工作也扩展了脑电图分析的广度和深度。这一领域的研究仍处于初步阶段,我们提供参考的启发意义。
数据可用性
在这项研究中收集的数据我们自己的实验,可从第一作者((电子邮件保护))要求。
的利益冲突
作者宣称没有利益冲突。
确认
这项工作是支持中国国家重点研发项目的一部分在格兰特2020 yfb1804800,部分是由中国国家自然科学基金资助下61731002和61731002,浙江关键部分的研究和发展计划拨款2019 c01002和2019 c03131下,部分华为合作项目,部分项目由浙江实验室在2019年授予lc0ab01,部分项目由工业和信息化部在拨款2019-00891-2-1,而在中国浙江省自然科学基金的一部分在格兰特LY20F010016。