ЭЭГ для медкомиссий, Электроэнцефалограмма для комиссии
ЭЭГ для медкомиссий, Электроэнцефалограмма для комиссииЭЭГ для медкомиссии — общая информация
Электроэнцефалография (ЭЭГ) признана обязательной процедурой для получения допуска к управлению транспортным средством с 2014 г. ЭЭГ необходима для окончательного заключения экспертизы в рамках прохождения водительской медкомиссии. ЭЭГ представляет собой анализ функционального состояния головного мозга и его реакции при условии внешних раздражителей.
Метод ЭЭГ применяется для диагностики эпилепсии и выявления эпилептической активности на ранних стадиях. Помимо этого, ЭЭГ позволяет выявить патологии в работе мозга, степень нарушения мозговых функций при различных заболеваниях ЦНС и непосредственно подобрать эффективное лечение.
Стоимость ЭЭГ
Мы предлагаем гибкую ценовую политику на удобных для клиента условиях.
Запросить стоимость услуги вы можете одним из удобных для вас способов:
Адреса центров для проведения ЭЭГ
- Фрунзенский район, м.
- Невский район, м. Улица Дыбенко, Улица Дыбенко, дом 25, корпус 1;
- Выборгский район, м. Озерки, Выборгское шоссе, дом 5, корпус 1, лит. 3;
- Приморский район, м. Комендантский проспект / Пионерская, Проспект Королева, дом 48, корпус 5;
- Красносельский район, м. Проспект Ветеранов, Улица Летчика Пилютова, дом 6, корпус 2;
- Петроградский район, м. Петроградская / Горьковская, Улица Мира, дом 16;
- Адмиралтейский район, м. Садовая / Сенная / Спасская, Улица Декабристов, дом 16;
- Кировский район, м. Кировский завод, Проспект Стачек, дом 46.
Стоимость
Рассчитывается индивидуально
Требуемые документы
- Паспорт РФ.
Время прохождения
30 минут
Важная информация
В нашем центре вы можете получить распечатку данных ЭЭГ.
Адреса и время работы
Нам уже доверяют
Наши преимущества
8 центров в Санкт-Петербурге
До любого центра можно добраться от ближайшей станции метро за 10 — 15 минут.
Наши центры есть в Адмиралтейском, Выборгском, Кировском, Красногвардейском, Красносельском, Петроградском, Приморском и Фрунзенском районах.
Выгодные условия работы с юридическими лицами
Персональный подход к каждому клиенту: гибкая система оплаты на удобных для клиента условиях; заключение договора и оплата по безналичному расчету; проведение профессиональных, периодических и предрейсовых осмотров на территории заказчика в сертифицированных мобильных медицинских пунктах.
Квалифицированные врачи и современное оборудование
Все наши врачи — профессионалы своего дела. Центр «Медикум» уделяет большое внимание качеству предоставляемых услуг.
Удобный формат прохождения комиссий
Вы можете пройти медицинскую комиссию в любой день, мы работаем ежедневно. Только в самых крайних случаях вы не успеете пройти медкомиссию за 30-35 минут.
Удобные варианты оплаты
Мы предлагаем 5 вариантов оплаты медицинских комиссий, включая дистанционную оплату по банковским картам.
© 2016 — 2021 Сеть медицинских центров «Медикум» — все права защищены. Использование материалов сайта запрещено без письменного разрешения.
Информация предоставленная на сайте не является публичной офертой.
VK87345
Изменился порядок выдачи медсправки для получения прав — Авторевю
Перечень врачей, у которых нужно пройти осмотр водителям категорий А и В сократился: хирурга, невролога и отоларинголога больше посещать не надо.
Исключили и электроэнцефалографию (ЭЭГ). В списке остались только терапевт, офтальмолог, психиатр и нарколог. Посещение других специалистов может стать обязательным, если терапевт выявит симптомы болезней, противопоказанных для управления ТС.
При подозрении на злоупотребление алкоголем, нарколог теперь имеет право назначить анализ мочи на наличие психоактивных веществ или анализ крови для определения карбогидрат-дефицитного трансферрина (CDT) — это лабораторный маркер, определяющий хроническое употребление алкоголя. А психиатр, согласно приказу Минздрава, может направить водителя на психиатрическое освидетельствование, если имеются симптомы заболеваний. При отказе проходить допосмотры и сдавать анализы, медсправку не выдадут. Посещение невролога и лора, а также ЭЭГ, по-прежнему обязательны для водителей категорий С, CE, D, DE, Tm, Tb и подкатегорий.
С 1 июля вводится новый образец справки, но старые бланки будут иметь силу до 1 июля 2017 года. Приказом Минздрава утвержден также другой срок действия медсправки: двенадцать месяцев с момента выдачи.
До этого для рядовых водителей, не имеющих специальных отметок, документ работал два года. Напомним, что с середины февраля вступило в силу постановление правительства, согласно которому справка не нужна при замене поврежденных или утерянных водительских прав, при изменении персональных данных и при получении международных прав.
Медицинская справка 003ву для ГИБДД Химки
Звоните 8 (499) 430-03-36
Медицинская справка для водительских прав – является обязательный документ, без которого не получить удостоверения водителя. Часто автошколы требуют её ещё раньше: перед тем как допускают ученика к занятиям по вождению.
Перечень врачей медицинской комиссии зависит от того, какую категорию нужно получить. Так для А, В или М, нужно должен пройти осмотр у терапевта, офтальмолога, и обязательно посетить нарколога и психиатра. Обследования психиатром и наркологом проводятся в учреждении, оказывающим психиатрическую помощь населению.
Чтобы получить справку 003ву на С, Д Tm и Tb категории, необходимо пройти тех же врачей, и кроме них – отоларинголога и невролога.
В первую очередь необходимо посетить психиатра и нарколога, они указывают, что водитель не состоит на их учёте. Затем посещают всех остальных профильных специалистов, а терапевта – в последнюю очередь, но он может направить на дополнительные обследования, или же напишет общее заключение. Противопоказаниями к выдаче являются серьёзные психические расстройства, тяжёлые внутренние заболевания, плохое зрение, не корректирующееся очками., проблемы с конечностями.
На медицинской справке для водительского удостоверения должен стоять штамп медцентра, который её выдал. Осмотр врачей продолжается не более получаса. Преимущество обращения в клинику — оперативность получения нужного бланка. Все врачи находятся в одном здании и принимают одновременно: не приходится стоять в очереди или долго ожидать приёма.
Стоимость услуги вполне доступна.
Когда требуется медицинская справка 003ву
Она выдаётся на унифицированном бланке, где в верхней части напечатано название клиники, и данные о наличии лицензии. Под шапкой указываются паспортные данные.
На обратной стороне пишется заключение о том, что противопоказания к вождению отсутствуют, или указываются ограничения
Получить её необходимо:
- при сдаче на права и получении первого ВУ;
- при их продлении;
- восстановлении ВУ, если оно было утрачено, или его изъяли за нарушение правил;
- при получении другой категории плюс к уже имеющимся;
- для снятия ограничений, если ранее они были наложены по состоянию здоровья;
- при прохождении профосмотра профессиональным водителям.
Срок действия
Так как само удостоверение необходимо менять раз в 10 лет, часто считается, что столько же действует и медицинская справка для замены водительского удостоверения, однако это не так.
Для категорий A, B, C, D и E срок её действий составляет два года, а для профессиональных – один год. Если водитель вынужден заменять права, например, после их утери, но срок действия их и медсправки при этом ещё не истёк, проходить медкомиссию заново ему не потребуется. Если же срок действия ВУ истёк, документ придётся делать заново.
Получить документ можно в медцентре «Доктор с Вами» в Химках, имеющим лицензию на предоставление такого рода услуг, только тогда он будет считаться действительным. При обращении нужно иметь паспорт, или заменяющий его документ.
Цены
Водительская справка для ГИБДД в Туле
Когда необходимо оформить водительскую справку:- при первичной сдачи экзамена на получение водительского удостоверения любой категории;
- при смене водительского удостоверения по истечению срока годности или иным причинам;
- при восстановлении водительского удостоверения в результате утери или порчи.
Справка действительна на протяжении 12 месяцев с момента её выдачи, однако, существуют ограничения, связанные с состоянием здоровья, которые могут сократить срок действия справки.
Образец справкиВ стоимость услуги включено:
Документы, требуемые для оформления справки для ГИБДД:
При отказе свидетельствуемого от прохождения медицинского освидетельствования или от прохождения хотя бы одного из осмотров или обследований врачами-специалистами, инструментальных и лабораторных исследований, предусмотренных настоящим Порядком, медицинское заключение не оформляется.
Перед обращением за услугой ознакомьтесь с противопоказаниями:
Если Вы не уверены какая категория Ваша, то воспользуйтесь этой пояснительной таблицей:
Медицинский центр «Добрый Доктор Н» — это полноценное медицинское учреждение, которое имеет все необходимые лицензии и документы для оказания широкого спектра услуг, в том числе и справки в ГИБДД.
Мы выдаём справки установленного, без которой не обойтись при получении водительского удостоверения. «Добрый доктор Н» — это высококвалифицированный и внимательный персонал, обслуживание высшего качества и уютная атмосфера. Также у нас существуют системы лояльности и скидок, что экономит ваши деньги и бережёт здоровье!
Для прохождения медицинской комиссии и дальнейшего оформления справки вам потребуется:
- Справка из наркологического и психиатрического диспансера о возможности управлять транспортным средством или об отсутствии вашей постановке на учёт;
- Паспорт гражданина Российской Федерации с постоянной или временной регистрацией, а также талон временной регистрации при его наличии;
- Военный билет или справка о негодности службы в армии и расшифровка из военкомата для мужчин.
- Лица, имеющие травмы различного рода, а также инвалидность, хронические заболевания, должны предъявить соответствующие документы (больничные карты или выписки, а также заключения специалистов). Это упростит процесс оформления справки для ГИБДД.
Это упростит процесс оформления справки для ГИБДД.Прохождение медицинской комиссии проходит следующим образом:
- После получения всех необходимых справок из наркологического и психиатрического диспансера, вам необходимо оформиться в нашей регистратуре и приступить к прохождению специалистов.
- Во время прохождения специалистов, сотрудники регистратуры заполнят вашу карту и справку.
- Данные справки заносятся в специальный регистрационный журнал (дата, номер, получатель).
- После прохождения всех специалистов, Вы получаете на руки справку и все дополнительные сопровождающие документы.
Водительская медкомиссия в Бутово — МЦ Клиник (Москва, ЮЗАО)
Водительская медкомиссия — это обследование пациента, в ходе которого определяется его пригодность для управления транспортным средством.
Внимание! Прохождение медкомиссии в клинике в Бутово временно не производится, но Вы можете заказать курьерскую доставку справки у наших операторов по телефону.
Медкомиссия на права включает в себя осмотр у таких врачей:
- Психиатр-нарколог определяет наличие или отсутствие зависимости от психотропных веществ. При необходимости направляет на анализы крови и мочи для исследования состава этих жидкостей.
- Психиатр проверяет пациента на состояние психического здоровья.
- Врач-офтальмолог проверяет остроту зрения.
- Терапевт выписывает заключение. Именно им выдается медицинская справка.
Получение прав категории С и выше требует прохождения дополнительного обследования: осмотр у невролога и отоларинголога, а также запись ЭЭГ. Результаты также передаются терапевту.
Медицинское разрешение на водительское удостоверение не выдается в таких случаях:
при неврологических заболеваниях, препятствующих вождению:
- эпилепсия, нарушения вестибулярного аппарата и т.д.;
- умственная отсталость;
- психическое заболевание;
- нарушение слуха и зрения;
- наркотическая, алкогольная и токсическая зависимость.
Медкомиссия на права обязательна для всех, кто впервые получает права, повышает категорию или кому требуется продление прав или замена водительского удостоверения. Срок действия новой справки на права – 12 месяцев, после просрочки требуется ее восстановление с повторным прохождением всех специалистов. Запись на проведение медкомиссии в Бутово осуществляется ежедневно.
Запись на прием
Вам необходима помощь специалиста или хотите записаться на приём?Звоните! Мы работаем с 9:00 до 23:00!
+7 (495) 432-49-99
Водительская — Первая Медицинская Комиссия
Водительская
Для того, чтобы получить, продлить или восстановить права на вождение какого-либо транспортного средства, вам нужно подтвердить, что у вас нет медицинских противопоказаний к этому.
Подтверждением отсутствия таких противопоказаний является медицинская справка 003-В/у, в просторечии известная как справка в автошколу, на права, в ГИБДД (ГАИ) или водительская медкомиссия.
В каких случаях у вас попросят эту справку?
- Если вы впервые получаете водительское удостоверение (поступаете в автошколу или сдаете на права). В этом случае справку понадобится предоставить в автошколу и в МРЭО.
- Если вам требуется поменять права, потому что их срок действия истек (1 раз в 10 лет).
- Если вас лишили водительского удостоверения (например, за вождение в нетрезвом виде), и вы хотите его восстановить.
- Если вы хотите получить другую водительскую категорию. Например, у вас были права категории А или В, а теперь вы хотите получить категорию C или D.
- Если вы работаете профессиональным водителем. В этом случае справку понадобится обновлять каждый год.
Справка об отсутствии медицинских противопоказаний необходима не только для вождения автотранспорта, но и для получения прав на маломерные суда (справка в ГИМС), тракторы и самоходную технику. Действует такая справка в течение года с момента получения.
Каких специалистов и какие обследования нужно пройти, чтобы ее получить?
Это зависит от категории получаемых прав. Чем выше категория, тем больше обследований вам придется пройти.
Минимальный осмотр проходят водители категорий А, В и подкатегорий А и В1:
- Терапевт
- Офтальмолог
- Психиатр
Если вы получаете права на вождение маломерных судов, тракторов и самоходной техники, к этому списку прибавится еще:
- Отоларинголог
Для категорий С, СЕ и подкатегорий С1 и С1Е, вам понадобятся дополнительно:
- ЭЭГ (электроэнцефалограмма)
А для категорий D, DE и подкатегорий D1 и D1E, помимо всех вышеперечисленных, также:
- Психиатр
- ЭКГ (электрокардиограмма)
Как видите, список получается довольно внушительный.
Что же делать? Провести минимум неделю в районной поликлинике и посетитьдва, а то и три диспансера, чтобы получить все необходимые заключения?
Все гораздо проще! Вы можете обратиться в удобный вам центр «Первая Медицинская Комиссия». Там вы сможете пройти всех специалистов в одном месте и получить справку прямо в день обращения, после медицинского осмотра, который займет всего лишь около 30 минут.
Что для этого понадобится? Должен ли я заранее получить и принести вам справки от нарколога, психиатра и т.п.?
Для прохождения медкомиссии вам не понадобятся справки из диспансеров или иных сторонних медицинских учреждений. Достаточно иметь при себе паспорт!
Вам также понадобится одна фотография размером 3х4см для оформления амбулаторной карты, но даже ее вы можете сделать на месте.
Будет ли такая справка официальной? Примут ли ее в автошколе или ГИБДД?
Разумеется! Наши центры располагают всеми необходимыми лицензиями (вы можете посмотреть их ниже), и справка выдается в строгом соответствии с Приказом Министерства здравоохранения РФ от 15 июня 2015 г.
№ 344н и Постановлением Правительства № 1396.
Все оформленные документы заверяются печатью и подписью главного врача и регистрируются в электронной базе. Это гарантирует их подлинность и возможность быстрого восстановления в случае утери.
Отлично! Где находятся ваши центры и как к вам записаться?
«Первая Медицинская Комиссия» расположена по адресу г. Великий Новгород, переулок Юннатов, дом 5 и работает с понедельника по субботу.
Вы можете записаться по следующим телефонам:
- +7 (921) 841-36-31
- +7 (8162) 70-00-73
или оставить заявку онлайн, выбрав удобное время и филиал.
Оформление справки для ГИБДД в Москве
Если вы хотите водить автомобиль, у вас должно быть специальное медицинское разрешение. Такую справку выдает медицинское учреждение, получившее государственную лицензию. Где пройти врачей для водительской справки для ГИБДД в Москве? Это можно сделать в нашем медицинском центре «СоцМед».
Наша клиника имеет необходимые разрешения для выдачи необходимых справок. У нас работают компетентные специалисты с большим опытом работы. Это позволяет получить официальный документ в течение часа.
Описание услуги
Перед сдачей экзамена на вождение каждый человек, посещающий автошколу, должен принести справку о состоянии своего здоровья. Можно ли купить водительскую справку? Эта услуга платная, стоимость зависит от категории прав, которые должен получить будущий водитель.
Соответствующий документ выдается только после прохождения медицинской комиссии. Ведь если у человека есть некоторые патологии, которые препятствуют получению этой справки, он может создать опасную ситуацию на дороге. Поэтому медицинские специалисты, подписывающие справку, должны быть уверены, что у человека нет противопоказаний для управления транспортным средством.
В клинике «СоцМед» работают профессионалы с большим опытом. Они проведут медосмотр и необходимые анализы быстро. Вам не нужно стоять в бесконечных очередях. Записаться на прием можно в удобное для вас время.
Форма
Наши специалисты заполняют новую форму справки для ГИБДД для замены прав, а также выдают необходимые документы для начинающих водителей. Срок действия справки для ГИБДД зависит от некоторых факторов. Обычно она выдается сроком на 2 года.
Если водителю не исполнилось 21 год или уже есть 50 лет, справка выдается на год. Это справедливо и для людей, которые имеют некоторые физические ограничения. Например, если водитель носит очки или линзы, он должен проходить медкомиссию каждый год.
После прохождения комиссии выдается правильно заполненный бланк с подписями врачей и печатью медицинского центра. Этот документ имеет юридическую силу.
Врачи
Многие водители не знают, каких врачей нужно пройти для справки ГИБДД. Для получения удостоверения категории А, А1, В, ВЕ, М нужно пройти следующих врачей:
- офтальмолог;
- терапевт.
В некоторых случаях терапевт может дать направление на консультацию невролога. Нужно ли проходить психиатра для справки ГИБДД в Москве? Будущие водители должны получить консультацию и у этого специалиста. Также придется посетить нарколога.
Для водителей всех остальных категорий кроме перечисленных консультаций потребуется посетить следующих врачей:
- отоларинголог;
- невролог.
Где пройти нарколога для справки в ГИБДД в Москве? Необходимые консультации можно получить в медицинском центре «СоцМед».
Анализы
Кроме консультаций врачей нужно пройти ряд лабораторных и функциональных обследований. Нужно ли проходить ЭЭГ для водительской справки? Законодательно установлено, что без этого обследования медицинское разрешение не может быть выдано. Поэтому все водители проходят ЭЭГ.
Также водители интересуются, какие анализы нужно сдать для водительской справки. Нарколог и психиатр могут потребовать сдать дополнительные анализы крови и мочи.
Если отклонений от нормы не будет выявлено, справка заполняется терапевтом и выдается на руки. Для получения этого документа при себе нужно иметь паспорт. Если комиссия проходится повторно, нужно водительское удостоверение. Это позволит продлить справку.
Обратитесь в регистратуру клиники «СоцМед», чтобы записаться на проведение обследования и получение справки в ГИБДД.
Обнаружение усталости при вождении с помощью ЭЭГ с использованием модифицированного метода PCANet
Быстрое развитие автомобильной промышленности внесло в нашу жизнь большое удобство, что также привело к резкому увеличению количества дорожно-транспортных происшествий. Большая часть дорожно-транспортных происшествий была вызвана усталостью от вождения. ЭЭГ считается прямым, эффективным и многообещающим методом выявления усталости от вождения. В этом исследовании мы представили новую стратегию извлечения признаков, основанную на модели глубокого обучения, для достижения высокой точности классификации и эффективности использования ЭЭГ для обнаружения усталости от вождения.Сигналы ЭЭГ были записаны от шести здоровых добровольцев в эксперименте по моделированию вождения. Стратегия извлечения признаков была разработана путем интеграции анализа главных компонентов (PCA) и модели глубокого обучения, называемой сетью PCA (PCANet). В частности, анализ главных компонентов (PCA) использовался для предварительной обработки данных ЭЭГ, чтобы уменьшить их размер, чтобы преодолеть ограничение на взрыв размерности, вызванный PCANet, что делает этот подход применимым для обнаружения усталости при вождении на основе ЭЭГ.Результаты продемонстрировали высокую и надежную производительность предложенного модифицированного метода PCANet с точностью классификации до 95%, что превосходит традиционные стратегии извлечения признаков в полевых условиях. Мы также определили, что теменная и затылочная доли мозга сильно связаны с усталостью от вождения. Насколько нам известно, это первое исследование по практическому применению модифицированной техники PCANet для определения усталости от вождения на основе ЭЭГ.
1. Введение
Как ведущий фактор дорожно-транспортных происшествий, усталость от вождения является причиной 14–20% дорожно-транспортных происшествий, приводящих к серьезным травмам и гибели людей [1].Следовательно, в последние годы все больше внимания уделяется безопасности вождения. Считается, что на безопасность вождения влияет множество факторов, включая монотонную обстановку, недосыпание, хроническую сонливость, употребление наркотиков и алкоголя [2, 3], при этом наиболее распространенным фактором является усталость от вождения [4, 5]. В такой ситуации водители, скорее всего, засыпают и водят машину неосознанно, что представляет собой не только серьезную угрозу для собственной жизни и безопасности водителя, но и серьезную угрозу для пешеходов и других транспортных средств.Поэтому обнаружение усталости от вождения имеет большое значение для снижения частоты и тяжести дорожно-транспортных происшествий [6].
В последние годы было предложено множество методов для определения усталости от вождения. Например, Hiesh и Tai разработали встроенную систему цифровой обработки сигналов (DSP) на основе инфракрасного света для захвата лица водителя и определения усталости от вождения путем определения открытия и закрытия глаз [7]. В другом исследовании метод расчета, названный как улучшенный процент закрытия век по сравнению с увеличением зрачка сверхурочной работы (PERCLOS), использовался в качестве стандартного критерия для оценки того, устал ли водитель или нет [8].Хотя этот метод удобен при обнаружении усталости, он уязвим для освещения окружающей среды, такого как яркость, что приводит к плохим характеристикам обнаружения [9]. Позже было разработано сенсорное устройство, называемое системой контроля рулевого колеса (SAM), для обнаружения усталости от вождения путем отслеживания ненормального движения рулевого колеса транспортного средства [10]. Хотя обнаружение рулевого колеса отличается хорошими характеристиками в реальном времени и низкой стоимостью, оно также страдает плохой защитой от помех и низкой надежностью [11].
В последнее время в этой области все чаще исследуется определение утомляемости на основе физиологических сигналов, таких как электроэнцефалограмма (ЭЭГ), электрокардиограмма (ЭОГ), электромиограмма (ЭМГ) и электрокардиограмма (ЭКГ) [4, 12–19]. Среди них ЭЭГ обладает некоторыми основными преимуществами в обнаружении усталости при вождении благодаря высокому временному разрешению, высокой портативности и хорошей чувствительности к утомлению. Имея это в виду, в различных исследованиях предпринимались попытки выполнить классификацию на основе ЭЭГ с использованием различных методов обработки сигналов для точного определения усталости во время вождения.Например, Ян и др. реализовано обнаружение усталости от вождения с использованием объединения информации и динамической байесовской нейронной сети [20]. В другом исследовании Zhao et al. продемонстрировали, что вейвлет-пакет можно использовать для извлечения характеристик из сигнала ЭЭГ и классификации условий возбуждения с помощью машины опорных векторов (SVM) [21]. Однако обнаружение усталости во время вождения на основе ЭЭГ по-прежнему сталкивается с проблемами. Например, сигналы ЭЭГ обычно собираются с низким отношением сигнал / шум (SNR), что требует больших усилий при предварительной обработке необработанных данных ЭЭГ.Более того, широко используемые методы классификации на основе ЭЭГ в значительной степени зависят от функций, созданных вручную, что требует много времени и в значительной степени зависит от квалифицированного специалиста в данной области до выполнения прогнозов. Следовательно, существует очевидная необходимость в разработке новой стратегии для повышения надежности и эффективности обнаружения усталости при вождении на основе ЭЭГ.
В качестве упрощенной модели глубокого обучения, основанной на сверточной нейронной сети (CNN), была разработана сеть анализа главных компонентов (PCANet), которая широко используется для извлечения признаков при обработке двумерных изображений [22].Ссылаясь на предыдущее исследование, в котором выполнялось обнаружение лжи на основе ЭЭГ [23], PCANet оказался очень эффективным в решении проблемы классификации, поскольку он автоматически извлекал особенности из многоканальных данных ЭЭГ на основе техники глубокого обучения, а не извлекал вручную созданные особенности обычными способами. Однако при большой размерности входных данных PCANet может подвергаться феномену взрыва размерности, что резко увеличивает сложность и стоимость вычислений, затрудняя эффективное использование при обработке многоканальных сигналов ЭЭГ.
Для решения этой проблемы данное исследование было направлено на адаптацию алгоритма PCANet для повышения эффективности традиционного определения усталости от вождения на основе ЭЭГ путем включения анализа главных компонентов (PCA) с методом PCANet. В частности, PCA используется для предварительной обработки многоканальных сигналов ЭЭГ и уменьшения размерности данных перед обработкой PCANet. Эффективность предложенного модифицированного метода PCANet при обнаружении усталости при вождении была оценена путем сравнения с традиционным PCANet и другими традиционными методами извлечения признаков, широко используемыми при обнаружении усталости при вождении [4].
2. Методы и материалы
2.1. Общая структура и цель
Основная структура этого исследования показана на рисунке 1. Данные ЭЭГ сначала были собраны в смоделированной среде вождения, а затем были выполнены стандартные процедуры предварительной обработки сигналов. Затем PCA использовался для уменьшения размерности предварительно обработанных сигналов, которые подавались в PCANet для выделения признаков. Наконец, извлеченные признаки были классифицированы с использованием машины опорных векторов (SVM) и классификатора K -ближайших соседей (KNN) в зависимости от условий движения.
2.2. Участники
Шесть добровольцев мужского пола (правши, возраст 25,00 ± 2,00 года) с действующими водительскими правами были набраны для участия в эксперименте. Все испытуемые были физически и психологически здоровы, без нарушений сна. Эксперимент был одобрен советом по этике исследований Провинциального центра реабилитации после производственных травм Гуандун и проводился в соответствии с Хельсинкской декларацией. Каждый субъект был полностью проинформирован о цели исследования и предоставил письменное информированное согласие до начала эксперимента.
2.3. План эксперимента и сбор данных
Для сбора сигналов ЭЭГ использовалась 32-канальная система регистрации ЭЭГ (Brain Products GmbH, Германия) с частотой дискретизации 500 Гц. Электроды ЭЭГ накладывались на кожу головы по международной системе стандартов 10–20. В этом исследовании использовалась усовершенствованная система моделирования вождения (Shanghai Infrared Automobile Simulator Driving Equipment Co., Ltd., Китай) для моделирования реальных условий вождения. Вкратце, система моделирования вождения может имитировать реальные сценарии вождения с динамически изменяющимися представлениями об автомобиле и окружающем движении.Как показано на рисунке 2, система моделирования вождения состояла из неподвижного рулевого колеса автомобиля, педалей тормоза и акселератора, трех больших экранов, высокопроизводительного компьютера, программного обеспечения для моделирования вождения и многофункциональной платы сбора данных. Эта система может быть адаптирована для измерения сигнала ЭЭГ в различных состояниях вождения в реальном времени.
Всем участникам было предоставлено достаточно времени, чтобы попрактиковаться и ознакомиться с системой симуляции вождения до начала эксперимента.Для каждого субъекта в этом исследовании были собраны наборы данных в двух состояниях, включая состояние бодрствования и состояние усталости. Для сбора данных в состоянии бодрствования все испытуемые должны были поддерживать естественный и адекватный сон в течение примерно 8 часов в течение ночи перед экспериментом. Данные ЭЭГ собирали в 9 часов утра следующего дня в течение 30–60 минут, пока испытуемые вели вождение в моделируемой среде. Для сбора данных об утомляемости всем испытуемым разрешалось спать только 4 часа в течение ночи перед экспериментом.Затем данные ЭЭГ были измерены в 9 часов утра в течение 30-60 минут, когда субъекты управляли автомобилем в смоделированной среде. В частности, дорожка для вождения была относительно длинной, прямой с плавными изгибами и почти без пешеходов, чтобы увеличить сонливость испытуемых в группе усталости, в то время как путь был установлен относительно сложным, чтобы избежать сонливости испытуемых в группе бодрствования. Во время записи наблюдатель, сидящий на расстоянии 2 метров от субъектов, следил за их поведением, не причиняя им никакого беспокойства.Наблюдатель решал, находится ли испытуемый в состоянии усталости или в состоянии бодрствования, наблюдая за признаками сонливости (закрытие глаз более двух секунд и кивок головы, большое отклонение от дороги) [4, 24]. Запись данных была прекращена через 30 минут после того, как у испытуемых начали появляться признаки усталости. Если субъект не проявлял никаких признаков сонливости после 60 минут измерения, эксперимент прекращался, а данные субъекта исключались из дальнейшего анализа. Эксперимент проводился в тихой, спокойной лаборатории при температуре окружающей среды около 22 ° C.
2.4. Предварительная обработка и анализ данных
Все анализы данных в этом исследовании были выполнены с использованием MATLAB (2014a, MathWorks, Натик, Массачусетс). Для анализа были выбраны 20-минутные сигналы ЭЭГ в каждом состоянии. Необработанные многоканальные сигналы ЭЭГ сначала подвергались субдискретизации с 500 Гц до 200 Гц. Затем был применен полосовой фильтр третьего порядка (0,1–45 Гц) для удаления таких артефактов, как медленный дрейф, высокочастотный шум и помехи от линий электропередач. Затем 20-минутные предварительно обработанные данные ЭЭГ для каждого состояния были сегментированы 10-секундным временным окном, в результате чего было получено 120 образцов для каждого состояния и каждого субъекта.Стоит отметить, что в этом исследовании один образец представлял собой двумерную матрицу (32 канала × 2000 точек данных). В целом, для классификации было получено 1440 образцов от всех испытуемых (720 образцов для бодрствования и 720 образцов для утомления).
2.5. Уменьшение размерности PCA и извлечение основных характеристик
В этом исследовании предложенная модифицированная сеть PCANet состояла из двух этапов: уменьшения размерности на основе PCA и извлечения функций на основе PCANet (рис. 1). Чтобы преодолеть проблему увеличения размеров, вызванную обычным PCANet, сначала был использован PCA для уменьшения размерности каждой выборки ЭЭГ.Вкратце, для заданных данных выборки ЭЭГ (32 канала × 2000 точек) PCA преобразовал данные в 2000 линейно некоррелированных компонентов, известных как главные компоненты, упорядоченные по величине дисперсии исходных данных, на которые приходится каждый компонент [25 , 26]. Сохраняя первые r компонентов с наибольшими отклонениями и удаляя оставшиеся компоненты, размер исходных данных выборки может быть уменьшен до 32 на r . Чтобы сохранить исходную информацию о сигнале как можно более нетронутой, мы сохранили предыдущие компоненты –, которые составляли не менее 99% исходного сигнала в качестве порогового значения, которое составляло 20 для всех выборок в этом исследовании.Поэтому размер каждой выборки был уменьшен до 32 на 20 после оптимизации PCA, и оптимизированные данные ЭЭГ были проанализированы с помощью PCANet для извлечения признаков на следующем этапе.
2.6. Извлечение функций на основе PCANet
Как мы уже представили ранее, PCANet широко используется при обработке двумерных изображений, например, при распознавании лиц [27]. В этом исследовании каждая оптимизированная выборка ЭЭГ обрабатывалась как двумерная матрица данных (32 × 20) и передавалась в PCANet для выделения признаков.
Рабочий процесс сети PCANet показан на рисунке 3, а подробности алгоритма можно найти в [22, 28].Вкратце, PCANet состоит из двух слоев фильтрации на основе PCA и выходного уровня, который включает обработку двоичного хеширования и поблочную гистограмму.
Предположим, у нас есть N входных отсчетов после предварительной обработки данных ЭЭГ. Здесь каждая выборка ЭЭГ обрабатывается как двумерный сигнал размером м × n (номер канала × номер выборки). Учитывая входную выборку ЭЭГ, скользящее окно размера используется для централизации выборки ЭЭГ путем вычитания среднего значения данных каждого окна из соответствующего окна.Каждое централизованное окно далее векторизуется в один столбец, из которого входная выборка ЭЭГ преобразуется в новую двумерную матрицу, состоящую из всех централизованных окон. Такая же обработка применяется ко всем входным выборкам ЭЭГ () для получения следующей структуры данных: где — количество столбцов в.
Затем новая векторизованная матрица используется для выполнения фильтрации PCA в первом слое. В частности, ковариационная матрица X , обозначенная как, вычисляется и применяется для выбора собственных векторов, соответствующих главным собственным значениям, в качестве фильтров PCA.Для выборки ЭЭГ – выход первого слоя PCA затем задается сверткой входной выборки ЭЭГ и фильтров PCA: где обозначает –-й выход –-й выборки ЭЭГ и форма с нулями для обеспечения того же размера и.
Второй уровень PCA аналогичен первому уровню. Выходные данные первого уровня PCA централизованы с помощью того же скользящего окна и применяются для выбора собственных векторов, соответствующих главным собственным значениям, в качестве фильтров PCA.Выходные данные второго уровня PCA представлены как
. С результатом, полученным в результате фильтрации двух слоев PCA, выходные данные PCANet () дополнительно обрабатываются двоичным хешированием, поскольку H (·) — это ступенчатая функция Хевисайда, которая устанавливает положительные значения как единицу и ноль для других.
Наконец, для входной выборки ЭЭГ – каждый из компонентов разбивается на блоки B . Гистограмма (с ячейками) десятичных значений в каждом блоке вычисляется и объединяется в один вектор, представленный как Bhist ().Полученная из PCANet особенность i -й выборки ЭЭГ затем обозначается как
. Обработка PCANet применяется к каждой выборке ЭЭГ для выделения признаков.
2.7. Классификация
Машина опорных векторов (SVM) и K -Ближайшие соседи (KNN) были использованы в качестве классификаторов при классификации состояний бодрствования и утомления для каждого испытуемого. Эффективность каждого классификатора оценивалась с использованием 10-кратной стратегии перекрестной проверки. На каждой итерации 90% выборок выбирались случайным образом в качестве обучающего набора, а точность, определяемая как отношение между правильными предсказаниями и общим количеством предсказаний, вычислялась на оставшихся 10% выборок, тестовом наборе.Затем была усреднена точность между 10 шагами перекрестной проверки, что дало среднюю точность для каждого субъекта. Чтобы оценить превосходство предложенного метода, полученная точность сравнивалась с производительностью, полученной с помощью традиционного метода PCANet и двух обычно используемых методов выделения признаков, то есть спектральной плотности мощности (PSD) [29, 30] и разложения вейвлет-пакетов ( WPD) [31].
В этом исследовании особенности PSD каждого канала ЭЭГ в сегментированной выборке ЭЭГ (32 канала × 2000 точек) были оценены с помощью кратковременного преобразования Фурье (STFT) с 128-точечным окном Хеннинга и частотой перекрытия 50%. .Для каждого канала ЭЭГ характеристика PSD конкретной полосы частот была вычислена путем усреднения всех квадратов значений STFT в соответствующем частотном диапазоне. В этом исследовании были исследованы пять типичных диапазонов ЭЭГ, включая дельта (0,1–4 Гц), тета (4–8 Гц), альфа (8–13 Гц), бета (13–20 Гц) и гамма (20–45 Гц). Гц). Это привело к 160 характеристикам PSD для каждой выборки ЭЭГ (5 × 32 канала).
Характеристики WPD каждого канала ЭЭГ в сегментированной выборке ЭЭГ (32 канала × 2000 точек) были рассчитаны на основе дискретного вейвлет-разложения (DWT).Вкратце, DWT разложил выбранный сигнал ЭЭГ на несколько слоев путем фильтрации сигнала квадратурными зеркальными фильтрами (фильтр нижних частот и фильтр верхних частот). Результатом каждого слоя была серия детальных коэффициентов (из фильтра верхних частот) и коэффициентов аппроксимации (из фильтра нижних частот), которые были извлечены как признаки для классификации [32]. В этом исследовании мы разложили данные каждого канала ЭЭГ (2000 точек) с помощью трехслойного вейвлета Добеши, в результате чего получили 8 групп коэффициентов (256 точек).Таким образом, всего было извлечено 65536 признаков (8 групп × 256 точек × 32 канала) для каждой выборки ЭЭГ.
3. Результаты
Ссылаясь на предыдущие исследования [4, 24], было обнаружено, что изменения в областях мозга во время бодрствования и состояний усталости были более заметными в теменной доле в альфа- и бета-диапазонах частот [33, 34]. На рис. 4 показано усредненное по группе распределение СПМ соответствующих сигналов ЭЭГ в альфа (8–13 Гц) и бета (14–20 Гц) диапазонах в состоянии бодрствования и утомления.Значения PSD были вычислены на основе среднего значения всех 10-секундных выборок ЭЭГ в каждом состоянии для каждого субъекта. Короче говоря, в состоянии утомления PSD в теменной и затылочной долях мозга была более выраженной по сравнению с распределением PSD в состоянии бодрствования.
Чтобы определить оптимальное количество фильтров PCA ( L 1 и L 2 ) при использовании PCANet, эффективность классификации варьировалась в зависимости от количества фильтров PCA, полученных для каждого объекта.На рисунке 5 показано изменение эффективности классификации для каждого объекта при использовании SVM, при этом количество фильтров PCA увеличивается с 2 до 14 для обоих уровней соответственно. В целом, для большинства субъектов (кроме подразделов 3 и 4) эффективность классификации повышалась по мере увеличения количества фильтров и постепенно снижалась, когда количество фильтров превышало 10 или 12.
Кроме того, эффективность классификации с использованием Два классификатора и различные стратегии извлечения признаков, включая традиционный PCANet, WPD, PSD и предлагаемый модифицированный метод PCANet, показаны на рисунке 6 и обобщены в таблицах 1 и 2.В целом, для обоих классификаторов при выборе оптимального числа фильтров PCA для каждого отдельного пациента традиционный PCANet и предлагаемый модифицированный метод PCANet достигли лучшей производительности при классификации состояний бодрствования и утомления. Результат парного теста t между четырьмя методами извлечения признаков показал, что методы, основанные на PCANet, значительно превзошли два других метода (), как показано на Рисунке 6 и в Таблице 2. Хотя между ними не наблюдалось значительной разницы в точности классификации. При использовании традиционного PCANet и модифицированного PCANet время, затрачиваемое на извлечение признаков, обучение модели и тестирование, было значительно сокращено при использовании модифицированного метода PCANet, что свидетельствует о высокой эффективности этого метода (таблица 3).
| |||||||||||||||||||||||||||||||||||||||||||||||||
| |||||||||||||||||||||||||||||||||||||||
| ||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
Кроме того, площадь под кривой (AUC) кривой рабочей характеристики приемника (ROC) [35], которая оценивает, насколько хорошо модель разделяет группы классифицировано, использовалось для оценки эффективности различных стратегий извлечения признаков. Как показано в таблицах 1 и 2, для обоих классификаторов значения AUC, полученные из традиционного PCANet и предлагаемого модифицированного метода PCANet, значительно выше по сравнению с функциями PSD и WPD ().Точно так же не наблюдалось значительной разницы в значениях AUC между традиционным PCANet и модифицированным PCANet.
4. Обсуждение
Это исследование было направлено на подтверждение возможности использования модифицированной сети PCANet для повышения эффективности обнаружения усталости при вождении на основе ЭЭГ. Электрическая активность нейронов регистрировалась с помощью ЭЭГ в смоделированной среде вождения, когда испытуемые испытывали как состояние бодрствования, так и состояние усталости. Мы использовали PCA, чтобы уменьшить размерный взрыв, вызванный PCANet перед классификацией.Результаты экспериментов показали значительно улучшенные характеристики при обнаружении усталости по сравнению с традиционным PCANet и другими традиционными подходами.
Изменения в диапазонах низких и высоких частот ранее наблюдались с помощью ЭЭГ в состоянии сонливости [36]. Таким образом, исследования, которые включали переход от бодрствования к состоянию сна, продемонстрировали усиление альфа-ритма [24]. Об изменении альфа-диапазона во время сонливости как в смоделированных, так и в реальных условиях вождения также сообщалось в предыдущем исследовании [37].В этом исследовании мы сравнили PSD между обоими состояниями для альфа- и бета-диапазонов частот и обнаружили повышенную PSD в затылочной и теменной областях как в альфа-, так и в бета-диапазонах (рис. 4). Этот вывод согласуется с результатами этих исследований, демонстрирующих возможность использования ЭЭГ в качестве портативного и надежного метода для отслеживания и обнаружения усталости от вождения.
Чтобы контролировать состояние мозга во время вождения, очень важно достичь высокой точности и надежности в определении состояния усталости водителя.Благодаря высокой точности классификации состояний бодрствования и усталости, достигнутой с помощью модифицированного подхода PCANet, наше исследование доказало полезность ЭЭГ для изучения усталости от вождения. В частности, существенное повышение точности классификации с использованием предложенного метода по сравнению с традиционными методами выделения признаков предлагает новую перспективу решения проблемы классификации при использовании многоканальных биосигналов, таких как сигналы ЭЭГ и ЭМГ. Примечательно, что PCA обязательно был принят до того, как PCANet использовался для извлечения функций в этом исследовании.Как показано в таблице 3, предложенный модифицированный метод PCANet значительно сократил время классификации, сохранив при этом сопоставимые характеристики по сравнению с традиционным подходом PCANet. Это свидетельствует о том, что PCA может ослабить проклятие размерности, вызванное PCANet, снижая вычислительные затраты при использовании традиционной PCANet. Пользуясь этим большим преимуществом, предлагаемый метод считается более эффективной стратегией в практическом сценарии, например, при мониторинге усталости от вождения в режиме реального времени.Кроме того, компоненты, сжатые PCA, сохраняют основные характеристики исходных сигналов, что является неотъемлемым преимуществом, предлагаемым PCA. Предварительно очищенные сигналы могут быть дополнительно улучшены с помощью PCANet для достижения значительно повышенной точности классификации. В частности, классификация по всем предметам не только показала высокую точность, но и дала более низкую дисперсию, демонстрируя хорошую надежность предлагаемого метода.
Несмотря на улучшения, достигнутые в этом исследовании, в этом исследовании все же есть несколько ограничений.Во-первых, в этом исследовании был выбран только автономный анализ и небольшой размер выборки. Классификация усталости в реальном времени должна проводиться на более широкой основе в будущем, чтобы проверить потенциал предлагаемого подхода в реальных условиях вождения. Кроме того, в этом исследовании для извлечения признаков применялась двухслойная структура PCA, и 8–12 фильтров считались оптимальными настройками для достижения наилучшей производительности. Очевидно, количество фильтров PCA в каждом слое повлияло на качество выделения признаков, что существенно повлияло на производительность и эффективность классификации усталости.Требуется дальнейшее исследование того, как автоматически выбрать лучший номер фильтра для каждой темы. Наконец, в настоящем исследовании мы сосредоточились исключительно на адаптации техники, основанной на глубоком обучении, к стандартной классификации усталости от вождения на основе ЭЭГ и обеспечиваем новую перспективу решения проблемы классификации при использовании многоканальных биосигналов. Несмотря на то, что в текущем исследовании был достигнут убедительный результат, ожидается, что в будущей работе будут оцениваться и использоваться современные алгоритмы для повышения производительности этого приложения.Несмотря на то, что упомянутые ограничения могут помешать нам сделать твердый вывод, предварительные результаты демонстрируют способность предложенного алгоритма на основе PCANet заранее отслеживать и обнаруживать усталость от вождения, чтобы предотвратить столкновение с автомобилем, вызванное сонливостью водителя.
5. Заключение
В этой статье была предложена новая стратегия извлечения признаков, включающая методы PCA и PCANet, для повышения эффективности классификации при обнаружении усталости от вождения на основе ЭЭГ.Существенно улучшенная производительность классификации была достигнута с использованием предложенного модифицированного метода PCANet по сравнению с традиционным алгоритмом PCANet и двумя традиционными стратегиями извлечения признаков. Кроме того, анализ спектра мощности сигналов ЭЭГ показал более сильное изменение мощности в затылочной и теменной областях в альфа- и бета-диапазонах. Результаты этого исследования не только продемонстрировали эффективность использования ЭЭГ для отслеживания усталости от вождения, но и предоставили новую перспективу для адаптации нового алгоритма машинного обучения для исследования природы филологических сигналов.
Доступность данных
Данные, использованные для подтверждения выводов этого исследования, можно получить у соответствующего автора по запросу.
Конфликт интересов
Авторы заявляют об отсутствии конфликта интересов.
Благодарности
Эта работа частично поддержана Национальным фондом естественных наук Китая (№ 61871427, 61671197 и 61372023) и Университетом Хьюстона.
Использование комбинированной системы ЭЭГ / NIRS для прогнозирования сонливости водителя
Участники
Испытуемые были набраны из числа студентов Института науки и технологий Кванджу (GIST).Все процедуры в эксперименте были выполнены в соответствии с руководящими принципами и правилами, утвержденными Советом по надзору учреждения при GIST (20150615-HR-18-02-06). Одиннадцать здоровых субъектов (от S1 до S11, 1 женщина в возрасте от 24 до 28 лет) согласились участвовать в исследовании. Перед экспериментом все испытуемые подписали информированное согласие. В ночь перед экспериментом испытуемых просили выспаться (не менее семи часов) и не употреблять алкоголь или кофеинсодержащие вещества.Когда испытуемые прибыли для эксперимента, им объяснили цель исследования и порядок проведения эксперимента. После подписания документа испытуемые были направлены на практику вождения, чтобы ознакомиться с системой. До и после измерений испытуемым было предложено заполнить анкету, чтобы определить уровень своей бдительности.
Экспериментальная установка
Моделируемая система вождения состояла из гоночного руля, включая тормоз и акселератор (G27 Racing Wheel, Logitech, Швейцария) и удобного кресла (GTS plus, PNS racing incorporated, Южная Корея) (рис.5а). На расстоянии 1,5 м от стула был установлен большой экран. Использовалось коммерческое программное обеспечение для моделирования вождения (Gran Turismo 5 на PlayStation 3). Дорожка имела овальную форму с четырьмя изгибами, двумя короткими и двумя длинными. Общее время прохождения круга составило примерно три минуты со скоростью 80 км / час. Скорость моделируемой системы была ограничена 100 км / час.
Рисунок 5: Экспериментальная установка.( a ) Моделируемая система вождения и ( b ) размещение электродов ЭЭГ, ЭОГ, ЭКГ и каналов NIRS, включая фотодетектор (ФД) и светодиод.
Камера (HD Pro Web-Cam C920, Logitech, Швейцария) была прикреплена к верхней части экрана для записи поведения объекта. Наблюдатель, сидящий за пределами экспериментальной комнаты, следил за поведением испытуемого и определял время окончания эксперимента. Продолжительность эксперимента составляла от 30 до 90 минут в зависимости от состояния испытуемого. Самое короткое время эксперимента составляло 30 минут, когда субъект проявлял признаки сонливости (более двух секунд закрытие глаз и кивок головы) в течение первых 30 минут вождения.С 30 -й до 90 -й минут эксперимент был закончен через десять минут после того, как наблюдатель заметил признаки сонливости. В случае, если субъект не проявлял никаких признаков сонливости, эксперимент был остановлен через 90 минут измерения, и данные субъекта исключались из дальнейшего анализа. Во время эксперимента десять субъектов (S1 – S10) проявили признаки сонливости в течение первых 30 минут вождения, в то время как один субъект (S11) не спал в течение 90 минут вождения, не закрывая глаза и не кивая головой.К тому же S9 в начале эксперимента был сонным. Поэтому для дальнейшего анализа мы использовали данные девяти субъектов (S1 – S8 и S10) и отклонили данные из S9 и S11.
Электрофизиологические данные регистрировали с помощью системы Biosemi Active Two с 64 электродами ЭЭГ, покрывающими голову, 2 электродами ЭОГ, прикрепленными рядом с глазами, и 2 электродами ЭКГ, расположенными над грудной клеткой (рис. 5b). Система получила сигнал с использованием программного обеспечения BCI 2000 35 , дискретизированного с частотой 512 Гц.Данные NIRS, включая изменения концентрации окси-, дезокси- и общего гемоглобина (HbO, Hb и THb), собирались в префронтальной области с частотой 10 Гц с использованием специально созданной 8-канальной системы NIRS. (Рис. 5б). Подробное описание конструкции системы NIRS и синхронизации мультимодальной системы можно найти в более ранней работе 30 .
Анализ данных
Предварительная обработка данных
Полученные данные были пропущены через режекторный фильтр (60 Гц) для удаления шума линии электропередачи.После этого сигналы были проверены визуально. Каналы ЭЭГ и NIRS, содержащие аномальный шум, были исключены из анализа. После этого данные ЭЭГ подвергались полосовой фильтрации от 1 Гц до 50 Гц, а данные NIRS фильтровались через фильтр нижних частот при 0,2 Гц. Затем к сигналу ЭЭГ был применен независимый компонентный анализ (ICA), чтобы разложить его на шестьдесят четыре компонента ICA. Каждый компонент ICA проверялся вручную. Компоненты, которые содержали артефакты, такие как моргание глаз и артефакты движения, были выбраны для отклонения позже.После отбраковки плохих компонентов оставшиеся компоненты использовались для преобразования обработанного сигнала ЭЭГ. Сигнал ЭКГ и ЭОГ был изменен для устранения шумовых помех.
Относительный уровень мощности ЭЭГ и гемодинамический ответ
Предварительно обработанные данные ЭЭГ были разложены на пять частотных диапазонов: дельта (1–4 Гц), тета (4–8 Гц), альфа (8–13 Гц), бета (13–13 Гц). 30 Гц) и гамма (30–50 Гц) диапазоны. Была рассчитана спектральная плотность мощности полосы. Впоследствии RPL была рассчитана путем деления мощности диапазона на сумму мощности пяти диапазонов, чтобы уменьшить вариабельность между испытуемыми 36,37,38 .
Модель NIRS, использованная в нашем эксперименте, представляла собой систему непрерывных волн. Следовательно, найденные гемодинамические ответы представляли собой относительные изменения HbO, Hb и THb по сравнению с исходным уровнем. Базовая линия была установлена как первые 10 секунд данных каждого измерения. В то время как изменения HbO и Hb были преобразованы напрямую из обнаруженной интенсивности света, изменение THb было получено как сумма изменений HbO и Hb. Следовательно, для дальнейшего анализа учитывались только изменения HbO и Hb.Кроме того, из-за аналогичной реакции восьми фронтальных каналов NIRS, изменения HbO и Hb были усреднены по восьми каналам.
Идентификация состояния субъекта
Было обнаружено, что сонливость водителя характеризуется повышенной частотой моргания, снижением частоты сердечных сокращений при закрытии глаз более чем на две секунды, увеличением мощности альфа-диапазона в затылочной доле и снижением мощности бета-диапазона в лобной доле 2,20,21,22,24 . Следовательно, в нашем эксперименте частота мигания, закрытие глаз (более двух секунд), частота сердечных сокращений, мощность альфа-диапазона в затылочной доле и мощность бета-диапазона в лобной доле использовались для определения текущего состояния объекта.Частота моргания глаз была получена из сигнала EOG, а частота сердечных сокращений была рассчитана путем подсчета количества пиков ЭКГ. Записанное видео использовалось для подсчета количества раз, когда испытуемый закрывал глаза более чем на две секунды. Мощность альфа-диапазона усреднялась по 10 затылочным каналам, а мощность бета-диапазона усреднялась по 17 фронтальным каналам. Пять параметров вычислялись для каждой минуты в течение тридцати минут измерения. Состояние более высокой частоты мигания 2 с закрытием глаз более двух секунд, более низкой частоты сердечных сокращений 2 , более высокой мощности альфа-диапазона 20,21,22 и более низкой мощности бета-диапазона 24 считалось сонливым. штат.С другой стороны, состояние с постоянными или противоположными параметрами было идентифицировано как состояние бодрствования. Пятиминутные участки данных ЭЭГ и NIRS в состоянии бодрствования (5 минут бодрствования) и в состоянии сонливости (5 минут сонливости) были выбраны для дальнейшего анализа.
Статистический тест
Чтобы найти наиболее информативные параметры, которые могут быть использованы для выявления сонливого состояния, мы применили простой двусторонний статистический тест Стьюдента (t-критерий) к гемодинамической реакции и мощности пяти диапазонов ЭЭГ. между бодрствованием и сонливостью.Для гемодинамического ответа был проведен t-тест для средних значений изменений HbO и Hb у девяти субъектов. Для мощности диапазона ЭЭГ тест проводился для каждой мощности диапазона в каждой области мозга. Пять областей мозга: фронтальная (17 каналов ЭЭГ), центральная (14 каналов), височная (6 каналов), теменная (17 каналов) и затылочная (10 каналов) области) были определены с помощью карты размещения электродов ЭЭГ из системы Biosemi Active Two. .
Классификация состояний субъекта
В качестве векторов признаков для ЭЭГ и NIRS использовались фронтальная бета-полоса RPL и изменение HbO.Пятиминутные данные ЭЭГ и NIRS были разделены на 60 испытаний, каждое из которых содержало 5 секунд данных для каждого состояния (бодрствование и сонливость). Данные 120 испытаний были разделены на 10 групп по 12 испытаний в каждой. Из 10 групп 7 групп были случайным образом выбраны для обучения и 3 группы были случайным образом выбраны для тестирования. После этого каждый вектор признаков обучающих и тестовых данных вводился в классификатор. Классификатор, основанный на FLDA, был создан с использованием данных обучающих групп, а тестовые группы использовались в качестве входных данных для классификатора FLDA для получения точности классификации.Эта процедура была повторена 120 раз путем случайного выбора 7 обучающих групп, таким образом, была оценена точность классификации 120 для получения средней точности классификации. Чтобы исследовать комбинированный эффект классификации с использованием данных ЭЭГ и NIRS, была проведена комбинация модальностей в отношении выходных данных классификаторов. Для комбинации классификаторов в каждой модальности выходные данные каждого классификатора (ЭЭГ и NIRS) рассматривались как входные данные следующего классификатора. После этого выходные данные следующего классификатора дают результаты объединенных классификаторов.
Обнаружение перехода из состояния бодрствования в состояние сонливости
Переход из состояния бодрствования в состояние сонливости было идентифицировано при первом закрытии глаза. На основе записанного видео был отмечен момент времени, когда субъект впервые закрыл глаза более чем на две секунды. Десятиминутные образцы данных, включая отмеченное время, были извлечены для дальнейшего анализа. Были исследованы изменения RPL и HbO в бета-диапазоне во время десятиминутных выборок данных. Общая мощность ЭЭГ и бета-диапазона рассчитывалась с перекрытием скользящего окна в две секунды и одну секунду.Следовательно, мощность ЭЭГ имела временное разрешение 1 Гц. Затем вычисляли RPL в бета-диапазоне путем деления мощности в бета-диапазоне на общую мощность ЭЭГ. Изменение HbO было понижено до 1 Гц, чтобы иметь такое же временное разрешение, что и RPL в бета-диапазоне.
Пространственная и временная динамика ЭЭГ при выполнении двух задач вождения | Журнал нейроинжиниринга и реабилитации
AR: Отвлечение водителя: обзор современного состояния знаний. Центр исследований и испытаний транспортных средств Национального управления безопасности дорожного движения 2008, 8-72.DOT F, 1700.7
Google Scholar
Хорберри Т., Андерсон Дж., Реган М.А., Триггс Т.Дж., Браун Дж .: Отвлечение внимания водителя: влияние одновременных задач в автомобиле, сложности дорожной обстановки и возраста на ходовые качества. Анализ и предотвращение несчастных случаев 2006, 38: 185-191.
Артикул Google Scholar
Паттен CJD, Кирхер А., Остлунд Дж., Нильссон L: Использование мобильных телефонов: когнитивная нагрузка и распределение ресурсов внимания. Анализ и предотвращение несчастных случаев 2004, 36: 341-350.
Артикул Google Scholar
Дукич Т., Хансон Л., Фалькмер Т: Влияние возраста водителей и расположения кнопок на визуальное время бездорожья, отклонение рулевого колеса и восприятие безопасности. Эргономика 2006, 49: 78-92. 10.1080 / 00207540500422320
CAS Статья PubMed Google Scholar
Lee JD, Caven B, Haake S, Brown TL: Речевое взаимодействие с бортовыми компьютерами: влияние речевой электронной почты на внимание водителей к проезжей части. Факторы Humam 2001, 43: 631-640. 10.1518 / 001872001775870340
CAS Статья Google Scholar
Тиджерина Л., Джонстон С., Пармер Э., Уинтерботтом, доктор медицины, Гудман М: Отвлечение водителя с помощью систем навигации по маршруту. Национальная администрация безопасности дорожного движения 2000, 809-069. Технический отчет № DOT HS
Google Scholar
Хэнкок П.А., Леш М., Симмонс L: Эффект отвлечения внимания при использовании телефона во время решающего маневра при вождении. Анализ и предотвращение несчастных случаев 2003, 35: 501-541.
CAS Статья Google Scholar
Strayer DL, Drews FA, Johnston WA: Отказ зрительного внимания, вызванный сотовым телефоном во время имитации вождения. Журнал экспериментальной психологии 2003, 9: 23-32.
PubMed Google Scholar
Hahn RW, Tetlock PC, Burnett JK: Можно ли использовать мобильный телефон во время вождения? Постановление 2000, 23: 46-55.
Google Scholar
Crundall D, Loon EV, Underwood G: Привлечение и отвлечение внимания с помощью придорожной рекламы. Анализ и предотвращение несчастных случаев 2006, 38: 671-677.
Артикул Google Scholar
Amado S, Ulupinar P: Влияние разговора на внимание и периферийное обнаружение: отличается ли разговор с пассажиром от разговора по мобильному телефону? Транспортные исследования 2005, 8: 383-395.
Google Scholar
Corbetta M, Miezin FM, Dobmeyer S, Shulman GL, Petersen SE: Селективное и разделенное внимание во время визуального распознавания формы, цвета и скорости: функциональная анатомия с помощью позитронно-эмиссионной томографии. J Neuroscience 1991, 11: 2383-2402.
CAS PubMed Google Scholar
Koechlin E, Basso G, Pietrini P, Panzer S, Grafman J: Роль передней префронтальной коры в человеческом познании. Природа 1999, 399: 148-151. 10.1038 / 20178
CAS Статья PubMed Google Scholar
Szameitat AJ, Lepsien J, Cramon DY, Sterr A, Schubert T: Координация задач при выполнении двойных задач и латеральной префронтальной коре: исследование фМРТ, связанное с событием. Психологические исследования 2006, 2: 1-12.
Google Scholar
Stelzel C, Schumacher EH, Schubert T, D’Esposito M: Нейронный эффект совместимости модальности стимула и ответа на выполнение двойной задачи: исследование с помощью фМРТ. Психологические исследования 2005, 70: 514-525. 10.1007 / s00426-005-0013-7
Артикул PubMed Google Scholar
Болдуин К.Л., Койн JT: Умственная нагрузка в зависимости от плотности движения: сравнение физиологических, поведенческих и субъективных показателей. Труды Второго международного симпозиума по вопросам человеческого фактора по вождению 2003.
Google Scholar
Rakauskas ME, Ward NJ, Bernat EM, Cadwallader M, Patrick CJ, Waard D: Психофизиологические показатели отвлечения внимания водителя и рабочей нагрузки в состоянии алкогольного опьянения. Международный симпозиум по человеческому фактору в оценке, обучении водителей и проектировании транспортных средств 2005, 6: 27-30.
Google Scholar
Deiber MP, Missonnier P, Bertrand O, Gold G, Fazio-Costa L, Ibañez V, Giannakopoulos P: Различие между перцепционной обработкой и обработкой внимания в задачах рабочей памяти: исследование синхронизированных по фазе и индуцированных колебаний динамика мозга. Журнал когнитивной неврологии 2007, 19: 158-172. 10.1162 / jocn.2007.19.1.158
Статья PubMed Google Scholar
Леви Дж., Пашлер Н: Зависит ли инструкция по двунаправленному замедлению? Журнал экспериментальной психологии: человеческое восприятие и производительность 2001, 27: 862-869. 10.1037 / 0096-1523.27.4.862
CAS PubMed Google Scholar
Линь CT, Wu RC, Liang SF, Huang TY, Chao WH, Chen YJ, Jung TP: Оценка сонливости на основе ЭЭГ для безопасного вождения с использованием независимого компонентного анализа. Транзакции IEEE в цепи и системе 2005, 52: 2726-2738. 10.1109 / TCSI.2005.857555
Артикул Google Scholar
Lin CT, Chen YC, Huang TY, Chiu TT, Ko LW, Liang SF, Hsieh HY, Hsu SH, Duann JR: Разработка беспроводного компьютерного интерфейса мозга со встроенным многозадачным планированием и его применение в реальных условиях. Обнаружение и предупреждение о сонливости водителя времени. IEEE Trans BME 2008, 55: 1582-1591.10.1109 / TBME.2008.
6
Статья Google Scholar
Eoh HJ, Chung MK, Kim SH: Электроэнцефалографическое исследование сонливости при моделировании вождения с лишением сна. Международный журнал промышленной эргономики 2005, 35: 307-320. 10.1016 / j.ergon.2004.09.006
Артикул Google Scholar
Линь CT, Wu RC, Jung TP, Liang SF, Huang TY: Оценка эффективности вождения на основе анализа спектра ЭЭГ. Журнал EURASIP по прикладной обработке сигналов 2005, 19: 3165-3174.
Артикул Google Scholar
Кемени А., Панерай Ф .: Оценка восприятия в экспериментах по моделированию вождения. ТЕНДЕНЦИИ в когнитивных науках 2003, 7: 31-37. 10.1016 / S1364-6613 (02) 00011-6
Артикул PubMed Google Scholar
Lin CT, Huang KC, Chao CF, Chen JA, Chiu TW, Ko LW, Jung TP: Тоническая и фазовая ЭЭГ и поведенческие изменения, вызванные возбуждающей обратной связью. NeuroImage 2010, 52: 633-642. 10.1016 / j.neuroimage.2010.04.250
Статья PubMed Google Scholar
Geary DC, Wiley JG: Когнитивное дополнение: выбор стратегии и различия в скорости обработки информации у молодых и пожилых людей. Психология и старение 1991, 6: 474-483.10.1037 / 0882-7974.6.3.474
CAS Статья PubMed Google Scholar
Jung TP, Makeig S, Humphries C, Lee TW, McKeown MJ, Iragul V, Sejnowski TJ: Удаление электроэнцефалографических артефактов путем слепого разделения источников. Психофизиология 2000, 37: 163-78. 10.1111 / 1469-8986.3720163
CAS Статья PubMed Google Scholar
Lee TW, Girolami M, Sejnowski TJ: Независимый компонентный анализ с использованием расширенного алгоритма infomax для смешанных субгауссовских и супергауссовских источников. Нейронные вычисления 1999, 11: 606-633. 10.1162 / 089976699300016719
Артикул Google Scholar
Макейг С., Белл А.Дж., Юнг Т.П., Сейновски Т: Независимый компонентный анализ электроэнцефалографических данных. Развитие системы обработки нейронной информации 1995, 8: 145-151.
Google Scholar
Makeig S, Inlow M: Паузы в бдительности: когерентность колебаний производительности и спектра ЭЭГ. Электроэнцефалогия Clin Neurophysiol 1993, 86: 23-35. 10.1016 / 0013-4694 (93) -3
CAS Статья Google Scholar
Makeig S: Динамика спектра ЭЭГ, связанная со слуховыми событиями, и эффекты воздействия тонов. Электроэнцефалография и клиническая нейрофизиология 1993, 86: 283-293. 10.1016 / 0013-4694 (93) -H
CAS Статья PubMed Google Scholar
Макейг С., Вестерфилд М., Юнг Т.П., Энгофф С., Таунсенд Дж., Курчезн Е., Сейновски Т.Дж .: Динамические мозговые источники визуальных вызванных ответов. Наука 2002, 295: 690-694. 10.1126 / science.1066168
CAS Статья PubMed Google Scholar
Makeig S, Delorme A, Westerfield M, Jung TP, Townsend J, Courchense E, Sejnowski TJ: Электроэнцефалографическая динамика мозга после визуальных целей, требующих ручной реакции. PLOS Biology 2004, 2: 0747. 10.1371 / journal.pbio.0020176
CAS Статья Google Scholar
Онтон Дж., Делорм А., Макейг S: Фронтальная тета-динамика средней линии во время рабочей памяти. Neuroimage 2005, 27: 341-356.10.1016 / j.neuroimage.2005.04.014
Артикул PubMed Google Scholar
Oostenveld R, Oostendorp TF: Проверка метода граничных элементов для прямых и обратных вычислений ЭЭГ при наличии отверстия в черепе. Hum Brain Mapp 2002, 17: 179-192. 10.1002 / hbm.10061
Артикул PubMed Google Scholar
Burgess PW: Расстройство применения стратегии: роль лобных долей в многозадачности человека. Психофизиология 2000, 63: 279-288.
CAS Google Scholar
Sarnthein J, Petsche H, Rappelsberger P, Shaw GL, Stein AV: Синхронизация между префронтальной и задней ассоциативной корой во время рабочей памяти человека. Proc Natl Acad Sci USA 1998, 95: 7092-7096.10.1073 / pnas.95.12.7092
PubMed Central CAS Статья PubMed Google Scholar
Дженсен С.М., Барабас А., Барабаш М., Уорнер Д.: ЭЭГ-маркеры гипноза, связанные с событиями P300. Клинический гипноз 2001, 44: 127-39.
CAS Статья Google Scholar
Missonnier P, Deiber MP, Gold G, Millet P, Pun MG, Fazio-Costa L, Giannakopoulos P, Ibáñez V: Синхронизация, связанная с фронтальным тета-событием: сравнение направленного внимания и эффектов нагрузки на рабочую память. Журнал нейронной передачи 2006, 10: 1477-1486. 10.1007 / s00702-005-0443-9
Артикул Google Scholar
Фернандес Т., Хармони Т., Родригес М., Бернал Дж., Сильва Дж., Рейес А., Марози Э .: Паттерны активации ЭЭГ во время выполнения задач, включающих различные компоненты умственного расчета. Electroencephalogr Clin Neurophysiol 1995, 94: 175-182.
Артикул PubMed Google Scholar
Kuhlman WN: Тренировка с обратной связью по ЭЭГ: усиление соматосенсорной активности коры. Electroencephalogr Clin Neurophysiol 1978, 45: 290-294. 10.1016 / 0013-4694 (78)
-7
CAS Статья PubMed Google Scholar
Kuhlman WN: Функциональная топография человеческого ритма Mu. Electroencephalogr Clin Neurophysiol 1978, 44: 83-93. 10.1016 / 0013-4694 (78)
-4CAS Статья PubMed Google Scholar
Schoppenhorst M, Brauer F, Freund G, Kubichi St: Значение оценок согласованности в определении центральной альфа- и мю-активности. Electroencephalogr Clin Neurophysiol 1980, 48: 25-33. 10.1016 / 0013-4694 (80)
-1
CAS Статья PubMed Google Scholar
Hayhoe M, Shrivastava A, Mruczek R, Pelz JB: Визуальная память и двигательное планирование в естественной задаче. Журнал видения 2003, 6: 49-63.
Google Scholar
Познер М.И., Сандсон Дж., Дхаван М., Шульман Г.Л.: Распознавание слов происходит автоматически? Когнитивно-анатомический подход. Журнал когнитивной неврологии 1989, 1: 50-60. 10.1162 / jocn.1989.1.1.50
CAS Статья PubMed Google Scholar
Lavie N, Hirst A, Fockert JW, Viding E: Нагрузочная теория избирательного внимания и когнитивного контроля. Журнал экспериментальной психологии 2004, 9: 339-354.
Артикул Google Scholar
Jong RD: Роль подготовки в выполнении дублирующих задач. Ежеквартальный журнал экспериментальной психологии 1995, 48: 2-25.
Артикул PubMed Google Scholar
ЭЭГ в оценках пригодности к вождению у людей с эпилепсией — Значительные различия в Европе
Основные моменты
- •
Использование ЭЭГ для оценки пригодности к вождению значительно варьируется в Европе.
- •
Нет единого мнения о том, как следует оценивать патологию ЭЭГ при оценке вождения.
- •
Значение продолжительного времени реакции во время эпилептиформных разрядов неясно.
- •
Для оценки вождения необходимы дополнительные исследования и международные руководства.
Реферат
Цель
Пациенты с эпилепсией считают, что проблемы с вождением являются одной из самых серьезных проблем.В идеале решения относительно пригодности к вождению должны основываться на тщательной оценке специалистов по лечению эпилепсии. В 2009 году была опубликована директива ЕС, направленная на гармонизацию методов оценки в европейских странах, но, несмотря на эти рекомендации, неясно, все ли эпилептологи используют одни и те же критерии. Поэтому мы провели это исследование, чтобы изучить повседневную практику того, как эпилептологи в европейских центрах эпилепсии оценивают пригодность к вождению.
Методы
Анкета была разослана 63 контактным лицам, указанным через европейскую сеть Epi-Care и сеть E-pilepsy.Анкета касалась того, как проводилась оценка пригодности к вождению, участия различных специалистов, использования и интерпретации ЭЭГ, а также мнения о существующих правилах и рекомендациях.
Результаты
Анкету заполнили 35 участников (56% ответивших). Результаты показали значительные различия в процедурах тестирования и акцент на возникновение и степень эпилептиформных разрядов, выявленных с помощью ЭЭГ. 82% респондентов согласились с тем, что существует необходимость в дополнительных исследованиях о том, как лучше оценить пригодность к вождению у людей с эпилепсией, а 89% согласились с тем, что правила оценки пригодности к вождению должны быть согласованы на международном уровне.
Заключение
Наш опрос показал значительные различия среди европейских эпилептологов в отношении использования ЭЭГ и того, как результаты патологии ЭЭГ должны оцениваться при оценке пригодности к вождению. Существует очевидная потребность в дополнительных исследованиях по этому вопросу, и международные рекомендации о том, как следует проводить такие оценки, будут иметь ценность.
Ключевые слова
Эпилепсия
Водительские права
ЭЭГ
Правила вождения
Рекомендуемые статьиЦитирующие статьи (0)
© 2020 Авторы.Опубликовано Elsevier Ltd от имени Британской ассоциации эпилепсии.
Рекомендуемые статьи
Цитирование статей
Предварительно зарегистрированное исследование прогнозирования моделирования случайных автомобильных аварий с помощью ЭЭГ
Abstract
Изучение нервных престимулов или «упреждающей» активности открыло новое окно для понимания того, как мозг активно конструирует грядущую реальность. Обычно экспериментальные парадигмы, разработанные для изучения упреждающей активности, используют стимулы.Целью настоящего исследования является расширение изучения нейронной антиципаторной активности при временном появлении дихотомических, статистически непредсказуемых (случайных) стимулов в рамках экологической экспериментальной парадигмы. Для этой цели мы использовали упрощенную симуляцию вождения, включающую два возможных типа испытаний, представленных случайным образом: испытание в конце автокатастрофы и испытание без автокатастрофы. Связанные с событием потенциалы (ERP) были извлечены за -3000 мс до начала действия стимула. Мы определили фронт-центральную негативность, начиная примерно за 1000 мс до презентации автокатастрофы.Напротив, распределенная позитивность по всей коже головы характеризовала упреждающую активность, наблюдаемую до конца испытания в условиях окончания отсутствия автокатастрофы. Настоящие данные согласуются с гипотезой о том, что мозг также может предвидеть дихотомические, статистически непредсказуемые стимулы, перекликающиеся с различными предстимульными действиями ERP. Также предлагается возможность интеграции с car-smart-системами.
Образец цитирования: Duma GM, Mento G, Manari T, Martinelli M, Tressoldi P (2017) Вождение с интуицией: предварительно зарегистрированное исследование прогноза ЭЭГ имитированных случайных автомобильных аварий.PLoS ONE 12 (1): e0170370. https://doi.org/10.1371/journal.pone.0170370
Редактор: Дэвид Вернон, Кентерберийский университет Крайст-Черч, СОЕДИНЕННОЕ КОРОЛЕВСТВО
Поступило: 15 августа 2016 г .; Принято к печати: 4 января 2017 г .; Опубликовано: 19 января 2017 г.
Авторские права: © 2017 Duma et al. Это статья в открытом доступе, распространяемая в соответствии с условиями лицензии Creative Commons Attribution License, которая разрешает неограниченное использование, распространение и воспроизведение на любом носителе при условии указания автора и источника.
Доступность данных: Все данные доступны здесь: https://figshare.com/articles/Driving_with_Intuition_raw_data/3573888 (DOI: https://dx.doi.org/10.6084/m9.figshare.3573888.v2).
Финансирование: Работа поддержана Университетом Падуи, грант n. CPDA157388 / 15 на PT.
Конкурирующие интересы: Авторы заявили, что никаких конкурирующих интересов не существует.
1. Введение
Окружающая среда постоянно стимулирует наш мозг с помощью множества сенсорных модальностей.Однако полная обработка всех раздражителей окружающей среды потребует для нашего мозга огромных затрат энергии. На самом деле, когда мы наблюдаем мир, реальность не всегда хаотична и непредсказуема. Скорее, он показывает некоторые пространственно-временные закономерности. Способность извлекать эти закономерности является фундаментальной функцией выживания организма, поскольку она позволяет осуществлять детальный упреждающий контроль распределения ресурсов, который необходим для выработки стимулов или подготовки действий. Другими словами, мозг использует эти закономерности, выстраивая внутренние модели внешней реальности, в результате чего появляется возможность предвидеть предстоящее событие и, следовательно, со временем оптимизировать наше поведение [1–4].
Было высказано предположение, что мозг реализует свои способности к прогнозированию, используя байесовскую вычислительную архитектуру. Эта теория рассматривает мозг как механизм, который делает непрерывные выводы о предстоящих стимулах на основе условных вероятностных вычислений [5,6]. Возможный путь, которым это может быть достигнуто, — использовать сенсорные случайности, обеспечиваемые самой внешней сенсорной средой.
Важно отметить, что за последнее десятилетие нейровизуализационные данные показали, что возможность предсказания «что», «когда» и «где» в отношении предстоящих событий трансформируется в упреждающую нейронную активность [3,4,7,8].Как следствие этого, в последнее десятилетие фокус исследований когнитивной нейробиологии постепенно смещается с исследования постстимульной нейронной активности к исследованию нейрокогнитивных механизмов, происходящих до фактического появления стимула. Накопленные к настоящему времени экспериментальные данные предоставили фундаментальные знания о том, что функционирование мозга можно рассматривать как активный конструктор реальности, а не как простой пассивный процессор внешних стимулов.Одна из наиболее часто используемых экспериментальных парадигм для исследования упреждающей активности включает изучение потенциала, связанного с событием (ERP), известного как Contingent Negative Variation (CNV). CNV — это медленный корковый ответ отрицательной полярности, отражающий как ожидания, так и подготовительные двигательные процессы, который предшествует ожидаемым событиям [8,9]. Примечательно, что эта ERP считается надежным электрофизиологическим признаком времени, поскольку ее морфологические характеристики, включая задержку инверсии пика и наклона, отражают продолжительность ранее закодированного целевого интервала, когда он должен обрабатываться в задачах временного воспроизведения, дискриминации или деления пополам [ 8,10–12].В частотно-временной области результаты показывают, что предвосхищение сенсорных событий сбрасывает фазу медленной дельта-тета (2-8 Гц) активности до появления стимула, ускоряя обнаружение стимула [13,14]. Доказательства влияния упреждающей активности на выработку стимулов также были обнаружены в колебательном диапазоне альфа (8-12 Гц) и бета (13-30 Гц). Фактически, десинхронизация альфа-колебаний коррелирует со временем предсказания ожидаемого наступления события [15]. Общая интерпретация альфа-десинхронизации заключается в том, что это активный тормозной механизм, который регулирует обработку сенсорной информации, оптимизируя разработку элементов, относящихся к задаче [16].С другой стороны, бета-колебания обычно связаны с двигательной подготовкой, которая облегчает выполнение действий, требуемых от предстоящего стимула [17].
1.2 Опережающая активность ERP, предшествующая непредсказуемым событиям
Некоторые исследователи задаются вопросом, может ли эта упреждающая активность все еще наблюдаться в контексте статистически непредсказуемых (случайных) событий. С адаптивной точки зрения эти ситуации явно более сложные и потенциально опасные для жизни.Следовательно, возможность биологических организмов даже приблизительно предвидеть эти события представляла бы явное адаптивное преимущество. Обычно экспериментальные парадигмы, используемые в такого рода исследованиях, подразумевают дихотомические стимулы, побуждая исследователей проверить гипотезу о том, что опережающий модулирующий эффект может различать их. Первый результат был представлен Levin et al. [18], которые наблюдали более крупную CNV до того, как субъекты ответили на целевые стимулы, представленные в рандомизированной последовательности.Совсем недавно исследования предоставили дополнительные доказательства дифференциальной активности коры головного мозга до появления непредсказуемых стимулов. Radin, Vieten, Michel и Delorme [19] протестировали группу медитирующих, показав значительные различия в предстимульной активности коры головного мозга до случайной световой вспышки или тона, подчеркнув сходство со стимулом, предшествующим негативности, и выдвинули гипотезу о том, что « SPN» может быть маркером не только для традиционных форм ожидания , , но потенциально и для ретроказуальных форм »(стр.295). Следует обратить внимание на то, что упреждающая активность перед непредсказуемыми стимулами в рандомизированных презентациях показала сходство с активностью, наблюдаемой перед предсказуемыми стимулами, предполагая, что схожие лежащие в основе нейрокогнитивные механизмы могут подчинять их обоим. Тем не менее, еще предстоит полностью понять, может ли способность предвидеть непредсказуемые стимулы быть распространена на экологический контекст. С этой целью мы создали упрощенную парадигму моделирования вождения, которая может включать автомобильную аварию (т.е., условие «аварийный конец») или нет (то есть условие «без аварийного завершения»). План эксперимента предполагал как пассивную, так и активную задачу. В пассивном задании участники должны были просто и пассивно наблюдать за автомобилем, движущимся по улице, и мысленно предвидеть временное наступление автокатастрофы, однако они не могли действовать явно, чтобы избежать ее возникновения. С другой стороны, в активной задаче им было предложено попытаться избежать автомобильной аварии, убрав акселератор (пробел) в тот самый момент, когда они почувствовали, что произошла автомобильная авария.Это позволило нам изучить активность ERP, возникающую перед каждым из двух возможных событий (например, аварийный или безаварийный конец), чтобы проверить гипотезу о том, что активность мозга может иметь «упреждающие» эффекты. Экспериментальная парадигма была специально разработана с целью будущей интеграции интеллектуальных систем человек-машина, основанных на возможности использования упреждающей активности ERP в качестве нейронного маркера предстоящих, потенциально угрожающих событий. Прежде чем будут реализованы такие высокотехнологичные подходы, важно проверить наличие надежной опережающей активности мозга, предшествующей непредсказуемым стимулам.Здесь мы заимствуем определение этой предпостимульной активности из Mossbridge et al. [20], которые назвали это предиктивной психофизиологической предвосхищающей активностью (PPAA). PPAA — это категория, включающая различные типы сигналов, например ЭЭГ, ЭКГ и т. Д., Которые относятся к активности до начала стимула. Мы использовали это определение, чтобы поместить наше исследование в эти теоретические рамки.
2. Материалы и методы
2.2 Участники
Как заявлено в формате предварительной регистрации, наше исследование включало 40 участников из 47 участников, первоначально набранных через онлайн-объявление.Все участники были студентами разных факультетов Университета Падуи. Все участники были вознаграждены 10 евро за участие в исследовании. У них не было в анамнезе неврологических, психоневрологических расстройств или употребления наркотиков, и у них была нормальная или скорректированная до нормальной острота зрения. После того, как все участники были проинформированы об условиях исследования, все участники подписали форму добровольного согласия, и им сказали, что они могут прекратить участие в эксперименте в любой момент. Исследование было одобрено этическим комитетом Школы психологии Университета Падуи (id.протокол 1930 г.). Мы использовали 20% -ный порог отклоненных эпох в качестве критерия включения в окончательный набор данных. В конце сбора данных мы отклонили 7 участников старше 47 лет, так как они показали степень загрязнения артефактами более 20%. Мы провели полный анализ 40 участников, 12 мужчин и 28 женщин, средний возраст = 22,9; SD = 2,1.
2.3 Дизайн исследования
В качестве поведенческой задачи мы использовали упрощенную симуляцию вождения. С этой целью графический интерфейс был специально разработан одним из соавторов (MM), который запрограммировал программную среду моделирования вождения, используя программное обеспечение с открытым исходным кодом «Unreal® Engine4» на ПК под управлением Windows 10.Моделирование было представлено на 21,5-дюймовом мониторе с разрешением экрана 1920 × 1080 пикселей и разрешением моделирования вождения 1280 × 720. Эксперимент был разделен на пассивную и активную задачи. Далее было выполнено третье базовое задание (см. Рис. 1). Все участники прошли все экспериментальные задания.
Рис. 1. Схема эксперимента.
Блоки пассивных или активных задач всегда отображались после базового условия. Представление блоков было рандомизировано между испытуемыми.Условия безаварийного завершения и аварийного завершения были рандомизированы как в активной, так и в пассивной задаче.
https://doi.org/10.1371/journal.pone.0170370.g001
2.3.1 Базовая задача.
В этом задании участников попросили пассивно наблюдать за симуляцией вождения, которая состояла из 14 испытаний. Каждое испытание длилось от 7 до 10 с, а вся задача длилась около 120 с. Это был автомобиль, движущийся по улице от первого лица (см. Рис. 2A).Базовая задача преследовала две цели. С одной стороны, участники ознакомились со средой моделирования вождения. С другой стороны, всем участникам было прямо сказано, что при выполнении этой задачи ни в одном судебном процессе не произойдет автокатастроф. Эта информация побудила участников установить уверенность в том, чего ожидать в конце каждого пробега. В качестве дополнительного соображения, хотя продолжительность каждого испытания была изменена (например, от 7 до 10 с), чтобы избежать привыкания, относительно короткая продолжительность позволила участникам неявно установить временное ожидание предполагаемого окончания каждого испытания [8].Этот исследовательский выбор позволил нам использовать это условие в качестве основы для обнаружения упреждающей нейронной активности, вызванной явным указанием не допустить автомобильной аварии, а также неявным расчетом времени окончания испытания из-за квазирегулярной временной структуры испытания [21].
Рис. 2.
а) Вид от первого лица автомобиля, движущегося по улице во всех условиях «пассивного задания»; б) Испытание завершилось условием «Без сбоев в работе» и «Без сбоев»; в) Презентация автомобиля в «Crash End»; г) Испытание закончилось автомобильной аварией в состоянии «Конец аварии».
https://doi.org/10.1371/journal.pone.0170370.g002
2.3.2 Пассивное задание.
В пассивной задаче. участники должны были пассивно наблюдать за симуляцией вождения, как и в исходных условиях. Тем не менее, в этом случае им прямо сказали, что каждое испытание может закончиться симуляцией автомобильной аварии («конец аварии») или нет («конец аварии не будет»). Введение этих двух экспериментальных условий было рандомизировано как внутри, так и между участниками. В частности, условие окончания аварии состояло в видео, имитирующем уличную аварию с автомобилем, едущим с противоположного направления, вместе со звуком аварии (см. Рис. 2C и 2D).В отличие от этого, при условии отсутствия аварийного завершения на экране в конце испытания появилось предложение «Поездка завершилась без происшествий» (см. Рис. 2B). Все участники получили следующие инструкции: «Вы увидите машину, движущуюся по улице, как и в базовом задании. Однако в данной задаче может произойти автокатастрофа. Важно отметить, что если и когда автокатастрофа будет представлена, совершенно случайно. Ваша задача — попытаться мысленно предугадать презентацию автомобиля ». Чтобы избежать каких-либо неявных или явных предсказаний относительно сроков окончания испытания, продолжительность каждого прогона случайным образом варьировалась от 25 до 40 секунд.В целом автомобильная авария присутствовала в 50% испытаний, а в остальных испытаниях не было столкновений. Для каждого состояния было проведено в общей сложности 20 испытаний. Важно отметить, что эта информация не была предоставлена участникам, чтобы помешать им использовать какую-либо сознательную стратегию, основанную на предсказании будущих событий путем подсчета количества предыдущих. Последовательность типов испытаний была рандомизирована внутри и между участниками с использованием алгоритма рандомизации, реализованного в программном обеспечении Unreal® Engine, так что возникновение испытания «сбой» или «отсутствие сбоя» было полностью непредсказуемым.Важно отметить, что для прогнозирования аварии не было представлено ни визуальных, ни слуховых сигналов.
2.3.3 Активная задача.
В активном задании все экспериментальные манипуляции, включая тип исследования и рандомизацию продолжительности, оставались такими же, как в пассивном задании. Однако, в отличие от пассивного задания, в этом случае участникам была предоставлена возможность контролировать скорость автомобиля, нажимая (или убирая) клавишу пробела, которая действовала как ускоритель автомобиля. Важно отметить, что контроль скорости позволил участникам поведенчески избежать автокатастрофы.В частности, если они замедлились в пределах «диапазона времени принятия решения», продолжающегося 5 секунд и вставленных произвольно (от 6 до 25 секунд), автокатастрофы удалось избежать. Участники не только не были проинформированы о начале или продолжительности «времени принятия решения», но они также не знали о продолжительности испытания. Как и в пассивной задаче, ни явные, ни неявные подсказки не предполагали тип предстоящего события. Общая инструкция, которую давали участникам, заключалась в том, чтобы замедлить скорость только один раз за испытание, то есть только тогда, когда они почувствовали «интуицию», что приближается автокатастрофа.Любые попытки замедления вне временного окна принятия решения были классифицированы как «ложноположительные».
Активная задача была в первую очередь включена, потому что мы хотели получить поведенческий коррелят упреждающей активности мозга в соответствии с гипотезой о том, что это ожидание может влиять на поведение участников. Следует отметить, что возможное затруднение при исследовании упреждающей активности ERP в активной задаче может происходить из-за наличия двигательной электрофизиологической активности подготовки / выполнения (т.е., нажав или убрав пробел). Фактически, это может привести к выявлению потенциала готовности, предшествующего ответу (RP), который сам по себе может перекрывать любую деятельность, связанную с ожиданием автомобильной аварии [8].
2,4 Запись ЭЭГ
В течение всего сеанса электроэнцефалограмма (ЭЭГ) непрерывно регистрировалась с помощью системы Micromed: SD MRI 64 (Micromed / Treviso, Италия), усиливалась и оцифровывалась с частотой дискретизации 512 Гц. Был использован 32-канальный монтаж Electro-Cup International в соответствии с международной системой 10–20 [22], относящийся к двусторонним соединенным сосцевидным отросткам, с использованием электродов Ag / AgCl.Полное сопротивление всех электродов было меньше 10 кОм и было сбалансировано. Движение глаз регистрировали с помощью двух электроокулограмм (ЭОГ), размещенных на внешнем уголке глазной щели каждого глаза, соответственно. Необработанные данные всех включенных и исключенных участников доступны здесь: https://figshare.com/articles/Driving_with_Intuition_raw_data/3573888.
2.5 Анализ данных
Разведочные анализы будут явно объявлены, чтобы отличать их от запланированных (предварительно зарегистрированных).
2.5.1 Активное задание: поведенческий анализ.
Для каждого участника была извлечена частота пропуска аварий (совпадения) и кодифицирована как «Истинный прогноз ДТП», в то время как замедление вне временного окна принятия решения (ложное срабатывание) было кодифицировано как «Ложное прогнозирование ДТП». Наконец, испытания, в которых не было автомобильной аварии и участник не снижал скорость, были обозначены как «Истинный прогноз без аварий». Мы проверили гипотезу о том, что количество прогнозов было выше уровня вероятности, учитывая как «истинное происшествие», так и «истинное происшествие не было».Анализ ERP для активной задачи не проводился, поскольку в этом случае возможное присутствие PPAA может перекрываться с деятельностью RP.
2.5.2 Пассивная задача: анализ ERP.
Все записи ЭЭГ обрабатывались в автономном режиме с использованием пакета инструментов MATLAB EEGLAB [22]. Данные сначала подвергались полосовой фильтрации от 0,1 до 30 Гц и сегментировались на эпохи, начинающиеся –3000 мс до начала стимула и заканчивающиеся через 500 мс после него. Затем эпохи визуально проверялись для интерполяции плохих каналов и удаления редких артефактов.Затем данные с уменьшенным количеством артефактов подвергались независимому компонентному анализу [23]. Все независимые компоненты были проверены визуально, и только те, которые связаны с морганием или движениями глаз в соответствии с морфологией и распределением волосистой части головы, были отброшены. Остальные компоненты затем проецировались обратно в электродное пространство, чтобы получить более чистые эпохи ЭЭГ. Остальные эпохи, содержащие чрезмерный шум или дрейф (± 100 мкВ на любом электроде), были дополнительно отброшены. Семь участников из 47, показавших чрезмерно зашумленный сигнал, были исключены.У оставшихся 40 участников общее количество испытаний без артефактов для каждого условия составило: исходный уровень (среднее значение = 13,53; SD = 0,71), пассивное задание без аварийного завершения (среднее значение = 19,37; стандартное отклонение = 0,86) и пассивное задание аварийного завершения (среднее значение). = 19,25, SD = 1,08). Субъектные средние и большие средние ERP были получены для каждого участка электродов и условий эксперимента. Статистические различия между условиями были рассчитаны с использованием набора инструментов массового одномерного анализа [24] и набора инструментов Fieldtrip Brainstorm [25]. Компоненты ERP статистически сравнивались в парах экспериментальных условий с помощью кластерного t-критерия с нижним хвостом.Непараметрический тест на 1000 случайных перестановок применялся в качестве поправки на множественное сравнение. Для массового одномерного анализа мы сообщали p-значение, критическую оценку t-критерия и соответствующий альфа-уровень, тогда как при анализе Fieldtrip toolbox [26] мы сообщали p-значение, где метрика кластера соответствует сумме всех t-значений все точки данных в кластере, и размер кластера соответствует количеству точек данных, включенных в каждый кластер (сумма количества сигналов в кластере по всем временным точкам).Мы применили t-критерий с нижним хвостом, поскольку предположили, что упреждающий эффект (PPAA) может быть включен в классификацию отрицательных медленных волн, связанных с упреждающей нервной активностью, такой как CNV или SPN. В качестве дополнительного статистического анализа измеряли и извлекали среднюю амплитуду напряжения для каждого субъекта и по всем электродам (временное окно -1000 мс), выполняя анализ байесовских параметров, оценивая размер эффекта с соответствующими интервалами высокой плотности (HDI) различных сравнений с использованием пакет BEST [27] и BayesFactors (BF) с приоритетом Коши =.20 с помощью программы JASP [28].
2.5.3 Исследовательский анализ: время выполнения задачи.
Чтобы глубже понять упреждающую активность мозга, мы решили изучить ее динамическую эволюцию в рамках задачи, известную как «Время выполнения задачи» (TOT; [8]). Обращение к присутствию TOT важно, потому что оно дает динамическую картину изменений ожидаемой активности мозга с течением времени, что позволяет нам делать дальнейшие выводы о распределении ресурсов внимания. В частности, как сообщалось ранее [8], динамическое развитие упреждающей активности ERP может выявить наличие неявных эффектов обучения.Фактически, использование рандомизированного экспериментального плана должно устранить неявные эффекты обучения TOT, позволяя контролировать любые возможные систематические ошибки в распределении условий испытаний с течением времени. Эпохизированный набор данных ERP относительно каждой интересующей задачи (то есть базовой линии, пассивной задачи аварийного завершения и пассивной задачи без аварийного завершения) был сгруппирован в 3 последовательных временных ячейки, каждая из которых включает одну треть от общего числа испытаний. Таким образом, три временных интервала были определены как ранняя, средняя и поздняя фазы задачи.Затем испытания в каждой фазе усреднялись и статистически сравнивались с использованием тех же парных статистических сравнений, которые применялись для обычного анализа ERP. Статистические сравнения были выполнены как в пределах , так и между задачами. Более конкретно: сравнения «ранний против среднего», «ранний против позднего» и «средний против позже» были выполнены в пределах каждой упомянутой задачи. Кроме того, мы исследовали TOT между пассивной и активной задачей.Это было сделано путем расчета для каждой экспериментальной задачи трех разностных волн, полученных из следующих вычитаний TOT: «раннее минус среднее», «раннее минус позднее» и «среднее минус позднее». Затем полученные волны разницы сравнивали между задачами следующим образом: волна разницы «раннее минус позднее» относительно базового уровня отсутствия сбоев против . волна разницы «ранний минус поздний» относительно пассивной задачи аварийного завершения и так далее.
2.5.4 Разведочные анализы: анализ спектральной плотности.
Хотя ERP предоставляет электрофизиологическую информацию во временной области, мы решили провести исследовательский анализ спектральной плотности, используя метод Велча, для более полного исследования упреждающей активности мозга. Наша цель состояла в том, чтобы изучить мощность различных частот до появления стимула, сравнивая три «пассивных» состояния. Во-первых, мы выполнили анализ плотности спектра мощности с помощью метода Велча, реализованного в Brainstorm, проанализировав сигнал во временном окне, включая 1000 мс до начала стимула (т.е., от -1000 до 0 мс). Был использован коэффициент перекрытия окон 50%, и были выбраны дельта-, тета-, альфа- и бета-диапазоны частот. Мы не извлекали ни гамму 1, ни гамму 2, потому что полосовой фильтр от 0,1 до 30 Гц изначально применялся для анализа активности ERP, это исключало высокочастотные данные из набора данных, используемого для расчета спектра мощности. Впоследствии мы выполнили статистических сравнений между задачами, используя тот же подход, что и для обычного анализа и анализа TOT ERP, но в данном случае отдельно для каждой полосы частот.
2.6 Результаты
2.6.1 Активная задача: поведенческие результаты.
Как показано в Таблице 1, не было статистических доказательств превышения вероятности выполнения (равного 10) ни для «Истинного прогноза несчастных случаев», ни для «Истинного прогнозирования отсутствия аварий».
2.6.2 Пассивная задача: результаты ERP.
При визуальном осмотре морфологии ERP мы заметили, что задачи начали различать друг друга примерно за -1000 мс до начала действия стимула, хотя до этого момента никаких заметных различий не наблюдалось.Чтобы быть уверенным, что возможная модуляция ERP не произошла до интервала, в котором действительно наблюдалась разница, мы выполнили попарный статистический анализ, сравнивая среднюю амплитуду ERP относительно временного окна от -3000 мс до -1000 мс, измеренную в базовые условия, пассивный режим аварийного завершения и пассивный режим без аварийного завершения. В частности, был выполнен двусторонний кластерный анализ с 1000 перестановками с использованием как массового одномерного инструментария, так и инструментария мозгового ящика Field trip, реализованного в программном обеспечении Brainstorm.Поскольку эти анализы не дали существенных различий, мы пришли к выводу, что сигнал ERP между -3000 мс и -1000 мс не различается между задачами. Следовательно, мы рассмотрели базовый уровень от -1500 мс до -1000 мс перед началом действия стимула, включая интервал -500 мс перед началом наблюдаемой разницы ERP. Визуальный осмотр распределения карты кожи головы (см. Рис. 3) также показал, что, в то время как «пассивное завершение аварийного завершения» и «исходное состояние» характеризовались отрицательной активностью, распределенной по лобно-центральным электродам, «пассивное завершение без сбоев» состояние не показало ту же картину.
Статистика подтвердила качественную картину, показывающую большую отрицательность при «пассивном завершении аварийного завершения» по сравнению с условиями «пассивного завершения аварийного завершения» ( p = 0,03, критический t-балл для каждого контраста составлял -1,81, что соответствует 0,03 балла по тесту. альфа-уровень). Статистический анализ дал результаты, соответствующие наблюдаемому распределению электрической карты кожи головы, поскольку он идентифицировал пространственно-временной кластер, показывающий более отрицательные напряжения на следующих электродах: F3, FZ, F4, C4, P4, FC3, FC4, CP4, FCz (рис. 4А).Эти результаты согласуются с предыдущими исследованиями [3,4,8,29]. Интересно, что мы также обнаружили значительную разницу между условиями «без сбоев» и «без сбоев в пассивном режиме» ( p = 0,03, критический t-балл = -1,69, что соответствует альфа-уровню 0,04 по результатам теста) , причем разница выражена на следующих электродах: F7, F3, FZ, F4, F8, C4, FC3, FC4, FCz (рис. 4B).
Рис. 4. Связанные с событием потенциалы предстимульной активности представлены в левой части рисунка.
Выделены временные окна анализов. Топографические распределения t-значений представлены в правой части рисунка. Белые точки — это электроды, на которых выражены статистически значимые различия. 4a) «Конец сбоя» и «Конец без сбоя», 4b) «Базовый уровень без сбоя» и «Без сбоя», 4c) «Базовый уровень без сбоя» и «Конец сбоя».
https://doi.org/10.1371/journal.pone.0170370.g004
Не было обнаружено значительных различий между «базовым уровнем без сбоев» и «пассивным завершением сбоя» (см. рис. 4C).
Эти данные были дополнительно подтверждены байесовским анализом. Результаты представлены в таблице 2.
Из приведенных выше результатов видно четкое различие между средней амплитудой условий «без сбоев» и «без сбоев в пассивном режиме» по сравнению с пассивными без сбоев. Эти различия немного выше, если использовать среднюю амплитуду каналов, полученную в результате анализа перестановок (см. Таблицу 3).
Как можно видеть, оба статистических подхода не выявили какой-либо существенной разницы между сравнением «Базовый уровень» и «Пассивное завершение аварийного завершения» при рассмотрении средней амплитуды ERP во временном окне от -1000 до 0 мс.Однако более внимательное изучение мс-к-мс временного развертывания упреждающей активности на коже черепа показало различный пространственно-временной паттерн между этими двумя состояниями. В частности, в этом временном окне негативность, показывающая как «пассивное завершение аварии», так и «базовый уровень», проявлялась раньше в первом случае, то есть примерно за 750 мс до начала действия стимула. Напротив, в базовых условиях лобно-центральная негативность началась позже, то есть примерно на 500 мс. Более того, морфологическая проверка активности ERP, имевшая место примерно за 200 мс до начала стимула, показала усиление упреждающей активности для базовой линии по сравнению с пассивным состоянием аварийного завершения (рис. 3).Оба эти элемента предполагают, что, хотя и не статистически сопоставимы, эти два состояния могут задействовать по крайней мере частично различные нейрокогнитивные механизмы.
2.6.3 Исследовательский анализ: время на результаты анализа задачи.
Не было обнаружено значительных эффектов TOT ни по отношению к «пассивному завершению сбоя», ни к условиям «пассивного завершения аварийного завершения», подтверждая, что в обоих этих случаях упреждающая активность ERP не была существенно модулирована по амплитуде по всей задаче. .Кроме того, в обоих случаях TOT не выявил конкретных направленных тенденций. Фактически, он сильно варьировался в исследованиях на ранней, средней и поздней фазах (см. Рис. 5B и S1 Рис.). Этот вывод предполагает, что неявные эффекты обучения отсутствуют ни в пассивном режиме аварийного завершения, ни в условиях отсутствия аварийного завершения. Однако мы обнаружили значительную разницу TOT по отношению к базовому состоянию. В частности, мы обнаружили более отрицательную амплитуду в начале по сравнению со средним временным интервалом [ p = 0.045, критический t-балл = -2,021, что соответствует альфа-уровню 0,025; электроды: C4, P4, T6, CP4, TP8], а также в начале по сравнению с поздним временным интервалом [ p = 0,044, критический t-показатель = -1,874, что соответствует альфа-уровню 0,034 по результатам теста; электроды: F4, C4, P4, T6, FC4, CP4, TP8]. Существенных различий между и не наблюдалось. поздний контраст. Модулирующий эффект TOT в пределах условия показан на рис. 5A, который показывает, что упреждающая активность ERP в исходном состоянии максимальна во время первых испытаний, но со временем снижается, исчезая в средних и поздних временных интервалах.Этот своеобразный паттерн можно объяснить тем фактом, что в задачах с высокой степенью предсказуемости во времени участники обычно участвуют в неявном изучении временной случайности между стимулами. Это приводит к более высокому распределению нейронных ресурсов по сравнению с первыми испытаниями, когда они неявно участвуют в извлечении правила на основе такой временной случайности. Как только эти знания приобретены, происходит постепенное сокращение ресурсов в пользу реализации возможных действий, вызванных временными ожиданиями, которые постепенно устанавливались с течением времени.Этот механизм является автоматическим, поскольку он не требует ни явных априорных знаний о времени, ни активного участия в экспериментальной задаче, что уже установлено в первые месяцы жизни [30,31]. В нашей парадигме исходные условия вызвали сильное ожидание окончания испытания из-за низкой вариабельности временной продолжительности каждого испытания, которая колебалась от 7 до 10 секунд. Другими словами, после нескольких испытаний участники установили сильное, неявное временное ожидание приблизительного конца каждого прогона.Более того, они были уверены в этом состоянии, поскольку с самого начала были проинформированы о том, что в исходных условиях автокатастрофы не произойдет. Если взять вместе обе эти проблемы, неудивительно, что мы наблюдали сильную упреждающую активность в базовом состоянии, которая, тем не менее, резко снизилась в средней и поздней фазах задачи в результате привыкания. Более того, важно отметить, что эта тенденция активности является отличительным элементом между базовым уровнем и пассивным завершением аварийного завершения, как показывает сравнение между задачами.Фактически, значительная разница наблюдалась в «начале г. и г.». средний ’[ p = 0,02, показатель кластера = -31, размер кластера = 28; значимые различия в FZ, CZ, C3, C4, P3, PZ P4, O1, O2, CP3, CP4, FPZ, CPZ, FCZ электроды] и «начало против . поздние сравнения [p = 0,0439, показатель кластера = -16, размер кластера = 16; значимые различия на электродах C3, CZ, C4, PZ, P4, CP3, CP4, CPZ]. Эти результаты позволили нам еще больше отделить ERP-активность, возникающую до сбоя в базовой и пассивной задаче, соответственно, как отражающую, по крайней мере, частично разные механизмы.Действительно, можно утверждать, что в исходных условиях участники легко извлекли правило, позволяющее им реализовать упреждающую нейронную активность. Мы утверждаем, что этот вид упреждающей активности может быть интерпретирован как пассивный компонент CNV, вероятнее всего, вызванный регулярным статистическим распределением временной продолжительности испытаний в исходных условиях.
Рис. 5.
a. Топографическое распределение скальпа эволюции упреждающей активности «исходного» состояния в трех фазах анализа времени выполнения задачи. г. Топографическое распределение скальпа эволюции упреждающей активности состояния «Пассивное завершение аварии» в трех фазах анализа времени выполнения задачи.
https://doi.org/10.1371/journal.pone.0170370.g005
2.6.4 Разведочные анализы: результаты спектральной плотности.
В качестве дополнительного элемента, учитывающего диссоциацию исходных условий и условий окончания аварии, мы обнаружили статистические различия в их распределении спектра мощности Велча (PSD) ( p = 0.002, метрика кластера = 350, размер кластера = 218). Статистически значимые различия обнаружены также в «Базовом» и «Пассивном без сбоев» ( p = 0,002, показатель кластера = 323, размер кластера = 174). На рис. 6 показано распределение значительных различий по коже головы. Не было обнаружено различий в мощности частоты между состояниями «Пассивный режим аварийного завершения» и «Пассивный режим без аварийного завершения».
Рис. 6. Статистически значимые различия между плотностью спектра мощности при сравнении между базовым уровнем без сбоев и пассивным режимом без сбоев и базовым уровнем без сбоев и пассивным без сбоев в диапазонах: Дельта (2–4 Гц), Тета (5–7 Гц), Альфа ( 8-12 Гц), бета (15-29 Гц).
https://doi.org/10.1371/journal.pone.0170370.g006
3 Обсуждение
Целью настоящего исследования было выяснить, можно ли распространить упреждающую нервную активность на рандомизированные стимулы, представленные в более экологическом контексте. Хотя другие авторы уже сообщали о доказательствах упреждающей нейронной активности, предшествующей рандомизированным, непредсказуемым стимулам [19], некоторые критические замечания по поводу методологической надежности этого исследования были высказаны [32].Наше исследование было направлено на изучение этого явно противоречивого явления с использованием более надежного методологического и статистического подхода.
Измеряя активность ЭЭГ во время пассивного просмотра экологической симуляции вождения, мы наблюдали фронтально-центральную отрицательную активность ERP, здесь интерпретируемую как PPAA, которая возникла до возникновения статистически непредсказуемой рандомизированной автомобильной аварии. Важно отметить, что наши результаты впервые показывают, что эта активность может быть отделена от связанной с ожиданием волны CNV, которая может возникнуть на основе неявного обучения временной сопряженности между стимулами, как это наблюдается в «базовом» состоянии [8 ].Это различие проистекает из нескольких источников свидетельств. Во-первых, PPAA и CNV, выявленные в нашем исследовании, характеризуются разным временным и пространственным паттерном. Во-вторых, динамика межзадачной эволюции (TOT-анализ) различалась между CNV и PPAA, поскольку первая была больше в начале задачи, а вторая не показывала значительной амплитудной модуляции с течением времени. Этот разный временной паттерн можно также объяснить, если предположить разный уровень устойчивого внимания между базовым уровнем и пассивной задачей.В первом случае участники были уверены, что «релевантных» (т. Е. Аварийных) событий не произошло бы. Это могло вызвать привыкание к нейронному упреждающему ответу от ранней до поздней фазы задачи. Напротив, наличие возможного значимого события (автомобильной аварии) могло уменьшить или свести на нет этот эффект. Третья линия доказательств основана на плотности спектра мощности Уэлча, которая предполагает, что упреждающая, осцилляторная нейронная активность модулируется по-разному в базовой линии по сравнению с условием окончания аварии.Взятые вместе, эти результаты предполагают, что CNV и PPAA поддерживаются, по крайней мере, частично различными и диссоциативными нейрокогнитивными механизмами.
Простого предоставления статистически значимых данных недостаточно для объяснения явления. Для полного понимания данные должны быть связаны с теоретической основой. Первая обоснованная критика, возникающая при интерпретации этих результатов, проистекает из возможных методологических проблем. Например, можно утверждать, что наблюдаемые упреждающие различия между условиями пассивного аварийного завершения и пассивного безаварийного завершения просто связаны с методологическими артефактами.Пытаясь устранить любые возможные методологические недостатки настоящего исследования, мы рассмотрели несколько возможных технических или проектных отклонений. Что касается первого аспекта, мы можем исключить различия, связанные с обновлением экрана кадра, потому что не было обнаружено ошибок обновления экрана кадра, которые в противном случае могли бы быть интерпретированы как сигнал о предстоящем стимуле. Мы также можем исключить различия в процедуре рандомизации. Процедура рандомизации, реализованная программным обеспечением Unreal® Engine4, использует алгоритм псевдослучайного генератора, который можно найти на веб-сайте https: // www.unrealengine.com/what-is-unreal-engine-4. Случайные последовательности всех 40 участников доступны здесь: https://figshare.com/s/8d43eac9f73bf7e29bf5. Что касается других возможных предубеждений, мы спросили, может ли наблюдаемая разница в ERP быть просто следствием классического феномена ошибки игрока в пассивной задаче, то есть ожиданием того, что вероятность завершения аварии будет линейно увеличиваться с количеством предыдущих ответов «Нет». Испытания Crash End. Моделирование Mossbridge et al. [33], показали, что примерно с 40 участниками и случайным представлением двух классов событий этот эффект может быть исключен или очень маловероятен, учитывая, что ожидание события «Конец аварии» уравновешивается ожиданием «Без аварийного завершения».
Наши результаты могут быть включены в перспективу «прогнозирующего мозга» [34–36], расширяя способность мозга использовать свою внутреннюю модель для прогнозирования будущих событий, в том числе тех, которые основаны на представлении случайных стимулов. Способность предсказывать динамику окружающей среды и готовить систему организма к реакции на поступающие стимулы, позволяет более эффективно и адаптивно вести себя, поэтому с эволюционной точки зрения « предвидеть » случайный стимул может быть наиболее адаптивной способностью человека. мозг, повышая вероятность выживания организма.
Были предложены некоторые теоретические основы для выяснения опережающих эффектов. Эти объяснения включают гипотезу о том, что наш мозг может также демонстрировать квантовую временную нелокальность, аналогичную наблюдаемой в квантовой физике. Примечательным предложением является теория Orchestrated Object Reduction (ORCH-OR), предложенная Хамероффом и Пенроузом [37,38]. Это теоретическое объяснение подразумевает микротрубочки как квантовые процессоры в головном мозге. Интерпретации предвосхищающей активности, возникающие из этого подхода, включают объяснения, заимствованные из квантовой механики и смоделированные, чтобы помочь обеспечить психологически релевантное понимание.Hagan, Hameroff и Tuszyński [39] показали, как, несмотря на теплую, шумную и влажную внутриклеточную среду, квантовые эффекты присутствуют на уровне микротрубочек. Суперпозиция обеспечивается в ароматических кольцах белка тубулина лондонскими силами. Несмотря на то, что эти силы в 40 раз слабее водородной связи, благодаря большому количеству связанных электронных облаков они могут влиять на конформацию белка. Состояние суперпозиции можно распространить на соседние ячейки за счет туннельного эффекта через щелевой переход.В то время как белки находятся в состоянии суперпозиции, с физической точки зрения они находятся в состоянии когерентности , где все возможные состояния, в которых система может коллапсировать, существуют одновременно, что означает, что будущие конформации системы также существуют в одном и том же состоянии. время. В когерентности все состояния сцеплены друг с другом, следовательно, возможно, что настоящее состояние связано с будущим состоянием, с обменом информацией из будущего в настоящее, подразумевая ретропричинные эффекты.Термин ретропричинный относится к состоянию, при котором временные причинно-следственные связи инвертированы. Хотя в психологии пока имеется немного экспериментальных подтверждений [40], в физике существует обширная литература о ретро-причинных эффектах в квантовой механике [41,42]. Представленная здесь теоретическая интерпретация является возможным объяснением того, как мозг способен предвосхищать стимулы, которые считаются непредсказуемыми. Однако решение головоломки поиска субстрата для ретропричинных эффектов в психологии не является целью настоящего исследования.Основная цель состоит в том, чтобы начать определение нейрофизиологической идентичности и границ «эффектов ожидания», таких как топографическая активация кожи головы, латентность и полярность, с целью исследования также источника активации (например, с помощью ЭЭГ высокой плотности), чтобы вклад других исследователей может помочь нарисовать картину, которая начинает проясняться. Определение идентичности этого эффекта ожидания может найти применение в будущем в области интеграции человека и машины. Фактически, если мы очертим характеристики, которые составляют предстимульную активность в случайных стимулах, программа с онлайн-анализом сможет их обнаружить.Если мы наблюдаем потенциальную эволюцию интеллектуальных систем для автомобилей, можно представить себе интегрированное в машину программное обеспечение ЭЭГ. Возможность обнаружить возможные надвигающиеся опасности может быть элементом спасения. С чашкой ЭЭГ на голове водителя программное обеспечение может обеспечивать обратную связь при обнаружении характерных элементов упреждающей активности, обеспечивая водителю обратную связь о возможной надвигающейся опасности. Настоящая технология находится недалеко от этой возможной цели. Чтобы развить это, необходимо решить три вопроса, чтобы прояснить и улучшить наше понимание.Во-первых, сообществу нейробиологов следует более точно определить нейрофизиологические характеристики упреждающей активности для произвольно предъявляемых стимулов. Вторым шагом будет улучшение анализа данных ЭЭГ в режиме онлайн, а последний шаг должен быть сосредоточен на разработке более эффективных и действенных способов записи живой активности мозга. Сильной стороной этого видения является мультидисциплинарный подход, включающий нейробиологию, информатику и инженерию, что дает возможность развивать плодотворную область исследований.
Благодарности
Мы благодарим редактора и двух рецензентов за комментарии и предложения, которые помогли нам повысить точность и ясность статьи.
Мы также благодарим Джорджио Аркара за функцию Matlab для связанных сосцевидных отростков и службу корректуры чтения для английской версии.
Вклад авторов
- Концептуализация: PT GMD GM.
- Обработка данных: GMD GM TM PT MM.
- Формальный анализ: PT GMD GM.
- Финансирование: PT.
- Расследование: GMD GM TM.
- Методология: PT GMD GM.
- Администрация проекта: GMD GM TM.
- Ресурсы: GMD GM.
- Программное обеспечение: MM.
- Надзор: GMD GM TM.
- Проверка: PT GMD GM.
- Визуализация: GMD GM.
- Написание — черновик: GMD GM TM.
- Написание — просмотр и редактирование: GMD GM TM.
Список литературы
- 1. Фристон К. Теория корковых реакций. Philos Trans R Soc Lond B Biol Sci. 2005. 360 (1456): 815–36. pmid: 15937014
- 2. Nobre AC. Ориентация внимания на моменты времени. Vol. 39, Нейропсихология. 2001. с. 1317–28. pmid: 11566314
- 3. Mento G, Vallesi A. Пространственно-временные диссоциируемые нейронные сигнатуры для генерации и обновления ожиданий с течением времени у детей: исследование High Density-ERP.Dev Cogn Neurosci. 2016; 19: 98–106. pmid: 26946428
- 4. Mento G, Tarantino V, Vallesi A, Bisiacchi PS. Пространственно-временная нейродинамика, лежащая в основе внутреннего и внешнего временного прогнозирования: ERP-исследование с высоким пространственным разрешением. J Cogn Neurosci. 2015; 27 (3): 425–39. pmid: 25203276
- 5. Kleinschmidt A, Büchel C, Hutton C, Friston KJ, Frackowiak RSJ. Нейронные структуры, выражающие гистерезис восприятия при визуальном распознавании букв. Нейрон. 2002. 34 (4): 659–66.pmid: 12062048
- 6. Yuille AL, Bulthoff HH, Kersten D, Mamassian P. Восприятие как байесовский вывод. Анну Рев Психол. 1996; 55: 271–304.
- 7. Цуй Х., Андерсен Р. Различные представления потенциальных и избранных двигательных планов отдельными теменными областями. J Neurosci. 2011. 31 (49): 18130–6. pmid: 22159124
- 8. Менто Дж. Пассивная CNV: определение вклада процессов, связанных с задачами, в ожидание. Front Hum Neurosci. 2013; 7 (декабрь): 827.
- 9. Уолтер В.Г., Купер Р., Олдридж В.Дж., МакКаллум В.К., Винтер А.Л. Условная отрицательная вариация: электрический признак сенсомоторной ассоциации и ожидания в человеческом мозге. Природа. 1964. 203 (4943): 380–4.
- 10. Праамстра П. Электрофизиологические маркеры предпериодических эффектов. В: Nobre AC, Coull JT, редакторы. Внимание и время. Издательство Oxfrod University Press; 2010. С. 331–345.
- 11. Макар Ф., Видаль Ф. Пик CNV: индекс принятия решений и временной памяти.Психофизиология. 1 ноября 2003 г., 40 (6): 950–4. pmid: 14986848
- 12. Ван Рейн Х., Кононович Т.В., Мек У.Х., Нг К.К., Пенни ТБ. Условное отрицательное изменение и его отношение к оценке времени: теоретическая оценка. Front Integr Neurosci. 2011; 5 (декабрь): 1–5.
- 13. Стефаникс Г., Хангья Б., Эрнади И., Винклер И., Лакатос П., Ульберт И. и др. Фазовый захват дельта-колебаний человека может опосредовать влияние ожидания на скорость реакции. J Neurosci. 2010. 30 (41): 13578–85.pmid: 20943899
- 14.
Лакатос П., О’Коннелл М.Н., Барчак А., Миллс А., Джавитт, округ Колумбия, Шредер К.Э. Ведущее чувство: надрамодальный контроль нейрофизиологического контекста с помощью внимания. Нейрон. 2009. 64 (3): 419–30. pmid: 19
9
- 15. Мэтьюсон К. Пульсирующая потеря сознания: альфа-колебания ЭЭГ представляют собой импульсное торможение текущей корковой обработки. (Докторская диссертация, Иллинойсский университет в Урбане-Шампейне). 2011. http://hdl.handle.net/2142/26295
- 16.Дженсен О., Боннефонд М., Ван Руллен Р. Осциллирующий механизм для определения приоритета значимых необслуживаемых стимулов. Vol. 16, Тенденции в когнитивных науках. 2012. с. 200–5. pmid: 22436764
- 17. Дженкинсон Н., Браун П. Новое понимание взаимосвязи между дофамином, бета-колебаниями и двигательной функцией. Vol. 34, Тенденции в неврологии. 2011. с. 611–8. pmid: 22018805
- 18. Левин Дж., Кеннеди Дж. Связь медленных корковых потенциалов с пси-информацией — Google Scholar.J Parapsychol. 1975: 25–6.
- 19. Радин Д.И., Виетен С., Мишель Л., Делорм А. Электрокортикальная активность до непредсказуемых стимулов у медитирующих и немедитирующих. Explor J Sci Heal. 2011; 7 (5): 286–99.
- 20. Моссбридж Дж. А., Трессольди П., Уттс Дж., Ив Дж. А., Радин Д., Йонас В. Б.. Предсказание непредсказуемого: критический анализ и практические последствия прогнозирующей упреждающей активности. Front Hum Neurosci. 2014 25 марта; 8: 146. pmid: 24723870
- 21.Mento G, Tarantino V, Sarlo M, Bisiacchi PS. Автоматическое ожидание времени: исследование потенциала, связанного с высокой плотностью событий. PLoS One. 2013; 8 (5).
- 22. Клем Г. Х., Отто Людерс Х., Джаспер Х., Элгер С. Десять-двадцать электродная система Международной федерации.
- 23. Делорм А., Макейг С. EEGLAB: Набор инструментов с открытым исходным кодом для анализа динамики ЭЭГ в одном исследовании, включая анализ независимых компонентов. J Neurosci Methods. 2004. 134 (1): 9–21. pmid: 15102499
- 24.Стоун Дж. В., Стоун Дж. В. Независимый компонентный анализ: введение. Trends Cogn Sci. 2002. 6 (2): 59–64. pmid: 15866182
- 25. Гроппе Д.М., Урбах Т.П., Кутас М. Массовый одномерный анализ связанных с событиями потенциалов / полей мозга I: критический обзор учебного пособия. Vol. 48, Психофизиология. 2011. с. 1711–25. pmid: 21895683
- 26. Тадель Ф., Байлет С., Мошер Дж. К., Пантазис Д., Лихи Р. М.. Brainstorm: удобное приложение для анализа МЭГ / ЭЭГ. Comput Intell Neurosci.2011; 2011.
- 27. Остенвельд Р., Фрис П., Марис Э., Шоффелен Дж. М.. FieldTrip: программное обеспечение с открытым исходным кодом для расширенного анализа данных МЭГ, ЭЭГ и инвазивных электрофизиологических данных. Comput Intell Neurosci. 2011; 2011.
- 28. Kruschke JK. Байесовская оценка заменяет t-критерий. J Exp Psychol Gen.2013; 142 (2): 573–603. pmid: 22774788
- 29. Команда Jasp. JASP (Версия 0.7.5.5) [Компьютерное программное обеспечение]. 2016.
- 30. Miniussi C, Wilding EL, Coull JT, Nobre AC.Ориентируем внимание во времени. Модуляция потенциалов мозга. Головной мозг. 1999; 122: 1507–18. pmid: 10430834
- 31. Менто Г., Валенца Э. Пространственно-временная нейродинамика ожидаемой продолжительности жизни у младенцев и взрослых. Научный отчет. 2016; 6.
- 32.
Schwarzkopf DS. Мы должны были это предвидеть. Front Hum Neurosci. 2014 27 мая; 8: 332. pmid: 24
2 - 33. Моссбридж Дж., Трессольди П., Уттс Дж., Айвс Дж. А., Радин Д., Йонас В. Б.. Мы видели это пришествие: ответ на «Мы должны были видеть это пришествие» Д.Сэм Шварцкопф. 2015, 13 января; Доступно по ссылке: http://arxiv.org/abs/1501.03179
- 34. Пеццуло Г. Координация с будущим: упреждающий характер репрезентации. Умы Мах. 2008. 18 (2): 179–225.
- 35. Бар М. Проактивный мозг: использование аналогий и ассоциаций для создания прогнозов. Trends Cogn Sci. 2007. 11 (7): 280–9. pmid: 17548232
- 36. Фристон К. Принцип свободной энергии: единая теория мозга? Nat Rev Neurosci. 2010. 11 (2): 127–38.pmid: 20068583
- 37. Хамерофф С. Как квантовая биология мозга может спасти сознательную свободу воли. Front Integr Neurosci. 2012; 6 (октябрь): 1–17.
- 38. Хамерофф С., Пенроуз Р. Сознание во Вселенной: обзор теории «Орч-ОР». Phys Life Rev.2014; 11 (1): 39–78. pmid: 24070914
- 39. Hagan S, Hameroff SR, Tuszyński JA. Квантовые вычисления в микротрубочках мозга: декогеренция и биологическая осуществимость. Phys Rev E. 2002, 10 июня; 65 (6): 61901.
- 40. Трессольди П.Е., Майер М.А., Бюхнер В.Л., Хренников А. Макроскопическое нарушение отсутствия сигнализации во временных неравенствах? Как проверить временную запутанность с помощью поведенческих наблюдаемых. Front Psychol 29 июля 2015 г.
- 41. Резник Д., Ааронов Дж., Белл Дж., Белл Дж., Белл Дж., Белл Дж. И др. Симметричная по времени формулировка квантовой механики. Phys Rev A. 1995 Октябрь; 52 (4): 2538–50. pmid: 91
- 42. Эгг М. Эксперименты с отложенным выбором и метафизика запутанности.Найдено Phys. 2013 21 сентября; 43 (9): 1124–35.
нарушений сознания — Калифорния DMV
Существует два медицинских испытательных срока, которые подходят для водителей с нарушениями LOC: медицинское испытание типа II и типа III.
Назначение человека на медицинский испытательный срок позволяет водителям с управляемой эпилепсией и другими расстройствами, характеризующимися потерей сознания, продолжать движение. Медицинский испытательный срок можно использовать только в том случае, если водитель не потерял сознание из-за своего расстройства в течение как минимум 3 месяцев.
Медицинский испытательный срок II типа предназначен для водителей, прошедших от трех до пяти месяцев контроля. Водитель должен разрешить своему лечащему врачу заполнить форму медицинского освидетельствования водителя (DS 326) и отправить ее в DMV на установленной основе.
Решение о помещении водителя на испытательный медицинский срок II типа должно быть основано на совокупности соображений. Основные факторы включают, но не ограничиваются:
- Тип приступа
- Проявления приступа
- Судорожный приступ, медицинский анамнез и образ жизни
- Период без приступов до последнего эпизода
Медицинский испытательный срок III типа предназначен для водителей, которые прошли 6 или более месяцев контроля. но из-за сопутствующих факторов существует небольшая вероятность повторного приступа.Медицинский испытательный срок III типа требует, чтобы водитель регулярно сообщал в DMV о статусе своего расстройства в письменной форме. Форма отчета о медицинском испытательном сроке (DS 346) используется водителями, находящимися на испытательном сроке типа III, и водитель должен подписать форму под страхом наказания за лжесвидетельство в соответствии с законами штата Калифорния о том, что предоставленная информация является достоверной и правильной. Решение о помещении водителя на испытательный медицинский срок III типа должно основываться на истории болезни водителя и подтвержденной надежности.Основные медицинские факторы, которые следует учитывать, включают, но не ограничиваются:
- Тип приступа
- Проявления приступа
- Судорожный приступ, медицинский анамнез и образ жизни
- Период без приступов до последнего эпизода
Медицинский испытательный срок III типа следует рассматривать как самоконтроль и не назначать, если водитель выставлено прошлое свидетельство:
- Несоблюдение
- Утаивание информации от врача или DMV
- Несогласованные заявления
Для водителей, которые достигли 6 или более месяцев контроля, не требуется испытательного срока, и отсутствуют сопутствующие условия приема лекарств, которые усугубили бы припадки водителя или ухудшают способность водителя безопасно управлять автомобилем.
DMV имеет право в соответствии с Кодексом транспортных средств штата Калифорния ( CVC) §14251 прекращать или изменять условия испытательного срока при наличии уважительной причины. Если выясняется, что потеря сознания у водителя стала нестабильной или есть подозрение, что сообщенная информация является ложной, водителя попросят, чтобы его врач прошел медицинское освидетельствование водителя (DS 326). При необходимости будет назначен повторный экзамен или наложено немедленное приостановление водительских прав.
(PDF) Исследование установленного параметра ЭЭГ во время вождения в реальном мире
Параметр ЭЭГ Протзака и Грамана во время вождения в реальном мире
5. ЗАКЛЮЧЕНИЕ
С помощью двух исследований мы впервые смогли воспроизвести предыдущие лабораторные исследования
на P300 амплитуды, а затем до
подтверждают высокий уровень экологической достоверности наших результатов в
реалистичной постановке задачи вождения. Наши результаты
убедительно доказывают, что сложные когнитивные функции, такие как контекст и процессы обновления ответов
, могут быть исследованы в среде с высокой степенью артефактов
вождения.Обработка редких и
неправильных событий слуховой обратной связи была отражена четкими отклонениями P300
с немного разными топографическими распределениями
в обеих записях. Несмотря на различия в качестве данных и дисперсию
, амплитуды и тонические спектры мощности ЭЭГ из обоих исследований
были сопоставимы и не подвергались значительному влиянию среды записи с коэффициентом
. Возможность предоставить
непосредственное понимание динамики мозга людей, участвующих в задаче
по вождению в реальном мире, дает убедительные аргументы для дальнейшего исследования
в реалистичных настройках задач с более сложными манипуляциями
или менее надежными потенциалами.Постепенный перенос
обширных знаний, собранных из лабораторных отчетов ERP
, в параметры экологической задачи может в перспективе привести
к сложным выводам о динамике мозга активно ведущих
людей.
ВКЛАД АВТОРА
JP провел эксперимент. JP и KG внесли свой вклад в анализ и интерпретацию данных
. JP и KG написали рукопись
.
БЛАГОДАРНОСТИ
Настоящий проект был включен в исследовательский тренинг
Group prometei — Prospective Design of Human-Technology
Взаимодействие, основанное Немецким исследовательским фондом (DFG)
, и записи данных были частью диссертационного проекта
(Протзак, 2015).Препринт-версия этой статьи (Protzak and
Gramann, 2018) была размещена на предпечатном сервере bioRxiv.org.
СПИСОК ЛИТЕРАТУРЫ
Банаи, М., Хатами, Дж., Язданфар, А., и Граманн, К. (2017). Прогулка по
архитектурным пространствам: влияние внутренних форм на динамику человеческого мозга.
Передняя. Гм. Neurosci. 11: 477. DOI: 10.3389 / fnhum.2017.00477
Брауэр, А.-М., Снелтинг, А., Ясва, М., Флашер, О., Крол, Л., и Зандер, Т.
(2017).«Физиологические эффекты адаптивного круиз-контроля в реальном вождении
», в Трудах семинара ACM 2017 года по прикладному подходу
к BCI вне лаборатории (Лимассол: ACM), 15–19.
Chatrian, G., Lettich, E., and Nelson, P. (1985). Десятипроцентная электродная система для
топографических исследований спонтанной и вызванной активности ЭЭГ. Являюсь. J. EEG
Technol. 25, 83–92. DOI: 10.1080 / 00029238.1985.11080163
Куршн, Э.(1978). Изменения волн P3 с повторением событий: долгосрочные
воздействуют на распределение и амплитуду скальпа. Электроэнцефалогр. Clin.
Нейрофизиол. 45, 754–766. DOI: 10.1016 / 0013-4694 (78)-8
Dahlbäck, N., Jönsson, A., and Ahrenberg, L. (1993). Волшебник из страны Оз изучает — почему
и как. Знай. На основе Syst. 6, 258–266. DOI: 10.1016 / 0950-7051 (93) -N
де Брюйн, Э. Р., Шуботц, Р. И., и Ульспергер, М. (2007). Связанное с событием
потенциальное исследование по наблюдению за ошибочными повседневными действиями.Cogn. Эффект.
Поведение. Neurosci. 7, 278–285. DOI: 10.3758 / CABN.7.4.278
Дебенер, С., Миноу, Ф., Эмкес, Р., Гандрас, К., и Вос, М. (2012). Как насчет
, взять на прогулку недорогую, маленькую и беспроводную ЭЭГ? Психофизиология 49,
1617–1621. DOI: 10.1111 / j.1469-8986.2012.01471.x
Делорм А. и Макейг С. (2004). EEGLAB: набор инструментов с открытым исходным кодом для анализа
динамики ЭЭГ в одном исследовании, включая анализ независимых компонентов. Дж.
Neurosci. Методы 134, 9–21. DOI: 10.1016 / j.jneumeth.2003.10.009
Дончин Э. и Коулз М. Г. (1988). Компонент P300 — это проявление обновления контекста
? Behav. Brain Sci. 11, 357–374.
DOI: 10.1017 / S0140525X00058027
Дончин, Э., Риттер, У. и МакКаллум, У. К. (1978). «Когнитивная
психофизиология: эндогенные компоненты ERP», Event-
Related Brain Potentials in Man, ed E. Callaway (New York, NY: Academic
Press), 349–411.
Энгель, А.К., Майе, А., Куртен, М., и Кениг, П. (2013). Где действие?
Прагматический поворот в когнитивной науке. Trends Cogn. Sci. 17, 202–209.
DOI: 10.1016 / j.tics.2013.03.006
Фабиани М., Граттон Г., Карис Д. и Дончин Э. (1987). «Определение, идентификация
и надежность измерения компонента P300 связанного с событием потенциала мозга
», в «Успехах в психофизиологии», том 2, ред. П. К.
Эклс, Дж.Р. Дженнингс и М. Г. Х. Коулз (Гринвич, Коннектикут: JAI Press), 1–78.
Фридман Д., Цикович Ю. М. и Гаэта Х. (2001). Новизна P3: событие —
связанный потенциал мозга (ERP) признак оценки новизны мозга. Neurosci.
Biobehav. Ред. 25, 355–373. DOI: 10.1016 / S0149-7634 (01) 00019-7
Граманн, К. (2013). Воплощение пространственных опорных кадров и индивидуальных различий
в склонности опорных кадров. Плевать. Cogn. Comput. 13, 1–25.
DOI: 10.1080 / 13875868.2011.589038
Граманн, К., Феррис, Д. П., Гвин, Дж. И Макейг, С. (2014). Imaging
естественное познание в действии. Int. J. Psychophysiol. 91, 22–29.
doi: 10.1016 / j.ijpsycho.2013.09.003
Gramann, K., Gwin, J. T., Ferris, D. P., Oie, K., Jung, T. P., Lin, C. T., et al. (2011).
Познание в действии: визуализация динамики мозга / тела у мобильных людей. Ред.
Neurosci. 22, 593–608. DOI: 10.1515 / RNS.2011.047
Гвин, Дж. Т., Граманн, К., Макейг, С., и Феррис, Д. П. (2010). Удаление
артефактов движения из ЭЭГ высокой плотности, записанных во время ходьбы и
бега. J. Neurophysiol. 103, 3526–3534. DOI: 10.1152 / jn.00105.2010
Haufe, S., Kim, J. W., Kim, I.H., Sonnleitner, A., Schrauf, M., Curio,
G., et al. (2014). Обнаружение намерения экстренного торможения на основе электрофизиологии
в реальном вождении. J. Neural Eng. 11: 056011.
DOI: 10.1088 / 1741-2560 / 11/5/056011
Haufe, S., Treder, M. S., Gugler, M. F., Sagebaum, M., Curio, G., and Blankertz, B.
(2011). Потенциалы ЭЭГ предсказывают предстоящее экстренное торможение во время имитации движения
. J. Neural Eng. 8: 056001. DOI: 10.1088 / 1741-2560 / 8/5/056001
Хорст, Р. Л., Джонсон, Р., и Дончин, Э. (1980). Связанные с событием потенциалы мозга
и субъективная вероятность в учебной задаче. Mem. Cogn. 8, 476–488.
doi: 10.3758 / BF03211144
Isreal, J.Б., Чесни, Г. Л., Виккенс, К. Д., и Дончин, Э. (1980a). Сложность отслеживания P300 и
: свидетельство наличия нескольких ресурсов при выполнении двух задач.
Психофизиология 17, 259–273. DOI: 10.1111 / j.1469-8986.1980.tb00146.x
Исреал, Дж. Б., Викенс, К. Д., Чесни, Г. Л., и Дончин, Э. (1980b). Событие
связано с потенциалом мозга как показателем нагрузки на монитор. Гм.
Факторы 22, 211–224. DOI: 10.1177 / 001872088002200210
Джонсон, Р.(1993). На нейронных генераторах P300 составляющая
событийного потенциала. Психофизиология 30, 90–97.
DOI: 10.1111 / j.1469-8986.1993.tb03208.x
Юнгникель, Э., и Граманн, К. (2016). Мобильная визуализация мозга / тела (MoBI)
физического взаимодействия с динамически движущимися объектами.