1 Uvod
Kodiranje informacij spada med sorazmerno mlada po-
dročja raziskovanja možganskega delovanja. Kljub
velikemu številu raziskovalcev, ki se ukvarjajo s
proučevanjem kodiranja, prenosa in uporabe možganskih
informacij, ostaja na tem področju še veliko neznank.
Trenutno obstaja nekaj splošno priznanih teorij in meh-
anizmov, ki opisujejo načine delovanja možganov in
perifernega živčevja z vidika izmenjevanja informacij.
Eden osnovnih mehanizmov v delovanju možganov je
tako imenovana sinhronizirana oscilatorna aktivnost, ki
daje celosten pogled na delovanje možganov [1]. Po
mnenju [2] je oscilatorna aktivnost osnova porazdel-
jenega procesiranja informacij, zaznavanja in funkcional-
nosti možganov, hkrati pa skrbi za prenos informacij med
Metoda fazne demodulacije za iskanje možganskih informacij 215
anatomsko ne nujno povezanimi možganskimi centri.
Drugi izmed mehanizmov, ki sodeluje pri možganskem
delovanju, so tako imenovani možganski ritmi in so tesno
povezani z oscilatorno aktivnostjo, saj so to dejansko
frekvenčni pasovi, v katerih se nahajajo posamezne os-
cilacije. Tretji mehanizem, ki najverjetneje sodeluje pri
prenosu informacij med posameznimi nevronskimi po-
dročji, je tako imenovano povezovanje (angl. binding).
Teorija povezovanja zagovarja dejstvo vzporednega obde-
lovanja informacij v različnih možganskih centrih, kadar
določena akcija to zahteva [3]. Pri teoriji povezovanja ima
pomembno vlogo prej omenjena oscilirajoča aktivnost,
saj lahko centri s sinhronizacijo oz. desinhronizacijo
oscilacij in spreminjanjem njihove frekvence natančno
določajo, kaj naj se v dani signal zakodira ter kateri cen-
ter naj poslano informacijo sprejme in odkodira. De-
lovanje mehanizma sinhronizacije in desinhronizacije je
mogoče prikazati z izračunom funkcije koherence med
sodelujočimi področji [4]. Če dva centra sodelujeta v is-
tem procesu in med njima prihaja do izmenjave informa-
cij, se to kaže kot povišana vrednost koherence med si-
gnaloma, ki ju izmerimo za posamezno področje [5]. Po
mnenju nekaterih avtorjev je način, kako se posamezna
informacija zakodira v signal, pogojen s faznimi last-
nostmi danega signala [6, 7]. Tako imenovani koncept
faznega kodiranja, ki je nastal šele v zadnjih nekaj letih,
je pomembno odkritje na področju toka možganskih in-
formacij. Predvideva se, da se posamezen del informacije
zakodira v nosilni signal kot fazni zamik, podobno kot
pri oddajanju radijskih valov v fazno modulirani tehniki.
Glede na zadnje raziskave naj bi bilo fazno kodiranje in-
formacij temeljni mehanizem kodiranja vseh možganskih
informacij [8].
Znano je, da so možganski signali, ki jih izmerimo s
pomočjo elektroencefalografa, informacijsko zelo bogati.
Iz njih je namreč mogoče ugotavljati različna stanja za-
vesti in spanja, pa tudi številne bolezenske znake. Glede
na to, da je EEG odraz električne aktivnosti možganov,
lahko predvidevamo, da je mogoče z ustreznimi meto-
dami obdelave signalov iz zapisa EEG izluščiti nekatere
pomembne informacije, ki se izmenjujejo med nevron-
skimi populacijami. Če združimo vse prej omenjene me-
hanizme delovanja možganov ter lastnosti signalov EEG,
dobimo meritve, ki opisujejo funkcionalnost možganov in
nosijo kodirane informacije o trenutni akciji, ki se izvaja.
Zato, sva se avtorja odločila, da poskusiva dekodirati
prenašano informacijo, izmerjeno v signalu EEG, med
preiskovančevimi izvajanji nalog delovnega spomina ter
statičnih (sVM) in dinamičnih vidno-motoričnih (dVM)
nalog. Iskana informacija je bila pri nalogah delovnega
spomina preiskovančev odgovor tipa DA/NE, pri sVM
nalogah sila stiskanja, ki jo je preiskovanec izvajal na sen-
zor sile in pri nalogah dVM premiki zapestja, ki jih je
preiskovanec izvajal z igralno palico.
Namen študije je zgraditi matematični model z
uporabo metod filtriranja signalov, analize glavnih kom-
ponent (PCA) ter fazne demodulacije, določiti parame-
tre modela z uporabo mehke identifikacije ter s tem
pokazati, da signali EEG nosijo dovolj informacij za
uspešno napoved odgovorov pri nalogah delovnega spo-
mina, sile stiskanja pri statičnih ter premikov zapestij pri
dinamičnih nalogah VM.
2 Metode
2.1 Naloge delovnega spomina
Kognitivne naloge, ki od preiskovancev zahtevajo
uporabo kratkoročnega spomina, imenujemo naloge de-
lovnega spomina. Za študijo smo uporabili naloge de-
lovnega spomina, ki temeljijo na Sternbergovi paradigmi
[9], saj le-ta omogoča proučevanje neposrednega dostopa
do informacij v spominu. Njena prednost pred drugimi
nalogami je, da omogoča proučevanje spreminjanja ak-
tivnosti po posameznih korakih v kratkoročnem spominu,
saj so obdobja kodiranja, prepoznavanja in pomnjenja
ločena [10]. Sternbergova paradigma, ki je bila
uporabljena v našem primeru, je od preiskovancev za-
htevala, da si zapomnijo niz štirih alfanumeričnih znakov
in ga uredijo skladno z nalogo (zapomni-uredi, zapomni,
uredi, počakaj).
Naloga
(Z-U, Z, U, P)
Niz
znakov
Obdobje
pomnjenja
Čas za
premislek Pavza
0s 1.5s 2.0s 6.0s 7.0s 10.0s
Vprašanje
Odgovor
(da/ne)
Slika 1.: Sternbergova naloga delovnega spomina
Figure 1.: Sternberg woriking memory task
Kot prikazuje slika 1, se je vsak poskus začel z
navodilom, kateri tip naloge je trebna izvajati (zapomni-
uredi, uredi, zapomni ali počakaj). Po navodilu se je
preiskovancu za 0,5 sekunde prikazal niz štirih alfanu-
meričnih znakov. Glede na tip naloge so znaki ostali
prikazani ali pa umaknjeni z zaslona. Po prikazu niza
znakov je moral preiskovanec miselno urediti oz. si za-
pomniti znake, kot je to zahtevala naloga. Po preteku
4 sekundnega obdobja pomnjenja je računalnik preisko-
vancu zastavil vprašanje tipa nX, pri čemer je bil X eden
od prikazanih znakov, n pa mesto, na katerem se na-
haja. Preiskovanec je nato s pritiskom levega oz. desnega
gumba na miški odgovoril, ali je odgovor na zastavljeno
vprašanje pritrdilen (znak X je bil na n-tem mestu) ali ne
(znak X ni bil na n-tem mestu). Na koncu vsake naloge je
sledilo 3-sekundno obdobje počitka. Ponovitev naloge je
bilo približno 200.
216 Logar, Belič
2.2 Vidno-motorične naloge
Naloge, ki od možganov zahtevajo aktivacijo vid-
nih in motoričnih območij možganske skorje ter nji-
hovo vidno-motorično integracijo, imenujemo vidno-
motorične naloge. V tej študiji smo obravnavail dva tipa
VM-nalog, in sicer statične ter dinamične.
Pri izvajanju nalog sVM smo merili silo stiskanja, ki
jo je podajal preiskovanec ter njegovo možgansko ak-
tivnost prek signalov EEG. Naloga je od vsakega preisko-
vanca zahtevala opazovanje časovnega poteka sinusnega
signala na zaslonu ter čim boljše sledenje prikazani
krivulji s stiskanjem senzorja sile med palcem in kazal-
cem, kot je prikazano na sliki 2. Naloga je bila sestav-
ljena iz 20 sklopov obdobja aktivnosti (sledenje krivulji)
v dolžini 25 s in obdobja mirovanja (brez motorične ak-
cije) v dolžini 25 s. Preiskovanci so statično nalogo VM
izvajali z levo in desno roko.
0 5 10 15 20 25
-0.5
0
0.5
1
1.5
2
2.5
t[s]
F
[N
]
Prikazan
Izmerjen
Slika 2.: Statična vidno-motorična naloga
Figure 2.: Static visuo-motor task
Pri izvajanju nalog dVM smo merili premike zapestja,
ki jih je izvajal preiskovanec, ter njegovo možgansko ak-
tivnost prek signalov EEG. Naloga je od vsakega preisko-
vanca zahtevala opazovanje časovnega poteka naključno
generiranega zveznega signala na zaslonu in čim boljše
sledenje prikazani krivulji s premikanjem igralne palice
naprej oz. nazaj, kot je prikazano na sliki 3. Naloga je
bila sestavljena iz 10 sklopov obdobja aktivnosti (sledenje
krivulji) v dolžini 30 s in obdobja mirovanja (brez mo-
torične akcije) v dolžini 30 s.
Razlog za izvajanje dveh tipov VM nalog je ta, da so
statične naloge VM osnova za dekodiranje možganskih
informacij, hkrati pa so za možgane lažje opravilo zaradi
ponavljajočega se sinusnega signala. Dinamične VM-
naloge so nadgradnja statičnih, saj je zaradi naključno
generiranega zveznega signala sledenje le-temu težje, kar
je za možgane težja naloga, hkrati pa verjetno preprečuje
tudi t. i. proces učenja, ki se običajno začne izvajati
v možganih pri zadostnem številu ponovitev določenega
vzorca.
0 5 10 15 20 25
-0.5
0
0.5
1
1.5
2
2.5
t[s]
Prikazan
Izmerjen
30
Slika 3.: Dinamična vidno-motorična naloga
Figure 3.: Dynamic visuo-motor task
2.3 Meritve EEG
Za študijo nalog delovnega spomina so bili izbrani trije
desnoročni preiskovanci, stari 23, 24 in 27 let.
Za zajem podatkov je bil uporabljen aparat EEG Med-
elec system s standardno postavitvijo elektrod 10–20 in
256 Hz vzorčenjem. Zajem preiskovančevih odgovorov
DA/NE je bil izveden prek računalniske miške (levi gumb
- DA, desni gumb - NE). Zajema podatkov sta bila med-
sebojno sinhronizirana. Naloge so bile prikazane s pro-
gramsko opremo Presentation software.
Za študijo statičnih VM-nalog so bili izbrani trije
desnoročni preiskovanci, stari 26, 27 in 29 let.
Za zajem podatkov je bil uporabljen aparat EEG Med-
elec system s standardno postavitvijo elektrod 10–20 in
256 Hz vzorčenjem. Zajem sile stiskanja je bil izveden
prek senzorja sile ter 12-bitne kartice PCI DAS1002 s
frekvenco vzorčenja 100 Hz. Zajema podatkov sta bila
medsebojno sinhronizirana. Naloge so bile prikazane s
programsko opremo Matlab.
Za študijo dinamičnih VM-nalog so bili izbrani štirje
desnoročni preiskovanci, stari 24, 27, 32 in 37 let. Za
zajem EEG signalov je bil uporabljen aparat EEG EEG
System (Brain Products GmbH, Nemčija) s standardno
postavitvijo elektrod 10–20 in 512 Hz vzorčenjem. Za-
jem premikov zapestja je bil izveden preko igralne palice
USB s frekvenco vzorčenja 50 Hz. Zajema podatkov sta
bila medsebojno sinhronizirana. Naloge so bile prikazane
s programsko opremo Matlab.
Vsi signali EEG so bili med snemanjem filtrirani
z nizkopasovnim in visokopasovnim filtrom, ki sta
odstranila frekvence, nižje od 0,5Hz (posledica mišičnega
gibanja) in višje od 100 Hz (elektromiogramske motnje).
Upornost elektrod je bila nižja od 5 kΩ. Vse meritve sig-
nalov EEG so bile izvedene v elektromagnetno zaščiteni
sobi.
2.4 Obdelava signalov
Za analizo izmerjenih signalov EEG je bila uporabljena
programska oprema Matlab skupaj z dodatki Neural net-
Metoda fazne demodulacije za iskanje možganskih informacij 217
works toolbox, Fuzzy logic toolbox, Signal processing
toolbox ter Statistics toolbox. Dodatno filtriranje sig-
nalov je bilo izvedeno z uporabo Butterworthovih filtrov
tretjega in petega reda (funkcija filtfilt). Metoda fazne
demodulacije je bila izvedena z uporabo funkcije de-
mod, analiza glavnih komponent pa s funkcijo prepca.
Napovedni model v obliki umetne nevronske mreže
(UNM) je bil zgrajen in učen s funkcijama newff in train-
scg v obliki mehkega modela pa z uporabo funkcij anfis
ter genfis2.
Pri nalogah delovnega spomina smo iz signalov EEG
najprej izbrali intervale v dolžini 1 sekunde pred preisko-
vančevim odgovorom. Novo dobljene signale EEG
smo nadalje filtrirali s pasovnim filtrom v frekvenčnem
območju theta (4–7 Hz). Uporaba frekvenčnega območja
theta izhaja iz mnenj nekaterih avtorjev, da pri spomin-
skih procesih igra pomembno vlogo ravno ritem theta
[11]. Za pridobitev fazne vsebine signalov smo le-te
fazno demodulirali s frekvenco nosilnega vala približno
4,8Hz. Za zmanjšanje dimenzije podatkov in zagotavl-
janja linearne neodvisnosti le-teh smo nazadnje uporabili
še analizo glavnih komponent. Prvih 10 dobljenih glavnih
komponent (95 % variance signala) smo nato uporabili
kot vhode za učenje in validacijo nevronske mreže. Izhod
UNM je napoved preiskovančevega odgovora DA/NE v
dolžini 1 sekunde. Slika 4 prikazuje bločni diagram ob-
delave signalov EEG.
EEG
signali
theta
ritem
fazno demodulirani
signali
glavne
komponente odgovori
theta
pasovni
filter
fazna
demodulacija
PCA UNM
Slika 4.: Bločni diagram obdelave signalov pri nalogah de-
lovnega spomina
Figure 4.: Block diagram of working-memory task signal pro-
cessing
Čeprav je osnovna ideja obdelave signalov za oba
tipa nalog VM podobna, se skladno z razliko v njuni za-
htevnosti razlikujeta tudi sama zahtevnost predobdelave
signalov EEG in kompleksnost mehkega modela, s ka-
terim napovedujemo bodisi silo stiskanja bodisi premike
zapestja.
Pri statičnih VM-nalogah smo najprej iz vseh sig-
nalov izbrali 25 s obdobja aktivnosti in jih filtrirali s
pasovnim Butterworthovim filtrom 3. reda, da bi prido-
bili možganske ritme beta (13–30Hz). Na filtriranih sig-
nalih smo nato uporabili metodo fazne demodulacije z
nosilno frekvenco 20 Hz in analizo glavnih komponent.
Prvih 5 dobljenih glavnih komponent (95 % variance sig-
nala) smo naprej uporabili kot vhode za učenje in vali-
dacijo mehkega modela. Izhod mehkega modela pomeni
napoved sile stiskanja. Slika 5 prikazuje bločni diagram
obdelave signalov EEG.
Pri dinamičnih VM-nalogah smo prav tako iz signalov
EEG najprej izbrali 30 s obdobja aktivnosti. Izbrane in-
tervale smo nato podvojili v dva nova, identična signala.
EEG
signali
beta
ritem
fazno demodulirani
signali
glavne
komponente
sila
stiskanja
beta
pasovni
filter
fazna
demodulacija
PCA
Mehki
model
Slika 5.: Bločni diagram obdelave signalov pri statičnih VM
nalogah
Figure 5.: Block diagram of static VM task signal processing
Vsak izmed signalov je bil naprej filtriran s pasovnim But-
terworthovim filtrom 5. reda z različnim intervalom beta
(13–30 Hz) frekvenc, in sicer približno (14–18 Hz) ter
(18–22 Hz). Uporaba frekvenčnega območja beta izhaja
iz rezultatov predhodnih študij [12] in mnenj nekaterih
avtorjev, da ima pri kodiranju informacij motoričnih akcij
pomembno vlogo sinhronizacija ritma beta [3, 8]. Vsak
signal je bil nato fazno demoduliran z drugačno nosilno
frekvenco. Nosilni frekvenci sta bili izbrani eksperimen-
talno, tako da demodulirani signali niso vsebovali eno-
smerne komponente lezenja, in sicer približno 16 Hz +/-
1 Hz ter 18 Hz +/- 1 Hz. Nazadnje je bila za vsak signal
uporabljena še analiza glavnih komponent za doseganje
linearne neodvisnosti signalov in zmanjšanje obsega mer-
jenih podatkov. Analiza je pokazala, da je mogoče 95
% variance signala opisati samo s 5 glavnimi komponen-
tami. Končna dimenzija vhodnih podatkov je bila tako
zmanjšana z 32 merjenih elektrod na 10 glavnih kompo-
nent, ki pomenijo vhodne signale v mehki model. Izhod
mehkega modela je napoved premikov zapestja. Slika 6
prikazuje bločni diagram obdelave signalov EEG.
EEG
signali
beta
ritmi
fazno-demodulirani
signali
glavne
komponente
premiki
zapestja
fazna
demodulacija
fPM1
PCA 1
mehki
model
fazna
demodulacija
fPM2
PCA 2
beta
pasovni filter 1
beta
pasovni filter 2
Slika 6.: Bločni diagram obdelave signalov pri dinamičnih VM
nalogah
Figure 6.: Block diagram of dynamic VM task signal processing
2.5 Fazna demodulacija
Enačbo fazne modulacije lahko zapišemo kot
y(t) = K sin(ω
c
t+ f(t) + ϕ), (1)
kjer je y(t) moduliran signal, K amplituda moduliranega
signala, ω
c
nosilna frekvenca, f(t) signal, ki vsebuje in-
formacijo, ki jo moduliramo, in ϕ konstanten fazni za-
mik nosilnega vala. Za prenos informacije najprej le-
to zakodiramo v signal f(t), ki naprej modulira nosilni
val. Tako modulirano informacijo y(t) prek oddajnika
pošljemo do sprejemnika. Sprejeti signal je trebna za
dostop do kodirane informacije najprej demodulirati in
pridobiti signal f(t).
Če frekvence nosilnega vala ne poznamo, lahko le-to
določimo tako, da je demoduliran signal brez lezenja oz.
218 Logar, Belič
vrednost ω
c
določimo približno, preostalo lezenje pa fil-
triramo z uporabo visokopasovnega filtra. Pri tem velja
omeniti, da se s tem izgubijo tudi informacije, ki so kodi-
rane v frekvencah, nižjih od mejne frekvence filtra. Če
pogoju o dovolj manjhnem frekvenčnem pasu informacij-
skega signala f(t) od ω
c
ni zadoščeno, dekodirani sig-
nal postane popačen približek originalnega signala f(t).
Vseeno sta oba signala še vedno medsebojno korelirana.
2.6 Predikcijski modeli
Za dekodiranje informacij nalog delovnega spomina iz
obdelanih signalov EEG je bila uporabljena tri-nivojska
umetna nevronska mreža ’feed-forward’ z 10 nevroni na
prvem, 2 nevronoma na drugem in 1 nevronom na tre-
tjem nivoju. Nevroni na prvem in drugem nivoju so imeli
tangens-sigmoidno, izhodni nevron pa linearno aktiva-
cijsko funkcijo. Kot je bilo že omenjeno, smo za vhode v
UNM uporabili primerno obdelane signale EEG, izhodi
pa so bili odgovori tipa DA/NE v dolžini 1 sekunde.
Za učenje in validacijo UNM so bili izmerjeni podatki
razdeljeni v približnem razmerju 7:1.
Za dekodiranje informacij vidno-motoričnih nalog je
bil kot napovedni model uporabljen mehki inferenčni sis-
tem v obliki Takagi-Sugeno (TS).
Pri napovedovanju možganskega dogajanja je bil
mehki model zgrajen z uporabo naslednjih parametrov:
4 pripadnostne funkcije Gaussove oblike, 50 učnih ko-
rakov dolžine 0,05 in velikost posameznega roja 0,5. Za
vhode v model smo uporabili izmerjene in predhodno ob-
delane EEG signale, izhodi pa so pomenili silo stiskanja
oz. premike zapestja. Za učenje mehkega modela je bila
uporabljena predhodna perioda aktivnosti signala EEG,
trenutna pa za validacijo.
3 Rezultati
V nadaljevanju so zbrani rezultati dekodiranja
možganskih informacij pri danih kognitivnih nalo-
gah. Izmerjeni signali EEG so bili obdelani skladno s
prej opisano metodologijo.
3.1 Naloge delovnega spomina
Slika 7 prikazuje izmerjene odgovore preiskovancev (de-
belejša črta) in odgovore, kot jih je napovedala UNM
(tanjša črta). Če je preiskovanec odgovoril DA, to na
grafu ustreza številu 1, pri odgovoru NE pa številu 0. Če
se obe črti v obdobju 1 sekunde odgovora ujemata vsaj
0,5 sekunde, velja, da je odgovor, ki ga napove UNM,
pravilen. Navpične črte ločujejo posamezne odgovore v
dolžini 1 sekunde. Iz slike je razvidno, da lahko UNM
s približno 72 %, 75 % in 80 % zanesljivostjo napove
posamezen odgovor vseh treh preiskovancev.
Subject 1 - Validation set
Trials
An
sw
er
s
Subject 1 - Validation set
Measured
Predicted
Subject 1 - Validation set
Trials
An
sw
er
s
Subject 2 - Validation set
Measured
Predicted
Subject 1 - Validation set
Trials
An
sw
er
s
Subject 3 - Validation set
Measured
Predicted
Slika 7.: Primerjava izmerjenih in napovedanih odgovorov za
vse tri preiskovance pri nalogi delovnega spomina
Figure 7.: Comparisson of the measured and predicted answers
for all three subjects at working memory task
3.2 Statične vidno-motorične naloge
Slika 8.: Napoved sile stiskanja za osebo 1 z levo in desno roko
Figure 8.: Gripping-force prediction for subject 1 (left and right
hand)
Slike 8, 9 in 10 prikazujejo izmerjene sile stiskanja
in napovedi mehkega modela za vse tri preiskovance.
Tanjša krivulja prikazuje izmerjene sile, debelejša pa
napovedane. Razvidno je, da so napovedi sile za vse tri
Metoda fazne demodulacije za iskanje možganskih informacij 219
0 5 10 15 20 25
0
5
10
15
20
25
t[s]
F[
N
]
Gripping force validation
Slika 9.: Napoved sile stiskanja za osebo 2 z levo in desno roko
Figure 9.: Gripping-force prediction for subject 2 (left and right
hand)
Slika 10.: Napoved sile stiskanja za osebo 3 z levo in desno roko
Figure 10.: Gripping-force prediction for subject 3 (left and
right hand)
primere zadovoljive, saj vsota kvadratičnih napak znaša
17,9 in 33,4 za prvega, 18,5 in 18,6 za drugega ter 41,0 in
56,1 za tretjega preiskovanca.
3.3 Dinamične vidno-motorične naloge
Slike 11, 12, 13 in 14 prikazujejo izmerjene premike za-
pestja ter napovedi mehkega modela za vse štiri preisko-
vance pri dveh različnih obdobjih aktivnosti. Tanjša
krivulja prikazuje izmerjene premike zapestij, debelejša
pa napovedane. Razvidno je, da so napovedani premiki
pri vseh preiskovancih zadovoljivi, na kar kaže tudi vsota
kvadratičnih napak, ki znaša 23,1 in 32,8 za prvega, 27,2
0 5 10 15 20 25 30
-1
-0.5
0
0.5
1
t[s]
p
re
m
ik
0 5 10 15 20 25 30
-1
-0.5
0
0.5
1
t[s]
p
re
m
ik
Slika 11.: Napoved premikov zapestja za osebo 1
Figure 11.: Wrist-movement prediction for subject 1
0 5 10 15 20 25 30
-1
-0.5
0
0.5
1
t[s]
p
re
m
ik
0 5 10 15 20 25 30
-1
-0.5
0
0.5
1
t[s]
p
re
m
ik
Slika 12.: Napoved premikov zapestja za osebo 2
Figure 12.: Wrist-movement prediction for subject 2
in 24,5 za drugega, 20,6 in 36,2 za tretjega ter 24,9 in 36,3
za četrtega preiskovanca.
4 Sklep
V delu so predstavljeni možni pristopi k analizi
možganskih valov za dekodiranje informacij, ki se iz-
menjujejo med možganskimi centri pri različnih kogni-
tivnih nalogah. Pokazali smo, da je mogoče s primerno
izbrano metodologijo iz signala EEG izluščiti informacije
o odgovorih preiskovancev, sili stiskanja in premikih za-
pestja pri nalogah delovnega spomina ter statičnih in di-
namičnih vidno-motoričnih nalogah. Osnova vseh algo-
ritmov so metode filtriranja, fazne demodulacije in ana-
lize glavnih komponent. Prva zagotovi izbiro pravega
0 5 10 15 20 25 30
-1
-0.5
0
0.5
1
t[s]
p
re
m
ik
0 5 10 15 20 25 30
-1
-0.5
0
0.5
1
t[s]
p
re
m
ik
Slika 13.: Napoved premikov zapestja za osebo 3
Figure 13.: Wrist-movement prediction for subject 3
0 5 10 15 20 25 30
-1
-0.5
0
0.5
1
t[s]
p
re
m
ik
0 5 10 15 20 25 30
-1
-0.5
0
0.5
1
t[s]
p
re
m
ik
Slika 14.: Napoved premikov zapestja za osebo 4
Figure 14.: Wrist-movement prediction for subject 4
frekvenčnega območja, v katerem naj bi ležala iskana
informacija, druga omogoči dostop do fazno kodirane
vsebine, tretja pa transformira podatke v obliko, ki je
primerna za učenje napovednih modelov.
Prikazani rezultati kažejo na primernost predstavljene
metodologije za dekodiranje elektroencefalografskih in-
formacij in ob zagotovitvi njene kavzalnosti (filtriranje
in analiza glavnih komponent) tudi na možnost njene
uporabe za razvoj vmesnikov možgani-računalnik.
5 Literatura
[1] A. K. Engel, P. Fries, W. Singer. Dynamic predictions: os-
cillations and synchrony in top-down processing. Nature
reviews. Neuroscience, 2(10):704–716, 2001.
[2] P. Manganotti, C. Gerloff, C. Toro, H. Katsuta, N. Sadato,
P. Zhuang, L. Leocani, M. Hallett. Task-related coherence
and task-related spectral power changes during sequential
finger movements. Electroencephalography and clinical
Neurophysiology, 109:50–62, 1998.
[3] G. Buzsáki, A. Draguhn. Neuronal oscillations in cortical
networks. Science, 304(5679):1926–1929, 2004.
[4] S. Brežan, V. Rutar, V. Logar, B. Koritnik, G. Kurillo,
A. Belič, J. Zidar. Elektroencefalografska koherenca med
vidnimi in motoričnimi predeli leve in desne poloble pri
izvajanju vidno-motorične naloge z desno in levo roko.
Zdravniški vestnik, 76(9):519–527, 2007.
[5] J. Classen, C. Gerloff, M. Honda, M. Hallet. Integrative
visuomotor behaviour is associated with interregionally
coherent oscillations in the human brain. Journal of Neu-
rophysiology, 79:1567–1573, 1998.
[6] O. Jensen. Maintenance of multiple working mem-
ory items by temporal segmentation. Neuroscience,
139(1):237–249, 2006.
[7] J. Lisman. The theta/gamma discrete phase code occuring
during the hippocampal phase precession may be a more
general brain coding scheme. Hippocampus, 15(7):913–
922, 2005.
[8] O. Jensen, J. E. Lisman. Hippocampal sequence-encoding
driven by a cortical multi-item working memory buffer.
Trends in Neurosciences, 28(2):67–72, 2005.
[9] S. Sternberg. High-speed scanning in human memory.
Science, 153(3736):652–654, 1966.
[10] O. Jensen, J. Gelfand, J. Kounios, J. E. Lisman. Oscilla-
tions in the alpha band (9-12 hz) increase with memory
load during retention in a short-term memory task. Cere-
bral cortex, 12(8):877–882, 2002.
[11] A. Gevins, M. E. Smith, L. McEvoy, D. Yu. High resolu-
tion EEG mapping of cortical activation related to work-
ing memory: effects of task difficulty, type of processing
and practice. Cerebral cortex, 7(4):374–385, 1997.
[12] V. Logar, I. Škrjanc, A. Belič, S. Brežan, B. Koritnik,
J. Zidar. Identification of the phase code in an EEG dur-
ing gripping-force tasks: A possible alternative approach
to the development of the brain-computer interfaces. Ar-
tificial Intelligence in Medicine, 44(1):41–49, 2008.
Vito Logar je diplomiral in doktoriral na Fakulteti za elek-
trotehniko v Ljubljani (v letih 2004 in 2009). Njegovo
raziskovalno področje temelji na naprednih metodah analize
možganskih valov, modeliranju možganskih procesov ter mo-
deliranju in identifikaciji industrijskih procesov.
Aleš Belič je diplomiral in doktoriral na Fakulteti za elek-
trotehniko v Ljubljani (v letih 1994 in 2000). Njegovo področje
raziskovanja je modeliranje v farmakokinetiki in farmakodi-
namiki s pristopi metod umetne inteligence ter modeliranje na
področju biomedicine.