Vergelich von zwei ausgewählten Workflow-Lösungen für...
53
Fakultät Technik und Informatik Department Informatik Faculty of Engineering and Computer Science Department of Computer Science Tobias Mainusch Beeinflussung von Gehirnwellen durch Audiosignale Bachelorarbeit
Transcript of Vergelich von zwei ausgewählten Workflow-Lösungen für...
Fakultät Technik und Informatik Department Informatik
Faculty of Engineering and Computer Science Department of Computer Science
Tobias Mainusch
Beeinflussung von Gehirnwellen durch Audiosignale
Bachelorarbeit
Tobias Mainusch
Beeinflussung von Gehirnwellen durch Audiosignale
Bachelorarbeit eingereicht im Rahmen des Studiums im Studiengang Angewandte Informatik am Department Informatik der Fakultät Technik und Informatik der Hochschule für Angewandte Wissenschaften Hamburg Betreuender Prüfer: Prof. Dr. Wolfgang Fohl Zweitgutachter: Prof. Dr.-Ing. Andreas Meisel Abgegeben am 20.11.2015
Tobias Mainusch
Thema der Bachelorarbeit
Beeinflussung von Gehirnwellen durch Audiosignale
Stichworte
Elektroenzephalogramm, Auswirkung von Tönen auf die Gehirnwellen, Emotiv EPOC,
Matlab
Kurzzusammenfassung
Es wurde untersucht, ob Auswirkungen oder Veränderungen an dem menschlichen
EEG zu finden sind, wenn ein Ton auf eine Testperson einwirkt. Verwendet wurde
dazu das EEG Headset EPOC der Firma Emotiv. Nach Durchführung des Versuchs an
zwei Testpersonen und jeweils zwei Durchläufen konnte eine Veränderung im Alpha-
Band festgestellt werden.
Tobias Mainusch
Title of the paper
Influence of brainwaves through audiosignals
Keywords
Electroencephalogram, Influence of sound on the brainwaves, Emotiv EPOC, Matlab
Abstract
It was researched, whether there is a remarkable effect or change in the human eeg,
while a sound is affecting the proband. The EEG headset EPOC by Emotiv was used
for this experiment. After the experiment on two separated probands with two
procedures each, a visible change in the alpha frequency band was observable.
Inhaltsverzeichnis
1 Einleitung ........................................................................ 7
1.1 These .............................................................................................................. 7
1.2 Motivation ...................................................................................................... 7
2 Grundlagen ..................................................................... 8
2.1 Elektroenzephalogramm (EEG) ...................................................................... 8
2.2 Normierung .................................................................................................. 11
2.3 Bandpassfilter............................................................................................... 12
2.4 Mittelwert .................................................................................................... 14
2.5 Diskrete Fourier-Transformation ................................................................. 15
3 Hard- und Software ....................................................... 17
3.1 Hardware ...................................................................................................... 17
3.1.1 Emotiv Epoc EEG Headset .............................................................................. 17
3.2 Vorhandene Software .................................................................................. 18
3.2.1 Epoc Control Panel ......................................................................................... 18
3.2.2 Microsoft Visual Studio 2012 ......................................................................... 19
3.2.3 The MathWorks Matlab R2014b .................................................................... 19
3.3 Selbstentwickelte Software ......................................................................... 19
3.3.1 Programm für die synchrone Aufnahme der Gehirnwellen zu dem Audiosignal ........................................................................................................................ 20
3.3.2 Programm für die Erstellung von WAV Dateien aus EEG Rohdaten .............. 21
3.3.3 Programm für das Herausfiltern der unerwünschten Frequenzen (Bandpassfilter) .............................................................................................................. 21
3.3.4 Programm für die Berechnung des Mittelwertes eines Signals ..................... 22
3.3.5 Programm für die Bestimmung des Betragsspektrums eines Signals ............ 23
4 Versuch ......................................................................... 24
4.1 Versuchsbeschreibung ................................................................................. 24
4.2 Versuchsdurchführung ................................................................................. 25
4.3 Ergebnisanalyse ............................................................................................ 26
5 Fazit .............................................................................. 35
6 Literaturverzeichnis ....................................................... 38
7 Anhang .......................................................................... 40
7.1 Programm für die synchrone Aufnahme der Gehirnwellen zum Audiosignal .............................................................................................................. 40
7.2 Programm für die Erstellung von WAV Dateien aus EEG Rohdaten ............ 46
7.3 Programm für das herausfiltern der unerwünschten Frequenzen (Bandpassfilter) ....................................................................................................... 48
7.4 Programm für die Berechnung des Mittelwertes eines Signals ................... 49
7.5 Programm für die Bestimmung des Betragsspektrums eines Signals ......... 51
Einleitung 7
1 Einleitung
1.1 These
In dieser Bachelorarbeit soll untersucht werden, ob eine gewisse Beeinflussung von
Gehirnwellen durch Audiosignale möglich ist. Genauer, ob eine Veränderung in dem
EEG einer Person deutlich wird, wenn ein Audiosignal in Form eines Sinustons auf die
Person einwirkt.
1.2 Motivation
Die Hirnforschung im Allgemeinen ist ein bedeutendes Forschungsgebiet, in welchem
selbst in der heutigen Zeit noch viele unbeantwortete Fragen existieren. Gerade die
Zusammenhänge zwischen Vorgängen im Gehirn und dem Hören gewisser Klänge, ist
ein wichtiges Thema in der Neurologie, da Musik schon immer einen großen und sehr
präsenten Teil des menschlichen Wesens ausgemacht hat. Ein besseres Verständnis
der Zusammenhänge und deren gezielter Anwendung, ist also von großem
gesellschaftlichem und wissenschaftlichem Interesse. Durch verbesserte
Technologien könnten hier große Fortschritte erzielt werden und entsprechende
Anwendungen immer relevanter für den Alltag werden. [1]
Grundlagen 8
2 Grundlagen
Im nachfolgenden Abschnitt werden verschiedene theoretische Grundlagen
erläutert, die für die Durchführung, des Versuchs notwendig waren. So werden EEG,
Normierung, Bandpassfilter, Mittelwerte und diskrete Fourier-Transformation näher
betrachtet.
2.1 Elektroenzephalogramm (EEG)
Das EEG ist die grundlegende Komponente für den Versuch, in welchem versucht
wird, eine Veränderung durch den Ton festzustellen.
Das menschliche Gehirn besteht aus circa 1010 Nervenzellen, die auch Neuronen
genannt werden. Diese sind mit Nervenfasern untereinander verknüpft. Der
Informationsaustausch zwischen diesen Neuronen erfolgt über elektrische Ladungen.
Wenn genug Neuronen in einem Bereich gleichzeitig aktiv sind, erzeugen diese
elektrischen Felder, die stark genug sind, um sie außerhalb des Gehirns messen zu
können. [2] [3]
Die ersten Elektroenzephalographien, kurz EEGs, wurden 1924 von Hans Berger
durchgeführt. Er nannte sie Elektrenkephalogramme. Bei der
Elektroenzephalographie wird die Gehirnaktivität mit Elektroden auf der
Kopfoberfläche gemessen. Dabei wird die Spannung zwischen den einzelnen
Elektroden und einer Referenzelektrode gemessen, wobei die Elektroden an
unterschiedlichen Orten auf der Kopfoberfläche platziert werden. Bei dem für die
Grundlagen 9
Versuche verwendeten EEG-Gerät von Emotiv, dem Emotiv EPOC Headset, sind die
Elektroden gemäß Abbildung 2.1 angeordnet. [4] [5] [6] [7]
Abbildung 2.1: Verteilung der Elektroden beim Emotiv EPOC [8]
Die Namen der Elektroden haben folgende Bedeutung:
AF steht für Elektroden, die zwischen dem Präfrontallappen und dem
Frontallappen liegen.
F steht für Elektroden, die auf dem Frontallappen liegen.
FC steht für Elektroden, die zwischen dem Frontallappen und dem Zentrum
der Kopfoberfläche liegen.
T steht für Elektroden, die auf dem Temporallappen liegen.
P steht für Elektroden, die auf dem Parietallappen liegen.
O steht für Elektroden, die auf dem Okzipitallappen liegen.
Grundlagen 10
Die Zahlen geben die Gehirnhälfte an, wobei ungerade Zahlen links und gerade rechts
bedeuten. Die Elektroden CMS (Common Mode Sense), und DRL (Driven Right Leg)
dienen als Referenzelektroden. Wo sich die einzelnen Lappen genau befinden zeigt
Abbildung 2.2.
Abbildung 2.2: Anordnung der Gehirnlappen [9]
Das Elektroenzephalogramm zeigt in mehreren Zeitreihen, den zeitlichen Verlauf der
gemessenen Spannung an den einzelnen Elektroden beziehungsweise die Kanäle
(siehe Abbildung 2.3).
Abbildung 2.3: Elektroenzephalogramm [9]
Grundlagen 11
Bei der Auswertung dieser einzelnen Wellen werden verschiedene Frequenzbereiche
berücksichtigt:
Von 0 bis 4 Hz spricht man von Deltawellen, diese kommen im Tiefschlaf vor.
Von 4 bis 8 Hz spricht man von Thetawellen, welche im Schlaf oder bei starker
Müdigkeit vorkommen.
Von 8 bis 13 Hz spricht man von Alphawellen, sie machen den Grundrhythmus
eines ruhenden Gehirns bei geschlossen Augen aus.
Von 13 bis 38 Hz spricht man von Betawellen, diese kommen unter der
Einwirkung von Sinnesreizen oder bei geistiger Aktivität vor.
Von 38 Hz bis 70 Hz spricht man von Gammawellen, diese kommen bei sehr
anspruchsvollen Tätigkeiten mit hohem Informationsfluss oder Meditation
vor.
Zusätzlich kann auch die unterschiedliche Intensität der Wellen an bestimmten
Stellen im Gehirn Rückschlüsse zulassen, da unterschiedliche Gehirnregionen für
verschiedene Aufgaben zuständig sind. So liegt beispielsweise der auditive Cortex,
also das Hörzentrum, in der oberen Windung des Temporallappens in der Nähe der
Ohren. [5] [7] [6]
2.2 Normierung
Um die verschiedene EEG-Signale untereinander vergleichbar und reproduzierbar zu
machen ist eine Normierung der Signale notwendig.
Normierung beschreibt eine Standardisierung von Daten auf einen bestimmten
Wertebereich, wie beispielsweise auf einen Bereich von null bis eins oder von null
Prozent bis einhundert Prozent. Dies wird verwendet, damit Daten, bei denen
gewisse Grundbedingungen unterschiedlich waren, vergleichbar werden. Bei
Audiosignalen können so Signale vergleichbar gemacht werden, die vorher
Grundlagen 12
unterschiedliche Amplituden aufwiesen. Die Standardisierung wird durch eine
Neuskalierung realisiert und wie folgt definiert:
𝑋𝑛𝑜𝑟𝑚 = 𝑋 − min(𝑋)
max(𝑋) − min(𝑋), Bereich von null bis eins
𝑋𝑛𝑜𝑟𝑚 = (𝑋 − min(𝑋)
max(𝑋) − min(𝑋)− 0,5) × 2, Bereich von minus eins bis eins
Dabei steht 𝑋𝑛𝑜𝑟𝑚 für die normierten Daten, 𝑋 für die Rohdaten, min(𝑋) für den
kleinsten Wert aus den Rohdaten und max(𝑋) für den größten Wert aus den
Rohdaten. [8] [9] [10] [11]
Sollen beispielsweise die Höhenwerte einer Straße, die tatsächlich zwischen zehn und
30 Metern liegen, auf einen Bereich zwischen null und eins standardisiert werden,
berechnet sich dies wie folgt:
Für alle Werte 𝑥𝑖 aus der Menge 𝑋 (gemessene Daten), gilt: 𝑥𝑛𝑜𝑟𝑚𝑖 = 𝑥𝑖 − 10
30 − 10
2.3 Bandpassfilter
Da sich das EEG-Signal aus vielen verschiedenen Frequenzen zusammensetzt und
einzelne Bereiche in diesem Frequenzband thematisch zusammenfassbar sind,
benötigt man einen Bandpassfilter um das gesamte Frequenzband in die einzelnen
untergeordneten Bänder zu trennen. Also in Delta-, Theta-, Alpha-, Beta- und
Gamma-Band.
Ein Bandpassfilter ist im Prinzip eine Hintereinanderschaltung eines Hochpassfilters
und eines Tiefpassfilters, wobei der Hochpassfilter nur Frequenzen oberhalb einer
bestimmten Frequenz passieren lässt und der Tiefpassfilter ausschließlich welche
Grundlagen 13
unterhalb einer bestimmten Frequenz. Es wird also nur ein gewisses Band von
Frequenzen durchgelassen. Dadurch lassen sich für die Experimente unwichtige
Wellenlängen herausfiltern.
In Abbildung 2.4 ist eine grundlegende Spezifikation eines Bandpassfilters dargestellt.
𝐵 steht dabei für die Bandbreite, die der Filter passieren lässt. 𝑓𝐿 steht für die untere
Grenzfrequenz und 𝑓𝐻 für die obere Grenzfrequenz. 𝑓0 ist die Mittenfrequenz
beziehungsweise die Resonanzfrequenz. Diese ist als geometrisches Mittel aus 𝑓𝐿 und
𝑓𝐻 definiert. Der Filter in Abbildung 2.4 lässt also alle Frequenzen zwischen 𝑓𝐿 und 𝑓𝐻
mit einer maximalen Dämpfung von 3 dB passieren.
Abbildung 2.4: Spezifikation eines Bandpassfilters [14]
Die Übertragungsfunktion bei einem Bandpassfilter 2. Ordnung – dem einfachsten
Bandpassfilter – ist wie folgt definiert (die Ordnung beschreibt die
Verstärkungsabnahme von Frequenzen ober und unterhalb der Grenzfrequenzen,
also die Dämpfung und die Flankensteilheit):
𝐻(𝑠) =𝑠 ×
2𝐷𝜔0
1 + 𝑠 ×2𝐷𝜔0
+ 𝑠2 ×1
𝜔02
Grundlagen 14
𝑠 entspricht hierbei dem zu filternden Signal. 𝐷 entspricht dem Dämpfungsgrad und
𝜔0 entspricht der Resonanzkreisfrequenz. Der Zusammenhang zwischen der
Bandbreite 𝐵 und der Resonanzfrequenz 𝜔0 ist: [12] [13] [14]
𝐵 = 2𝐷 × 𝜔0
2𝜋
Folgende Grafik (Abbildung 2.5) zeigt die Spezifikation eines Bandpassfilters in
Matlab [18], welcher in dem durchgeführten Versuch verwendet wurde.
Abbildung: 2.5: Spezifikation eines Bandpassfilters in Matlab [18]
2.4 Mittelwert
Da die EEG-Signale starkem Rauschen und anderen Störungen unterliegen ist es
notwendig, über eine große Menge von analogen Aufzeichnungen zu mitteln, um
dieses Rauschen und die Störungen weitestgehend zu entfernen.
Der arithmetische Mittelwert beschreibt den Durchschnitt von mehreren
numerischen Werten. Er wird als Quotient aus der Summe aller Werte und der Anzahl
dieser Werte definiert:
�̅�𝑎𝑟𝑖𝑡ℎ𝑚𝑒𝑡𝑖𝑠𝑐ℎ = 1
𝑛 ∑ 𝑥𝑖
𝑛
𝑖=1
= 𝑥1 + 𝑥2 + ⋯ + 𝑥𝑛
𝑛
Grundlagen 15
Dabei stehen �̅�𝑎𝑟𝑖𝑡ℎ𝑚𝑒𝑡𝑖𝑠𝑐ℎ für den arithmetischen Mittelwert, 𝑛 für die Anzahl der
beobachteten Werte und 𝑥𝑖 für einen einzelnen Wert aus der Menge aller Werte.
[15] [16]
2.5 Diskrete Fourier-Transformation
Mit dem Frequenzbereich des EEG-Signals kann man ein Verhältnis zwischen den
einzelnen EEG-Teilbändern darstellen.
Bei der diskreten Fourier-Transformation wird ein diskretes zeitabhängiges Signal,
beispielsweise ein digitales Audiosignal, in ein frequenzabhängiges Signal überführt
– das sogenannten Frequenzspektrum. Dabei wird das Eingangssignal in mehrere
Sinus- und Kosinus-Funktionen zerlegt. Aus den jeweiligen Amplituden der
extrahierten Funktionen ergeben sich dann die Stärken der einzelnen
Frequenzbereiche. Schematisch ist dies in Abbildung 2.6 dargestellt. [17]
Abbildung 2.6: Schematische Darstellung der Fourier-Transformation [22]
Mathematisch definiert wird die diskrete Fourier-Transformation wie folgt:
𝐹𝑗 =1
𝑁∑ 𝑓𝑘𝑒
−2𝜋𝑖𝑗𝑘𝑁
𝑁−1
𝑘=0
Grundlagen 16
𝐹𝑗 entspricht dabei dem Frequenzspektrum, 𝑁 entspricht der Anzahl an diskreten
Messwerten und 𝑓𝑘 entspricht den vorhandenen Messwerten, also der gegebenen
Eingangsfunktion. [18] [19] [16]
Hard- und Software 17
3 Hard- und Software
3.1 Hardware
3.1.1 Emotiv Epoc EEG Headset
Als EEG-Gerät wurde das EPOC EEG Headset der Firma Emotiv verwendet (Abbildung
3.1). Das Gerät hat 16 Elektroden inklusive zweier Referenzelektroden, der CMS
Referenzelektrode und der DRL Referenzelektrode, an den Positionen P3 und P4.
Daraus resultieren 14 Kanäle für die eigentliche Messung: AF3, F7, F3, FC5, T7, P7,
O1, O2, P8, T8, FC6, F4, F8 und AF4. Das Sampling wird sequenziell mit einem Single-
Slope-Analog-Digital-Umsetzer durchgeführt. Das Gerät sendet mit einer Samplerate
von 128 Samples pro Sekunde und einer Bandbreite von 0,2 bis 45 Hz, womit das
gesamte Frequenzspektrum der Gehirnwellen bis auf den hohen Gamma-Bereich und
das gesamte für den Versuch relevante Spektrum abgedeckt wird. [20] [21]
Abbildung 3.1: Emotiv EPOC EEG Headset [27]
Hard- und Software 18
3.2 Vorhandene Software
Für die Durchführung der Versuche wurde verschiedene vorhandene Software
benutzt:
Emotiv Epoc Control Panel
Microsoft Visual Studio 2012
The MathWorks Matlab R2014b
Nachfolgend wird die Software kurz beschrieben.
3.2.1 Epoc Control Panel
Für die Überprüfung, ob alle Elektroden an dem Headset ein Signal haben und dies
fehlerfrei übertragen, wurde das EPOC Control Panel von Emotiv verwendet, welches
mit dem Headset mitgeliefert wird: Siehe Abbildung 3.2.
Abbildung 3.2: EPOC Control Panel [28]
Hard- und Software 19
Im Bereich oben links befindet sich der Status des Headsets – als erstes der
allgemeine Systemstatus, danach die Betriebszeit des Headset. Es folgt die Anzeige
der Stärke des Funksignals und des Batteriestatus. Unten links befindet sich eine
schematische Darstellung des Kopfes, in welcher der jeweilige Status der einzelnen
Elektroden gezeigt wird. Dabei gibt die Farbe an wie gut das Signal ist. Von Schwarz –
gar kein Signal, über rot und gelb bis grün – gutes Signal.
3.2.2 Microsoft Visual Studio 2012
Als Entwicklungsumgebung für C++ wurde Visual Studio 2012 von Microsoft
verwendet. [22]
3.2.3 The MathWorks Matlab R2014b
Für die mathematische Weiterverarbeitung und Analyse der Versuchsdaten wurde
die Software Matlab R2014b von The MathWorks verwendet. [23]
3.3 Selbstentwickelte Software
Nachfolgend werden ein selbstentwickeltes Programm und einige Matlab-Skripte
beschrieben. Folgende Anforderungen mussten softwareseitig gelöst werden:
Es musste eine Anbindung für das Emotiv EEG Headset geschaffen werden,
damit dieses verwendet werden konnte.
Es musste eine Abspielmöglichkeit für den Beep-Array gefunden werden.
Das Abspielen des Beep-Arrays und die Aufnahme der Gehirnwellen mussten
möglichst synchron verlaufen.
Es musste möglich sein, die einzelnen relevanten Frequenzbänder aus dem
gesamten Signal herauszufiltern.
Hard- und Software 20
Es musste eine Möglichkeit geschaffen werden, von den EEG-Kanälen ein
Mittelwert zu bilden und das EEG über die gesamte Länge des Versuchs in
einzelne Teile zu schneiden und über diese ebenfalls zu mitteln.
Es musste eine Möglichkeit geben das Betragsspektrums des EEG-Signals
darzustellen.
Nachfolgend werden die daraus resultierenden Programme beziehungsweise Skripte
erläutert.
3.3.1 Programm für die synchrone Aufnahme der Gehirnwellen zu dem
Audiosignal
Für die synchrone Aufnahme der Gehirnwellen mit dem Emotiv EPOC Headset wurde
ein C++-Programm entwickelt. Für die Verbindung zu dem Headset wurden die von
Emotiv mitgelieferten Bibliotheken verwendet. Damit eine Aufnahme der
Gehirnwellen möglichst synchron zu dem Abspielen des Ton-Arrays abläuft, sind die
Abspiel- und Aufnahmefunktionen in zwei Threads voneinander getrennt.
Das Programm besteht aus einer Main und einer Source-Datei. In der Main-Datei ist
das Bedienmenü implementiert und in der Source-Datei sind alle weiteren
Funktionen enthalten. Das Menü wird über entsprechende Tastatureingaben
gesteuert.
Der genaue Code ist im Anhang zu finden.
Hard- und Software 21
3.3.2 Programm für die Erstellung von WAV Dateien aus EEG Rohdaten
Aus der TXT-Datei, die von dem Programm „EEGRecordSoundPlay“ erstellt wurde,
werden die einzelnen Kanäle extrahiert. Der dazu gehörige Code wurde von Matlab
automatisch generiert. Aus den einzelnen Datenarrays der Kanäle werden dann WAV
Dateien erstellt.
Bei dem Feld „filename“ wird der komplette Pfad zu der EEG-Log-Datei angegeben.
Bei dem Feld „OutputFileName“ wird das Präfix angegeben, welches dem Kanal-Suffix
voransteht.
Der genaue Code ist im Anhang zu finden.
3.3.3 Programm für das Herausfiltern der unerwünschten Frequenzen
(Bandpassfilter)
Dieses Matlab-Script dient dazu, das EEG Signal von unwichtigen Frequenzen zu
befreien. Dafür wurde ein Bandpass-Filter verwendet. Der dazugehörige Code wurde
von Matlab generiert und so erweitert, dass er eine Datei mit dem gefilterten Signal
generiert.
Der Filter ist wie folgt in Abbildung 3.3 spezifiziert:
Hard- und Software 22
Abbildung 3.3: Filter Spezifikation [18]
Die Werte für den durchgelassenen Frequenzbereich Fstop1, Fpass1, Fpass2 und
Fstop2 variieren entsprechend der gewünschten Frequenzbänder.
Bei der Funktion „audioread“ wird der Pfad der zu filternden Datei angegeben. Bei
dem Feld „OutputFileName“ wird der Name der generierten Datei angegeben. Bei
den Feldern Fstop1, Fpass1, Fpass2 und Fstop2 wird das gewünschte Frequenzband
spezifiziert, welches den Filter passieren soll.
Der genaue Code ist im Anhang zu finden.
3.3.4 Programm für die Berechnung des Mittelwertes eines Signals
Dieser Teil beinhaltet zwei Matlab-Skripte, da das Mitteln des Signals in zwei Stufen
erfolgt. Zuerst werden die Signale der gegenüberliegenden Kanäle in voller
Versuchslänge, also 317 Sekunden, gemittelt.
Hard- und Software 23
Bei dem Feld „Filepath“ wird dazu der Pfad zu den Dateien angegeben, die gemittelt
werden sollen, ohne die Dateien selbst zu benennen. Bei dem Feld „InputFileName“
wird nun das Datei Präfix angegeben, welches vor der Kanal-Kennung steht. Die
beiden separaten Kanäle werden dann automatisch gewählt, sofern die
Namenskonvention bei dem Filterprogramm eingehalten wurde. Bei
„OutputFileName“ wird der Name der generierten Datei angegeben, die das
gemittelte Signal enthält.
In der zweiten Stufe wird das zuvor gemittelte Signal nun in vier Sekunden lange Teile
zerlegt, wobei der Ton, den der Proband gehört hat, zwischen der ersten und der
zweiten Sekunde liegt. Diese einzelnen Teile werden dann komplett gemittelt.
Bei dem Feld „InputFileName“ wird der Dateipfad der Datei angegeben, welche
geschnitten und gemittelt werden soll. Bei „OutputFileName“ wird der Name der
entstehenden Datei, mit dem vier Sekunden langen Signal spezifiziert.
Der genaue Code ist im Anhang zu finden.
3.3.5 Programm für die Bestimmung des Betragsspektrums eines Signals
Im Folgenden wird ein Matlab-Skript dargestellt, welches mittels diskreter Fourier-
Transformation ein zeitabhängiges in ein frequenzabhängiges Signal überführt.
Bei „audioread“ wird der Pfad der WAV-Datei angegeben, die transformiert werden
soll. Bei „outputFileName“ wird der Name der generierten Datei angegeben.
Der genaue Code ist im Anhang zu finden.
Versuch 24
4 Versuch
4.1 Versuchsbeschreibung
Der Versuch soll zeigen ob sich eine Veränderung in den Gehirnwellen einer
Testperson zeigt wenn ein Audioreiz auf die entsprechende Person trifft. Bei der
Person werden mit einem EEG-Aufnahmegerät die Gehirnwellen aufgezeichnet. Es
wird zunächst kein Audiosignal abgegeben – es herrscht also Stille. Die Aufnahme
dieser Gehirnwellen dient als Kontrollsignal – Danach werden mehrere Piep-Töne
abgespielt und wiederum die Gehirnwellen aufgezeichnet. Die Ergebnisse beider
Aufzeichnungen werden dann analysiert und verglichen.
Der genaue Aufbau lautet wie folgt: Der Versuchsperson wird das EEG-Headset
aufgesetzt und die Aufnahme beziehungsweise Abspiel-Software wird vorbereitet.
Die Person soll sich in einem möglichst ruhigen Raum befinden und die Augen
während des gesamten Versuchsdurchlaufs geschlossen halten, um mögliche
Störungen von außen zu minimieren.
Als Tonsignal wird ein circa fünf Minuten langes Signal verwendet bei dem alle drei
bis fünf Sekunden ein Piep-Ton mit einer Länge von einer Sekunde und einer
Frequenz von 400 Hz ertönt. Synchron zu diesem Signal werden die Gehirnwellen der
Person mit dem EEG-Headset aufgenommen. Die aufgenommen EEG-Signale werden
dann weiterverarbeitet. Eine nähere Beschreibung erfolgt im Kapitel 4.3.
Versuch 25
4.2 Versuchsdurchführung
Im Vorfeld der eigentlichen Versuchsdurchführung wurde zuerst das Tonsignal im
WAV-Format erstellt, welches dann im Versuch verwendet wurde. Dabei ist es
wichtig zu wissen, zu welchen Zeitpunkten die 1-Sekunden-Töne in dem 5 Minuten
und 17 Sekunden langen Signal erklingen sollen. Mit diesem Zeitplan kann sich in dem
EEG auf die relevanten Zeitpunkte konzentriert werden.
Der Zeitplan des verwendeten Signals wird nachfolgend festgelegt. Demnach wird
jeweils ein Ton auf die folgenden Sekunden gelegt:
5, 9, 15, 20, 26, 31, 35, 41, 46, 52, 57, 61, 67, 72, 78, 83, 87, 93, 98, 104, 109, 113,
119, 124, 130, 135, 139, 145, 150, 156, 161, 165, 171, 176, 182, 187, 191, 197, 202,
208, 213, 217, 223, 228, 234, 239, 243, 249, 254, 260, 265, 269, 275, 280, 286, 291,
295, 301, 306 und 312.
Dies sind insgesamt 60 Töne. Zwischen den Tönen herrscht eine Stille von einer
pseudozufälligen Dauer, damit der Proband die Töne nicht erwarten kann. Das Signal
wurde mit einer Sample-Rate von 8192 Samples pro Sekunde angelegt und die Töne
haben eine Frequenz von 400 Hertz.
Nachdem der Versuchsaufbau hergestellt wurde, erfolgte die Aufnahme der
Gehirnwellen unter Einfluss des Signals, mit der im Kapitel 3.2 beschriebenen
Software. Die Aufnahme der Gehirnwellen erfolgte mit einer Sample-Rate von 128
Samples pro Sekunde. Bei der Aufnahme wurde eine LOG-Datei erstellt, die alle
Werte der 14 EEG Kanäle enthält: AF3, F7, F3, FC5, T7, P7, O1, O2, P8, T8, FC6, F4, F8
und AF4. Die Kanäle sind in dem Kapitel 2.1 genauer beschrieben. Aus dieser LOG-
Datei wurde dann, mit dem bereit beschriebenen Matlab-Skript, für jeden Kanal eine
WAV-Datei mit einer Sample-Rate von ebenfalls 128 Samples pro Sekunde erstellt.
In diesem Versuch wurden die beiden Kanäle T7 und T8 ausgewählt und gemittelt, da
diese Messbereiche am dichtesten am Auditiven Cortex liegen und dadurch die
Versuch 26
vielversprechendsten Ergebnisse liefern müssten. Das Skript mit dem die Mittelung
der beiden Signale erfolgte, wurde bereits in dem Kapitel 3.2 beschrieben.
Als nächstes wurde das Signal in die einzelnen Frequenzbänder aufgeteilt, die sich am
Gehirn messen lassen – also in Delta-, Theta-, Alpha-, Beta- und Gammawellen,
welche in dem Kapitel 2.1 genauer beschrieben sind. Dadurch werden einige
Signalstörungen herausgefiltert und das Signal wird übersichtlicher. Das
entsprechende Script wird im Kapitel 3.2 beschrieben.
Zuletzt werden die Signale in vier Sekunden lange Teile aufgeteilt, sodass der Ton
immer bei Sekunde 1 erklingt und bei Sekunde 2 verstummt. Die entstehenden 60
Teile werden dann gemittelt um Störungen und Rauschen zu minimieren.
Der gesamte Versuch wurde an zwei verschiedenen Testpersonen mit jeweils zwei
Durchläufen durchgeführt.
Die Versuchsergebnisse werden im folgenden Kapitel 4.3 ausführlich dargestellt und
analysiert.
4.3 Ergebnisanalyse
Im folgenden Teil werden die Ergebnisse der Versuche dargestellt und ausgewertet.
Wenn der gesamte Frequenzbereich des EEG Spektrums betrachtet wird (Abbildung
4.1) kann eine kleine Steigerung in der Intensität der Gehirnaktivität unter Einfluss
des Tons festgestellt werden (mit roten Kreisen markiert). Diese Stellen setzen
entweder auf dem Ton ein oder kurz danach, was dafür sprechen könnte, dass eine
direkte Beeinflussung durch den Ton stattgefunden hat. Bei dem Signal, welches bei
Stille aufgenommen wurde (Abbildung 4.2), zeigt sich bei der ersten Testperson ein
relativ gleichmäßiger Verlauf im Vergleich zu dem Graph unter Einfluss des Tons. Bei
der zweiten Testperson scheint der Graph, im Vergleich zu dem Graph unter Einfluss
des Tons, glatter zu sein.
Versuch 27
Abbildung 4.1: Ungefilterter Zeitverlauf des EEG Signals unter Einfluss des Tons. (1) und (2) zeigen die Ergebnisse der ersten Testperson, (3) und (4) die der Zweiten.
Abbildung 4.2: Ungefilterter Zeitverlauf des EEG Signals bei herrschender Stille. (1) und (2) zeigen die Ergebnisse der ersten Testperson, (3) und (4) die der Zweiten.
Wenn der Frequenzbereich des EEGs detaillierter betrachtet wird (Abbildung 4.3 und
4.4) sind zwar verschiedene Intensitäten beziehungsweise verschiedene Verhältnisse
zwischen den Frequenzbereichen erkennbar, jedoch sind diese nicht reproduzierbar.
Man kann allerdings immer eine stärkere Intensität der Frequenzen im 10 Hz Bereich
erkennen, sowohl unter Einfluss des Tons als auch ohne. Dies ist auch so zu erwarten,
da dies der Grundrhythmus des Gehirns bei geschlossen Augen ist.
Versuch 28
Abbildung 4.3 Betragsspektrum des EEG Signals unter Einfluss des Tons. (1) und (2) zeigen die Ergebnisse der ersten Testperson, (3) und (4) die der Zweiten.
δ θ α β γ δ θ α β γ
δ θ α β γ δ θ α β γ
Versuch 29
Abbildung 4.4: Betragsspektrum des EEG Signals bei herrschender Stille. (1) und (2) zeigen die Ergebnisse der ersten Testperson, (3) und (4) die der Zweiten.
Nachfolgend werden die einzelnen Frequenzbänder Delta, Theta, Alpha, Beta und
Gamma des EEGs genauer betrachtet.
In dem Delta-Band zeigen sich ebenfalls leichte Anstiege bei dem Zeitpunkt zu dem
der Ton abgespielt wurde (Abbildung 4.5 Sekunde 1). Allerdings beginnen diese
teilweise bereits vor dem Einsatz des Tons, nämlich bei (1) zur Sekunde 0,5, bei (2)
zur Sekunde 0, bei (3) zur Sekunde 0,5 und bei (4) zur Sekunde 0,6 (Abbildung 4.5).
Die Graphen bei dem Signal unter Stille (Abbildung 4.6) zeigen ebenfalls einen
ähnlichen Aufbau. Dies lässt darauf schließen, dass die Steigungen in den Graphen in
Abbildung 4.5 eher zufällig sind.
δ θ α β γ δ θ α β γ
δ θ α β γ δ θ α β γ
Versuch 30
Abbildung 4.5: Delta Band (0-4 Hz) des EEG Signals unter Einfluss des Tons. (1) und (2) zeigen die Ergebnisse der ersten Testperson, (3) und (4) die der Zweiten.
Abbildung 4.6: Delta Band (0-4 Hz) des EEG Signals bei herrschender Stille. (1) und (2) zeigen die Ergebnisse der ersten Testperson, (3) und (4) die der Zweiten.
In dem Theta-Band (Abbildung 4.7) scheint dies auch eher von Zufall geprägt zu sein.
Zwar ist in den Graphen (2), (3) und (4) eine Erhöhung der Intensität zu beobachten,
jedoch ist dies bei dem Graphen (1) nicht der Fall. Außerdem zeigen die Graphen
unter Stille auch hier einen sehr ähnlichen Verlauf (Abbildung 4.8).
Versuch 31
Abbildung 4.7: Theta Band (4-8 Hz) des EEG Signals unter Einfluss des Tons. (1) und (2) zeigen die Ergebnisse der ersten Testperson, (3) und (4) die der Zweiten.
Abbildung 4.8: Theta Band (4-8 Hz) des EEG Signals bei herrschender Stille. (1) und (2) zeigen die Ergebnisse der ersten Testperson, (3) und (4) die der Zweiten.
In dem Alpha-Band wiederum scheint eine Reaktion auf den Ton erkennbar
(Abbildung 4.9). Hier sind relativ starke Ausschläge bei dem Einsetzen des Tons
beziehungsweise kurz dahinter zu erkennen (rote Kreise). Die Signale der zweiten
Testperson zeigen bei dem Stille-Signal ebenfalls eine geringere Gesamtintensität als
bei dem Signal mit Ton, was auch für eine Beeinflussung durch den Ton sprechen
kann (Abbildung 4.10).
Versuch 32
Abbildung 4.9: Alpha Band (8-13 Hz) des EEG Signals unter Einfluss des Tons. (1) und (2) zeigen die Ergebnisse der ersten Testperson, (3) und (4) die der Zweiten.
Abbildung 4.10: Alpha Band (8-13 Hz) des EEG Signals bei herrschender Stille. (1) und (2) zeigen die Ergebnisse der ersten Testperson, (3) und (4) die der Zweiten.
Das Beta-Band zeigt zwar keine auffälligen Einzelevents, allerdings scheint die
Intensität bei den Graphen unter Einfluss des Tons (Abbildung 4.11) generell etwas
niedriger zu sein als bei den Graphen unter Einfluss der Stille (Abbildung 4.12). So
haben Erstere tendenziell weniger Peaks mit einer Amplitude von annähernd 0,1 oder
darüber, als Letztere.
Versuch 33
Abbildung 4.11: Beta Band (13-38 Hz) des EEG Signals unter Einfluss des Tons. (1) und (2) Zeigen die Ergebnisse der ersten Testperson, (3) und (4) die der zweiten.
Abbildung 4.12: Beta Band (13-38 Hz) des EEG Signals bei herrschender Stille. (1) und (2) Zeigen die Ergebnisse der ersten Testperson, (3) und (4) die der zweiten.
In dem Gamma-Band sind keine Besonderheiten zu erkennen. Die Graphen unter
Einfluss des Tons (Abbildung 4.13) haben einen analogen Verlauf zu denen unter
Einfluss der Stille (Abbildung 4.14).
Versuch 34
Abbildung 4.13: Gamma Band (über 38 Hz) des EEG Signals unter Einfluss des Tons. (1) und (2) zeigen die Ergebnisse der ersten Testperson, (3) und (4) die der Zweiten.
Abbildung 4.14: Gamma Band (über 38 Hz) des EEG Signals bei herrschender Stille. (1) und (2) zeigen die Ergebnisse der ersten Testperson, (3) und (4) die der Zweiten.
Fazit 35
5 Fazit
In dem Frequenzband der EEG-Wellen scheint es eine Reaktion beim Einsetzen des
Tons zu geben. In der genaueren Analyse zeigte sich, dass diese Reaktion wohl
hauptsächlich im Alpha-Band stattfindet. Das Alpha-Band stellt den Grundrhythmus
des Gehirns bei geschlossenen Augen dar. Eine erhöhte Intensität in diesem
Frequenzband spricht für eine stärkere kognitive und Gedächtnisleistung. Da der
gehörte Ton im Gehirn, nach einer groben Vorabanalyse, die das Gehörte auf
Gefahren überprüft, genauer im auditiven Cortex untersucht wird, ist dies auch eine
zu erwartende Reaktion im EEG. [24] [25]
Im Großen und Ganzen sind die Ergebnisse allerdings von sehr starkem Rauschen
dominiert und bestimmte Auffälligkeiten können deswegen ebenso zufälliger Natur
sein. Außerdem kann das EEG auch von Dingen beeinflusst werden, die für den
Versuch nicht berücksichtigt werden sollten, wie zum Beispiel Schlucken oder andere
motorische Aktivitäten, die sich ebenso im EEG abzeichnen. Hinzu können auch
technische Störungen kommen, welche das Ergebnis verfälschen. Um mögliche
Fehler ausschließen zu können, die aus der Kanalwahl von T7 und T8 resultieren
(welche dicht an den Referenzelektroden gelegen sind), wurde die gleiche Analyse
nochmal über alle Kanäle durchgeführt, was zu analogen Ergebnissen führte. Diese
Fehler sind also auszuschließen. Die Abbildung 5.1 zeigt exemplarisch die Ähnlichkeit
zwischen den Ergebnissen der Kanäle T7 und T8 und denen aller Kanäle zusammen.
Fazit 36
Abbildung 5.1: Alpha-Band (8-13 Hz) des EEG-Signals unter Einfluss des Tons. (1) zeigt das Ergebnis unter Verwendung der Kanäle T7 und T8. (2) zeigt das Ergebnis unter Verwendung aller Kanäle.
Um ein belastbareres Ergebnis zu erzielen, gäbe es einige Ansätze. Zum einen müsste
man die Versuchsumgebung von möglichst jeglichen Störfaktoren, wie
Hintergrundgeräusche, Bewegungen, Schlucken und Ähnlichem befreien. Zum
anderen könnte man genauere Diagnosemethoden verwenden. Mit einem EEG kann
Gehirnaktivität nur schlecht lokalisiert werden. Es wäre aber für die Auswertung
interessant zu wissen, ob gerade im auditiven Cortex Aktivität stattfindet. Dies
könnte mit einer fMRT, also einer funktionellen Magnetresonanztomographie
realisiert werden. Mit dieser Methode lassen sich durch die Darstellung von
Durchblutungsänderungen aktive Hirnareale hervorheben. [24] [25] [5]
Weiterhin könnte überprüft werden ob andere Ergebnisse erzielt werden, wenn
andere Töne beziehungsweise Geräusche oder Musik verwendet werden. Daraus
ließen sich dann weitere Schlüsse ziehen. Eine mögliche Anwendung wäre
beispielsweise eine Beeinflussung der geistigen Leistungsfähigkeit durch bestimmte
Klänge. [1]
Insgesamt konnte die zu Beginn dieser Bachelorarbeit aufgestellte These, dass durch
einen Sinuston eine Beeinflussung der Gehirnaktivität erfolgt, nur sehr eingeschränkt
bestätigt werden. Die Messmethode EEG ist eventuell nicht oder nur zum Teil
Fazit 37
geeignet, diese Aktivität nachzuweisen. Weitere Versuche − eventuell auch mit
anderen Messmethoden − sind notwendig.
Literaturverzeichnis 38
6 Literaturverzeichnis
[1] Arcanafestival, „Musik im Gehirn“, 2015. [Online]. Available: http://www.arcanafestival.at/home.php?l=deu&il=98.
[2] G. R. Karl Zilles, Funktionelle Neuroanatomie, Springer, 1993, p. 454.
[3] W. H. Klaus Poeck, Neurologie, Springer, 2006.
[4] H. Berger, Über das Elektrenkephalogramm des Menschen, Frankfurt am Main: pmi-Verlag, 1929, pp. 527-570.
[5] I. Wellach, Praxisbuch EEG, Georg Thieme Verlag, 2011.
[6] O. D. Creutzfeldt, Cortex Cerebi, Springer, 1992, p. 484.
[7] M. Köppen, Abhängigkeiten zwischen Phase Lag Index von elektroenzephalografischen Netzen und klinischen Variablen visuell geschädigter Probanden, Otto-von-Guericke-Universität Magdeburg, 2012.
[8] Emotiv, 2015. [Online]. Available: https://emotiv.com/bitrix/components/bitrix/forum.interface/show_file.php?fid=4966.
[9] C. Müller, Kombinierte Visualisierung von EEG- und Diffusions-MRT-Nervenfaser-Daten, Universität Leipzig, 2010.
[10] R. H. S. Aksoy, „Feature normalization and likelihood-based similarity measures for image retrieval“, 2000. [Online]. Available: http://www.cs.bilkent.edu.tr/~saksoy/papers/prletters01_likelihood.pdf.
[11] V. D. &. W. B. S. Tsakalidis, „Discriminative Linear Transforms for Feature Normalization and Speaker Adaptation in HMM Estimation“, 2002. [Online]. Available: http://malach.umiacs.umd.edu/pubs/VD_05_Discrim_linear.pdf.
[12] L. W. &. L. J. Liegeng Bo, „Feature Scaling for Kernel Fisher Driscriminant Analysis Using Leave-one-out Cross Validation“, 2006. [Online]. Available: http://www.cs.washington.edu/homes/lfb/paper/nc06.pdf.
[13] S. K. &. L. F. A. Stolcke, „Nonparametric feature normalization for SVM-based speaker verification“, 2008. [Online]. Available: http://ieeexplore.ieee.org/xpl/freeabs_all.jsp?arnumber=4517925.
[14] Wikimedia, 2015. [Online]. Available: https://upload.wikimedia.org/wikipedia/commons/thumb/6/6b/Bandwidth_2.svg/1280px-Bandwidth_2.svg.png.
Literaturverzeichnis 39
[15] C. S. Ulrich Tietze, Halbleiter-Schaltungstechnik, Berlin: Springer, 2002.
[16] B. A. Shenoi, Introduction to Digital Signal Processing and Filter Design, Hoboken, 2006.
[17] M. Meyer, Signalverarbeitung, Springer Vieweg Verlag, 2014.
[18] T. MathWorks, Matlab fdatool, 2015.
[19] H. Heuser, Lehrbuch der Analysis, Stuttgart: Teubner, 1990.
[20] L. Papula, Mathematische Formelsammlung, Springer Vieweg Verlag, 2014.
[21] J. Röhner, Entwicklung einer Komponente zur Ermittlung regelmäßiger Betonungsmuster in einem Audiostream, Fachhochschule für Technik und Wirtschaft Berlin, 2007.
[22] M. M. Lukas Krol, Extraction of Rhythmical Features of Audio Signals, Westfälische Wilhelms-Universität Münster, 2005.
[23] T. Butz, Fouriertransformation für Fußgänger, Wiesbaden: Vieweg+Teubner Verlag, 2011.
[24] A. Oehler, Entwicklung einer Methode zur Einzelfehlererkennung und -klassifikation im Gleisoberbau, Hochschule Mittweida, 2014.
[25] Emotiv, EPOC User Manual, 2014.
[26] Emotiv, EPOC, 2014.
[27] Emotiv, 2015. [Online]. Available: https://emotiv.com/epoc.php.
[28] Emotiv, Control Panel, 2015.
[29] Microsoft, „Microsoft Visual Studio 2012 Dokumentation“, 2015. [Online]. Available: http://www.microsoft.com/de-de/download/details.aspx?id=34794.
[30] T. MathWorks, „The MathWorks Matlab Dokumentation“, 2015. [Online]. Available: http://de.mathworks.com/help/matlab/.
[31] W. Klimesch, EEG alpha and theta oscillations reflect cognitive and memory perdormance: a review and analysis, Brain Research Reviews, 1998.
[32] W. Klimesch, EEG-alpha rhythmus and memory processes, International Journal of Psychophysiology, 1997.
[33] G. R. F. Frank Schneider, Funktionelle MRT in Psychiatrie und Neurologie, Berlin: Springer, 2007.
[34] T. L. A. K. &. D. T. S. Ogawa, Brain magnetic resonance imaging with contrast dependent on blood oxygenation, USA, 1990, pp. 9868-9872.
Anhang 40
7 Anhang
7.1 Programm für die synchrone Aufnahme der Gehirnwellen zum Audiosignal
Datei „Main.cpp“:
Anhang 41
Anhang 42
Datei Source.h:
Anhang 43
Datei Source.cpp:
Anhang 44
Anhang 45
Anhang 46
7.2 Programm für die Erstellung von WAV Dateien aus EEG Rohdaten
Anhang 47
Anhang 48
7.3 Programm für das herausfiltern der unerwünschten Frequenzen (Bandpassfilter)
Anhang 49
7.4 Programm für die Berechnung des Mittelwertes eines Signals
Erste Stufe:
Anhang 50
Zweite Stufe:
Anhang 51
7.5 Programm für die Bestimmung des Betragsspektrums eines Signals
Anhang 52
Versicherung über Selbstständigkeit
Hiermit versichere ich, dass ich die vorliegende Arbeit ohne fremde Hilfe
selbstständig verfasst und nur die angegebenen Hilfsmittel benutzt habe.
Hamburg, den _______________ __________________________
![Resource Management - OBV Wiki€¦ · 5 Über das Aktionsmenü […] > [Exemplare ansehen] können Sie sich sämtliche Exemplare zum ausgewählten Standort in der Liste der Exemplare](https://static.fdocuments.in/doc/165x107/60597a6d5809683f871b4027/resource-management-obv-wiki-5-oeber-das-aktionsmen-exemplare-ansehen.jpg)
