Západočeská univerzita v Plzni Fakulta aplikovaných věd Katedra informatiky a výpočetní techniky. ERP komponenty a

Transkript

1 Západočeská univerzita v Plzni Fakulta aplikovaných věd Katedra informatiky a výpočetní techniky Bakalářská práce ERP komponenty a pozornost řidiče Plzeň 2013 Vojtěch Košař

2 Originální zadání

3 Poděkování Děkuji vedoucímu bakalářské práce Ing. Romanu Moučkovi, Ph.D. za jeho podporu a cenné rady během celé mojí práce. Dále bych chtěl poděkovat všem dobrovolníkům, kteří obětovali svůj volný čas a byli ochotni splnit všechny požadavky mého experimentu.

4 Prohlášení Prohlašuji, že jsem bakalářskou práci vypracoval samostatně a výhradně s použitím citovaných pramenů. V Plzni dne 5. května 2013 Vojtěch Košař

5 Abstract ERP components and driver s attention This bachelor thesis deals with measurement of driver s attention by measurement of his/her brain activity (EEG/ERP). The basic theoretic information about EEG/ERP mesurement are described. An experiment focused on the P3 component s latency was designed. The experiment was performed in the Škoda Octavia car simulator on the group of eleven volunteers. Every volunteer took a part in four measurements executed in two days. The analysis investigates the changes in the latency of the P3 component caused by sleep deprivation. Three different methods were used to determine the P3 component s latency.

6 Obsah 1 Úvod 1 2 Teoretická část EEG ERP Pozornost Artefakty Komponenty Podobné experimenty z minulých let Experiment Experiment Experiment Experiment Experiment Návrh experimentu Popis Stimuly Reakce na target stimul Realizační část 13

7 OBSAH OBSAH 3.1 Příprava experimentu Laboratoř a vybavení Stimulační nástroj Průběh experimentu Příprava EEG čepice Měření Po měření Poznatky z měření a problémy Časová náročnost měření Komfort testované osoby Dlouhé úseky bez měření Problémy při měření Zpracování dat a interpretace výsledků Získání ERP signálu a grand average Určení latence P3 komponenty Peak latence % peak latence % area latence Interpretace výsledků Závěr 37 Slovníček pojmů a použitých zkratek 38 Literatura 40 Přílohy 44 A Základní instrukce pro dobrovolníky 45

8 OBSAH OBSAH B Dotazník 47 C Stimulační scénář 48 D Kompletní data 50 E Uživatelská dokumentace k programu P3latence 60 F Obsah přiloženého DVD 62

9 1 Úvod Tato bakalářská práce se zabývá problematikou pozornosti řidiče. Částečně navazuje na bakalářské práce zabývající se podobným tématům, které byly v minulých letech zpracovány na katedře informatiky a výpočetní techniky. Jedná se zejména o práce Jana Rady [4], Jiřího Vaňka [5] a Jiřího Diviše [6]. Cílem mojí práce bylo prostudovat problematiku měření evokovaných potenciálů (ERP) a navrhnout vlastní experiment na zjišt ování aktuální pozornosti řidiče, právě s ohledem na ERP komponenty. Předpokladem mého experimentu bylo, že se snížení pozornosti řidiče vlivem nedostatku spánku projeví změnou latence vybraných komponent ERP signálu, které budou vyvolány určitými podněty (stimuly). Bylo třeba zajistit hardwarové a softwarové prostředky, jejich vzájemnou komunikaci a sehnat dostatečný počet dobrovolníků, který by ověřil předchozí hypotézu. V první části jsem se zaměřil na základní teoretické informace týkající se EEG/ERP a na základě získaných informací jsem navrhl scénář mého experimentu. V další části popisuji realizaci samotného experimentu, jeho přípravu, průběh a problémy, které se vyskytly. Na závěr jsou vyhodnocena a interpretována získaná data. 1

10 2 Teoretická část V následujících sekcích jsou uvedeny základní pojmy a principy. 2.1 EEG Elektroencefalografie (EEG) je metoda umožňující sledování a zaznamenávání mozkové aktivity resp. činnosti neuronů v mozku. Jedná se o neinvazivní metodu. K měření se používá EEG čepice s elektrodami, která se testovanému subjektu nasazuje na hlavu. Po nasazení jsou elektrody spojeny s povrchem hlavy vodivým gelem, který se aplikuje injekční stříkačkou. Děje probíhající v neuronech uvnitř mozku mění elektrický potenciál na povrchu hlavy. Ten je měřen elektrodami a zesílen. Tento signál se vzorkuje (obvykle 1000 Hz) a takto získaný záznam se označuje jako elektroencefalogram a dále se využívá při vyhodnocování výsledků, viz obrázek 2.1. Kromě této metody se v lékařství používá také invazivní metoda. Oproti jiným metodám měření mozkové aktivity (např. frmi) je výhoda záznamu EEG hlavně v relativně nízkých pořizovacích a provozních nákladech. Nevýhodou je ovšem míra rušení EEG signálu. Tento signál bohužel ovlivňují všechny svalové aktivity v oblasti hlavy (pohyb očí, mrkání, pohyby v obličeji a další) označované jako artefakty, které je třeba při vyhodnocování výsledků ze záznamu vyloučit. Kromě toho může být EEG signál rušen dalšími elektronickými zařízeními (mobilní telefon, hodinky, elektrická sít ). EEG signály se dělí podle určitých frekvenčních rozsahů na několik základních skupin.[12] 2

11 Teoretická část EEG Obrázek 2.1: Ukázka záznamu EEG signálu z programu BrainVision Recorder. (Elektroda FP1 a T3 ještě není zapojená. Zvýrazněná část označuje výskyt artefaktu, konkrétně mrknutí.) Alfa rytmus (8 až 14 Hz) - je ze všech nejvýraznější, pro zdravého člověka je typický v klidu, vleže, při zavřených očích Beta rytmus (14 až 30 Hz) - je spojen s aktivací CNS, je ovlivňován např. bolestivými podněty Gama rytmus (30 až 50 Hz) - má nízkou amplitudu a je nestabilní 3

12 Teoretická část ERP Delta rytmus (0,5 až 4 Hz) - u dospělých osob je spojen s nejhlubší fází telencefalického spánku Theta rytmus (5 až 7 Hz) - je typickým rytmem zrajícího mozku dětského věku Lambda vlny (8 až 12 Hz) - lze je registrovat u bdělých osob sledujících očima nějaký předmět Tyto aktivity jsou spjaty s určitým funkčním systémem mozku, a tak se na některých elektrodách projevují více. Další informace k těmto skupinám nejsou uvedeny, jelikož nejsou pro moji práci důležité.[12] 2.2 ERP Evokované potenciály (ERP) představují nervovou odezvu na určité typy podnětů. Tyto podněty se označují jako stimuly. Stimuly bývají nejčastěji akustické nebo vizuální. ERP se nejjednodušeji a zároveň také nejčastěji získává z EEG signálu průměrováním. Do EEG signálu je třeba ještě doplnit časové značky (markery), které signalizují výskyt stimulu. Z jedné jediné reakce na stimul je obtížné interpretovat nějaké výsledky, protože evokovaný potenciál je zašuměný jinými činnostmi mozku než pouze reakcí na námi sledovaný stimul. Ovšem pokud vezmeme takových úseků víc a amplitudy jejich signálů zprůměrujeme, tak se jiné činnosti mozku vzájemně téměř vyruší a zůstane pouze reakce na námi sledovaný stimul. Z tohoto průměrování je třeba vyloučit reakce kontaminované různými artefakty (viz sekce 2.4), jinak by byl výsledek zkreslený. 4

13 Teoretická část Pozornost Takto získaný signál obsahuje tzv. komponenty, změny signálu v určitých časech. Ty se liší podle typu stimulů a závisí na mnoha dalších faktorech, viz sekce 2.5. [8] 2.3 Pozornost Pozornost je stav, při kterém se cíleně soustředíme na jednu námi zvolenou činnost, zatímco ostatní podněty z okolí ignorujeme. Tato schopnost je při řízení motorového vozidla zcela klíčová, jelikož ztráta pozornosti může mít fatální následky. Míru pozornosti můžeme měřit například sledováním reakční doby na nějaký podnět. Při poklesu pozornosti se reakční doba prodlužuje. Pozornost resp. reakční doba je dána aktuálním stavem osoby. Tu může ovlivňovat zejména rozmanitost vykonávané činnosti, zdravotní stav, alkohol v krvi, spánková deprivace a další. Reakční doba se dá kromě standardních metod (mačkání tlačítka apod.) měřit pomocí latence některých ERP komponent. Tato metoda bývá v literatuře označována jako reakční doba 21. století. [8, 9, 10, 11] 2.4 Artefakty Artefakty jsou nežádoucí změny signálu způsobené jinou než mozkovou aktivitou. Artefakty jsou vyvolány např. mrkáním, pohybem očí, srdeční činností, pocením nebo také interferencí s nějakým elektrickým zařízením v blízkosti měřicích přístrojů. Některé artefakty jsou snadno v signálu rozpoznatelné, např. protože je jejich amplituda oproti běžné hodnotě mnohonásobně 5

14 Teoretická část Komponenty větší. Tyto části kontaminované artefakty je třeba při vyhodnocování vyloučit, jinak by byl výsledek zkreslený, viz obrázek 2.1. [8] 2.5 Komponenty Jednotlivé části ERP signálu se označují jako komponenty. Jejich názvy se odvíjejí podle jejich polarity a času (případně pořadí), v jakých se vyskytují. Podle zvyklostí se kladné hodnoty signálu vynášejí pod osu x, viz obrázek 2.5. [8] Obrázek 2.2: Ukázka jednotlivých komponent na ERP.[8] Zde jsou uvedeny nejznámější a nejvýraznější komponenty se stručným popisem: C1 Nabývá kladné hodnoty pro vizuální stimuly v horní části zorného pole a záporné hodnoty pro stimuly v horní části zorného pole. Tato komponenta je citlivá na kontrast, frekvenci a další aspekty stimulů. Typicky 6

15 Teoretická část Komponenty začíná ms po stimulu a svého maxima/minima nabývá po ms po stimulu. P1 Komponenta P1 následuje po komponentě C1. Její latence se mění v závislosti na kontrastu stimulu. N1 Komponenta N1 následuje po komponentě P1. Liší se u akustického a vizuálního stimulování. Je citlivá na pozornost. P2 Komponenta P2 následuje po komponentě N1. Amplituda této komponenty se zvětšuje u nepravidelného target stimulování. N2 Komponenta je složena z několika subkomponent. Opakující se nontarget stimul vytváří základní N2. Zvýšená amplituda se vyskytuje při prezentování rare stimulů, které se moc často neopakují. P3 Komponenta P3 je ze všech komponent nejvýraznější. Skládá se ze subkomponent P3a a P3b. Obě jsou vyvolávány nečekanou, nepravidelnou změnou frekvence tónu nebo jeho intenzity, ale P3b se vyskytuje pouze pokud subjekt na stimul reaguje. Označením P3 (nebo také P300) je obvykle míněna subkomponenta P3b. Její charakteristika je ovlivňována nejistotou subjektu (při rozlišení, zda se jedná o target / non-target stimul), pravděpodobností výskytu při stimulování a dalšími aspekty. 7

16 Teoretická část Podobné experimenty z minulých let Svého maxima nabývá 250 až 400 ms po stimulu. Její amplituda a latence závisí hlavně na typu stimulu a stavu testované osoby. V mojí práci se zaměřuji na subkomponentu P3a, jelikož její latence souvisí s pozorností. Subkomponenta P3a však není v některých případech rozlišitelná, potom jsem se tedy zaměřil na P3 komponentu jako celek. [8, 9, 10, 11] 2.6 Podobné experimenty z minulých let Při návrhu mého vlastního experimentu jsem se inspiroval několika experimenty provedených jak na Západočeské univerzitě, tak v zahraničí. Zde je uveden stručný popis některých z nich Experiment 1 Experiment se zabýval identifikací únavy řidiče na jednoduchém simulátoru automobilu. Zúčastnilo se ho dvacet mužů ve věku mezi 22 a 32 let, kteří vlastnili řidičský průkaz. Všichni museli noc před provedením experimentu spát alespoň 7 hodin. Ten byl rozdělen do tří etap: ranní (02:00 až 05:00), odpolední (13:30 až 16:30) a večerní (19:00 až 22:00) a obsahoval rovnou část a část se zatáčkami. Z naměřených dat byly spočteny koeficienty a určeny indikátory únavy dány vztahy mezi frekvencemi skupin mozkové aktivity (alfa, beta a théta). Úspěšnost při určování únavy dosahovala 90%. [1] 8

17 Teoretická část Podobné experimenty z minulých let Experiment 2 Studie zkoumala systémy varování před kolizí a jejich úspěšnost na rozptýleného nebo soustředěného řidiče. Řidiči v simulátoru měli za úkol následovat motocykl. Ten mohl znenadání zabrzdit. Byla měřena reakční doba i tvar a zpoždění vybraných ERP komponent (N1, N2, P3) a to jak s použitím systému varování, tak bez něj. [2] Experiment 3 Bylo zkoumáno, jaký vliv má nedostatek spánku na mladé a starší řidiče. Experimentu se zúčastnilo 20 mladých řidičů (průměrně 23 let) a 19 starších řidičů (průměrně 67 let). Simulaci, která trvala 2 hodiny, absolvovali odpoledne. Jednou byla provedena po plnohodnotném spánku, podruhé po pětihodinovém. Bylo zjištěno, že mladí řidiči mají větší problém zvládat nedostatek spánku a jsou potenciálně náchylnější k mikrospánku. [3] Experiment 4 Práce zkoumala vliv délky jízdy na prodloužení latence P3 komponenty. Celkem 14 dobrovolníků absolvovalo 60-ti minutovou jízdu v simulátoru. Ta byla rozdělena na bloky po 15 minutách. Předpoklad prodloužení latence P3 komponenty se však výrazně neprojevil. Nejspíše to bylo způsobeno vyšším výskytem artefaktů vlivem nepohodlí testovaných subjektů, zejména v druhé polovině experimentu. [4] 9

18 Teoretická část Návrh experimentu Experiment 5 Práce vycházela z předpokladu, že během monotónní jízdy se bude zvyšovat latence P3 komponenty vlivem snížení pozornosti. Experimentu se zúčastnilo celkem 22 dobrovolníků. Měření trvalo 60 minut a provádělo se na dvou lidech zároveň, jeden jako řidič, druhý jako spolujezdec. Vlivem technických a jiných problémů však vyšly závěry pouze asi z poloviny měření. Předpoklad snížení latence P3 komponenty se však nepotvrdil. [5] 2.7 Návrh experimentu Na základě získaných poznatků a doporučení jsem navrhl následující experiment Popis Každý testovaný subjekt absolvuje celkem 4 jízdy v simulátoru. Každá z těchto jízd bude trvat přibližně 20 minut. Tuto dobu jsem zvolil tak, abych získal pokud možno dostatečné množství dat a zároveň jsem v testované osobě nevyvolával nepříjemné pocity, které by mohly při delším měření znehodnotit EEG signál nadměrným množstvím artefaktů. Stejně dlouho trvá obvykle i EEG vyšetření v lékařské praxi. Tato měření budou probíhat ve dvou různých dnech. Vždy jedno dopoledne a druhé odpoledne/večer. Při první dvojici jízd bude mít měřený subjekt za sebou plnohodnotný spánek (kolem sedmi hodin, podle potřeby), zatímco druhý den nebude smět spát déle jak čtyři hodiny. Cílem mého zkoumání bude srovnání latence P3 komponenty v závislosti 10

19 Teoretická část Návrh experimentu na denní době a spánkové deprivaci. Každých dvacet minut měření bude rozděleno na čtyři etapy po pěti minutách. Stimuly se budou přehrávat během druhé a čtvrté etapy, aby si subjekt na stimul nezvykl a tím neznehodnotil výsledky. V příloze A jsou uvedeny základní informace pro dobrovolníky, které obdrží každý subjekt před měřením Stimuly Při výběru typu stimulování jsem se rozhodl pro akustické. Z mého pohledu jsou pro můj experiment vhodnější a pro dobrovolníka pohodlnější než vizuální. Zvuky budou přehrávány z reproduktorů uvnitř kabiny simulátoru auta. Jako zvuky pro stimulování byly zvoleny následující: Non-target (běžný) stimul - harmonický tón o frekvenci 560 Hz trvající 500 ms Target (cílený) stimul - harmonický tón o frekvenci 880 Hz trvající 500 ms Rare (vzácný) stimul - plynulá změna harmonického tónu z frekvence 200 Hz na 1000 Hz a zpět během 1000 ms Poměr mezi [Non-target : Target : Rare] jsem zvolil [86 : 11 : 3]. Nikdy nebudou dva target stimuly za sebou. Doba mezi přehráváním jednotlivých stimulů byla zvolena na 1500 ms. 11

20 Teoretická část Návrh experimentu Reakce na target stimul Jako reakci na target stimul jsem vybral přejetí z pruhu do pruhu na dálnici. Po zvážení jiných možností se mi jevila jako nejpohodlnější a nejpřirozenější pro můj experiment. Subjekt nemusí mačkat žádné tlačítko, pouze hýbe volantem. Tak jsou minimalizovány další zbytečné pohyby a s tím související výskyt artefaktů. 12

21 3 Realizační část 3.1 Příprava experimentu Laboratoř a vybavení Před realizací samotného experimentu bylo třeba se seznámit s chodem laboratoře, zajistit všechny nutné prostředky pro můj experiment, naučit se připravit EEG čepici a nastavit všechny aplikace, které budou při experimentu potřeba. Vybavení laboratoře, které bylo použito při mém experimentu, bylo následující: Simulátor automobilu Jedná se o přední polovinu automobilu Škoda Octavia. V něm je zabudován herní volant a pedály od společnosti Logitech (konkrétně G27 Racing Wheel [17]), viz obrázek Projektor Obraz je promítán na stěnu před simulátorem, viz obrázek Zdravotnické pomůcky EEG čepice, elektrody, injekční stříkačka s tupou jehlou, buničinové polštářky a ubrousky, viz obrázek Zesilovač V-Amp měřicí EEG signál Toto zařízení umožňuje záznam 16 EEG kanálů a je připojeno a napájeno z počítače přes USB kabel, viz obrázek

22 Realizační část Příprava experimentu Obrázek 3.1: Simulátor automobilu promítaná na stěnu před kapotou. Škoda Octavia a hra World Racing 2 14

23 Realizační část Příprava experimentu Obrázek 3.2: Zdravotnické pomůcky. K realizaci mého experimentu bylo také potřeba čtyř počítačů. Na prvním PC běžel program VirtualDub, který ukládal videozáznam z webkamery umístěné v kabině simulátoru auta. Tento záznam byl zpětně používán při odstraňování artefaktů z EEG signálu a také k opravě časových značek, které byly u některých měření špatně uloženy, viz problémy Na druhém PC běžela hra World Racing 2. K tomuto počítači byl také připojen herní volant. Tato hra byla vybrána z několika důvodů - byla již použita a otestována v podobných experimentech z minulých let (např. v pracích [4, 5]), obsahovala vytvořenou mapu dálnice a upravený automobil se sníženým výkonem, a tím i 15

24 Realizační část Příprava experimentu Obrázek 3.3: Zesilovač V-Amp. snazším ovládáním (původně vytvořeno při práci [4]). I přes svoji zastaralejší grafiku se vyznačovala nižšími systémovými nároky než další alternativy, což bylo vhodné vzhledem k nižšímu výkonu počítače, na kterém běžela. Obraz ze hry se promítal na stěnu před simulátorem automobilu. Na třetím PC běžel program Presentation, viz K tomuto PC byly připojeny reproduktory umístěné v zadní části kabiny simulátoru. Na tomto PC tedy běžel scénář, který se spouštěl manuálně, přehrával stimuly v kabině a zasílal časové značky do zesilovače přes paralelní port. Na čtvrtém PC běžela aplikace BrainVision Recorder, která ukládala EEG záznam. 16

25 Realizační část Průběh experimentu Stimulační nástroj Stimulační scénář byl vytvořen v programu Presentation [16]. Celý scénář trvá pět minut. Při každém spuštění se pořadí stimulů generuje náhodně, obsahuje však vždy stejný počet target, non-target a rare stimulů. Tato náhodnost je žádoucí, jelikož každý testovaný subjekt tento scénář uslyší celkem 8 krát a pokud by bylo pořadí stimulů nezměněné, mohlo by dojít k jeho částečnému zapamatování a tím snížení míry překvapení, které má za následek méně výraznou reakci v EEG signálu, než když je stimul více nečekaný. Zdrojový kód scénáře je v příloze C. Zvuky použité jako stimuly byly vygenerovány ve volně dostupném programu Audacity [15], viz obrázek Obrázek 3.4: Ukázka generování tónu v programu Audacity. [15] 3.2 Průběh experimentu Každému dobrovolníkovi byly zaslány základní informace o měření a požadavcích na něj kladených. V případě, že po přečtení těchto informací zájem dobrovolníka o účast v experimentu přetrvala (což vždy neplatilo), byl domluven datum a čas měření, a to s ohledem na časový rozvrh laboratoře a 17

26 Realizační část Průběh experimentu časové možnosti dobrovolníka. Před prvním měřením dobrovolník podepsal souhlas s podmínkami v účasti v experimentu. Ten byl převzat z diplomové práce Jiřího Vlašimského [7]. Následovalo seznámení s ovládáním simulátoru a nastavení sedačky, případně seřízení a zaostření projektoru. Dobrovolníkovi byly dále prezentovány stimuly a sděleny požadavky na jejich reakci (přejetí z pruhu do pruhu, jinak nereagovat) a také další informace o průběhu měření (měření trvá 20 minut, je rozděleno na 4 etapy, v průběhu celého měření a zejména při prezentování stimulů omezit mrkání a další pohyby v obličeji). Po zodpovězení případných dotazů a doporučení o vykonání potřeby, případně odložení nepohodlného oblečení, následovala příprava EEG čepice Příprava EEG čepice Správná příprava EEG čepice (dále označováno jako mazání čepice/elektrod) je klíčová činnost pro získání relevantních výsledků z měření EEG. Cílem mazání je zajistit co nejmenší odpor mezi elektrodou a povrchem hlavy pod ní. Na čepici je rozmístěno 16 elektrod, další elektroda se umist uje na ucho (slouží jako uzemnění) a poslední elektroda je umístěna na čele (slouží jako reference), viz obrázek Každá elektroda má svůj název, např. O1, O2, Fz, Cz, Pz, Gnd, Ref. Při mazání jsem používal mezinárodní systém pro rozmístění elektrod. Tento systém je založen na vztahu mezi pozicí elektrody a oblastí mozkové kůry pod ní. 10 a 20 jsou relativní procentuální vzdálenosti elektrod od sebe, viz obrázek [13] Ještě než jsem se naučil mazat EEG čepici, zhlédl jsem videa, kde zdravotní sestra ukazuje a komentuje správný postup mazání čepice. S tímto teoretickým základem jsem se pustil do mazání prvních dobrovolníků, u kte- 18

27 Realizační část Průběh experimentu Obrázek 3.5: Rozmístění elektrod v mezinárodním systému [14] Obrázek 3.6: Ukázka správně namazané čepice z programu BrainVision Recorder. Elektrody FP1 a T3 ještě nejsou namazané. 19

28 Realizační část Průběh experimentu rých mazání čepice vyžadovalo delší dobu v důsledku mé nedostatečné praxe v této činnosti. S dalšími měřeními jsem se v mazání EEG čepice zlepšoval a při posledních měřeních mi namazání čepice trvalo zhruba 20 minut, což byl oproti původním 50 minutám značný rozdíl. Délku měření, kromě mé praxe, ovlivňovala zejména délka vlasů a čistota kůže hlavy dobrovolníka. Standardní postup pro měření byl následující. Nejprve jsem změřil dobrovolníkovi obvod hlavy a podle toho vybral velikost EEG čepice. Abych snížil odpor u zemnicí a referenční elektrody, jsem na buničinový polštářek nanesl trochu abrazivního gelu a očistil jsem jím ušní boltec a spodní část čela. Vzhledem k tomu, že se tento postup opakoval u každého dobrovolníka 4 krát, bylo u některých z nich použito při dalším mazání druhé ucho, vzhledem k jeho zvýšené citlivosti po předchozím očištění (kůže na těchto místech byla podrážděná). Zemnicí elektroda se naplnila vodivým gelem a připevnila se na očištěné ucho. Potom byla dobrovolníkovi nasazena EEG čepice, správně na hlavě srovnána a zavázána pod bradou. Dále byla na čelo náplastí připevněna referenční elektroda. Do ní byl injekční stříkačkou vstříknut vodivý gel. Potom se obě elektrody i čepice připojily k zesilovači. Následovalo mazání elektrod na čepici. Do díry v elektrodě se zasunula jehla a krouživým pohybem se rozhrnuly vlasy pod elektrodou. Do takto připravené elektrody se vstříkl vodivý gel. Správné namazání elektrody se kontrolovalo na počítači v programu BrainVision Recorder, ke kterému byl zesilovač připojen. Správně namazaná elektroda byla taková, že odpor mezi ní a povrchem hlavy byl menší než 1 kω. Takto bylo třeba namazat všech šestnáct elektrod. 20

29 Realizační část Průběh experimentu Měření Když byl dobrovolník připraven na měření, vyplnil dotazník, viz příloha B. Následně byl vyzván k odložení mobilního telefonu. Potom byl odpojen od zesilovače a usazen do simulátoru automobilu. Po usazení byl znovu připojen k zesilovači, který byl umístěn na střechu simulátoru. Kabely od uzemňovací a referenční elektrody byly přivírány do dveří, kabel od čepice se protahoval zadní částí simulátoru. Po opětovném připojení bylo zkontrolováno, zda se na některé elektrodě nezvýšil odpor. Pokud k tomu došlo, tak byla elektroda znovu namazána. Také byly zkontrolovány hodnoty časových značek z programu Presentation, protože se jejich hodnoty po zkušenosti z předchozích experimentů vždy nezobrazovaly správně, viz Když bylo vše v pořádku, byla v laboratoři zhasnuta světla, zapnuto nahrávání videa z webkamery a také nahrávání EEG signálu v programu BrainVision Recorder. Následovalo doplnění podmínek při měření v dotazníku (teplota v místnosti, čas začátku měření, použitý HW, počasí a vzorkovací frekvence). Po pěti minutách byl manuálně spuštěn stimulační scénář. Při něm byly kontrolovány správné reakce na stimulování a také správné hodnoty časových značek. Po jeho uplynutí následovalo dalších pět minut jízdy bez stimulování a po nich byl stimulační scénář opět spuštěn Po měření Nahrávání videa z webkamery i BrainVison Recorderu bylo zastaveno, dobrovolník byl odpojen od zesilovače a byla mu sundána EEG čepice i obě elektrody. Dobrovolník dále doplnil chybějící údaje v dotazníku (pocity během měření a únava po měření). Potom mu bylo umožněno umytí hlavy. 21

30 Realizační část Poznatky z měření a problémy To bylo bohužel možné pouze na záchodě v umyvadle, což mimo jiné vedlo několik potenciálních zájemců o účast v experimentu k jeho odmítnutí. V případě, že bezprostředně nenásledovalo další měření, bylo třeba umýt všechny nástroje a EEG čepici a odstranit z nich gel, aby nedošlo k jeho zaschnutí. 3.3 Poznatky z měření a problémy V následujících částech jsem se pokusil shrnout poznatky získané po dokončení všech měření. Měly by sloužit zejména jako doporučení pro další podobné experimenty, aneb co bych udělal jinak a na co si dát pozor Časová náročnost měření Sehnat dobrovolníky, kteří by byli ochotni tento experiment absolvovat, nebylo až tak snadné. Jedním z důvodů byla samozřejmě neochota dobrovolně se vzdát dostatečného spánku. Dalším důvodem bylo nepohodlí při mytí hlavy v umyvadle na záchodě. Nejzásadnější problém byl ale s časovými možnostmi. Každý z účastníků musel přijít v ten samý den dopoledne a odpoledne a to samé absolvovat ještě jiný den po nedostatečném spánku. To vše bylo třeba ještě skloubit s mými časovými možnostmi a s rozvrhem laboratoře, která byla během období provádění tohoto experimentu značně vytížená. Dopolední a odpolední měření také souvisela s tím, že pokud byl mezi měřeními časový rozestup zhruba 2-4 hodiny, nebylo možné umýt EEG čepici, protože by do té doby nestihla uschnout, ale zase zde bylo riziko, že vodivý gel v elektrodách mezitím zaschne. 22

31 Realizační část Poznatky z měření a problémy Doporučil bych tedy na každém testovaném subjektu provést pouze jedno, maximálně dvě měření Komfort testované osoby Ačkoli jsem svůj experiment navrhoval s maximálním ohledem na pohodlí dobrovolníků, i v tomto ohledu bych měl několik návrhů na zlepšení. Kladl bych větší důraz na volbu velikosti čepice a volil bych ji o něco větší než je průměr, který je na ní uveden. U několika dobrovolníků způsobila její těsnost bolest hlavy a nevolnost. Při dalším měření jsem použil větší čepici, kvalita EEG dat tím nebyla poznamenána a dobrovolník nepocit oval žádné negativní projevy. Téměř všichni dobrovolníci do dotazníku shodně uváděli, že během jízdy měli pálení očí. Bylo to pravděpodobně způsobeno nízkým rozlišením projektoru, kdy při pohledu z kabiny automobilu byly vidět jednotlivé pixely. Několik dobrovolníků si stěžovalo na ticho v kabině automobilu, respektive na hluk od ventilátorů v počítačích a projektoru. Doporučil bych do kabiny slabě pustit zvuk motoru ze hry nebo nějakou hudbu. Podle [8] by to na měřená data nemělo mít téměř žádný vliv a rušivé nepřirozené hučení by se tím eliminovalo. 23

32 Realizační část Poznatky z měření a problémy Dlouhé úseky bez měření Po dokončení mého experimentu bych změnil časové rozložení jednotlivých etap z: 1) 5 minut bez stimulování 2) 5 minut se stimulováním 3) 5 minut bez stimulování 4) 5 minut se stimulováním na 1) 2 minuty bez stimulování 2) 5 minut se stimulováním 3) 2 minuty bez stimulování 4) 5 minut se stimulováním 5) 2 minuty bez stimulování 6) 5 minut se stimulováním Přineslo by to více dat k vyhodnocení a myslím, že by dvě minuty byly dostatečný čas na to, aby nedošlo k výraznému snížení amplitudy P3 komponenty vlivem přestimulování subjektu. 24

33 Realizační část Poznatky z měření a problémy Problémy při měření Nedostatek vhodných EEG čepic V laboratoři bylo k dispozici celkem šest EEG čepic, čtyři o velikosti cm, jedna o velikosti cm a jedna o velikosti cm. Bohužel drtivá většina dobrovolníků měla obvod hlavy v rozmezí cm a nebylo možné mazat dalšího dobrovolníka během měření předchozího, jelikož potřebovali stejnou velikost. S tím souvisel i výše zmíněný problém s mytím čepice. Navíc na této čepici nefungovala již od začátku mého experimentu jedna z elektrod (naštěstí nedůležitá pro můj experiment) a ke konci přestala fungovat ještě další elektroda. Problém s časovými značkami Z dosud nezjištěných důvodů se u některých měření špatně posílaly, respektive ukládaly časové značky do EEG záznamu. To mělo za následek znehodnocení celého měření. Pravděpodobná příčina byla na straně špatně stíněného kabelu, či vadného konektoru. Špatné posílání těchto značek znamenalo, že se místo značky pro non-target stimul zaslala značka pro target stimul, či dokonce značka zcela nedefinovaná. Případně se značka zaslala v době, kdy se nepřehrával žádný stimul nebo se značka poslala dvakrát rychle za sebou. Ačkoli se tento problém objevil asi u 30% měření, většinou se jednalo o dvojité zaslání markeru rychle za sebou, což se dalo celkem jednoduše vyřešit při analyzování zaškrtnutím možnosti, aby se jednotlivé úseky (epochy) vzájemně nepřekrývaly. Nakonec se mi podařilo opravit všechny poškozené záznamy a to dokonce i ty, u kterých došlo ke kompletnímu proházení těchto značek. Tento nejhorší případ se vyskytl cel- 25

34 Realizační část Poznatky z měření a problémy kem u tří měření. Nejprve bylo třeba rekonstruovat pořadí stimulů ze záznamu z webkamery (manuálně). Potom při segmentaci EEG signálu na epochy použít všechny časové značky, opět s volbou o nepřekrývání epoch a nakonec manuálně nechat jen úseky po target stimulech. Problém s videozáznamem Při vyhodnocování výsledků jsem zjistil, že videa z webkamery ukládaná programem VirtualDub jsou zrychlená a některé soubory jsou poškozené a nejdou otevřít v běžných přehrávačích. 26

35 4 Zpracování dat a interpretace výsledků Experimentu se zúčastnilo celkem 11 dobrovolníků ve věku mezi 19 a 23 let. Z toho bylo 8 mužů a 3 ženy. 10 z nich uvedlo, že vlastní řidičský průkaz a 9 z nich se pokládá za aktivní řidiče. Všech 44 měření, včetně mazání, trvalo přes 35 hodin čistého času. Experiment probíhal v době mezi a Všichni dobrovolníci absolvovali všechny 4 měření a u všech měření byla zřetelná P3 komponenta. 6 dobrovolníků uvedlo do dotazníku před měřením, že mají rýmu, popř. kašel, což také mohlo ovlivnit následující výsledky. V tabulce 4.1 jsou shrnuty informace z dotazníků o dobrovolnících: Číslo subjektu Tabulka 4.1: Vybraná data z dotazníků Pohlaví 1 Lateralita 2 Zrak 3 Sluch 4 ŘP 5 Aktivní 6 Spánek 7 1 M P - - A A 7 / 6 / 4 2 M P A A 7 / 8 / 0 3 Ž P - - A A 7 / 7 / 0 4 M P 5 - A A 8 / 5 / 2 5 Ž P - - N N 8 / 8 / 2 6 M P - - A A 7 / 7 / 0 7 M P - - A A 7 / 7 / 4 8 M L - - A A 7 / 10 / 4 9 M L - - A A 8 / 8 / 3 10 Ž P - - A N 6 / 10 / 2 11 M P 2 - A A 7 / 7 / 4 1 M - muž; Ž - žena 2 P - pravák; L - levák 3 Porucha zraku - číslo udává počet dioptrií. 4 Porucha sluchu. 5 Držitel řidičského oprávnění skupiny B: A - vlastní; N - nevlastní. 27

36 Zpracování dat a interpretace výsledků Získání ERP signálu a grand average 4.1 Získání ERP signálu a grand average Naměřená data ve formě EEG signálu a časových značek byla zpracována v programu BrainVision Analyzer. Nejprve byly vybrány elektrody Fz, Cz a Pz a na data z těchto elektrod byl aplikován IIR filtr, aby byly odstraněny nízké frekvence. Následovala segmentace signálu v závislosti na časových značkách s intervalem od -100 ms do 900 ms. Potom byly manuálně vyloučeny segmenty obsahující artefakty. Následně byla provedena korekce baseline s intervalem od -100 ms do 0 ms. Nakonec byly zbylé segmenty zprůměrovány, čímž byl získán ERP signál každého dobrovolníka. Z těchto všech ERP signálů byl vypočten průměr, tzv. grand average pro každé měření i jejich kombinace, viz obrázky 4.1, 4.1, Určení latence P3 komponenty Peak latence Nejjednodušším způsobem při určování latence komponenty je nalezení jejího maxima, respektive minima v závislosti na polaritě komponenty. Takto získaná latence se označuje jako peak latence. Její výsledné hodnoty jsou uvedeny v tabulce 4.2. Tato metoda (dále v textu označovaná pouze jako peak) se hodí zejména pro komponenty, které mají své maximum, respektive minimum jednoznačně určitelné vzhledem ke svému okolí. Při určování latence 6 A - dobrovolník se považuje za aktivního řidiče; N - dobrovolník se nepovažuje za aktivního řidiče 7 Data uvedena v tomto sloupci označují počet hodin spánku v pořadí obvyklá doba spánku / doba spánku před měřením po dostatečném spánku / doba spánku po spánkovém deficitu. 28

37 Zpracování dat a interpretace výsledků Určení latence P3 komponenty měření 2. měření 3. měření 4. měření 5 Napětí [µv] Čas Obrázek 4.1: Grand average na elektrodě Fz všech čtyř měření. P3 komponenty jsem však narazil právě na problém při určení přesné pozice jejího maxima. Tato komponenta má sice velmi výraznou amplitudu, ale skládá se ze dvou subkomponent a v okolí svého maxima bývá často téměř konstantní. Proto při určení její peak latence může docházet k velké nepřesnosti způsobené subjektivním určením její polohy. Pátral jsem proto po jiných, spolehlivějších metodách pro určení latence P3 komponenty. [18, 8] 8 Měření prováděné dopoledne po dostatečném spánku. 9 Měření prováděné odpoledne po dostatečném spánku. 10 Měření prováděné dopoledne po spánkové deprivaci. 11 Měření prováděné odpoledne po spánkové deprivaci. 12 Grand average 1. měření. 13 Grand average 2. měření. 14 Grand average 3. měření. 15 Grand average 4. měření. 16 Grand average 1. a 2. měření, tzn. dopoledne a odpoledne po dostatečném spánku. 17 Grand average 3. a 4. měření, tzn. dopoledne a odpoledne po spánkovém deficitu. 29

38 Zpracování dat a interpretace výsledků Určení latence P3 komponenty a 2. měření 3. a 4. měření 5 Napětí [µv] Čas Obrázek 4.2: Grand average na elektrodě Fz při dostatečném spánku a po spánkové deprivaci % peak latence Tato metoda (dále v textu označovaná pouze jako 50% peak) spočívá v tom, že namísto hledání polohy maxima, respektive minima, hledáme bod v intervalu výskytu komponenty, pro kterou hledáme latenci L. Tím odpadá problém při určení přesné polohy peak latence, jelikož nám stačí vědět v tomto intervalu maximální, respektive minimální hodnotu, což je triviální. Následně hledáme nejbližší bod v čase z intervalu vyšetřované komponenty, pro který platí, že jeho amplituda A je větší nebo rovna polovině maxi- 18 Grand average 1. a 3. měření, tzn. dopolední měření. 19 Grand average 2. a 4. měření, tzn. odpolední měření. 30

39 Zpracování dat a interpretace výsledků Určení latence P3 komponenty a 3. měření 2. a 4. měření 5 Napětí [µv] Čas Obrázek 4.3: Grand average na elektrodě Fz při dopoledních a odpoledních měření. mální amplitudy A/2, viz obrázek V případě nízké vzorkovací frekvence signálu, či při požadavcích na vyšší přesnost výsledku, použijeme interpolaci mezi dvěma nejbližšími body, u kterých tato nerovnost poprvé nastává. Kromě 50% peak latence se používají její další modifikace, např. 20%, 30%, 70%, kde se místo poloviny amplitudy bere jiný poměr její velikosti. Latence vypočtené touto metodou jsou prezentovány v tabulce 4.3. [18, 8] 31

40 Zpracování dat a interpretace výsledků Určení latence P3 komponenty Tabulka 4.2: Latence P3 komponenty na elektrodě Fz určená metodou peak latence.číslo 1. měření 8 2. měření 9 3. měření měření 11 dobrovolníka Grand average GA1 12 GA2 13 GA3 14 GA Grand average GA12 16 GA34 17 GA13 18 GA Obrázek 4.4: Ukázka metody 50% peak latence % area latence Tato metoda (dále v textu označovaná pouze jako 50% area) spočívá v tom, že se na časové ose ERP signálu zvolí dva body, které ohraničují kom- 32

41 Zpracování dat a interpretace výsledků Interpretace výsledků Tabulka 4.3: Latence P3 komponenty na elektrodě Fz určená metodou 50% peak latence. Číslo dobrovolníka 1. měření 2. měření 3. měření 4. měření Grand average GA1 GA2 GA3 GA Grand average GA12 GA34 GA13 GA ponentu, pro kterou hledáme její latenci. Následně se hledá bod na časové ose, který rozděluje plochu mezi ERP signálem a časovou osou na plochy o stejném obsahu, viz obrázek Další modifikace této metody jsou podobně jako u 50% peak latence jiné poměry těchto ploch, např. 30% : 70%, případně také integrální varianta, kdy se plocha nad časovou osou bere jako záporná. Latence vypočtené touto metodou jsou prezentovány v tabulce 4.4, výpočet byl prováděn na intervalu 240 ms až 450 ms. [18, 8] 4.3 Interpretace výsledků Před samotnou interpretací je třeba mít na paměti, že není možné srovnávat latence získané různými metodami (peak, 50% peak, 50% area) mezi 33

42 Zpracování dat a interpretace výsledků Interpretace výsledků Obrázek 4.5: Ukázka metody 50% area latence Tabulka 4.4: Latence P3 komponenty na elektrodě Fz určená metodou 50% area latence. Číslo dobrovolníka 1. měření 2. měření 3. měření 4. měření Grand average GA1 GA2 GA3 GA Grand average GA12 GA34 GA13 GA sebou, ale pouze v rámci jedné metody. Význam latence nespočívá ani tak v její absolutní hodnotě, jako v rozdílu jejich hodnot, naměřených při stejném experimentu za jiných podmínek. V mém případě po nedostatečném spánku 34

43 Zpracování dat a interpretace výsledků Interpretace výsledků peak 50% peak 50% area Latence Číslo měření Obrázek 4.6: Latence P3 komponenty na elektrodě Fz všech měření u grand average - srovnání metod. a denní době měření. S ohledem na časové možnosti všech zúčastněných neprobíhala dopolední a odpolední měření ve stejnou dobu. Proto bych výsledky vyvozené na denní době nepokládal se příliš vypovídající. Ani u jedné z metod se závislost na denní době neprokázala, viz tabulky 4.2, 4.3, 4.4. Můj předpoklad, že se latence P3 komponenty po spánkové deprivaci prodlouží, se výrazně projevila při vyhodnocování metodou 50% area latence na grand average, viz tabulka 4.4. Stejného výsledku bylo dosaženo i použitím metody peak latence, ale rozdíl latencí nebyl příliš výrazný, viz tabulka 4.2. Z výsledků získaných metodou 50% peak latence jsem nevyvodil žádný závěr, viz tabulka 4.3. Srovnání latencí získaných z grand average na elek- 35

44 Zpracování dat a interpretace výsledků Interpretace výsledků trodě Fz použitím těchto tří metod je graficky znázorněno v obrázku Latence u jednotlivých subjektů tuto hypotézu však nepotvrzují ani u jedné z použitých metod vyhodnocování. Jedna z možných příčin těchto nesouladných výsledků je, že ERP signál u jednotlivých subjektů je ještě příliš zašuměn vlivem průměrování nedostatečného počtu segmentů (obvykle 40 až 44 u jednoho měření). U grand average se tento šum téměř eliminuje. Doposud interpretované výsledky pocházely z měření získaných na elektrodě Fz, ale tyto výsledky jsou téměř shodné i s daty získanými z elektrod Cz a Pz, které jsem také zpracovával. Souhrnná data latencí ze všech tří elektrod vyhodnocována třemi metodami jsou k dispozici v příloze D. Výsledná data pro metodu peak latence byla určována ručně. Pro určení latence u metod 50% peak a 50% area jsem vyvinul vlastní program, jelikož program pro analyzování EEG/ERP dat BrainVision Analyzer neměl tyto metody v sobě implementované. Vlastní program, pojmenovaný P3latence, zpracovává ERP signál jako časovou posloupnost hodnot napětí uložených v textovém souboru. Program nejprve načte meze intervalu, ve kterém bude určovat latenci P3 komponenty pro obě metody. Pro metodu 50% area vypočte obsah plochy na načteném intervalu mezi osou x a ERP signálem tak, že vezme jeho absolutní hodnoty a sečte je (numerická integrace obdélníkovou metodou). Následně hledá bod na ose x takový, který rozděluje vypočtenou plochu na části se stejným obsahem. Pro metodu 50% peak najde v načteném intervalu maximální amplitudu a následně hledá první bod, pro který platí, že hodnota jeho napětí je větší, než polovina maximální amplitudy. Uživatelská dokumentace k programu P3latence je v příloze E. 36

45 5 Závěr Během mojí bakalářské práce jsem se seznámil s problematikou měření EEG a ERP a nejdůležitější pojmy z této problematiky shrnul v teoretické části této práce. Dále jsem na základě těchto znalostí navrhl a implementoval vlastní scénář experimentu zkoumající pozornost řidiče. K realizaci experimentu jsem využil automobilový trenažér a jako simulátor silničního provozu jsem vybral hru Wold Racing 2. Zvolil jsem potřebné hardwarové a softwarové prostředky a zajistil jejich komunikaci. Svůj experiment jsem ověřil na 11 dobrovolnících, kde jsem zkoumal zejména vliv spánkové deprivace na pozornost řidiče, respektive na latenci P3 komponenty. Pro vyhodnocování dat jsem použil program BrainVision Analyzer a ERP signál získaný z tohoto programu dále zpracoval svým programem pro tento účel vyvinutým, jelikož metody které jsem používal pro stanovení latence P3 komponenty, nebyly v programu BrainVision Analyzer k dispozici. Můj předpoklad, že se latence P3 komponenty po nedostatečném spánku prodlouží, se potvrdil u všech třech použitých metod pouze na grand average, u jednotlivých subjektů se jednoznačně nepotvrdil. Nejvýraznější prodloužení latence bylo zaznamenáno použitím metody 50% area latence (rozdíl cca 10 ms). V realizační části jsem také popsal poznatky získané z praxe z měření a problémy, se kterými jsem se musel během svojí práce potýkat a řešit je. Všechna data z měření jsou k dispozici na přiloženém DVD a také na EEG / ERP portálu [19]. 37

46 Slovníček pojmů a použitých zkratek Artefakt - nežádoucí záznam v EEG signálu vyvolaný jinou než mozkovou aktivitou EEG - elektroencefalogram je záznam časové změny elektrického potenciálu způsobeného mozkovou aktivitou ERP - evokovaný potenciál je záznam mozkového signálu vyvolaný určitým podnětem (stimulem) frmi - funkční magnetická rezonance je metoda měření mozkové aktivity Grand average - je průměr ERP signálů od všech zúčastněných subjektů experimentu Komponenta - je část ERP signálu, její tvar, amplituda a latence se odvíjí od mnoha faktorů Latence - je prodleva mezi výskytem stimulu a sledovaným okamžikem v ERP signálu 38

47 Závěr Marker (časová značka) - je součástí EEG záznamu a označuje místa výskytu stimulů Peak latence - je metoda pro vyhodnocování latence komponenty 50% peak latence - je metoda pro vyhodnocování latence komponenty 50% area latence - je metoda pro vyhodnocování latence komponenty Stimul - je určitý podnět, nejčastěji akustický nebo vizuální 39

48 Literatura [1] LI, Wei, Qi-chang HE, Xiu-min FAN a Zhi-min FEI. Evaluation of driver fatigue on two channels of EEG data. Neuroscience Letters [online]. 2012, roč. 506, č. 2, s [cit ]. ISSN DOI: /j.neulet Dostupné z: elsevier.com/retrieve/pii/s [2] BUENO, Mercedes, Colette FABRIGOULE, Philippe DELEU- RENCE, Daniel NDIAYE a Alexandra FORT. An electrophysiological study of the impact of a Forward Collision Warning System in a simulator driving task. Brain Research [online]. 2012, roč. 1470, č. 2, s [cit ]. ISSN DOI: /j.brainres Dostupné z: elsevier.com/retrieve/pii/s [3] FILTNESS, Ashleigh J., Louise A. REYNER a James A. HORNE. Driver sleepiness - Comparisons between young and older men during a monotonous afternoon simulated drive. Biological Psychology [online]. 2012, roč. 89, č. 3, s [cit ]. ISSN DOI: /j.biopsycho Dostupné z: 40

49 LITERATURA LITERATURA [4] RADA, Jan. Pozornost řidiče při monotónní jízdě a sluchová stimulace: (ERP experiment). Plzeň, Bakalářská práce. Západočeská univerzita v Plzni, Fakulta aplikovaných věd, Katedra informatiky a výpočetní techniky. [5] [6] [7] VANĚK, Jiří. Driver s attention - auditory stimulation of driver and passenger: (ERP experiment). Plzeň, Bakalářská práce. Západočeská univerzita v Plzni, Fakulta aplikovaných věd, Katedra informatiky a výpočetní techniky. DIVIŠ, Jiří. Driver s attention during monotonous driving and visual stimulation: (ERP experiment). Plzeň, Bakalářská práce. Západočeská univerzita v Plzni, Fakulta aplikovaných věd, Katedra informatiky a výpočetní techniky. VLAŠIMSKÝ, Jiří. Systém oprávnění v EEG/ERP portálu. Plzeň, Diplomová práce. Západočeská univerzita v Plzni, Fakulta aplikovaných věd, Katedra informatiky a výpočetní techniky. [8] LUCK, Steven J. An introduction to the event-related potential technique. Cambridge, Mass.: MIT Press, c2005, xii, 374 p. ISBN [9] ANDERSON, John R. Cognitive psychology and its implications: John R. Anderson. 6th ed. New York: Worth Publishers, c2005, xv, 519 p. ISBN [10] Polich, J. (2007). Updating P300: An integrative theory of P3a and P3b. Clinical Neurophysiology, 118(10),

50 LITERATURA LITERATURA [11] Polich, J. (2003). Overview of P3a and P3b. In J. Polich (Ed.), Detection of Change: Event-Related Potential and fmri Findings (pp ). Kluwer Academic Press: Boston. [12] BIOFYZIKÁLNÍ WEB: SEMINÁRNÍ PRÁCE Z BIOFYZIKY. Stranky studentu fyzioterapie 2.LF [online] [cit ]. Dostupné z: semin/helcas_eeg.php [13] NIEDERMEYER, Ernst a F LOPES DA SILVA. Electroencephalography: basic principles, clinical applications, and related fields. 5th ed. Philadelphia: Lippincott Williams, c2005, xiii, 1309 p. ISBN [14] Electroencephalography: EEG lead systems. [online]. [cit ]. Dostupné z: [15] Volně dostupný zvukový editor a rekordér: Audacity. [online]. [cit ]. Dostupné z: [16] Neurobehavioral Systems: Presentation. [online]. [cit ]. Dostupné z: [17] Logitech: G27 Racing Wheel. [online]. [cit ]. Dostupné z: crid=714 [18] Psychophysiology 45: In: KIESEL, Andrea, Jeff MILLER, Pierre BRISSON a Benoit BRISSON. Measurement of ERP latency differences: A comparison of single-participant and jackknife-based scoring methods [online] [cit ]. Dostupné z: nlm.nih.gov/pubmed/

51 LITERATURA LITERATURA [19] EEG/ERP portál. [online] 2013 [cit ]. Dostupné z: eegdatabase.kiv.zvu.cz 43

52 Přílohy 44

53 A Základní instrukce pro dobrovolníky Základní informace Měření budou probíhat ve dvou různých dnech, a to vždy dopoledne a odpoledne v laboratoři UU-403 v simulátoru automobilu. Samotné měření bude trvat cca 20 minut, ale bude mu předcházet příprava na měření (hrubý odhad minut). Tato doba se může výrazně lišit podle různých okolností, mějte proto prosím trpělivost a pochopení. Během měření budete mít za úkol řídit vozidlo v simulátoru (pozn. nemusíte vlastnit žádné řidičské oprávnění). První den měření Přijd te v dohodnutý čas v pohodlnějším oblečení. Na místě pak vyplníte krátký dotazník. Vyvarujte se prosím v tento den požívání jakýchkoli povzbuzujících látek a potravin (silný černý čaj, káva, energetický nápoj apod.). Potom bude následovat příprava na měření, během které budete informováni o dalších podrobnostech měření. Po zodpovězení případných dotazů bude měření zahájeno. Podobný průběh bude mít i odpolední měření. DŮLEŽITÉ! - Je třeba, abyste na tento den byli dostatečně vyspáni (cca 7 hodin, podle individuálních potřeb). 45

54 Základní instrukce pro dobrovolníky Druhý den měření Podobně jako první den začne měření v předem dohodnutém čase. Následuje dotazník, příprava a měření. Stejně jako první den je třeba se vyvarovat požívání povzbuzujících prostředků. DŮLEŽITÉ! - Na tento den je třeba, abyste přišli po nedostatečném spánku (cca 2-4 hodiny). 46

55 B Dotazník Číslo měření: Informace o měřené osobě Jméno a příjmení: Datum narození: Pohlaví (Ž/M): Kontakt ( , telefon): Pravák/levák: Porucha zraku: Porucha sluchu: Držitel ŘP skupiny B (A/N): Aktivní řidič (A/N): Nemoc (kašel, rýma,... ): Hodnocení únavy před měřením (1 5; 5 = maximální únava): Hodnocení únavy po měření (1 5; 5 = maximální únava): Pocity během měření (zvýšená únava očí, bolest hlavy,... ): Doba spánku na tento den: Obvyklá doba spánku: Podmínky měření Datum a čas měření: Použitý HW (zesilovač, čepice,... ): Vzorkovací frekvence: Teplota v místnosti: Počasí: Délka měření (včetně přípravy): Rušení během měření (hluk, změna osvětlení,... ): Poznámky 47

56 C Stimulační scénář Zdrojový kód stimulačního scénáře pro program Presentation: # Stimulacni scenar k BP: ERP komponenty a pozornost ridice # Autor: Vojtech Kosar # zapis markeru na paralelni port write_codes = true; # sirka pulzu na paralelnim portu v ms pulse_width = 100; # prodleva v ms mezi prehravanim jednotlivych stimulu $inter_stim = 1000; begin; # pole se zvuky array { # non-target stimul sound { wavefile { filename = "non-target.wav"; }; } standard; # target stimul sound { wavefile { filename = "target.wav"; }; } deviant; # vzacny (rare) stimul sound { wavefile { filename = "rare.wav"; }; } rare; } sounds; trial { start_delay=$inter_stim; stimulus_event { sound standard; port_code=1; code=1; } event1; }main; begin_pcl; array <int> stim[100]; array <int> out_code[100]; array <int> dev_stim_list[14]; int st,num,en,pos; int rare_pos; int number_of_cycles=2; loop int nc=1 until nc>number_of_cycles begin 48