Автоматизированный анализ ЭЭГ (Всякое)
Описание файла
Файл "Автоматизированный анализ ЭЭГ" внутри архива находится в папке "Всякое". Документ из архива "Всякое", который расположен в категории "". Всё это находится в предмете "медицинские приборы аппараты системы и комплексы (мпасик)" из 7 семестр, которые можно найти в файловом архиве МГТУ им. Н.Э.Баумана. Не смотря на прямую связь этого архива с МГТУ им. Н.Э.Баумана, его также можно найти и в других разделах. Архив можно найти в разделе "остальное", в предмете "медицинские приборы аппараты системы и комплексы (мпасик)" в общих файлах.
Онлайн просмотр документа "Автоматизированный анализ ЭЭГ"
Текст из документа "Автоматизированный анализ ЭЭГ"
Государственный комитет СССР по народному образованию
С.Е. КВАШНИН, А. Г. ФОМИН
АВТОМАТИЗИРОВАННЫЙ АНАЛИЗ ЭЭГ
Методические указания
к лабораторной работе по курсу
«БИОМЕДИЦИНСКАЯ КИБЕРНЕТИКА»
Под редакцией С. Е. Квашнина
Издательство МГТУ
1989 г.
Цель работы - изучение характеристик электроэнцефалографических сигналов и методов их численного анализа.
Задачи:
1) создание математической модели электроэнцефалографического сигнала на ПЭВМ;
2) проведение ковариационного и кросс-спектрального анализа полученных моделей на ПЭВМ.
ТЕОРЕТИЧЕСКАЯ ЧАСТЬ
0 состоянии психики человека можно судить по большому количеству параметров, которые получили название психофизиологических показателей. Наиболее адекватно активность нервных клеток коры головного мозга определяется при регистрации потенциала различных точек поверхности головы. Запись, получаемая при этом, получила название электроэнцефалограммы (ЭЭГ).
Для сопоставимости результатов исследований необходимо соблюдать стандартизированные условия размещения записывающих электродов (рис 1) и регистрации (скорости протяжки бумаги, постоянной времени и характеристики фильтров усилителей и т.п.). При регистрации ЭЭГ применяют как биполярную запись от двух активных электродов, помещенных на коду головы, так и униполярную, при которой регистрирующий электрод располагается на коже головы, а индифферентный - на некотором отдалении (например, на мочке уха). При интерпретации ЭЭГ прежде всего учитывают частоту, амплитуду, форму, длительность, а также характер распределения ее волн. Анализ ЭЭГ мокко проводить как вручную, так и с помощью ЭВМ.
Механизм возникновения электроэнцефалографического сигнала.
В основе высшей нервной деятельности лежат процессы возбуждения и торможения различии участков нейронных сетей центральной нервной системы. Разнообразие психических процессов обусловлено огромным количеством связей между клетками головного мозга. Для синхронизации нервной деятельности в головном мозге существует несколько структур, важнейшей из которых является таламус, в котором находится большое количество задающих ритм пейсмекерных клеток. Возбуждение пейсмекеров по таламокортикальным волокнам передается на клетки коры головного мозга, что приводит к согласованному изменению их трансмембранного потенциала.
В состоянии покоя, когда колебания мембранных потенциалов корковых нейронов в значительной степени синхронизированы с ритмом таламичеоких пейсмекеров, на ЭЭГ наблюдаются низкочастотные (8...13 Гц) высокоамплитудные волны, которые получили название альфа-ритма. При умственной деятельности собственная электрическая активность клеток коры увеличивается. В результате синхронизация их деятельности, следовательно, и амплитуда ЭЭГ уменьшаются, а частота возрастает, что соответствует бета-ритму энцефалограммы, имеющему частоту 14...30 Гц. Выделяют еще два ритма ЭЭГ: тета-ритм с частотой 4...7 Гц и высокоамплитудный дельта-ритм с частотой 0,5...3,5 Гц (рис. 2). На энцефалограмме взрослого человека подобные волны возникают только, когда он находится в состоянии сна.
В клинических условиях электроэнцефалографическую диагностику применяют при различных психических нарушениях. Так, у больных эпилепсией на энцефалограмме выделяются высокоамплитудные пароксизмальные потенциалы, для которых характерна типичная последовательность "пик - волна".
Методы автоматизированного анализа ЭЭГ.
Рассмотрим основные методы численного анализа электроэнцефалографического сигнала. Одним из наиболее давно применяемых методов анализа цифровых параметров ЭЭГ является подсчет альфа-индекса или альфа-фактора. Этот показатель определяется процентом времени, в течение которого в ЭЭГ наблюдается выраженный альфа-ритм, либо ритмические и одиночные волны соответствующей длительности - 80...130 мс.
Дальнейшее совершенствование этого подхода основывалось на анализе различных комбинаций временных и амплитудных характеристик различных колебаний, относимых в соответствии с их длительностью к одному из нескольких стандартных частотных диапазонов. Простым и эффективным способом оценки электрической активности мозга является расчет площади, описываемой кривой ЭЭГ.
В пятидесятые годы был предложен метод временного анализа ЭЭГ, основанный только на данных о точках пересечения изолинии энцефалограммой и ее первой и второй производными - периодометрический анализ. Однако дальнейшее развитие этого подхода было затруднено из-за недостатка сведений о функциях распределения искомых параметров и влияния шумов.
Потребности медицинской практики стимулировали в последние годы интенсивное развитие разнообразных автоматизированных систем и приемов анализа для выделения в ЭЭГ отдельных характерных особенностей - паттернов. Математический аппарат данных исследований основывается на теории распознавания образов. Широкое распространение численной оценки ЭЭГ получил спектральный метод анализа.
Развитие этого метода шло по двум направлениям: аппаратному, где основное внимание отводилось созданию автоматизированных устройств (коррелографов), и программному, где разрабатывался математический аппарат частотного анализа случайных процессов и совершенствовалось алгоритмическое обеспечение такого анализа на ЭВМ.
Из-за больших затрат машинного времени при проведении фурье-преобразования корреляционных функций в злектрофизиологических исследованиях все большую популярность получают методы быстрого преобразования Фурье (БПФ, Кули-Тьюки, Рейдера-Винограда).
В последнее время большое внимание уделялось также разработке различных методов вторичной обработки данных спектрального анализа. Такая обработка включает разбиение усредненных спектров на сегменты, построение интеркорреляционной матрицы на основе величин сегментов, факторный анализ матрицы с последующим дискриминантным анализом полученных величин. Многократная обработка спектральных данных позволяет исследовать тонкие изменения в ЭЭГ, не обнаруживаемые другими методами.
Разберем свойства спектрального и кросскорреляционного анализа, позволяющие производить обработку ЭЭГ с минимальными затратами оперативной памяти машинного времени.
Корреляционный и кросс-спектральвий анализ электроэнцефалограммы.
При спектральном анализе ЭЭГ исследователю обычно необходимо узнать:
а) частотный состав электроэнцефалографического сигнала в наличных точках поверхности головы и то, каким образом он изменяется во времени;
б) есть ли взаимосвязь активности различных отделов коры головного мозга при определенных функциональных нагрузках; если она обнаруживается, то каков способ распространения возбуждения во времени.
Для решения подобного рода задач надо провести следующие математические преобразования:
а) дискретизацию и оцифровку аналогового электроэнцефалографического сигнала без искажения и потери информации;
б) разложение полученной временной последовательности в ряд Фурье с помощью дискретного преобразования Фурье;
в) корреляционный анализ частотных характеристик ЭЭГ различных отделов головного мозга;
г) обратное преобразование Фурье для определения временных ковариационных функций соответствующих пар регистрируемых сигналов.
Чтобы алгоритмизировать вышеперечисленные действия с минимальными затратами машинного времени и оперативной памяти, необходимо знать свойства дискретного преобразования Фурье для одной и нескольких функций.
Дискретное преобразование Фурье.
Рассмотрим пару взаимно однозначных преобразований:
где x(nT) - последовательность из N временных отсчетов с периодом T ;
x(k) при k = 0,…,(N-1) - последовательность из N частотных отсчетов. Они называются дискретными преобразованиями Фурье (ДПФ).
Преобразование (1) является прямым, а преобразование (2) -обратным ДПФ (ОДПФ).
Свойства дискретного, преобразования Фурье
1. Линейность.
Если X(k) и Y(k) есть ДПФ последовательностей x(nT) и y(nT) соответственно, то ДПФ последовательности ax(nT)+by(nT), где a и b – const, равно aX(nT)+bY(nT).
2. Сдвиг.
Пусть Х(k) - ДПФ последовательности x(nT), а последовательность y(nT) получается из последовательности путем кругового сдвига на n0 отсчётов. Тогда ДПФ последовательности y(nT) равно
Аналогичный результат справедлив для сдвига ДПФ. Если Х(k) и Y(k) есть ДПФ последовательностей x(nT) и y(nT) соответственно и Y(k) = X(k-k0), то
3. Симметрия.
Если последовательность x(nT) является действительной, то ее ДПФ удовлетворяет следующим условиям симметрии:
ДПФ симметричной последовательности x(nT) = x((N-n)T) является действительным.
Свойство симметрии позволяет о помощью одного ДПФ преобразовать одновременно действительные последовательности x(nT) и y(nT), имеющие ДПФ соответственно X(k) и Y(k), а последовательность u(nT) = x(nT) + jy(nT) имеет ДПФ U(k) = X(k) + jY(k).
Тогда
4. Круговая свертка.
Пусть x(nT) и y(nT) имеют ДПФ X(k) и Y(k) соответственно. Если последовательность u(nT) равна круговой свёртке последовательностей x(nT) и y(nT) и
то её ДПФ равно U(k) = X(k)∙Y(k).
Если x(nT) и y(nT) имеют ДПФ X(k) и Y(k) соответственно, то ДПФ последовательности u(nT) = x(nT)y(nT) равно (с точностью до постоянного множителя) круговой свертке Х(k) и Y(k):
Для нас очень важно одно следствие данного свойства:
Если x(nT) и y(nT) имеют ДПФ X(k) и Y(k) соответственно, то ДПФ ковариационной последовательности
где * означает комплексную сопряженность.
Последовательность Sxy(k) называется кросс-спектром последовательностей X(k) и Y(k). Обратное ДПФ кросс-спектра дает временную ковариационную функцию
Поскольку для вычисления ковариации во временной области требуется произвести N(N-1)/2 умножений, а в частотной - лишь N/2 (вследствие симметричности спектра), то обычно сначала определяют кросс-спектральную последовательность, а затем находят ее образ во временной области, куда она отображается в вида ковариационной последовательности.
Однако следует помнить, что в силу конечности преобразования при обратном ДПФ получается не ковариационная, а круговая ковариационная функция :
Для того, чтобы получить истинную ковариационную функцию, исходные последовательности xi, yi, i =0,1,…,(n-1) необходимо дополнить нулями до размерности 2N-1.