3 (Раздаточные материалы), страница 9

Да, полностью- 100%.2. Да, достаточно- 80%.3. Да, но хотелось бы полнее- 60%.4. Затрудняюсь ответить- 40%.5. Нет, данные есть, но для оценки их не достаточно – 20%.376. Нет, оценка на основании этих данных невозможна – 0%.Все данные, представленные на гистограмме, нормированы к 100 %.1008060СП40АРТА200ОбъемВосприятиеВизуализацияПолнотаРис.22. Гистограмма эффективности использования спектрально-корреляционных методовЗдесь СП – спектрально-корреляционные методы анализа;АР – авторегрессия;ТА – турн-амплитудный анализ.По совокупному показателю всех представленных критериев наиболее эффективным дляобработки ЭЭГ являются спектрально-корреляционные методы.Анализируя известные подходы к цифровой обработке ЭЭГ было отмечено, что нигде неупоминается информация о методах определения модулированности альфа-ритма в затылочныхотделах, хотя это является одним из составных компонентов экспертирования ЭЭГ.

Примерымодулированного и немодулированного альфа-ритма приведены соответственно на рис.23 и рис.24. Вданной работе предлагается определять наличие и степень модулированности альфа-ритма путемпостроения огибающей нативного сигнала. При этом используется следующая последовательностьдействий:1. На обрабатываемом участке ЭЭГ находится величина изолинии, для этого используетсяследующая формула: NGRN =  ∑ S[i ] / N ; i =1(4.2.48)где GRN - значение изолинии;S - массив входных значений обрабатываемого сигнала;N - число элементов массива, взятых для анализа.2. Далее необходимо получить модуль имеющегося сигнала. Так как значение изолинии вданном случае равносильно математическому нулю, то все значения сигнала, располагаемые нижеизолинии, считаются отрицательными, а выше - положительными.

Поэтому для реализациипроцедуры определения модуля выполняется следующее условие: MAS[i ], MAS[i ] ≥ GRNMAS[i ] = ,GRN + (GRN − MAS[i ]), MAS[i ] < GRN(4.2.49)где MAS - массив входных значений обрабатываемого сигнала;GRN - значение изолинии.3. Учитывая, что частота модуляции альфа-ритма не превышает 3 Гц, то в качестве процедурыпостроения огибающей возможно использование фильтра нижних частот с частотой среза 3 Гц.4. Для определения степени модуляции удобно воспользоваться аппроксимацией полученнойпоследовательноститригонометрическимиполиномами.Используяпоследовательностьтригонометрических функций с разными доминирующими частотами, вычисляем погрешностиаппроксимации. Частоту, на которой величина погрешности минимальна, будем считать частотоймодуляции альфа-ритма.38Рис. 23. Слабомодулированный альфа-ритмРис.24.

Модулированный альфа-ритмПри обработке базы данных 80 ЭЭГ совместно с экспертом было установлено, что еслиминимальная погрешность будет превышать 20%, то процесс можно считать слабомодулированным,если более 50% - немодулированным, соответственно менее 20% - модулированным с установленнойчастотой.При анализе ЭЭГ важными показателями являются средние амплитуды как нативной ЭЭГ, таки каждого ритма. В данной работе для нахождения средней амплитуды предлагается использоватьследующую последовательность действий:1. Так как амплитудой в электроэнцефалографии считается амплитудный размах междусоседними пиками сигнала, то необходимо найти эти пики, или иначе экстремумы сигнала.

Длянахождения экстремума удобно пользоваться соотношением(S[i]-S[i-1])*(S[i+1]-S[i]) ≥ 0(4.2.50)Другими словами, если разница между текущим и предыдущим отсчетом сигнала и разница междупоследующим и предыдущим имеют один и тот же знак, то в текущей точке экстремум отсутствует,если эти знаки разные и, естественно, соотношение (4.2.50) не выполняется, то текущую точку можносчитать экстремумом.2. После нахождения всех экстремумов, последовательно находятся величины амплитудмежду ними.3.

Все эти величины складываются, и их сумма делится на число на единицу меньшее, чемчисло полученных пиков.Для нахождения средней амплитуды каждого ритма необходимо перед выполнением этойпоследовательности выделить исследуемый ритм с помощью полосовых фильтров.При анализе биопотенциалов мозга наиболее важным считается выявление эпилептическойактивности, спайков и острых волн. Описание этих феноменов и их параметров есть в разделе 1.Далее приведем алгоритмы нахождения этих феноменов на фоновой ЭЭГ.Для целей распознавания феноменов удобно применить структурно-лингвистический метод всочетании с предварительной сегментацией участка возможного наличия феномена /4, 30/.Для распознавания образов в медицинских сигналах кроме структурных обычно применяютпороговые методы, методы основанные на цифровой фильтрации, методы сравнения с образцом.Простейшие пороговые методы основываются на применении несложных логических правил поотношению к исходному сигналу или к его первой производной, в качестве оценки которой обычноиспользуется первая разность отсчетов сигнала.

Факт обнаружения комплекса фиксируется припревышении сигналом (или модулем сигнала) некоторого порога. Такие методы отличаютсяотносительной простотой, но обладают невысокой устойчивостью к помехам и к изменению сигнала.Кроме того, для обеспечения надежной работы этих алгоритмов необходима подстройка порогаобнаружения искомого феномена для каждого пациента. Из-за этих недостатков простейшиепороговые методы находят ограниченное применение.При использовании метода сравнения с образцами предполагается вычисление в текущемрежиме взаимной корреляционной функции между входным сигналом и одним или несколькимиобразцами распознаваемых феноменов. Эти образцы могут представлять собой либо усредненные39модели различных видов ранее обнаруженных комплексов, либо заранее определенных типовыхкомплексов. Обнаружение феномена может осуществляться по превышению полученной функциейвзаимной корреляции заданного порога, что должно свидетельствовать о высокой степени линейнойзависимости анализируемого фрагмента сигнала и соответствующего образца.

Такой алгоритм можетдать хорошее качество обнаружения феномена даже в условиях значительных помех. Кроме того,одновременно с обнаружением комплексов при этом решается и задача классификации их типов.Недостатком таких алгоритмов является их адаптируемость в ходе анализа к форме сигнала каждогоконкретного пациента. Однако реализация корреляционных методов распознавания в системахоперативной обработки сигнала связана с чрезвычайно высокими требованиями кпроизводительности используемого процессора и может быть осуществлена с применениемспециализируемых быстродействующих вычислительных устройств.

В связи с этим частопредлагаются упрощенные методы получения оценок взаимной корреляционной функции, хотярезультаты анализа в таких случаях оказываются несколько ниже.Подход, основанный на использовании цифровой фильтрации для распознавания феноменов,может рассматриваться как один из вариантов упрощенной реализации корреляционных методов.При этом процедура распознавания распадается на два взаимосвязанных этапа.

Сначала сигналпропускается через цифровой фильтр с частотной характеристикой, соответствующей искомомуфеномену, полученному усреднением спектральных оценок большого числа комплексов различныхморфологий. Это адекватно вычислению взаимной корреляционной функции между сигналом инекоторым типовым феноменом, форма которого соответствует импульсной характеристикеприменяемого цифрового фильтра.На следующем этапе анализа по данному алгоритму предварительно обслуживается феномени определяется его опорная точка, которая служит для совмещения во времени текущего комплекса сусредненными образцами ранее найденных комплексов, относящихся к различным классам формы.Вычисляются коэффициенты взаимной корреляции между обнаруженным комплексом и всемиимеющимися образцами. На основании полученных результатов анализируемый комплекс либоотносится к одному из ранее существовавших классов, либо считается первым представителемнового класса формы, либо отбраковывается как артефакт.Описываемая процедура, используемая в том или ином виде во многих разработках, являетсякомпромиссом между принципиально достижимым высоким качеством обнаружения феноменов спомощью корреляционных методов и ограниченной производительностью широко распространенныхмикропроцессоров.

Сравнительно вычислительная простота описанного метода объясняется тем, чтопри этом обычно используются легко реализуемые цифровые фильтры, а вычислениекорреляционной функции выполняется для каждого образца один раз.В сравнении с перечисленными выше, структурно-лингвистический метод является, пожалуй,наиболее предпочтительным для решения поставленной задачи. Его смысл в том, что все возможныефеномены представляются либо каким-нибудь символом, либо цепочкой символов. Далее, разложивфоновую ЭЭГ в последовательность символов того же алфавита, нужно только идентифицироватьсимвольную цепочку, характеризующую патологический феномен.