Просмтор этого файла доступен только зарегистрированным пользователям. Но у нас супер быстрая регистрация: достаточно только электронной почты!

Текст из файла (страница 4)

В этой формуле - значения двух ЭЭГ в дискретные моменты времени, отстоящие на интервале и от начала исследуемого отрезка записи; N – число интервалов на исследуемом отрезке записи; - интервал квантования; Целочисленная величина может принимать положительные и отрицательные значения:

Автокорреляционные функции ЭЭГ получаются по формуле (2) подставив значение x и у соответственно; в этом случае принимает только положительные значения.[3]

Расчет спектров мощности автокорреляционной функции (автоспектр) и кросскорреляционной (кросс-спектр), а также фазового спектра производится по следующим формулам:

где

где - число интервалов в одной ветви кросскоррелограммы; а - сглаживающая функция Хемминга

Автокорреляционная функция воспроизводит ритмы, возникающие в различных участках ЭЭГ, даже если их фазы в разных участках ЭЭГ произвольно сдвигаются друг относительно друга. Это позволяет их анализировать с помощью преобразования Фурье . Кросскорреляционная функция воспроизводит ритмы одинаковой частоты, появляющиеся в одних и тех же участках записи в обеих ЭЭГ, и относительная выраженность этой ритмики обуславливает кросс-спектр . Взаимные фазовые сдвиги этих ритмов в двух ЭЭГ могут быть определены по фазовому спектру .

В зависимости от вида кросскорреляционной функции можно выделить периодические ее оставляющие, общие для двух фиксированных ЭЭГ даже в том случае, если их амплитуды намного меньше амплитуд имеющихся непериодических элементов. Кроме того, можно определить степень связи между амплитудами различных процессов при данном сдвиге времен а также выделить из фоновой активности вызванные потенциалы.

Автокорреляционный анализ используется для изучения степени связи между амплитудами одного и того процесса при данном сдвиге времени.

Анализ спектра мощности методом преобразования Фурье позволяет не только быстро и объективно рассчитать индексы ритмов в выбранных участках записи, но и выявить не заметные на глаз изменения ЭЭГ активности.[5]

Также проводят анализ разности двух ВП. Разность ВП позволяет выяснить меру изменения ВП во времени, что представляет интерес при тестировании влияния различных факторов на ВП (фармакологического воздействия, гипервентиляции и др.). Вычисление разности вызванных потенциалов позволяет получить количественную характеристику различий ВП разных отделов мозга, что важно, например, при выяснении локализации паралогического процесса или при оценке межполушарной функциональной специализации. Асимметрию ВП в гомологических точках разных полушарий легко оценить, используя визуализацию разностного сигнала ВП между какими-либо отведениями.

Для количественной оценке ВП вычисляют площади, ограниченной нулевой линии и кривой ВП в заданном произвольно интервале времени .

Использование методов топографического картирования и трехмерной локализации источников электрической активности позволяет проследить динамику генерации ЭЭГ активности и уточнить локализацию патологического процесса в структурах мозга.

Проследить динамику изменения ВП одного и того же испытуемого или сопоставить ВП разных испытуемых можно с помощью режима по парного сравнения. Такой анализ позволяет сопровождать реабилитационный период, оценить эффективность медикаментозного лечения, сравнить ВП данного пациента с заранее зафиксированной нормой.

8. Приложения.

Программа выделения бета ритма:

Зададим исходный сигнал ЭЭГ(бета, дельта и гамма ритмы).

График исходного сигнала:

Добавим аддитивный шум 50Гц:

Спектр исходного сигнала:

Сигнал со случайным сдвигом фазы:

Спектры сигнала и сигнала с аддитивным шумом:

Сигнал с аддитивным шумом и сигнал после фильтрации:

Фильтр для фильтрации шумовой составляющей сигнала:

Спектры сигнала до и после фильтрации:

Отфильтрованный сигнал:

Фильтр для выделения бета ритма:

Спектр бета ритма:

Выделенный бета ритм:

Программа для обработки сигналов при помощи спектрального анализа.

clear all

for i=1:512

Sg11(i)=50*(1+0.2*rand(1)-0.2)*sin(2*pi*(10.5)*i/200+pi/24+rand(1)*3.14/10-3.14/10);

Sg21(i)=100*(1+0.2*rand(1)-0.2)*sin(2*pi*(5)*i/200+pi/16+rand(1)*3.14/10-3.14/10);

Sg31(i)=50*(1+0.2*rand(1)-0.2)*sin(2*pi*(2)*i/200+pi/8+rand(1)*3.14/10-3.14/10);

Sgn(i)=5*(30*rand(1)*sin(2*pi*(i/200)*50));

SG1(i)=Sg11(i)+Sg21(i)+Sg31(i);

Sg12(i)=50*(1+0.2*rand(1)-0.2)*sin(2*3.14*(10.5)*i/200+3.14/6+rand(1)*3.14/10-3.14/10);

Sg22(i)=100*(1+0.2*rand(1)-0.2)*sin(2*3.14*(5)*i/200+3.14/3+rand(1)*3.14/10-3.14/10);

Sg32(i)=50*(1+0.2*rand(1)-0.2)*sin(2*3.14*(2)*i/200+3.14/2+rand(1)*3.14/10-3.14/10);

SG2(i)=Sg12(i)+Sg22(i)+Sg32(i);

SG1n(i)=Sg11(i)+Sg21(i)+Sg31(i)+Sgn(i);

SG2n(i)=Sg12(i)+Sg22(i)+Sg32(i)+Sgn(i);

end

figure('Name','Noise')

plot(1:512,Sgn,'r-');

title('Noise');

fsamp = 256;

Wn = [0.3 0.65];

hh = fir1(60, Wn, 'stop','noscale');

freqz(hh, 1, 512, fsamp);

Y = fft(SG1n,512);

Pyy = Y.* conj(Y) / 512;

f = 200*(0:256)/512;

figure

plot(f,Pyy(1:257));

title('Frequency content of Sgn');

xlabel('frequency (Hz)');

fsg=filter(hh,100,Pyy);

figure

plot(f,fsg(1:257));

sgf=ifft(fsg);

sgf1=real(sgf);

sgon=sgolayfilt(SG1n,3,13);

subplot(3,1,3),

plot(sgon);

subplot(3,1,2),

plot(SG1n,'g-');

subplot(3,1,1),

plot(SG1,'g-');

figure

plot(1:512,SG1n,'r-')

hold on;

plot(1:512,SG2n-300,'g-')

title('EEG Signals+Noise');

legend('Signal 1','Signal 2');

figure

plot(1:512,SG1,'r-')

hold on;

plot(1:512,SG2-200,'g-')

title('EEG Signals+Noise');

legend('Signal 1','Signal 2');

Y1 = spec(SG1);

figure

title('Spectral analysis SG1');

plot(Y1,'b-');

Y2 = spec(SG2);

hold off;

figure

title('Spectral analysis SG2');

plot(Y2,'b-');

Y1 = spec(SG1n);

hold off;

figure

title('Spectral analysis SG1n');

plot(Y1,'b-')

Y2 = spec(SG2n);

hold off;

figure

title('Spectral analysis SG2n');

plot(Y2,'b-')

Z = convolve (SG1n, SG2n);

figure

title('Crosspectral');

plot(Z, 'b-');

Исходные сигналы двух каналов ЭЭГ:

Спектры сигналов:

Сигнал 1:

Сигнал 2:

К исходным сигналам добавляется аддитивный шум частотой 50Гц.

Тогда исходный сигнал будет выглядеть так:

Спектр сигнала с шумом 50Гц:

Для восстановления сигнала применим Полосно-пропускающий фильтр для подавления помех с частотой 50 Гц:

Исходный сигнал, сигнал с аддитивным шумом и отфильтрованный сигнал:

Спектр отфильтрованного сигнала:

9.Выводы.

Широкое использование методов исследования ВП мозга в клинической практике в настоящее время обусловлено лучшим пониманием природы регистрируемых ответов ВП и возрастающей технической оснащенностью клиник современным оборудованием. Вызванные потенциалы позволяют получить объективные характеристики функционального состояния структур мозга, которые не могут быть получены другими методами.

Наиболее информативным методом анализа ЭЭГ является спектральный анализ, поскольку он несет информацию о частотах сигнала ЭЭГ.

10. Список использованной литературы.

1. Банникова И.Б. Опыт применения компьютерного комплекса для автоматизированного анализа электроэнцефалограмм в диагностике объемных церебральных процессов // Проблемы неврологии и нейрохирургии: Сборник научных трудов, посвященный 60-летию кафедры нервных болезней / Под ред. члена-корр. РАМН проф. Е.М.Бурцева. – Иваново, 1994. – С. 92-93.

2. Бредикис Ю.Ю. Очерки клинической электроники. – М.: Медицина, 1974. – С. 33-36.

3. Гнездицкий В.В. Математическое моделирование патологической электрической активности головного мозга // Проблемы неврологии и нейрохирургии. – Иваново, 1994. – С. 102-104.

4. Жирмунская Е.А. Клиническая электроэнцефалография (цифры, гистограммы, иллюстрации). – 1993.

5. Зенков Л.Р. Компьютерные методы обработки в клинической электроэнцефалографии (обзор) // Журн. невропатол. и психиатр. – 1990. – №12. – С. 105-109.

6. Зенков Л.Р. Клиническая электроэнцефалография (с элементами эпилептологии). –Таганрог: Издательство ТРТУ, 1996.

7. Иванов Л.Б. Прикладная компьютерная электроэнцефалография. – М.: НМФ МБН,2000.

8. Кутин В.А. с соавт. Компьютерная обработка электроэнцефалограмм в клинике нервных болезней // Материалы научно-практической конференции, посвященной 130-летию Ивановской областной клинической больницы. – Иваново, 1991. – Часть 3. – С. 124-126.

9. Поворинский А.Г. с соавт. Алгоритм описания ЭЭГ для использования в клинической практике и экспертизе трудоспособности // Журн. невропатол. и психиатр. – 1981. – №8.

10. Прайор П.Ф. Мониторный контроль функций головного мозга: Перевод с англ. – М.:Медицина, 1982.

11. Шубин А.Б. с соавт. Компьютерный комплекс “Нейрон-Cпектр” для автоматизированного анализа электроэнцефалограмм: Информационный листок. – Иваново: ЦНТИ, 1992.

12. Бетелева Т.Г., Дубровинская Н.В., Фарбер Д.А. Сенсорные механизмы развивающегося мозга. М., Наука, 1977. 175 с.

13. Haxby J.V., Hoffman E.A., Gobbini M.I. The distributed human neural system for face perception. Trends Cogn Sci., 2000, 4: 223-233.

14. Hoffmann R. Developmental changes in human infant visual evoked potentials to patterned stimuli recorded at different scalp locations. Child Develop., 1978, 49: 110-118.

15. Mishkin, M., Ungerleider, L.G., Macko, K.A. Object Vision and Spatial Vision: Two Cortical Pathways. Trends in Neuroscience, 1983, 6: 414-417.

1 Начало ответа — время до первого значимого компонента.

46

Характеристики

Список файлов курсовой работы