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

Текст из файла (страница 6)

2. Динамический диапазон АЦП определяется как отношение максимально возмож­ного сигнала к минимальному сигналу, который может быть различим на уровне шума квантования. Эта величина приблизительно равна числу квантов АЦП. Устаревшие си­стемы используют 8-разрядные АЦП, при этом число квантов 256 =2⁸. Современные системы используют 12- или даже 16-разрядные АЦП с количеством квантов 4096 и 65 536 соответственно.

3. Число каналов АЦП для ВП не превышает 2-4, в отдельных методиках применяют 16 и более.

4. Для качества представления сигнала на экране важно также разрешение представ­ленного сигнала на мониторе в пикселях. Число точек на канал при анализируемой эпо­хе должно соответствовать каждому пикселю, чтобы не было уменьшения числа дис­кретизации и, таким образом, появления ступенчатой, неплавной формы кривой на экране.

5. Буферная память, методы синхронизации.Каждое ус­реднение воспроизводится на экране, и можно видеть улучшение отношения сиг­нал/шум по мере выделения ответов. После окончательного выделения результаты ус­реднения сбрасываются в дополнительную буферную память, и процесс усреднения по­вторяют при тех или других условиях.

6. Способы визуализации. После выделения ответов проводится их дополнительная обработка с помощью фильтрации и других методов, например метода суперпозиции, который позволяет показать воспроизводимость ответов при повторных усреднениях. Наличие маркеров позволяет получить количественные характеристики ответов, кото­рые могут быть в последующем выведены на печать совместно с собственно волновой формой самого ответа и проставленными маркерами.

6.3 Электроды,отведения

Для записи ВП чаще используют хлорсеребряные дисковые или чашечковые элект­роды, обеспечивающие хороший механический и электрический контакт с поверхнос­тью головы. Изолированный проводящий провод соединен с электродом, на другом конце которого имеется штекер, позволяющий подключить электрод ко входу усилите­ля через электродную коробку.

Используется несколько способов крепления электродов и создания хорошего кон­такта. Один из способов фиксации следующий: электрод с пастой, установленный в нужной точке на голове пациента, покрывается маленьким кусочком марли, смочен­ным коллодием, который высушивается с помощью фена. Удаляют коллодий с помо­щью спирта. Контакт электрода с кожей осуществляется за счет проводящей пасты. Другой способ фиксации чашечковых электродов предполагает использование паст од­новременно фиксирующих и проводящих. Место установки электрода обезжиривается или протирается специальной абразивной пастой. Небольшое количество проводящей фиксирующей адгезивной (прилипающей) пасты выдавливают на нужную точку на го­лове пациента и на электрод, затем электрод с легким надавливанием накладывают на эту точку, предварительно прикрыв электрод маленьким кусочком марли или ваты. Вяз­кая паста не дает электроду смещаться и обеспечивает достаточно хороший импеданс. Подводящий провод может быть дополнительно зафиксирован пластырем за ухом или на лбу пациента. Такая фиксация при исследовании ВП вполне подходит, так как время исследования составляет от 30 мин. до 1 часа. Удаляется такая паста с помощью воды.

В качестве отводящих электродов могут использоваться и стандартные ЭЭГ электро­ды. В качестве точек расположения электродов при исследовании ВП используются те или иные точки стандартной системы отведений ЭЭГ «10-20%» (Зенков, Ронкин, 1991) в зависимости от вида обследования или некоторые дополнительные точки, не связан­ные с этой системой.

Для многоканальной регистрации ВП с последующим картированием используют стандартные электроды и шлемы для ЭЭГ исследований, а также специальную шапоч­ку с электродами, размещенными на стандартных точках системы отведений ЭЭГ «10-20%» (фирма Electrode-Cap, США).

7. Приложения.

Программа выделения гамма 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:

Фильтр для выделения гамма ритма:

Спектр гаммаа ритма:

Выделенный гамма 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:

Кросс спектр:

8. Выводы.

ВП являются достаточно чувствительным и информативным методом в обследовании больных с заболеваниями центральной и переферической нервной системы.

Эффективно в клинической практике применяются прежде всего зрительные ВП. Наиболие информативными, как показывает неврологическая практика, ВП оказались в преклинической диагностике рассеянного склероза.

До сих пор остается много немых зон мозга, для которых нет пока адекватных подходов для их тестирования методами ВП. Поэтому перспектива ВП кроется в разработке методов, направленных на тестирование большого числа сенсорных и других систем мозга на разном уровне.

В качестве метода исследования был выбран кросс-спектральный анализ, как дающий информацию о взаимодействии протекающих процессов.

9. Список используемой литературы

1. Банникова И.Б. Опыт применения компьютерного комплекса для автоматизированногоанализа 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. Вейн А.М. с соавт. Вегетососудистая дистония. – М.: Медицина, 1984.

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

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

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

7. Зенков Л.Р., Ронкин М.А. Функциональная диагностика нервных болезней: Руководство для врачей. – М.: Медицина, 1991.

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

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

10. Коровин А.М. Судорожные состояния у детей. – Л., 1984.

11. 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.

12. Лесны И. Клинические методы исследования в детской неврологии. – М.: Медицина,1987.

13. Поворинский А.Г. с соавт. Алгоритм описания ЭЭГ для использования в клинической

практике и экспертизе трудоспособности // Журн. невропатол. и психиатр. – 1981. – №8.

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

15. Сандригайло Л.И. Вспомогательные методы диагностики в невропатологии и нейро-хирургии: Атлас. – М.: Высш. школа, 1986.

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

17. The little black book of neurology. – Second edition. – USA. 1990.

61

Характеристики

Список файлов курсовой работы