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

Текст из файла (страница 4)

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.

6. Бета-ритм. Общая характеристика.

Другая характерная волна ЭЭГ – бета-ритм. Он наблюдается, главным образом, в сигналах, отведённых от лобной части черепа. Бета-ритм имеет более высокую частоту, чем альфа-ритм, но меньшую амплитуду и менее правильную форму кривой. Он проявляется не постоянно, а примерно через секундные отрезки времени. Каждый такой период называют бета-веретеном.

B норме частота бета-волн составляет от 6 до 30 Гц, но иногда (особенно во время интенсивной умственной деятельности) частота повышается до 50 Гц. Наиболее часто бета-волны встречаются в теменной и лобной областях головы.

И х можно подразделить на два типа: бета I и бета II. Бета-волны первого типа имеют частоту, примерно вдвое превышающую частоту альфа-ритма. Как и альфа-ритм, эти волны исчезают и заменяются асинхронными низковольтными волнами при умственной деятельности. Напротив, бета-волны второго типа появляются во время интенсивной активности центральной нервной системы (ЦНС), характерной для стресса. Таким образом, один тип бета активности вызывается умственной активностью, в то время как другой тип этой активности тормозится ею.

Рис.7 Бета-волна[3].

7. Спектральный анализ.

Математический анализ биопотенциалов с помощью ЭВМ находит все большее практическое применение. Считается, что без использования ЭВМ нельзя решать сложные задачи, касающиеся расшифровки механизмов кодирования и декодирования информации в головном мозге.

Общепризнанно, что ЭВМ незаменимы тогда, когда требуется сопоставить по времени и по активности значительное количество одновременно протекающих процессов.[7]

Математические методы анализа ЭЭГ являются наиболее результативными и объективными. Их значение особенно возрастает в связи с возможностью использования электронных вычислительных машин, способных быстро выполнять множество громоздких и трудоемких вычислений, что ранее было препятствием широкому применению методов математики для анализа физиологических кривых. Ритмический характер многих процессов, протекающих в живом организме, в определенной степени оправдывает гипотезу о том, что ЭЭГ является результатом алгебраического сложения многих регулярных (например, периодических, синусоидальных и т. п.) колебаний на фоне случайных помех.

В разное время с различным успехом в основном применялись три математических метода для анализа энцефалограмм:

1. гармонический (с помощью рядов Фурье);

2. периодограммный;

3. корреляционный (авто- и кросскорреляционный).

Анализ ЭЭГ с помощью рядов Фурье дает возможность выявить суммарную активность до или после какого-либо раздражения, так как ряд Фурье выделяет гармонические составляющие ЭЭГ с дискретным спектром частот различной амплитуды.

Периодограммный анализ позволяет выявлять скрытые периодичности, т. е. распознавать спектральную структуру естественных процессов по результатам их регистрации. В отличие от других методов анализа ЭЭГ периодограммный метод свободен от таких недостатков, как невозможность учета фаз колебаний, ограничения при анализе быстропротекающих изменений ЭЭГ, наличие артефактов на низких частотах и др. Периодограммный анализ может быть использован также для оценки изменений ЭЭГ под действием различных афферентных раздражителей, а также при фармакологических пробах и др.

Корреляционный анализ дает возможность судить о том процессы каких типов содержатся в данной ЭЭГ, оценит среднюю величину значений периода повторений процесса, степени устойчивости периодического процессах.[5]

Метод спектрального анализа сводится к вычислению авто- и кросскорреляционных функции двух ЭЭГ, одновременно отводимых от разных точек коры. Кросскорреляционная функция считается так:

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);

Характеристики

Список файлов курсовой работы