Курсач Мой по Мобсу (1040401), страница 4

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

Текст из файла (страница 4)

Этот метод позволяет получить более подробную информацию о частотном составе процесса, чем рассмотренные выше корреля­ционный и частотный. С помощью спектрального анализа, произ­водимого на ЭВМ, получают следующие характеристики: энерге­тические спектры, отражающие присутствие всего набора ритмов и их компонентов с точностью до десятых долей герца, (одно коле­бание в секунду); взаимные комплексные спектры, несущие ин­формацию о взаимных связях двух процессов и о их фазовых со­отношениях. В то время как функция автокорреляции подчерки­вает преобладание наиболее выраженных компонент, допуская маскировку слабых и кратных по частоте ритмов, энергетический спектр отражает полный состав процесса. Аналогично и комп­лексный взаимный спектр или его нормированное выражение, спектр когерентности и фазовый спектр, несет информацию о сте­пени статистической связи также одновременно для всех частот­ных составляющих двух временных процессов, в то время как функция взаимной корреляции двух сложных сигналов отражает взаимосвязь только энергетически преобладающих компонент [16].

На рис. 12. приводятся данные автокорреляционного и спект­рального анализа ЭЭГ лобных областей правого и левого полуша­рий большого мозга при наличии патологического очага в правой лобной доле (внутримозговая опухоль); ЭЭГ анализируемых сим­метричных отделов коры при визуальной оценке различаются не­резко.

На АКГ правой лобной области (зона поражения) выявляется лишь медленная компонента, На АКГ симметричной области «здорового» полушария на фоне медленной составляющей имеют­ся слабо выраженные колебания в α-ритме. На СГ правой лобной области максимальные пики присутствуют в полосе медленных ритмов; СГ левой лобной области характеризуется множествен­ностью пиков с максимумом в α-диапазоне. Вычисленные на ЭВМ величины средней частоты (f_cp) и эффективной частотной полосы (∆f_эф) позволяют представить данные ЭЭГ в виде упрощенных графиков; ЭЭГ зоны поражения правой лобной области, согласно этим цифровым представлениям, характеризуется смещением f_ср в сторону медленных ритмов (f_cp = 5,6 Гц), а относительно узкая ширина полосы спектра мощности (∆f_эф = 6,3 Гц) указывает, что для этой ЭЭГ основная мощность электрических колебаний сосре­доточена в низкочастотной области вблизи f_ср. Совсем иная карти­на характерна для ЭЭГ симметричной очагу области — левой лоб­ной: f_cp = 14 Гц, т. е. расположена близко к верхней границе α-диапазона при эффективной полосе спектра — ∆f_эф = 11,2 Гц. Последнее обстоятельство свидетельствует о том, что в ЭЭГ лоб­ной области «здорового» полушария присутствует довольно широ­кий набор частот колебаний.

Спектрально-корреляционные методы позволяют определять доминирование определенных частотных составляющих на данном отрезке ЭЭГ. Однако они не дают, возможности детально просле­дить и численно охарактеризовать динамику изменения структуры ЭЭГ во времени, смену и продолжительность ритмов. Так как структура ЭЭГ неустойчива и зависит от целого ряда физиологи­ческих факторов, то реализации ЭЭГ, как правило, являются не­стационарными случайными процессами, статистические характе­ристики которых зависят от выбора начала отсчета и интервала времени обработки.

4. Предоставление экспериментальных данных.

В нашей работе мы обработали сигналы ЭЭГ двумя способами: при помощи программы «EEG Lab» и «Нейрон-Спектр».

Рис. 13. Пример записи сигнала ЭЭГ.

Математический анализ электроэнцефалограммы в программе “Нейрон-Спектр” выполняется в следующей последовательности:

• Фиксируются на ЭЭГ фрагменты, которые будут подвергаться процедуре математического анализа. Эти фрагменты называются эпохами анализа.

• Выбираются процедуры математической обработки, которые необходимо выполнить (амплитудный анализ, поиск спайков и острых волн, частотно-спектральный анализ, корреляционный анализ и т.п.).

• Программа выполнит математические расчеты для каждой эпохи анализа и усреднит результаты расчета всех эпох в пределах одной функциональной пробы.

• После этого станут доступны различные методы визуализации результатов расчетов, а также можно будет автоматически сформировать описание электроэнцефалограммы (протокол), основанное на этих результатах.

Программа “Нейрон-Спектр” позволяет выполнять автоматический поиск спайков и острых волн по всей записи ЭЭГ или в пределах выделенных эпох анализа. Программа распознает спайки и острые волны по амплитудно-временному критерию. Волна ЭЭГ считается спайком или острой волной, если амплитуда каждой половины волны не меньше заданного значения, а длительность волны лежит в пределах заданного диапазона. Все спайки и острые волны в каждом отведении будут отмечены цветом, а фрагменты ЭЭГ, в которых найдены спайки и острые волны, будут выделены (Рис. 14).

Рис. 14. Поиск спайков и острых волн.

Рис. 15. Эпиактивность.

В таблице по каждому отведению приведены количество спайков и острых волн, их максимальная и средняя амплитуды в целом по записи, по функциональным пробам или по выделенному эпифеномену.

На закладке Картирование отображаются топографические карты количества и максимальной амплитуды спайков и острых волн в целом по записи, по функциональным пробам или по выделенному эпифеномену. На закладке Список эпифеноменов приведен список всех выделенных эпифеноменов.

Программа “Нейрон-Спектр” обеспечивает следующие виды математического анализа ЭЭГ в пределах выделенных эпох анализа с усреднением результатов по функциональным пробам:

• амплитудный анализ;

• частотно-спектральный анализ;

• периодометрический анализ;

• корреляционный анализ;

• когерентный анализ;

• компрессионно-спектральный анализ.

2. В процессе амплитудного анализа вычисляются следующие параметры:

• максимальная и средняя амплитуды ЭЭГ в каждом отведении;

• максимальная и средняя амплитуды ЭЭГ для каждого стандартного частотного диапазона (ЭЭГ-ритма) в каждом отведении.

Рис. 16. Окно гистограмм при амплитудном анализе

3. В процессе частотно-спектрального анализа, выполняемого с помощью быстрого преобразования Фурье, вычисляются:

• графики амплитуды и мощности спектра для каждого отведения;

• значения максимальной, средней и полной амплитуды и мощности спектра для каждого отведения;

• значения доминирующей и средней частоты спектра для каждого отведения;

• максимальная, средняя и полная амплитуда и мощность спектра для каждого стандартного частотного диапазона (ЭЭГ-ритма) в каждом отведении;

• доминирующая и средняя частота спектра для каждого стандартного частотного диапазона (ЭЭГ-ритма) в каждом отведении;

• индекс ритма для каждого стандартного частотного диапазона (ЭЭГ-ритма) в каждом отведении, вычисляемый как отношение полной мощности спектра в данном частотном диапазоне отведения к полной мощности спектра в этом отведении.

4. В процессе корреляционного анализа вычисляются следующие параметры:

• автокорреляционные функции для каждого отведения;

• средняя частота автокорреляционной функции, интервал до первого пересечения автокорреляционной функции с нулем и коэффициент автокорреляции;

• кросскорреляционные функции для выбранных пар отведений;

• средняя частота, коэффициент кросскорреляции и запаздывание для каждой выбранной пары.

При выполнении корреляционного анализа на страничке Корреляция выводятся графики авто- или кросскорреляционной функции, а также амплитуды или мощности спектра.

Рис. 17. Результаты обработки сигнала при помощи корреляционного анализа.

5. В процессе когерентного анализа вычисляются:

• функции когерентности для выбранных пар отведений;

• максимальная, средняя и полная когерентность, а также доминирующая и средняя частота спектра когерентности для каждого отведения;

• максимальная, средняя и полная когерентность, доминирующая и средняя частота спектра когерентности, индекс для каждого частотного диапазона (ЭЭГ-ритма) в каждом отведении.

При выполнении когерентного анализа ЭЭГ, на страничке Когерентность можно выводятся графики мощности спектров когерентности, а также графики амплитуды и мощности спектра ЭЭГ.

Рис. 18. Результаты обработки сигнала при помощи когерентного анализа.

Математический анализ электроэнцефалограммы в программе “EEG Lab”:

Для того чтобы обработать сигнал ЭЭГ в программе EEG Lab задаем сигнал:

for i=1:512

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);

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);

Рис. 19. Обрабатываемые сигналы.

Производим обработку сигнала при помощи спектрального анализа:

figure('Name','Ковариационный анализ');

CC = corr(SG1,SG2);

Hs=spectrum.cov; %4th order AR model

psd(Hs,SG1,'NFFT',512)

Рис. 20. Результаты обработки первого сигнала.

figure('Name','Ковариционный анализ2');

Hs=spectrum.cov;

psd(Hs,SG2,'NFFT',512)

Рис. 21. Результаты обработки второго сигнала.

На мой взгляд, способ обработки сигналов, который предлагает нам программа «Нейрософт» проще, но более точно обрабатывает сигналы ЭЭГ программа EEG lab.

Список использованной литературы:

1. Методические указания МВП (документация «Нейрософт»).

2. Дамянович Е.В. Функциональная организация соматосенсорного проведения в условиях нормальной и измененной реактивности мозга у человека: Авторед. дисс. ... к.м.н. - М., 1996.

3. Зенков Л.Р., Ронкин М.А. Функциональная диагностика нервных болезней (Руководство для врачей).– 2-е изд., перераб. и доп.– М.: Медицина, 1991.

Характеристики

Список файлов курсовой работы