3 (1113503), страница 4

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

Текст из файла (страница 4)

Анализируя ЭЭГ при опухолях, можно разделить их по степени выраженностиобщемозговых изменений биоэлектрической активности.При легких общемозговых нарушениях на фоне дезорганизации альфа-ритма с заостреннойформой и неравномерностью амплитуды альфа-колебаний в 2-3 раза увеличивается вольтаж бетаколебаний. Появляются низкоамплитудные дельта-волны, одинаково выраженные во всех областяхобоих полушарий.Выраженные общемозговые изменения ЭЭГ характеризуются преобладанием по всемобластям обоих полушарий дельта-волн различного периода и амплитуды при сохранности альфаритма на их фоне.

Межполушарная асимметрия ЭЭГ проявляется лишь при функциональныхнагрузках, когда реакция активации на стороне опухоли отсутствует, а на противоположной сторонепроявляется в той или иной форме.Грубые общемозговые изменения ЭЭГ отличаются устойчивым доминированием по всемобластям обоих полушарий медленных волн большого периода (1-2,5 колебания в секунду) при15отсутствии альфа- и бета-колебаний. Реакция активации на внешние раздражения почтиотсутствует с обеих сторон /11/.Все описанные выше особенности, выделяемые при анализе ЭЭГ, позволяют очертить кругзадач, необходимых для решения с помощью средств цифровой обработки.Выделение ритмов, с определением параметров каждого ритма.

К параметрам ритмов следуетотнести среднюю амплитуду, эффективную частоту, частотный спектр ритма, преобладание позонам, степень модуляции, амплитудную и частотную асимметрию между полушариями и зонами,вид пиков рассматриваемого ритма (острые или сглаженные).Идентификация феноменов. Наиболее важное значение имеют спайки, комплекс пик медленная волна, генерализованные и одиночные острые волны, генерализованная медленноволноваяактивность. Наличие подобных феноменов позволяет судить о судорожной или эпилептическойактивности.

При этом важно определять параметры феноменов, их длительности и длительности ихсерий, амплитуду, степень генерализации.Информация о наличии или отсутствии корреляции. Определение с помощьюавтокорреляционной функции доминирующего периодического процесса, его устойчивости, среднейчастоты и выраженности, а с помощью кросскорреляционной функции - степени сходства или связидвух ЭЭГ.Определение реакции усваиваемости или активации ритма при наличии внешнейпериодической стимуляции при помощи корреляционных функций, функций когерентности.4.2. Применение спектрально-корреляционных методов анализаПеред тем, как приступить к описанию методов, с помощью которых автоматизируетсяанализ ЭЭГ, необходимо сделать одно допущение.

Все нижеперечисленные методы, согласно теорииобработки сигналов, могут быть применимы для стационарных случайных процессов /9, 23/.Очевидно, что ЭЭГ таковым процессом не является. Обычно в таких случаях при анализе выбираютучастки, которые условно можно считать стационарными или, иначе, квазистационарными, и длинакоторых достаточно велика для получения статистически разумных результатов.Другой особенностью, выявленной при проведении экспериментов с некоторым достаточнобольшим количеством ЭЭГ, является то, что в данном случае оценка процесса является скореекачественной, чем количественной. По крайней мере, для электроэнцефалографии нет каких-либонормативных таблиц основных параметров сигнала, как это имеет место в электромиографии иликардиографии, и каждая ЭЭГ может характеризоваться своей определенной совокупностьюпараметров.

Эти параметры варьируются для разных ЭЭГ, которые при этом могут относиться кодному из классов патологии или быть в норме. Применение алгоритмов обработки стационарныхсигналов для анализа ЭЭГ в данном случае можно считать переходом от одной формы отображенияинформации к другой, более удобной, компактной и информативной. Также стоит отметить, чтошироко используемые методы обработки ЭЭГ, в общем-то, не учитывают ее биологический генез, арассматривают ее как некий колебательный процесс и, как следствие, получаемые таким образомрезультаты не всегда удовлетворяют пользователя.

И тот факт, что ЭЭГ представляет собойинтегральную оценку электрофизиологической деятельности миллиардов элементарных источников,к тому же отфильтрованной естественными костно-тканевыми распределенными фильтрами,позволяет сказать, что использование рядов Фурье, корреляционного анализа для обработки ЭЭГможно рассматривать только как более удобное в некоторых случаях изображение той же ЭЭГ и неболее. Если в целом процесс анализа ЭЭГ от момента регистрации до постановки заключениярассматривать через призму теории формальных языков, то применение таких методов можносчитать первым этапом компиляции, иначе называемым лексическим анализом /17, 18, 24/.Для компьютерного анализа сжатие ЭЭГ, по возможности без потери диагностическойинформации, является чрезвычайно важным обстоятельством, поскольку уменьшает объем16обрабатываемых данных и дает возможность быстро классифицировать энцефалограммы.

Кпримеру, если анализировать сами числовые отсчеты сигнала, то, во-первых, этот процесс займетогромное время, а во-вторых, вариабельность самих ЭЭГ, относящихся к одной и той же патологии,очень высока и какая-либо классификация невозможна. Для представления ЭЭГ в сжатом видевозможно использование различных алгоритмов сжатия. В /29/ рассмотрено параметрическоеописание ЭЭГ с помощью авторегрессионного анализа, которое, среди прочих возможностей,позволяет получить математическую модель сигнала, осуществив тем самым сжатие информации,присутствующей в исходной ЭЭГ.Пусть x(t) - исследуемый сигнал, а x - дискретные значения этого сигнала, предшествующиерассматриваемому моменту. Для предсказания текущего значения x используем линейныйпредсказывающий (экстраполирующий) фильтр:m~~xi = ∑ β j x i − j(4.2.1)j =1~где ~xi - предсказанное значение, β j - эмпирические коэффициенты авторегрессионной модели.

Этикоэффициенты могут определяться по (2N+1) отсчетам процесса x(t) вблизи некоторой исходнойточки, условно принимаемой за ноль отсчета. Для оценивания коэффициентов, прежде всего,подсчитывается (m+1) значение ординат текущей корреляционной функции:N −n1(4.2.2)∑ xi xi +n ; n=0, 1, 2, ..., m.2 N + 1 − n i =− Nа затем определяются оценки β$ , j=1, 2, ... , m путем решения системы m линейных алгебраическихR$ xx (n ⋅ ∆ ) =jуравнений:m∑ β$jR$ xx [ k − j ∆ ] = − R$ xx ( k∆ ); k=1, 2, ...

, m.(4.2.3)j =1На каждом i-м такте с помощью уравнения (4.2.3) с найденными коэффициентами β$ j можнорассчитать ошибку предсказанияei = xi − ~xi .(4.2.4)Эта ошибка характеризует мгновенное значение неточности предсказания с помощью данногоэкстраполирующего фильтра. Последовательность значений ei, ei-1, ei-2, … являетсяпоследовательностью случайных величин (временным рядом) и для нее также можно ввести понятиетекущей эмпирической корреляционной функции:R$ ee (i , s) =1 M − s −1∑ ei −q ei −q + s ,M − s q =0(4.2.5)Для разделения ЭЭГ на отдельные квазистационарные сегменты введем показатель E,характеризующий суммарно степень несоответствия предсказанных и реальных свойств случайногопроцесса:22p R$ ee (0,0)  R$ ee (i , s) Ei = − 1 + 2∑ ,$ (i ,0)$ (i ,0) RR1=s ee ee(4.2.6)Сопоставляя значение E с некоторым пороговым значением θ 1 , можно установить тот моментвремени, когда E> θ 1 и значит, по-видимому, сигнал изменил свои свойства.

Тем самымустанавливают факт перехода к новому квазистационарному сегменту, причем выявленнуювременную точку выбирают в качестве исходной (l=0), после чего все расчеты повторяют.17Для решения вопроса о том, имеет ли место переход к новому сегменту или женаблюдается начало некоторой нестационарной волны (т.е. своего рода детерминированныйаддитивный дрейф), предлагают вводить ограничение ошибки предсказания в соответствии сформулой:ei , if ei ≤ θ 2 ,ei = ,θ ⋅ sign ei , if ei > θ 2(4.2.7)При этом нестационарные волны практически не будут влиять на процесс сегментации.Одновременно соотношение (4.2.7) дает критерий для их выявления.Параметрические описания такого типа фактически позволяют существенным образомуменьшить количество информации, необходимой для представления ЭЭГ: вместо отдельныхотсчетов для представления кривой можно использовать соответствующую модель фильтра с числомкоэффициентов, значительно меньшим, чем число исходных дискретных отсчетов.

Как правило,таким способом удается добиться сжатия цифрового представления ЭЭГ в 30-50 раз. Однако придлительностях записи ЭЭГ в несколько минут объемы данных все равно будут достаточно большими.Кроме того, такой метод представления далеко не всегда позволяет сохранить диагностическиценную информацию, а ее потеря может сказаться при дальнейшем анализе ЭЭГ и формированиизаключения. К тому же спектрально-корреляционные методы имеют преимущество надавторегрессионным в том, что их результаты можно использовать для визуальной оценкипроисходящих процессов - электроэнцефалографисты привыкли к таким способам представленияЭЭГ, чего нельзя сказать об авторегрессии.Другим возможным подходом к проблеме представления ЭЭГ в сжатом виде с помощьюалгоритмов цифровой обработки является так называемый турн-амплитудный анализ.

Достоинствомегоявляетсяотносительнаяизвестностьсредиврачей-нейрофизиологов(особенноэлектромиографистов, где он эффективно применяется) и простота по сравнению даже соспектральными оценками. Фактически, на ранних этапах автоматизированной диагностики онзаменял построение спектра мощности сигнала. Несмотря на появление новых методов, насегодняшний день турн-амплитудный анализ является едва ли не основной методикой приисследовании мышечной активности. Смысл ее в том, чтобы подсчитать в сигнале число такназываемых турнов в секунду. Турном (от английского turn - поворот) называется перемена знакаизменения потенциала при условии прохождения им до очередного поворота разности потенциаловне менее определенного порога (для миографии обычно он установлен в 100 мкВ).

Таким образом,принимаемый сигнал разбивается на участки по 1 секунде, и на каждом таком участке находитсяколичество турнов и их средняя амплитуда. По значениям этих параметров в каждой такой точкестроится график, представленный на рис.8, где на пересечении этих значений ставится крестик.После проведения обследования получается облако из таких крестиков, которое и несет смысловоезначение для врача. Существуют нормативные облака, с которыми сравнивается полученное иопределяется наличие какого-либо патологического процесса в мышце /1, 22/.

Характеристики

Список файлов учебной работы