Диссертация (1144826), страница 27
Текст из файла (страница 27)
Во втором случае зоны, очевидно, отделеныдруг от друга «полосой синфазности». Последнее наблюдение, представляетсясовершенно новым. В изученной нами литературе подобного феномена неописано.Этот метод анимации был разработан нами только в самое последнее время,и с его помощью ещё не проведена полноценная серия экспериментов состатистическим анализом. Есть только первые предварительные наблюдения сфеноменологическими описаниями. Поэтому эти данные приводятся в разделе 2МЕТОДИКА.По ходу регистрации ЭЭГ описанные серые полосы динамически возникалии пропадали – квазипериодически раз внесколько секунд аналогичноинтервалам однородности. При этом расположение полос и их ориентация вкадре, как правило, мало менялось от раза к разу и такая динамикаподдерживалась в течение значительного времени (минуту или две).
Послепросмотра данных нескольких опытов у нас сложилось впечатление, что чащедругих возникает «разделительная полоса» вдоль Роландовой борозды (см.рисунок 30.2,3,4), причём это повторяется у разных испытуемых.1531542.10 Использование н елинейного метода AAMI для оценки связимежду процессами и сопоставление с линейным методомОдновременно и параллельно с использованием толщины векторов былапредпринята попытка использования в анализе фазовых рассогласований и,соответственно, в векторной графике одного из нелинейных методов оценкисвязи между процессами из числа перечисленных выше (см.
раздел 1.9). Цельюэтого было получить реальное представление о его эффективности длязаявленных целей исследования и сравнить его с использованной до этого вовсехсерияхсопоставлениятрадиционнойлинейнойкросскорреляцией.былкритерийAAMIвыбранилиДлякритерийтакого«ОбщейИнформации», т.к. о нём имелись благожелательные отзывы несколькихавторов [293, 364, 377]. Дело в том, что в отличие от других, метод AAMI неделает допущений о природе (линейной или иной) генерирующей системысигнала. Поэтому можно было надеяться, что он будет работать не хужелинейной кросскорреляции по Пирсону в случае линейных связей, и при этомбудет превосходить кросскорреляцию Пирсона в случае нелинейных связей.Метод среднего количества взаимной информации (Averaged AmountMutual Information AAMI) был разработан Gelfand and Yaglom [231] и применёндля ЭЭГ сигналов Mars and Lopes da Silva [305]. Первоначально Шеннономбыла определено понятие собственной информации или энтропия Шеннона[390].
Для случайного сигнала собственная информация определяется как I(х) =-2 1og Р(х), где Р(х) - априорная вероятность, что процесс находится всостоянии X. Таким образом, чем больше значение P, тем меньше суммасобственной информации. Другими словами, количество информации, добытоев результате обнаружения, что процесс находится в данном состоянии, будетменьше в том случае, если мы, априори, знаем что этот процесс имеет большуювероятностьоказатьсявтакомсостоянии.Собственнаяинформация,усреднённая на некоторой эпохе сигнала, называется энтропией сигнала иобозначается H. Выражение для AAMI может быть получено из сопоставления154155двух сигналов. Критерий AAMI (или просто Mutual Information MI), такимобразом, можно определить как количество перекрытия в энтропиях двухсигналов X и Y. [293].Статистика AAMI говорит, какое количество информации о значенияхвыборки X заключено в выборке Y и наоборот. Случайная величина Xразбивается на I интервалов.
Для каждого значения можно приблизительнооценить вероятность его появления по числу точек, попавших в тот же самыйинтервал из общего количества проб в некоторой выборке. Фактическистроятся частотные гистограммы по конечным сериям измерений (эпохаманализа). Могут быть погрешности в такой оценке априорных вероятностей,когда некоторые интервалы совсем не содержат точек. Это приводит кнедооценке собственной информации (энтропии Шеннона).Существуютаналитические поправочные коэффициенты на этот случай [377]. Ошибка такжеможет быть скомпенсирована путём более правильного разбиения наинтервалы (не всегда равномерные) и выбором достаточной длины эпохианализа. По полученным частотам вычисляется энтропия Шеннона для выборкиX по формуле, где- число точек X, попавших в i-й интервал, делённое на общеечислоточек N (объём выборки). Аналогично вычисляется собственнаяэнтропияH(Y).
Затем вычисляется общая или совместная энтропия обеихвыборок или «зона перекрытия»:,где- соединённая вероятность для пар соответствующих точек155156X и Y, т.е. число попаданий точек X в i-интервал с одновременным попаданиемсоответствующей точки Y в j-й интервал, делённое на общее число пар N.Наконец, вычисляется искомый коэффициент общей информации MI:Описание алгоритма AAMI - по [200].Если MI (х, у) делится на min (Н (х), Н (у)), то получается мера, имеющаязначение между 0 и 1.
Эта мера называется коэффициентом пропускания Т (х,у), который был использован в анализе ЭЭГ Callaway и Harris [179]. AAMIуспешно используется для оценки времени задержки между ЭЭГ-сигналами,записанными в разных областях мозга собаки [303, 305] и человека [304] вовремя эпилептиформных припадков, вычисляя значение AAMI как функциювременногосдвига(тау).ОднакометодAAMIможетпривестикнеоднозначным результатам, поскольку значение AAMI зависит также отформы преобразования у = g(х) [293].Результаты обработки обоими методами ЭЭГ от области сенсомоторнойкоры (серия №6) приведены на рисунке 30.
Были обработаны одни и те жеотрезки ЭЭГ с аналогичными настройками сглаживания и чувствительности.Попредварительномувизуальномувпечатлению,представляется,чтолинейный метод Пирсона работает всё-таки лучше в большинстве случаев.Векторные структуры в левой колонкевыглядят более упорядоченными(рисунок 30.А по сравнению с рисунком 30.Б). В ряде случаев (меньшинство)критерий AAMI тоже даёт вполне упорядоченные структуры, во многомпохожие на результаты линейного метода. Например, на рисунке 30.1,2векторы в правой структуре направлены также или почти так же, как и векторыв левой структуре, но имеет место более значительный «разнобой» в их длине.Правые структуры за счёт этого выглядят более мозаично. Из литературыизвестно, что критерий AAMI лучше всего выявляет связь, если она относится кузкой полосе частот [200].
В других случаях (широкая полоса взаимодействия)его преимущество теряется, и он может уступать другим методам. По156157видимому, этим объясняются относительно более хаотичные структуры внижней части правой колонки (рисунок 30.Б – 3,4), с «рваным» распределениемдлин и толщин векторов по пространству. Особо показательно выглядиткартирование зон пониженной когерентности при помощи толщины векторов(подобласти, выделенные серым).
Кросскорреляция по Пирсону даёт чёткиедиагональные полосы, приходящиеся на область Роландовой борозды, чегонельзя сказать о структурах метода AAMI (см.).Таким образом, по нашему мнению, в целом подтвердился ранееприведённый тезис, что ни один метод не превосходит другой во всех случаях,и их сравнительная эффективность зависит от задачи и от природы данных.Однако, по совокупности просмотренных результатов, линейный методвыглядит более эффективным.157158А – анализ с помощью линейной кросскорреляции по Пирсону; Б – анализ с помощьюкоэффициента общей информацуии AAMI; 1-4 – эпохи анализа, подвергнутые анализуобоими сравниваемыми методами. Серым выделены области пониженной когерентностиколебанийРисунок 30 – Векторная графика с использованием линейного инелинейного методов анализа связей между процессами158159Здесь уместно согласиться с А.Н.Шеповальниковым, что «…несмотря навсе сложности, возникающие при попытке применить аппарат анализаслучайныхполейкисследованиюбиопотенциальногополямозга,принципиально новые сведения, которые могут быть извлечены даже привесьма ограниченном приложении этих методов к ЭЭГ-данным, убеждают нас вегоэффективности…Несомненно,чтотольконаоснованиивзаимодополняющих друг друга данных, полученных разнообразнейшимиметодическими приёмами, возможен прогресс в области исследования такойнеизмеримо сложной задачи, как деятельность головного мозга» [136, с.17].2.11 Диагностические перспективы метода визуализацииСледуетоговориться,чтопривсейважностиобъективногостатистического анализа не он всё-таки являлся главной задачей настоящейработы, а именно компьютерная визуализация мозговых процессов.
Мыстремились сделать закономерности работы мозга видимыми простым глазом, атакже, по возможности, бесспорными и всем понятными. По указаннойпричине,значительнуючастьрезультатовпредставляютсобойфеноменологические описания.Огромныйопытклиническойпрактикипоказывает,чтоврачитрадиционно ориентируются на визуальные методы оценки и описания ЭЭГ.Что же касается статистики и математики, предлагаемой существующимипрограммами, то она используется в лучшем случае для каких-либоуглублённых обследований, или совсем не используется. Вместе с тем всеновшества, так или иначе улучшающие именно визуальное представлениепроцессов, вызывают у медиков интерес.Визуализация движущейся волны ЭЭГ за счёт своей динамичностисохраняет преимущества традиционной ЭЭГ в виде кривых, представляющихсобой точное временное описание процессов. Но при этом ещё делаютсянаглядными пространственные соотношения процессов - можно приближённо159160считать, что мы видим сквозь череп, как нечто распространяется поповерхности коры по переменчивой траектории и с переменчивой скоростью.Таким образом, визуализация движущейся волны ЭЭГ до некоторой степенисовмещает преимущества традиционной ЭЭГ с преимуществами томографии.Логично предположить, что взгляд врача после соответствующей тренировкисможет увидеть больше по этому более точному отражению физическойреальности мозговых процессов, чем по традиционной ЭЭГ.
Поэтому одна изсерий экспериментов (№4) была проведена на клиническом материале – назаписях обычных ЭЭГ-обследований, предварительно расклассифицированныхпрофессиональным медиком по видам нарушений на основании традиционныхметодов классификации. Затем получившиеся группы пациентов сравнивалисьпо характеру векторной анимациис целью оценить диагностическиевозможности нашего метода визуализации.В 90-е годы было принято считать, что применение компьютеров приводитк стремительному прогрессу во всех областях науки.
В отношении методикиЭЭГ это не совсем так. Компьютерные программы часто просто копировалиранее существовавшие технологии. Сейчас общепринято, что на экранекомпьютера разворачиваются кривые ЭЭГ, подобно осциллографу, или вреальном времени изображается движущаяся бумажная с ЭЭГ. Смыслописанной разработки в том, что не нужно изготовлять самописец - это сложнои дорого, написать программу-симулятор гораздо проще. Однако, следуетпризнать, что по собственно медицинской информативности данный приборничем не отличается от чернильного самописца.
Предлагаемая анимацияраспространения потенциала по поверхности головы возможна только наоснове цифровой технологии и, наряду с такими методами как LORETA илиэквивалентный диполь, является новшеством по сравнению с традиционнымпредставлением ЭЭГ.1601612.12 Вариационная статистикаДля вторичной статистики (сравнение опытов, сеансов, усреднение поиспытуемым и проч.) применялись традиционные методы вариационнойстатистики: парный и непарный t-критерий (Стьюдента), критерий Вилкоксона,коэффициентыранговойкорреляцииСпирмена.Внекоторыхсерияхэкспериментов применялись более сложные методы (ANOVA, кластерныйанализ и др.). Об этом будет более подробно говориться в разделах,посвящённых соответствующим сериям.1611623 РЕЗУЛЬТАТЫ ИССЛЕДОВАНИЯ И ИХ ОБСУЖДЕНИЕ3.1Проявлениемежполушарнойасимметрииипсихотипаиспытуемого в динамике движущейся волны ЭЭГ3.1.1 Особенности методикиГлавной целью самой первой серии экспериментов была собственноотладка и совершенствование методики съёма ЭЭГ, визуализации и анимациитраектории движущихся волн через измерения фазовых межэлектродныхрассогласований.
![](https://s.studizba.com/z.php?f=/templates/si/i/noavatar.png&w=100&h=100&t=1"){kind=avatar}
