Автоматическая сегментация электроэнцефалографической записи на стационарные участки
Электроэнцефалография (ЭЭГ) человека, природа электрической активности мозга. Регистрация электроэнцефалограммы по системе "10-20". Электроэнцефалографическая семиотика, ритмы и применение ЭЭГ. Классификация сна на основе ЭЭГ, алгоритм ее сегментации.
| Рубрика | Медицина |
| Вид | дипломная работа |
| Язык | русский |
| Дата добавления | 20.12.2012 |
| Размер файла | 5,9 M |
Отправить свою хорошую работу в базу знаний просто. Используйте форму, расположенную ниже
Студенты, аспиранты, молодые ученые, использующие базу знаний в своей учебе и работе, будут вам очень благодарны.
Более того, поскольку суммарная ЭЭГ является высоко композитным и существенно нелинейным процессом, вряд ли возможно ожидать разработки строгой математической модели, адекватно отражающей собственно природу ЭЭГ. Поэтому параметры даже хорошо подобранных моделей ЭЭГ, не являясь отражением сути лежащих в основе ЭЭГ процессов, в любом случае существенно "загрубляют" процедуру сегментации ЭЭГ сигнала.
Вот почему несомненный интерес представляет разработка непараметрических методов сегментирования ЭЭГ. Применение этих методов не требует предварительного анализа процесса на стационарность, поскольку они не сопряжены с построением математических моделей анализируемого процесса, но основываются на реальных его статистических характеристиках.
3.2.3 Непараметрическая сегментация
Технология непараметрической сегментации ЭЭГ была разработана на основе теории так называемого анализа моментов резких изменений или разладок во временных рядах, имеющих четко выраженную кусочно-стационарную структуру. Определенные таким образом разладки являются, по сути дела, метками границ между квази-стационарными фрагментами. В рамках теоретической разработки этой проблемы было показано, что задача обнаружения изменения любой вероятностной характеристики данного стохастического процесса может быть сведена к одному и тому же алгоритму детекции изменений математического ожидания, но применяемому к различным модификациям исходного временного ряда. Каждая такая модификация или диагностическая последовательность может подчеркивать те или иные статистические особенности исходного процесса. Например, корреляционное преобразование исходного временного ряда проявит динамическую изменчивость дисперсионных свойств этого процесса.
При адаптации этой методологии к задаче сегментирования ЭЭГ была разработана специальная статистическая процедура для обнаружения моментов "разладок", основанная на обобщенном варианте статистики Колмогорова-Смирнова [15, 16]. Использование этих критериев в технике сегментирования ЭЭГ с учетом их вероятностных распределений, полученных в численном эксперименте на ЭЭГ подобных кривых, впервые позволило не только надежно обнаруживать границы сегментов, но и оценивать доверительные интервалы их позиционирования в рамках тестируемого фрагмента ЭЭГ [16]. В ходе адаптации методов обнаружения разладок для целей сегментирования ЭЭГ было показано, что в качестве диагностической последовательности целесообразно использовать нормированную автокорреляционную функцию ЭЭГ сигнала [15, 16].
Конкретный алгоритм поиска разладок в ЭЭГ был разработан, в том числе, и с намерением оценить всю иерархию сегментных описаний ЭЭГ в разных временных масштабах. Для этого, во-первых, была принята безоконная система компарации оценок ЭЭГ, позволяющая при поиске неоднородностей учитывать всю запись целиком: сравнение оценок математического ожидания сигнала или его диагностической последовательности проводилось слева и справа от движущейся вдоль записи ЭЭГ точки ее деления на две части. Во-вторых, для более точного вычисления порогового критерия, фиксирование разладок производилось поэтапно: сначала обнаруживалась самая мощная разладка, ставящая границу между двумя наиболее крупными сегментами ЭЭГ записи. Затем процедура повторялась, но уже не для всей записи, а для более однородных ее участков по обе стороны от первой разладки. Относительно разладок второго уровня также формировались еще более однородные участки, которые в свою очередь подвергались поточечному сканированию, и так до того момента, когда количество отсчетов очередного участка ЭЭГ не достигнет порога, ниже которого оценки математического ожидания в данном методе становятся статистически неустойчивыми.
Поскольку при любой технологии поиска моментов физических перестроек в ЭЭГ результаты этого поиска могут быть получены только в вероятностных оценках, существенным преимуществом данного подхода является возможность задавать в явном виде вероятность "ложной тревоги" (детекция отсутствующего сигнала) и "ложного спокойствия" (пропуск имеющегося сигнала) при детектировании границ сегментов. Помимо возможности гибкой оптимизации задачи обнаружения границ сегментов с точки зрения экспериментатора, это позволяет настраивать процедуру на работу в разных временных шкалах. Поднимая пороговый уровень "ложных тревог", например, можно настроиться только на наиболее выраженные межсегментные переходы, оценивая, таким образом, только макроскопическую сегментную структуру ЭЭГ. При снижении порога "ложных тревог" можно получить более детальную "микроскопическую" картину сегментной организации ЭЭГ.
Методология непараметрического анализа основана на двух идеях. Доказано, что определение изменений в любой функции распределения или вероятностной характеристике может быть сведено (с любой степенью точности) к определению изменений в математическом ожидании какой-либо другой последовательности, сформированной из первоначальной. Новую последовательность будем называть диагностической последовательностью. Например, рассматривая автокорреляционные функции
мы сведем задачу к определению изменений в одной из последовательностей . Изменения в автокорреляционных значениях соответствуют изменениям в спектрах мощности, так как спектр мощности равен преобразованию Фурье автокорреляционной функции. В частности идентично полной мощности (по теореме Парсеваля).
Вторая идея подхода - это использование следующего семейства статистик:
Где , , - реализация диагностической последовательности. N - количество отсчетов в этой последовательности (в нашем случае во всей записи ЭЭГ). Это семейство статистик - обобщенный вариант статистики Колмогорова-Смирнова, которая используется для изучения совпадений или различий в функциях распределения двух последовательностей (фиксированного размера n). Другими словами мы рассчитываем разницу между средним значением первых n отсчетов и последних N-n отсчетов, умноженную на коэффициент в зависимости от . Это вычисление проводится для всех n: . Затем мы сравниваем максимум из этих n разностей со специальным порогом. Порог рассчитывается на основе предельных характеристик статистики (при ). Мы принимаем решение о стационарности реализации ЭЭГ если этот порог не достигнут, в противном случае считаем эту точку границей стационарных сегментов.
Метод может характеризоваться с помощью таких величин, как вероятность ложной тревоги (вероятность принятия решения о наличии границы, когда ее на самом деле нет), вероятность ложного спокойствия (вероятность того, что мы не заметим границу там, где она есть на самом деле) и временная погрешность границы сегментов. Для данной статистики эти величины являются функциями, зависящим от . Важное свойство используемой статистики заключается в том, что случай обеспечивает минимум вероятности ложной тревоги, с другой стороны случай соответствует минимуму вероятности ложного спокойствия и случай обеспечивает минимальную временную погрешность границ сегментов.
Главным параметром, который должен определить пользователь для вычисления сегментации, является вероятность ложной тревоги. Чем меньше эта вероятность, тем больше порог и тем более сильные изменения статистики будут замечены. Корректируя вероятность ложной тревоги, можно фокусироваться либо на изучении макроструктуры ЭЭГ (высокий порог), либо микроструктуры (низкий порог).
Данный метод сегментации состоит из 3 этапов.
1 этап. На первом этапе задается вероятность ложной тревоги максимальной , т.е. нужно обнаружить все точки, в которых возможно изменение стационарности, включая те точки, которые могут быть ложными.
Формируем диагностическую последовательность, состоящую из автокорреляционных значений ЭЭГ данных:
Затем вычисляется статистика для данной последовательности и находится и порог C. Если , то можно считать последовательность стационарной, в противном случае мы нашли точку нестационарности и получили 2 участка исходной последовательности, для которых заново находим статистику и порог, и повторяем процедуру проверки стационарности. Продолжаем вычисления рекурсивно, пока не получим набор стационарных сегментов.
Порог рассчитывается на основе предельной теоремы в зависимости от данной вероятности ложной тревоги. Доказано, что для стационарных последовательностей вероятность стремится к значению , где - дисперсия последовательности [19].
2 этап. На данном этапе нужно отбросить сомнительные точки, найденные на 1 этапе. Пусть на 1 этапе было найдено k точек нестационарности. Тогда формируем k новых отрезков.
Где , - набор точек нестационарностей (номера отсчетов).
Таким образом, получаем набор предположительно нестационарных сегментов с центрами в точках . Для каждого сегмента вычисляется статистика с меньшей вероятностью ложной тревоги (более точный результат), порог C и проверятся действительно ли сегмент является нестационарным. Если нет, то данный сегмент исключается из дальнейшего рассмотрения.
Так как границы сегмента формируется половиной расстояний до ближайших точек нестационарности, сегмент получается более коротким, чем изначальный сегмент 1 этапа, на котором была максимумом и вычисленная статистика должна дать более точный результат.
3 этап. На данном этапе рассматриваются только те сегменты , которые остались после 2 этапа. Для них рассчитывается статистика с вероятностью ложной тревоги (самый точный случай). Так как на 2 этапе мы уже было выяснено, что данные сегменты нестационарны, то сейчас не нужно находить порог и сравнивать максимум статистики с ним. Просто находим максимум статистики для каждого сегмента и считаем эту точку окончательным вариантом точки нестационарности.
3.2.4 Метод фрактальной размерности
Понятие фрактальная размерность было введено как индекс, описывающий сложность временной последовательности. Фрактальная кривая обладает следующим свойством: каждая часть этой кривой может быть рассмотрена, как уменьшенный в масштабе образ целой кривой. Другими словами спектральная характеристика подчиняется одному закону по всем диапазонам частот. Фрактальная размерность определяется напрямую из временной последовательности - без перевода ее в фазовую область. Так как эта размерность описывает сложность кривой, то значения ее варьируются от 1 до 2.1 - это прямая линия (одномерное пространство), 2 - это плоскость (двумерное пространство). То есть чем сильнее меняется временная последовательность, тем больше фрактальная размерность [18].
В случае реальных нестационарных временных последовательностей статистические характеристики могут зависеть от выбранного временного масштаба, то есть вся последовательность может не подходить под определение фрактальной кривой. Тем не менее можно определять размерность не на целой последовательности, а по частям, на которых условие фрактальной кривой выполняется. Усовершенствованный метод нахождения фрактальной размерности был предложен Т. Хигучи в 1988г. Особая ценность метода в том, что для него не нужно большой длины последовательности, что важно в таких случаях, как изучение различных природных процессов [17]. Рассмотрим последовательность наблюдений, выполненных через равные промежутки времени:
Из данной последовательности создадим новые последовательности, определенные следующим образом:
Где - целая часть от числа, а m и k - целые числа, определяющие начальный отсчет и временной интервал соответственно. Для временного интервала равного k мы получим k новых временных последовательностей.
Пример. В случае k = 3 и количестве точек N = 100 получим 3 подпоследовательности:
Далее нужно определить длину каждой кривой, соответствующей подпоследовательностям по формуле:
Где
- нормализующий множитель для длин подпоследовательностей. Чтобы определить длину последовательности для временного интервала k берем среднее значение длин подпоследовательностей:
Если выполняется следующий закон:
то можно сказать, что кривая фрактальна с размерностью D. Если построить график в логарифмической системе координат точки должны образовать прямую линию с коэффициентом наклона - D, который находим методом наименьших квадратов:
где , , , n - количество различных значений k, для которых была посчитана L [18].
Для сегментации ЭЭГ на стационарные участки разделим всю запись на короткие участки (1-5 сек) и найдем фрактальную размерность каждого участка. Далее стираем границы между соседними сегментами с "равными" фрактальными размерностями, в результате этого получаем разбиение на стационарные сегменты.
4. Результаты
4.1 Описание модуля
В ходе работы был создан программный модуль, осуществляющий сегментацию ЭЭГ непараметрическим методом, методом фрактальной размерности и на сегменты равной длины, расчет фрактальной размерности для сегментов заданной длины, расчет амплитуды спектров заданных частот для рассчитанной сегментации, построение гипнограммы ручным способом, а также автоматически: по средним значениям фрактальной размерности и с помощью нейросетевого классификатора (реализованного ранее на основе скрытых моделей Маркова). Общий вид программы представлен на рисунке 7. В верхней половине экрана отображается запись электроэнцефалограммы, далее представлен пример рассчитанной гипнограммы, затем график фрактальной размерности и последние 3 графика - мощности спектров, выбранных диапазонов частот.
Для сегментации ручным способом пользователю необходимо задать длину сегмента. Для сегментации непараметрическим методом необходимо задать вероятность обнаружения границ сегментов. А для сегментации с помощью фрактальной размерности нужно предварительно посчитать эту размерность для сегментов указанной длины.
При наличии сегментации можно посчитать амплитуды спектров для полученных сегментов. Для этого пользователю необходимо указать границы частот, для которых будут рассчитываться спектры.
Для ручного построения гипнограммы достаточно рассчитать сегментацию. При наличии рассчитанных амплитудных спектров в специальном окне указываются их величины для текущего сегмента. Это позволяет пользователю точнее определить текущую стадию сна (рис.7).
Для построения гипнограммы по средним значениям фрактальной размерности необходимо посчитать размерность и просегментировать запись ЭЭГ по полученным результатам.
Для применения нейросетевого классификатора при построении гипнограммы нужно провести сегментацию и рассчитать амплитудные спектры для данных сегментов, так как на основе значений амплитуд классификатор ведет разбиение по группам.
4.2Метод фрактальной размерности
Результаты сегментации. В начале приведем пример нестационарного сегмента ЭЭГ и его спектра, полученного с помощью быстрого преобразования Фурье. Возьмем 4 минутный участок ЭЭГ с частотой дискретизации 100 Гц (рис.8).
Рисунок 8. Участок ЭЭГ, 240 сек, 100 Гц
Это пример является иллюстрацией неэффективности применения спектрального анализа к нестационарным процессам, в данном случае преобразование Фурье не позволит определить точно присутствующие частоты (рис.9).
Рисунок 9. Преобразование Фурье нестационарного участка ЭЭГ на рис. 9
Разделим запись ЭЭГ на короткие участки и найдем для каждого фрактальную размерность. Например, для записи ЭЭГ длиной в 24 часа (цикл бодрствование - сон - бодрствование) и длиной изначальных сегментов в 30 секунд получим следующий результат (рис.11).
В ходе работы были проведены исследования клинических гипнограмм и выявлены следующие средние значения фрактальной размерности, соответствующие 6 классическим стадиям сна:
На рисунке 11 определенным цветом представлены области, соответствующие найденным средним значениям для стадий сна. Желтый цвет - область бодрствования, зеленый - 1-я стадия, красный - фаза быстрого сна, синий - 2-я стадия, голубой - 3-я стадия и фиолетовый - 4-я стадия сна.
На следующем этапе у соседних сегментов, значения фрактальной размерности которых попадает в одну и ту же область, сотрем границы. В результате получим сегментацию ЭЭГ записи на участки, в пределах которых фрактальная размерность принадлежит определенной стадии.
Для полученной сегментации создадим гипнограмму и присвоим сегментам последовательно значения от 1 до 4 стадии, с помощью этого сможем посмотреть на границы сегментов и сравнить их с гипнограммой, построенной экспертом (рис.11).
Рисунок 11. Верхний рисунок - сегментация при разбиении по 30 сек. Нижний рисунок - гипнограмма эксперта
Разбиение производилось по 30 сек участкам 24 ч записи. Количество сегментов в данном примере составило 467. Хорошо определились участки бодрствования - им соответствуют большие сегменты (на рис.12 помечены красным). Это удобно для использования классификатора, обработка большого участка, представляющего один сегмент, займет гораздо меньше времени, чем если бы он был разбит на множество сегментов (равномерная сегментация).
Если рассмотреть полученную сегментацию без участков бодрствования, то очевидно, что также хорошо определились сегменты, находящиеся в 4-й стадии (рис.12, сегменты помечены красными стрелками).
Рисунок 12. Верхний рисунок - участок сегментаци при разбиении по 30 сек. Нижний рисунок - участок гипнограммы эксперта
Для подтверждения стационарности полученных сегментов произведем расчет преобразования Фурье для нескольких сегментов. На рисунке 13 изображен спектр сегмента, соответствующего 4 стадии сна. Для этой стадии характерны дельта-волны частотой 0 - 5 Гц.
На рисунке ясно видно, что основные частоты лежат в пределах дельта-ритма.
Это подтверждает, что сегмент является стационарным.
Рисунок 13. Преобразование Фурье стационарного сегмента для 4 стадии сна
На рисунке 14 изображен спектр сегмента, соответствующего стадии бодрствования. Для этой стадии характерно преобладание альфа-волн частотой 8 - 13 Гц. На рисунке 15 ясно видно преобладание этих частот.
Рисунок 14. Преобразование Фурье стационарного сегмента для стадии бодр.
Влияние длины изначальных сегментов на сегментацию
Исследуем как влияет уменьшение длины изначальных участков на результаты сегментации.
Произведем разбиение по 10 сек. участкам 24 ч записи. Количество сегментов возросло до 1642. По-прежнему хорошо выделенными остались участки бодрствования и 4 стадии.
Рисунок 15. Верхний рисунок - сегментация при разбиении по 10 сек. Нижний рисунок - гипнограмма эксперта
Разбиение по 5 сек. участкам 24 ч записи приводит к увеличению количества сегментов до 3732.
Рисунок 16. Верхний рисунок - сегментация при разбиении по 5 сек. Нижний рисунок - гипнограмма эксперта
Результат имеет сходство с предыдущими, отличаясь только количеством сегментов, что влияет на значимость изменений в ЭЭГ, которые нужно заметить. Если важны только сильные изменения, например, для определения, в какие моменты человек спал, а в какие нет, то не нужно изначально разбивать запись на слишком короткие участки. А если же интерес представляет микроструктура ЭЭГ, то нужно разделить изначально на более мелкие участки, тогда будут заметны и более слабые изменения в электроэнцефалограмме.
4.2.3 Построение гипнограммы
С помощью метода фрактальной размерности можно не только сегментировать ЭЭГ на стационарные участки, но и построить саму гипнограмму, используя найденные средние значения фрактальной размерности, соответствующие стадиям сна. Для этого каждому полученному сегменту определим стадию в соответствие с фрактальной размерностью данного сегмента.
В нашем распоряжении имеются гипнограммы, построенные экспертом для сегментов равной длины в 30 секунд. Посчитаем фрактальную размерность для сегментов в 30 секунд, определим для каждого соответствующую стадию и сравним полученную гипнограмму с экспертной.
Пример 1. Результаты классификации отображены на рисунке 17. Процент совпадений по стадиям составил 83%. На рисунке хорошо видно, что гипнограммы имеют сходную структуру. Рассмотрим гипнограммы без учета стадии бодрствования (рис. 18) и пересчитаем процент совпадений. Точность снизилась до 60%. Это обусловлено тем, что большой вклад вносила стадия бодрствования, которая занимала 2/3 времени и имела большой процент совпадений.
Рисунок 17. Верхняя гипнограмма построена по средним значениям фрактальной размерности. Нижняя построена экспертом. Точность 83%
Рисунок 18. Верхняя гипнограмма построена по средним значениям фрактальной размерности. Нижняя построена экспертом. Точность 60%
Рассмотрим процент совпадений по стадиям. Для этого составим таблицу, в которой строчки будут представлять собой процентное соотношение определения компьютером конкретной стадии. Например, ячейка, являющаяся пересечением 1-й строки и 3-го столбца, означает, что стадию бодрствования эксперта компьютер в 1.4% случаев признал второй стадией. Таким образом по диагонали таблицы будут значения совпадений конкретных стадий. Таблицу следует читать только по строкам.
Табл.1. Проценты совпадений по стадиям.
|
Комп. Эксп. |
Бодр. |
Ст.1 |
Ст.2 |
Ст.3 |
Ст.4 |
ФБС |
|
|
Бодр. |
91 |
5 |
1,4 |
0 |
0,1 |
2,5 |
|
|
Ст.1 |
0 |
1,6 |
72,8 |
6,7 |
0 |
18,6 |
|
|
Ст.2 |
0 |
0,3 |
33,5 |
61,4 |
4,3 |
0,5 |
|
|
Ст.3 |
0 |
0 |
2,1 |
39,4 |
58,5 |
0 |
|
|
Ст.4 |
0 |
0 |
0,9 |
3,4 |
95,5 |
0 |
|
|
ФБС |
0 |
6,5 |
48,8 |
1,8 |
0 |
42,7 |
Процент совпадений по стадиям кажется невысоким (кроме стадий бодрствования и 4 стадии). Однако, судя по рисунку, гипнограмма является довольно точной: цикл стадий определен верно и большинство стадий совпадают. Вклад в погрешность могут вносить кратковременные сегменты, которые не несут большую смысловую нагрузку, но учитываются компьютером, а эксперт мог их усреднить и не учитывать.
Также с помощью этой таблицы можно увидеть, какие стадии компьютером путаются. Так компьютер путает 1, 2 и 3 стадию друг с другом, а фазу быстрого сна со 2 стадией. Это, возможно, может служить доказательством того, что некоторые ученые ставят под сомнение необходимость разделения между стадиями медленного сна.
Пример 2.
Результаты классификации отображены на рисунке 19. Процент совпадений составил 80%. Гипнограммы имеют сходную структуру. Рассмотрим только стадию сна без учета стадии бодрствования (рис.20). Процент совпадений снизился до 62% по тем же причинам, что и в примере 1 - большой вклад в процент совпадений вносила стадия бодрствования, определенная верно.
Рисунок 19. Верхняя гипнограмма построена по средним значениям фрактальной размерности. Нижняя построена экспертом. Точность 80%
Проценты совпадений по стадиям приведены в таблице 2. В данном примере наблюдается похожая ситуация, процент по стадиям не велик, но в целом характер гипнограммы и циклы сна определены верно.
Рисунок 20. Верхняя гипнограмма построена по средним значениям фрактальной размерности. Нижняя построена экспертом. Точность 62%
Табл.2. Процент совпадения по стадиям
|
Комп. Эксп. |
Бодр. |
Ст.1 |
Ст.2 |
Ст.3 |
Ст.4 |
ФБС |
|
|
Бодр. |
96,9 |
1,9 |
0,3 |
0,2 |
0,1 |
0,4 |
|
|
Ст.1 |
27,1 |
26 |
27,2 |
3,2 |
0 |
16,3 |
|
|
Ст.2 |
0,6 |
1,9 |
49,4 |
38 |
2,8 |
7,1 |
|
|
Ст.3 |
0 |
0 |
0 |
15 |
85 |
0 |
|
|
Ст.4 |
0 |
0 |
0,6 |
2,9 |
96,5 |
0 |
|
|
ФБС |
2,8 |
9,6 |
31,8 |
0,5 |
0 |
55 |
Таким образом, с помощью метода фрактальной размерности можно не только сегментировать запись ЭЭГ на стационарные участки, но еще и проклассифицировать запись по стадиям сна с хорошей точностью. В задаче классификации стадий сна данный метод может служить альтернативой использованию нейросетевых классификаторов. Возможно, по точности метод фрактальной размерности будет им уступать, но его преимущество заключается в быстроте использования. Например, расчет фрактальной размерности 24-х часовой записи с частотой дискретизации 100 Гц занимает порядка 1 минуты, в то время как классификатору требуется гораздо больше времени.
4.3 Метод непараметрической сегментации
4.3.1 Результаты сегментации
Для расчета сегментации на основе этого метода пользователю нужно задать вероятность, с которой максимум статистики на каждом сегменте должен превысить порог. Чем больше мы зададим вероятность, тем больше точек нестационарности будет найдено и тем менее заметные изменения в последовательности будут выявлены.
Как и в случае с методом фрактальной размерности, для просмотра результатов каждому сегменту последовательно будем присваивать стадии от 1 до 4, в результате получим гипнограмму, показывающую границы найденных сегментов. Результат будем сравнивать с гипнограммой, построенной экспертом.
Пример 1. Вероятность, с которой максимум статистики превысит порог, равна 0,02. Количество сегментов в этом случае равно 9190. Результаты сегментации приведены на рисунке 21. Ярко выражены сегменты соответствующие стадии бодрствования (выделены красном на рис.21), а также некоторые из сегментов 4 стадии.
Рисунок 21. Верхний рисунок - сегментация при вероятности 0,02. Нижний рисунок - гипнограмма эксперта
Приведем процентное соотношение длин сегментов. Посчитаем количество сегментов длиной до 5 секунд, до 10, 30 и 60. Результаты приведены в таблице 3.
Табл.3. Длины сегментов
|
Длина, сек |
|||||
|
Проценты |
88 |
8.2 |
2.3 |
0.3 |
Эти данные подтверждают результаты исследования ученых в том, что длина большинства стационарных сегментов ЭЭГ не превышает 5 секунд.
Увеличим вероятность обнаружения точек нестационарности до 0,05. Число сегментов возрастает до 12600 (рис.22).
Рисунок 22. Верхний рисунок - сегментация при вероятности 0,05. Нижний рисунок - гипнограмма эксперта
По-прежнему хорошо выделены сегменты бодрствования. Заметить соответствие сегментов сна стадиям гинограммы уже сложнее, так как задавая большую вероятность, мы заставляем алгоритм находить более мелкие изменения в характере ЭЭГ, тем самым создавая сегменты маленькой длины. Количество сегментов длиной до 5 секунд увеличилось до 93% (табл.4).
Табл.4. Длины сегментов
|
Длина, сек |
|||||
|
Проценты |
93 |
5.5 |
1.1 |
0.2 |
Рисунок 23. Верхний рисунок - сегментация при вероятности 0,1. Нижний рисунок - гипнограмма эксперта
Пример 2. Вероятность превышения порога максимумом статистики равна 0,1. Количество сегментов в данном случае равно 13700. Результаты сегментации приведены на рисунке 24. В данном примере по сравнению с предыдущим нам пришлось увеличить вероятность обнаружения нестационарностей, так как алгоритм некоторые участки ЭЭГ определял в один сегмент, в то время как эксперт разделял его на несколько стадий. Видимо это происходило из-за того, что изменения ЭЭГ на этом участке слабо выделялось на фоне остальных нестационарностей. Процентное соотношение длин сегмент, как и в предыдущем примере, подтверждает, что средняя длина стационарного сегмента не превышает 5 секунд (табл.5).
Табл.5. Длины сегментов
|
Длина, сек |
|||||
|
Проценты |
89,8 |
7,2 |
2 |
0,4 |
Увеличим величину вероятности обнаружения до 0,2. Количество сегментов возросло до 15800 (рис.24). Также увеличилось количество сегментов длиной до 5 секунд до 92% (табл.6).
Рисунок 24. Верхний рисунок - сегментация при вероятности 0,2. Нижний рисунок - гипнограмма эксперта
Табл.6. Длины сегментов
|
Длина, сек |
|||||
|
Проценты |
91,9 |
6 |
1,4 |
0,2 |
4.3.2 Построение гипнограммы
Теперь построим гипнограммы для полученных сегментированных ЭЭГ записей. Для этого для найденных сегментов находим фрактальную размерность и определяем каждому сегменту стадию сна в соответствие с найденными средними значениями размерности. Результаты будем оценивать по таблицам совпадения вероятностей.
Пример 1. Результаты классификации отображены на рисунке 25. Процент совпадений стадий составил 80%. На рисунке ясно видно, что гипнограммы имеют сходную структуру. Если не учитывать стадию бодрствования (рис.26) точность снижается до 63%. Результаты схожи с результатами классификации по сегментации с помощью фрактальной размерности.
Рисунок 25. Верхняя гипнограмма построена по средним значениям фрактальной размерности. Нижняя построена экспертом. Точность 80%
Рисунок 26. Верхняя гипнограмма построена по средним значениям фрактальной размерности. Нижняя построена экспертом. Точность 63%
Табл.7. Процент совпадений по стадиям
|
Комп. Эксп. |
Бодр. |
Ст.1 |
Ст.2 |
Ст.3 |
Ст.4 |
ФБС |
|
|
Бодр. |
93,1 |
2,7 |
1,7 |
0,2 |
0,1 |
2,2 |
|
|
Ст.1 |
1,8 |
4 |
58 |
12,3 |
1 |
22,8 |
|
|
Ст.2 |
0,4 |
1,2 |
39,5 |
46,8 |
9,7 |
2,4 |
|
|
Ст.3 |
0,2 |
0,7 |
5,5 |
32,2 |
60,5 |
0,9 |
|
|
Ст.4 |
0,1 |
0,1 |
0,6 |
4,2 |
94,7 |
0,1 |
|
|
ФБС |
0,9 |
14,4 |
48,7 |
5,2 |
0,2 |
30,5 |
Проценты совпадений по стадиям приведены в таблице 7. Большой процент совпадений у стадии бодрствования и 4 стадии.
Рисунок 27. Верхняя гипнограмма построена по средним значениям фрактальной размерности. Нижняя построена экспертом. Точность 79%
Пример 2. Результаты классификации отображены на рисунке 28. Общий процент совпадений составил 79%. Если не учитывать стадию бодрствования процент совпадений снижается до 61% (рис.28).
Рисунок 28. Верхняя гипнограмма построена по средним значениям фрактальной размерности. Нижняя построена экспертом. Точность 61%
Проценты совпадений по стадиям приведены в таблице 8. В данном случае хорошо определилась стадия бодрствования и фаза быстрого сна. По-прежнему происходит путаница при разделении стадий фазы медленного сна.
Табл.8. Процент совпадений по стадиям
|
Комп. Эксп. |
Бодр. |
Ст.1 |
Ст.2 |
Ст.3 |
Ст.4 |
ФБС |
|
|
Бодр. |
97,4 |
1,5 |
0,3 |
0,3 |
0,1 |
0,4 |
|
|
Ст.1 |
16,9 |
25 |
21 |
5,4 |
1,5 |
29,6 |
|
|
Ст.2 |
2,4 |
4,5 |
36,4 |
35,2 |
7,6 |
13,8 |
|
|
Ст.3 |
0,1 |
0,1 |
1,6 |
59,5 |
38,3 |
0,2 |
|
|
Ст.4 |
0 |
0 |
0,8 |
39,8 |
59,4 |
0 |
|
|
ФБС |
1,7 |
4,1 |
18 |
2 |
0,2 |
73,8 |
Выводы
В результате работы был создан программный модуль, позволяющий производить автоматическую сегментацию ЭЭГ записи на стационарные участки с помощью метода фрактальной размерности и метода непараметрической сегментации.
Данные методы сегментации дали похожие результаты. Однако, плюсом метода непараметрической сегментации является его гибкость, он дает более широкие возможности для исследований, позволяя задавать вероятность, с которой будут найдены точки нестационарности. Плюсом метода фрактальной размерности является его быстродействие - сегментация 24-х часовой записи с частотой 100 Гц занимает менее 1 минуты, в то время как метод непараметрической сегментации требует 7-8 минут.
Была продемонстрирована неэффективность применения спектрального анализа к нестационарному сегменту. Фурье преобразование стационарного участка правильно выделало основные частоты, соответствующие текущей стадии сна. Результаты сегментации показали, что средняя длина стационарных сегментов не превышает 5 секунд, а количество таких сегментов составляет до 90%, что подтверждает литературные данные.
Также в результате работы была показана возможность применения метода фрактальной размерности для классификации ЭЭГ записи на стадии сна. Процент совпадений полученной гипнограммы и гипнограммы эксперта составил 80%. Одной из причин несовпадений результатов может являться субъективная оценка эксперта, незначительные и кратковременные изменения могли быть усреднены человеком, в то время как компьютер обрабатывает все изменения. Данный метод классификации может служить альтернативой применения нейросетевых классификаторов, так как занимает гораздо меньше времени, с его помощью можно судить о циклах стадий сна, а также о наличии конкретных стадий.
Список литературы
1. Гнездицский В.В. Обратная задача ЭЭГ и клиническая энцефалография. ТРТУ 2000
2. Гнездицкий В.В. Вызванные потенциалы мозга в клинической практике. Таганрог: Издательство ТРТУ, 1997
3. Жирмунская Е.А. Клиническая электроэнцефалография, М., МЭЙБИ, 1991
4. Егорова И.С. Электроэнцефалография. - М.: Медицина, 1973
5. Зенков Л.Р., Ронкин М.А. Функциональная диагностика нервных болезней: (Руководство для врачей). М.: Медицина, 1982
6. A. Kaplan, J. Roschke, B. Darkhovsky, J. Fell. Macrostructural EEG characterization based on nonparametric change point segmentation: application to sleep analysis. Journal of Neuroscience Methods (2001)
7. McEwen J. A., Anderson G. B. Modeling the stationary and gaussianity of spontaneous electroencephalographic activity. IEEG Transactions on Biomed. Engineering. 1975
8. Rechtschaffen A., Kales A. A. A Manual of Standardized Terminology, Techniques and Scoring System for Sleep Stages of Human Subjects. Washington DC: U. S.government Print. Office, Nat. Inst. Help Publ., 1968
9. Каплан А.Я. Проблема сегментного описания электроэнцефалограммы человека. Физиология человека, 1999, том 25, №1
10. Шишкин С.Л. Исследование синхронности моментов резких изменений альфа-активности ЭЭГ человека. Москва, 1997
11. Barlow J. S. Methods of analysis of nonstationary EEGs, with emphasis on segmentation techniques: a comparative review. J. Clin. Neurophysiol. 1985.
12. Jansen B. H., Hasman A., Lenten R. Piece-wise EEG analysis: an objective evaluation. Internet J. Bio-Med.comput. 1981.
13. Bodenstein G., Praetorius H. M. Feature extraction from the electroencephalogram by adaptive segmentation Proc. IEEE. 1977. V.65.
14. Biscay R., Lavielle L., Gonzalez A., et al. Maximum a posteriori estimation of change points in the EEG. Int. J. of Biomed.computing. 1995. V.38.
15. Бродский Б.Е., Дарховский Б.С., Каплан А.Я. и др. Непараметрическая сегментация электрических сигналов мозга. Автоматика и телемеханика. 1998. №2.
16. Шишкин СЛ., Бродский Б.Е., Дарховский Б. С, Каплан А.Я. ЭЭГ как нестационарный сигнал: под ход к анализу на основе непараметрической статистики. Физиология человека. 1997. Т.23. № 4.
17. Higuchi T. Relationship between the fractal dimension and the power law index for a time series: a numerical investigation. Physica D 46.1990.
18. Higuchi T. Approach to an irregular time series on the basis of a fractal theory. Physica D 31.1988.
19. Brodsky B. E., Darkhovsky B. S. Nonparametric methods in change-point problems. Kluwer Academic Publishers, 1993.
Сокращения
мВ - милливольт
мкВ - микровольт
ЭЭГ - электроэнцефалограмма
ЭМГ - электромиограмма
ЭОГ - электроокулограмма
ЭКГ - электрокардиограмма
ЦНС - центральная нервная система
НКИ - нейрокомпьютерный интерфейс
REM - rapid eye movement
R&K - система Рейхшаффена и Келли
Размещено на Allbest.ru
Подобные документы
Начало изучения электрических процессов мозга Д. Реймоном, открывшим его электрогенные свойства. Электроэнцефалография как современный неинвазивный метод исследования функционального состояния головного мозга путем регистрации биоэлектрической активности.
презентация [1,9 M], добавлен 05.09.2016Использование электроэнцефалограммы для изучения функций мозга и целей диагностики. Способы отведения биопотенциалов. Существование характерных ритмических процессов, определяемых спонтанной электрической активностью мозга. Суть метода главных компонент.
курсовая работа [1,0 M], добавлен 17.01.2015Международная схема расположения электродов при выполнении энцефалограммы (ЭЭГ). Виды ритмических ЭЭГ по частоте и амплитуде. Применение ЭЭГ в клинической практике при диагностике заболеваний мозга. Метод вызванных потенциалов и магнитоэнцефалографии.
презентация [3,3 M], добавлен 13.12.2013Электрография и ее задачи. Оценка функционального состояния органа по его электрической активности. Примеры использования метода эквивалентного генератора. Метод регистрации биологической активности головного мозга посредством записи биопотенциалов.
презентация [1,6 M], добавлен 30.09.2014Исследование функционального состояния центральной нервной системы методом электроэнцефалографии. Формирование протокола обследования. Картирование электрической активности мозга. Исследование мозгового и периферического кровообращения методом реографии.
курсовая работа [19,4 M], добавлен 12.02.2016Понятие и принципы электроэнцефалография (ЭЭГ). Возможности использования ЭЭГ в изучении адаптационных процессов человека. Индивидуально-типологические особенности регуляторных процессов ЦНС у лиц с начальными признаками нейроциркуляторной дистонии.
презентация [2,5 M], добавлен 14.11.2016Регистрация сократительной деятельности мышцы. Механическая запись с помощью рычага. Исследование биоэлектрических потенциалов, возникающих в скелетных мышцах человека и животных при возбуждении мышечных волокон. Регистрация электрической активности мышц.
реферат [20,3 K], добавлен 28.02.2011Электрическая активность головного мозга. Общие сведения об электроэнцефалографических электродах. Амплитудно-частотная характеристика ритмов. Физиологические и патологические ритмы. Основные типы ритмов. Медицинская техника для электроэнцефалографии.
контрольная работа [1,3 M], добавлен 04.12.2014Оценка функционального состояния мозга новорожденных детей из групп риска. Графоэлементы неонатальной электроэнцефалографии, нормативный и патологический онтогенез. Развитие и исход паттернов: вспышка-подавление, тета, дельта-"щетки", пароксизмы.
статья [44,3 K], добавлен 18.08.2017Изучение функций мозга и ритмических процессов. Метод регистрации электрической активности (биопотенциалов) головного мозга через неповрежденные покровы головы. Алгоритм анализа электроэнцефалограмм в частотной области. Обработка и вычисление параметров.
курсовая работа [943,9 K], добавлен 08.08.2009
