Скачать 216.82 Kb.
|
Advanced ElectroEncephaloGramm processing: Automatical Selection of EEG Component Features*Усовершенствованный анализ ЭЭГ: автоматическое выделение особенностей среди компонент ЭЭГ*Александр Николаевич Савостьянов НИИ физиологии СО РАМН Диана Рашитовна Голомолзина Лаборатория НГУ-Интел
Электроэнцефалография (ЭЭГ) - метод неинвазивного исследования функциональной активности мозга, который заключается в измерении электропотенциалов коры головного мозга с поверхности головы в течение времени. Анализ ЭЭГ проводится для медицинских, научных и рекрутинговых целей. Широко распространенным инструментом для анализа ЭЭГ является свободный пакет EEG-lab, написанный для среды MatLab [3]. Одним из этапов анализа ЭЭГ является декомпозиция исходного сигнала на несколько линейно независимых сигналов, происходящих из разных источников. Необходимость в таком разделении возникает вследствие того, что разные мозговые процессы чаще всего происходят одновременно. Причем часть этих процессов пространственно разделена, а часть имеет место в одних и тех же зонах коры. Например, реакции возбуждения и реакции торможения в моторных зонах коры конкурируют друг с другом (т.е. идут в одних областях мозга и вовлекают одинаковые клетки). Наоборот сенсорные и моторные процессы связаны с разными участками коры и обычно интегрированы в общую функциональную систему. Выяснить, как происходит у данного человека одна из таких реакций можно, лишь Такие процессы в EEG-lab разделяются при помощи метода анализа независимых компонент (ICA) [1, 2, 3]. Поскольку анализ ICA является статистическим методом, то компоненты, получаемые в результате его применения, назовем статистически-независимыми. Среди всех полученных статистически-независимых компонент исследовательскую ценность обычно имеют лишь компоненты с большой амплитудой (значит и большим весом). Дополнительную спектральную информацию обеспечивает определение ведущей частоты, которое производится на основе вычисления спектральной мощности компоненты при помощи компактно-волнового (вейвлет) анализа исходных сигналов [3]. В пакете EEG-lab для свертки исходного сигнала ЭЭГ (или независимой компоненты) применяются вейвлет-функции Морлета разных частот. В результате свертки сигнала с вейвлетом данной частоты получаем мощность сигнала на этой частоте. Таким образом, для интересующего диапазона частот получаем зависимость мощности сигнала от времени и частоты. Для большинства исследований интерес представляют осцилляции в частотном диапазоне 1-40 Гц. Их подразделяют на медленные (дельта 1-4 Гц и тэта 4-8 Гц диапазоны), альфа (8-12 Гц) и быстрые (бета 12-25 Гц и гамма больше 25 Гц) колебания. При этом отсеченными оказываются главные шумовые сигналы - сетевые наводки 50 или 60 Гц. _______ * работа выполнена при поддержке компании Интел на базе Новосибирского ГУ. Для визуализации компонент используется схема локализации датчиков на поверхности головы испытуемого, распределение мощности между датчиками, а также спектральные характеристики сигнала. Разделение ЭЭГ-записи на отдельные компоненты позволяет обнаружить схожие мозговые реакции между различными сеансами записи ЭЭГ или между реакциями различных пациентов. Результаты такого анализа сигналов являются основой для постановки медицинского диагноза и для интерпретации результатов научных исследований. Однако, результат автоматического анализа ЭЭГ записи не удовлетворяет нейрофизиологов [10, 11]. Во-первых, анализ независимых компонент проводится только по одному сеансу записи ЭЭГ, а для исследований часто важно сравнивать мозговую активность различных людей в исследуемой группе. Во-вторых, в EEG-lab и в коммерческих аналогах (например, «Brain Vision») при автоматическом разбиении на статистически-независимые компоненты получаются компоненты, среди которых находятся физиологически-зависимые компоненты. Необходима дополнительная кластеризация, выполняемая в лабораториях вручную. К сожалению, «ручная» группировка компонент зависит от произвола исследователя. Поэтому результаты группировки для одного и того же набора данных могут оказаться существенно различными у разных исследователей, что вызывает множество сомнений в качестве метода. Целью данного проекта является усовершенствование алгоритма автоматической кластеризации компонент ЭЭГ и его тестирование на реальных данных ЭЭГ.
Мозговые осцилляции — колебания электрических потенциалов, записанных на поверхности головы. Мозговые осцилляции являются результатом суперпозиии сигналов, идущих от разных источников, расположенных внутри мозга. Кроме того, при записи ЭЭГ (электро-) или МЭГ (магнито-энцефалограммы) на мозговые осцилляции накладывается «шум», т. е. сигналы идущие от других источников (электросеть, активность жевательных или глазодвигательных мышц, сосудистый тремор и т. д.). Поэтому существенной задачей компьютерной обработки сигналов является очищение мозговых осцилляций от немозгового шума, а также разделение сигналов, идущих от разных мозговых источников, друг от друга для их более удобного представления. Решение этой проблемы позволит создать более эффективный инструмент работы с нейрофизиологическими сигналами, который может быть использован в клинике или для научно-исследовательских проектов. Нейрофизиологической основой нашего алгоритма является теория осцилляторных систем мозга (Basar, 1998 [14]). Осцилляторные системы мозга — это совокупность клеток и клеточных ансамблей, функционально связанных между собой и относительно изолированных от других систем. Основной характеристикой каждой системы является частотный диапазон колебаний, т.е. внутри осцилляторной системы электрические процессы в клетках проходят в определенных частотных границах. По локализации в мозге осцилляторные системы делятся на глобальные (охватывают одновременно многие участки мозга) и локальные (находятся внутри небольшой области мозга). Глобальные системы, по сути, не имеют локализации, так как они встроены между всеми локальными системами сразу. При функциональной нагрузке на мозг последовательно запускаются и деактивируются несколько осцилляторных систем. Каждая из систем включается в какой-то определенный момент времени, выполняет свою функцию и выключается, передавая эстафету другой системе. Возможна также ситуация конкуренции, когда системы одновременно борются за доминирование в определенном участке мозга. Порядок определения схожих компонент, приведенный ниже, базируется на модели осцилляторных систем. Чтобы определить, зависимы ли процессы между собой с точки зрения нейрофизиологии, при обработке ЭЭГ сигнала необходимо: а. Определить ведущую частоту колебания, т.е. отнести компоненту к одной из осцилляторных систем. б. Определить момент времени, когда система включается в процесс и выключается из него, т.е. классифицировать компоненты по времени мозговой активности. в. Определить те корковые области, в которых данный процесс присутствует, либо, в случае глобальных систем, убедиться в их глобальности и невозможности локализовать. Соответственно, классифицировать компоненты по пространственным свойствам. У различных людей один и тот же физиологический процесс в мозге протекает различным образом, поэтому для удобства сравнения этих процессов необходима гибкая оценка. Оценка должна быть количественной, что позволит повысить объективность по сравнению с ручной кластеризацией компонент в физиологически-зависимые кластера. |
Probation of Automatical Features Selection (Separation) Algorithm... Апробирование автоматического алгоритма выделения особенностей среди ээг компонент |
1. Общая характеристика пакета Signal Processing [1] Цель работы: Получить основные навыки работы в среде Matlab. Изучить возможности пакета Signal Processing Toolbox по генерации сигналов.... |
||
Периодическое издание «Австрийский журнал технических и естественных наук». Выпуск №3-4/2014 Ассоциация перспективных исследований и высшего образования «Восток-Запад», г. Вена, Австрия («East West» Association for Advanced... |
Поиск на сайте Главная страница Литература Доклады Рефераты Курсовая работа Лекции |