Добавил:
Upload Опубликованный материал нарушает ваши авторские права? Сообщите нам.
Вуз: Предмет: Файл:
КОНСПЕКТ ЛЕКЦИЙ_БІОМЕДИЧНІ ЕЛЕКТРОННІ СИСТЕМИ_ МОДУЛЬ ФУНКЦІОНАЛЬНА ДІАГНОСТИКА.doc
Скачиваний:
2
Добавлен:
01.07.2025
Размер:
18 Мб
Скачать
☆

4.6. Застосування аналізу еег для прогнозування епілептичних нападів

Епілепсія – це хвороба, яка виникає в результаті надмірної патологічної електричної активності окремих частин головного мозку, що приводить до періодичних судомних нападів. Епілепсія є одним з найбільш розповсюджених неврологічних захворювань в світі, на яке страждає приблизно 1% населення планети будь-якого віку. Специфікою захворювання є періодичність нападів на фоні загального благополуччя та відсутності клінічних симптомів, неможливість для лікаря в більшості випадків безпосередньо бачити напад, а також, амнезія, яка супроводжує напад та ускладнює, а в ряді випадків і унеможливлює проведення діагностики без допомоги електроенцефалографії. Саме тому при епілепсії електроенцефалографічне дослідження має особливо велике діагностичне значення.

Основним способом лікування епілепсії сьогодні є медикаментозне лікування. При такому методі лікування пацієнтам необхідно протягом тривалого часу кожного дня приймати фіксовану дозу протисудомних ліків задля забезпечення постійної концентрації ліків у крові. В той самий час, приблизно третина хворих на епілепсію у світі резистентна до медикаментозної терапії. У випадку, коли напади не можуть бути контрольовані, хворі на епілепсію мають безліч обмежень у соціальній та багатьох інших сферах життя, що неминуче призводить до значного зниження якості життя хворих. Для таких хворих може бути запропоновано хірургічний спосіб лікування. Але у випадках коли існує декілька локальних фокусів епілептичної активності або при деяких видах епілепсії, хірургічне втручання може бути неефективним.

Задля підвищення якості життя хворих, в яких неможливо повністю припинити напади, розробляються прилади, які здатні попередити про можливість нападу або завадити початку нападу. В наш час підтвердженим методом для усунення нападів є стимуляція блукаючого нерву (VNS – vagus nerve stimulation). Досвід у застосуванні прямої стимуляції мозку та стимуляції блукаючого нерву показує значно меншу шкоду в порівнянні з медикаментозним лікуванням.

Причиною недостатньої ефективності заходів щодо зменшення кількості епілептичних нападів може бути відсутність адаптивних методів прогнозування нападів, адже в більшості існуючих пристроїв ведеться неперервна стимуляція, параметри якої підбираються лікарем для кожного пацієнта індивідуально. Також, задача попередження про можливість нападу є актуальною у випадку, коли неможливо йому завадити. Успішне прогнозування епілептичних нападів дасть можливість для покращення існуючих та розробки нових стратегій лікування епілепсії та розуміння природи епілепсії взагалі.

При прогнозуванні епілептичних нападів найбільшу увагу приділяють аналізу сигналів електроенцефалограм та інтракраніальних електроенцефалограм (іЕЕГ).

Прогнозування нападів

Під прогнозуванням епілептичних нападів розуміється ідентифікація часу, коли найбільш вірогідний початок нападу. В порівнянні з сигналами ЕЕГ, іЕЕГ містять значно меншу кількість перешкод в сигналі і мають значно більше відношення сигнал/шум. Використання саме сигналів ЕЕГ для прогнозування епілептичних нападів пов’язано з тим, що вони є найбільш доступною характеристикою діяльності мозку.

Сигнал ЕЕГ можна умовно розділити на три періоди: між нападами, перед нападом та період нападу. Період між нападами є періодом, в якому немає проявів епілептичного нападу та не містить ознак наближаючогося нападу. Під періодом сигналу перед нападом розуміється такий період, в якому можна знайти ознаки нападу що наближається. Період нападу – період сигналу ЕЕГ, під час якого відбувається напад.

У більшості запропонованих нині методах прогнозування епілептичних нападів застосовується аналіз сигналу в ковзному вікні. Вибір довжини вікна залежить від методу виділення ознак і може варіюватися від долі секунди до декількох годин, але найчастіше складає приблизно 10-40 секунд.

Система прогнозування епілептичних нападів складається з таких основних блоків: блок попередньої обробки сигналу, блок виділення ознак, блок вибору та обробки ознак, блок класифікації на основі ознак та блок постобробки результатів (рис. 4.10).

Рис. 4.10. Структурна схема системи прогнозування епілептичних нападів

В кожному блоці системи застосовуються різні методи аналізу сигналів. Результат прогнозування залежить від властивостей цих методів, їх обмежень та способу їх використання в поєднанні один з одним.

Попередня обробка сигналу

При попередній обробці сигналу ЕЕГ для прогнозування епілептичних нападів використовуються фільтри для зменшення впливу мережевої перешкоди на сигнал та для позбавлення сигналу від постійної складової. Варто зауважити, що при прогнозуванні нападів ознаки можуть бути отримані одночасно з монополярних відведень сигналу, біполярних та похідної сигналу. При реєстрації сигналу з монополярним способом відведень один з кожної пари електродів розміщується над відповідною ділянкою мозку, а другий є віддаленим від мозку референтом. Часто загальним референтом виступає об’єднаний вушний референт. При біполярному відведенні обидва електроди розташовуються над мозком і реєструється різниця потенціалів цих двох областей. На практиці частіше використовуються монополярні відведення так як сигнал, зареєстрований таким чином можна легко перерахувати у біполярні відведення.

Методи виділення ознак

Під ознакою розуміється кількісна або якісна характеристика сигналу, яка може бути використана для прогнозування нападів. Виділення ознак полягає в розрахунку параметрів сигналу ЕЕГ, які будуть використані для подальшої класифікації та прогнозування. При прогнозуванні епілептичних нападів на основі аналізу сигналу ЕЕГ може бути одночасно використано велику кількість ознак. Ознаки можуть бути отримані як незалежно одна від одної, так і декілька методів виділення можуть бути поєднані в один (наприклад, отримання ознак після вейвлет перетворення). Далі наведено опис ознак, які найчастіше застосовуються при прогнозуванні епілептичних нападів.

Аналіз сигналу в часовій області

Аналіз енергії сигналу. Метод базується на аналізі середньої енергії сигналу, яка визначається як:

де E – енергія сигналу, x – відліки вхідного сигналу, N – кількість відліків у вікні спостереження, D – зсув вікна.

Було запропоновано використовувати відношення між коротко тривалою енергією (КТЕ – середня енергія в інтервалі довжиною 1 хвилина) та довго тривалою енергією (ДТЕ – середня енергія в інтервалі довжиною 20 хвилин). Хоча метод і показав певні перспективи у виявленні провісників нападу в ЕЕГ при деяких умовах, в багатьох роботах зазначається його низька ефективність.

Довжина кривої. Довжина кривої CL в дискретному вигляді розраховується як:

де x – відліки вхідного сигналу, N – довжина вікна спостереження у відліках, D – перекриття вікон.

Довжину кривої, як ознаку для прогнозування нападів, було використано разом з середньою та нелінійною енергією сигналу, спектральною ентропією та іншими ознаками. З поєднанням цих ознак з генетичними алгоритмами для вибору ознак та імовірнісною нейронною мережею для класифікації було досягнуто чутливості прогнозування 62,5% та специфічності 90,47%.

Нелінійна енергія. Нелінійна енергія NE сигналу визначається як:

де x – відліки вхідного сигналу.

Отримані значення NE потім осереднюється з використанням вікна Ханна:

де N – довжина вікна спостереження у відліках, D – перекриття вікон у відліках.

Евклідова відстань. Евклідова відстань ED є мірою схожості двох послідовностей та і визначається як

де N- кількість відліків у досліджуваних послідовностях.

Аналіз сигналу після перетворення

Результат перетворення може бути як ознакою або набором ознак, так і лише частиною методу виділення ознак з подальшим послідовним застосуванням інших методів виділення ознак.

Спектральний аналіз. Методи виділення ознак, які базуються на спектральному аналізі сигналу, мають на основі припущення, що існує відмінність між спектральними складовими періодів сигналу між нападами, перед нападами та під час нападів. Ознаками вважаються частотні складові сигналу, які змінюються при переході від одного стану до іншого. Для аналізу може використовуватись безпосередньо сигнал ЕЕГ, сигнал, перерахований у біполярні відведення, та перша похідна сигналу. Розрахунок спектральної потужності проводився кожні 10 секунд у вікні довжиною 20 секунд з розбиттям спектру сигналу на дев’ять ритмів. Виділені ознаки потім класифікувались за допомогою методу опорних векторів. Можна показати, що саме таке поєднання лінійного методу виділення ознак та нелінійного методу класифікації дозволяє отримати високу чутливість прогнозування 97,5%.

Через необхідність враховувати обмеження в частотній та часовій роздільній здатності, замість спектрального аналізу часто використовують вейвлет-аналіз.

Вейвлет-аналіз. Вейвлет-перетворення – представлення сигналу у вигляді суми функцій-вейвлетів, кожна з яких є розтягнутою або стиснутою та зміщеною в часі копією єдиної материнської вейвлет-функції. В переважній більшості випадків використовується вейвлет-розклад в ортогональному базисі , утвореному за допомогою зсуву та масштабування материнської функції:

де m та n – цілі числа. Завдяки накладенню умови ортонормованості, коефіцієнти вейвлет-розкладу сигналу можуть бути легко отримані за формулою

і формула

може бути використана для відновлення за допомогою коефіцієнтів розкладу.

При застосуванні вейвлет аналізу найважливішим аспектом є підбір материнської функції для конкретної задачі. Так, в деяких роботах для виділення ознак використали 5-рівневе вейвлет-перетворення з материнською функцією Добеши-4 для двох-секундних епох двох каналів ЕЕГ. Далі безпосередньо з вейвлет коефіцієнтів було отримано три ознаки: відносна середня амплітуда, відносна масштабна енергія та коефіцієнт варіації амплітуди. Також, для вирішення задачі прогнозування епілептичних нападів можлива розробка спеціальної материнської функції.

Оцінка синхронізації

Фазова синхронізація. Фазова синхронізація визначається як сталість різниці фаз між двома коливаннями та , які характеризують роботу систем:

де та - фази коливань та відповідно.

Чисельною характеристикою фазової синхронізації є коефіцієнт фазової синхронізації (КФС), який описує рівень синхронності зміни фаз та стабільність різниці фаз для двох сигналів в певному частотному діапазоні. КФС можна розрахувати за формулою:

,

де PLV - коефіцієнт фазової синхронізації (КФС);

N – кількість вимірювань сигналу, які використовуються;

f – частота, на якій досліджується синхронізація;

t – момент часу, для якого розраховують миттєві фази;

– різниця фаз для n-ої пари сигналів на частоті f в момент часу t.

Таку оцінку фазової синхронізації було застосовано для сигналів ЕЕГ, які містять 14 нападів з 10 пацієнтів з фокальною лобною епілепсією. Так, для 12 з 14 нападів прогнозування з використанням коефіцієнту фазової синхронізації було успішним та мало доволі велику специфічність на інтервалах без нападів, середній час прогнозування до нападу становив в середньому 86 хвилин.

Синхронізація затримок. Синхронізація затримок визначається як такий стан двох систем, коли стани цих систем і є затриманими один відносно одного на :

.

Мірою такої синхронізації є лінійна кросс-кореляційна функція, яка визначається як

і приймає максимальні значення для таких , коли сигнали і є найбільш схожими. На практиці, задля незалежності кросс-кореляційної функції від дисперсії сигналів, використовується нормована кросс-кореляційна функція

І максимум лінійної кросс-кореляції визначається як

,

де означає, що дві системи точно задовольняють критерію синхронізації затримок, а для несинхронних систем значення є близьким до нуля.

Максимум лінійної кросс-кореляції також було використано і порівняно з коефіцієнтом фазової синхронізації цей параметр дав приблизно такі ж самі результати та середній час прогнозування до нападу становив 102 хвилини.

Ентропійний аналіз

Спектральна ентропія. Спектральна ентропія SE дозволяє оцінити вклад в ентропію окремих частотних складових сигналу і отримується з дискретного перетворення Фур’є:

де

де x – відліки вхідного сигналу, N – довжина вікна спостереження у відліках.

Ентропія перестановок. Ентропія перестановок — це характеристика хаотичності сигналу та невпорядкованості його значень, яка визначається на основі підходів символьної динаміки. Ентропія перестановок визначається як:

де сума проходить по перестановкам порядку . може мати значення від 0 до і чим більшим є значення, тим більш випадковою є часова послідовність.

В деяких роботах було проаналізовано сигнали ЕЕГ людей, хворих на епілепсію, та сигнали здорових людей. Було визначено, що зазначається висока чутливість ентропії перестановок до наближаючогося нападу для каналів сигналу, які вимірюються з фронтальних ділянок голови, в той час, як у сигналах здорових людей подібних явищ не було виявлено.

Аналіз у фазовому просторі

Показник Ляпунова. Показник Ляпунова є нелінійною мірою середньої швидкості дивергенції/конвергенції двох сусідніх траєкторій в динамічної системи і залежить від чутливості початкових умов. Кількісно міра відстані між двома траєкторіями у фазовому просторі з початковою відстанню може бути описана як:

де - показник Ляпунова. Позитивний знак показника Ляпунова означає, що траєкторії сходяться, що зазвичай приймається як ознака того, що система є хаотичною. Кількість показників Ляпунова дорівнює кількості вимірів у фазовому просторі.

Кореляційна розмірність. Кореляційна розмірність є мірою того, наскільки близько в деякому просторі знаходяться фазові траєкторії для деякої системи.(розмірності простору, зайнятого набором випадкових точок, ) і визначається як

де є кореляційною сумою, яка визначається як

де - кількість станів , - порогова відстань, - норма (наприклад, евклідова), - функція Хевісайда.

Отримання ознак на основі моделювання

Авторегресійне моделювання. Авторегресійне моделювання застосовується для розрахунку полюсів предиктора за допомогою отриманих з моделі коефіцієнтів прогнозу. Розташування полюсів на z- та s-площинах описується як функція від часу з кроком 0.1 с. У 10 з 12 пацієнтів, хворих на епілепсію, та в 25 з 28 записів таке представлення полюсів предиктора виявило специфічний паттерн, пов’язаний з початком нападу. Траєкторія «найбільш рухливого полюсу» протягом періоду перед нападом дозволяє прогнозувати напад за декілька секунд.

Методи вибору та обробки ознак

Вибір ознак полягає у виборі з усіх виділених ознак саме тих, за допомогою яких буде здійснюватися прогнозування. Блок вибору ознак може бути відсутній, оскільки для багатьох методів виділення ознак подальший вибір ознак для коректної класифікації не потрібне. Також, блок вибору ознак може бути суміщеним з блоком класифікації (наприклад, при використанні нейронних мереж). Обробка ознак проводиться при необхідності їхнього поліпшення задля подальшого аналізу і, зазвичай, використовує стандартні методи обробки сигналів, такі як згладжування сигналу, нормалізація та інші. Тому далі розглянемо лише методи вибору ознак.

Генетичні алгоритми. Генетичні алгоритмі працюють по аналогії до біологічної еволюції. На виході генетичних алгоритмів кожен результат має вигляд потоку бітів, який називається «хромосомою». Кожна хромосома складається з рядів бітів або «генів», зміст яких називається алелями. Така хромосома використовується для того, щоб визначити значущі ознаки з набору всіх ознак. Прикладом застосування генетичних алгоритмів для вибору ознак при прогнозуванні епілептичних нападів є робота, в якій хромосома складалася з чотирьох генів, які, в свою чергу, містили інформацію про: 1) канали сигналу; 2) ознаки першого рівня; 3) ознаки другого рівня; 4) ознаки третього рівня. Ефективність кожної ознаки визначається за допомогою роздільного відношення Фішера (Fisher’s discriminant ratio) для двох класів: стан перед нападом і стан, коли напад не очікується. Роздільне відношення Фішера FDR для -ї ознаки визначається як

,

де - кількість класів, -середнє значення -ї ознаки -го класу, - стандартне відхилення -ї ознаки -го класу.

Методи класифікації

В блоці класифікації визначається приналежність обраних ознак до деяких класів, на основі чого визначається імовірність нападу в деякому інтервалі часу в майбутньому та приймається рішення про попередження про напад, що наближається.

Порогові методи класифікації. Найпростішими методами класифікації ознак є методи порогової класифікації. Такі методи базуються на виборі деякого порогового значення ознаки, при перевищенні якого вважається, що наближається напад.

Класифікація на основі формули Баєса. Формула Баєса використовується для оцінки імовірності деякої події на основі експериментальних даних. При прогнозуванні епілептичних нападів під подією розуміється прояв нападу, а спостережуваною подією є ознаки. Тому, в такому випадку формула Баєса прийме вигляд

і

.

Метод опорних векторів. Метод опорних векторів використовується для вирішення задачі класифікації при наявності двох класів. Ідея полягає у розташуванні вхідних векторів у високо-розмірному просторі ознак. Далі в такому просторі ознак будується поверхня таким чином, щоб досягнути якомога вищої роздільності ознак. Метод опорних векторів є одним з найпотужніших засобів в обробці сигналів та машинному навчанні. Цей метод найчастіше використовують для класифікації ознак при прогнозуванні епілептичних нападів.

Метод опорних векторів може використовувати різні ядра, наприклад, ядро Гауса:

,

де - коефіцієнт масштабу, вектори та - вектори ознак.

Згорткові мережі. Згорткові мережі є здатними до тренування, багатошаровими нелінійними системами, які створені для виділення та класифікації високо-розмірних патернів із зображень та багатовимірних часових послідовностей. Вони можуть розглядатись як багатошарові нейронні мережі, в яких кожен шар представляє собою банк фільтрів з фінітною імпульсною характеристикою. Було проведено порівняння результатів використання методу опорних векторів та згорткової мережі для прогнозування епілептичних нападів на основі аналізу сигналу іЕЕГ. В результатах роботи зазначається, що при використанні згорткової мережі було досягнуто нульової кількості помилкових прогнозів для 20 пацієнтів з 21, в той час як метод опорних векторів дав такий результат тільки для 11. Але варто зазначити, що метод опорних векторів показав найкращий результат на тому сигналі, на якому використання згорткової мережі дало незадовільний результат.

Постобробка результатів

В існуючих методах прогнозування епілептичних нападів постобробка результатів після класифікації застосовується нечасто. Іноді використовують фільтр Калмана для позбавлення від спорадичних помилкових тривог після класифікації за допомогою методу опорних векторів.