Анализ ЭЭГ

Клинический анализ ЭЭГ

➥ Основная статья: Клинический анализ ЭЭГ

Виды клинического анализа ЭЭГ

Клинический ЭЭГ-анализ широко используется для диагностики патологических состояний в головном мозге. Основная часть клинического анализа ЭЭГ направлена на выявление эпилептических припадков, обнаружение эпилептиформных разрядов в ЭЭГ, что является важным компонентом в диагностике эпилепсии. Тщательный клинический анализ записей ЭЭГ позволяет улучшить понимание механизмов, вызывающих эпилептические расстройства.1 Также анализ ЭЭГ полезен в диагностике болезни Альцгеймера, тремора2 и т. д.

Можно выделить три относительно самостоятельных направления клинической ЭЭГ: эпилептологическое, неэпилептологическое и ЭЭГ критических состояний (ЭЭГ-исследования выполняемые в отделении реанимации при острой церебральной недостаточности). Каждое из выделенный направлений имеет свои специфические задачи, которые ставятся перед врачом-нейрофизиологом. Решение этих задач должно быть отражено в структуре и в содержании ЭЭГ-заключения.

➥ Основная статья: Заключение ЭЭГ: интерпретация результатов

Пример заключения ЭЭГ
Пример заключения ЭЭГ

В записи ЭЭГ регистрируются легкие регуляторные изменения биоэлектрической активности головного мозга в виде снижения реактивности коры, умеренной дисфункции подкорковых структур, умеренно усиливающейся при гипервентиляции и локальных преходящих кратковременных изменений по типу снижения функции в правой височно-центрально-теменной области, возможно, обусловленные сосудистой патологией в бассейне правой ПА. Типичные эпикомплексы не зарегистрированы. В сравнении с пред. ЭЭГ регистрируется - положительная динамика

Заключение, как правило, содержит следующие разделы:

  1. паспортная часть;
  2. условия регистрации;
  3. характеристика спонтанной активности и результаты выполнения стандартных функциональных проб в состоянии спокойного бодрствования;
  4. клинико-электрофизиологическое заключение как резюмирующая часть, обобщающая полученные данные.

В паспортной части указываются название исследования (например, амбулаторная ЭЭГ, видео-ЭЭГ-мониторинг дневной или ночного сна), номер исследования по Журналу учета выполненных исследований, дата исследования. Заключение — это документ, который должен содержать обязательную атрибутику.

Далее в паспортной части указываются Ф.И.О. пациента, его возраст и (или) дата рождения. В этой же части, как правило, отображается информация о получаемой пациентом противоэпилептической терапии: наименование препаратов и их дозировка.

Условия регистрации. В данном разделе необходимо указать все те факторы, которые могут влиять на интерпретацию результатов: наличие недавнего эпилептического приступа, отсутствие продуктивного контакта с пациентом и др. Указывается наличие миографических, окулографических, электрокардиографических, кожно-гальванических и других артефактов, если они были стойкими и выраженными.

Раздел «Условия регистрации» также содержит информацию об используемом оборудовании, примененных для анализа электродных монтажах и технических условиях регистрации (диапазон фильтрации). Формулировка может быть записана так: «ЭЭГ анализировалась в стандартных монополярных и биполярных монтажах».

Основная описательная часть включает развернутую характеристику феноменологии, которая получена при ЭЭГ исследовании. Описание должно быть изложено достаточно детально, объективно и с использованием общепринятой терминологии. Необходимо отразить регистрируемые паттерны ЭЭГ и зафиксированные события без их интерпретации.

Оценка результатов ЭЭГ выполняется визуально-логическим методом анализа, который при необходимости дополняется результатами математического анализа ЭЭГ. Результаты клинического анализа ЭЭГ и их интерпретация отражаются в резюмирующей части как итоговое клинико-электрофизиологическое заключение. Эта часть является итогом всего исследования.

Описательная часть клинического заключения содержит перечисление основной зарегистрированной феноменологии и описание явлений ЭЭГ. Клиническая часть должна содержать обобщающие умозаключения, логично обоснованные полученной информацией. Итоговое заключение должно быть написано ясным профессиональным языком, но без излишнего использования узкоспециализированных нейрофизиологических терминов. Заключение, как документ, должно быть понятно врачам других специальностей.

Клиническое заключение должно содержать следующие разделы:

  1. Оценка общего состояния биоэлектрической активности головного мозга, соответствие ЭЭГ возрастной норме;
  2. ЭЭГ может быть оценена как «вариант нормы». При выявлении патологических или дисфункциональных изменений на ЭЭГ дается их развернутая характеристика;
  3. Степень тяжести изменений или нарушений. Наиболее часто употребимыми оценочными категориями степени нарушений является ряд «легкие—умеренные—выраженные—грубые—очень грубые»;
  4. Характеристика выявленных диффузных (генерализованных) нарушений;
  5. Характеристика выявленных локальных нарушений: локализация; специфичность (эпилептиформные, неэпилептиформные), наличие вторичной генерализации;
  6. При наличии достаточной информации делается вывод о вовлечении в патологический процесс срединных структур мозга, об уровне поражения и его характере (ирритация, дисфункция, выпадение).

Компьютерный (автоматический) анализ ЭЭГ

Анализ электроэнцефалограмм основан на применении методов математического анализа и компьютерных технологий для извлечения информации из полученных сигналов. 

Цели анализа ЭЭГ: 

  • обеспечить более глубокое понимание при исследованиях мозга; 
  • помощь врачам при диагностике заболеваний и выборе методов лечения;
  • развитие технологий нейро-компьютерного интерфейса (НКИ). 

Существуют различные классификации методов анализа ЭЭГ. Если для анализа ЭЭГ-сигналов используется математическая модель, то данный метод классифицируется как параметрический, в противном случае – как непараметрический.

Традиционно большинство методов анализа ЭЭГ делятся на четыре категории:3

  • Временные методы,
  • Частотные методы, 
  • Частотно-временные методы,
  • Нелинейные методы. 

Существуют также более поздние методы, включающие использование нейронных сетей глубокого обучения.

Этапы компьютерного анализа ЭЭГ

➥ Основная статья: Этапы компьютерного анализа ЭЭГ

Этапы компьютерного анализа ЭЭГ

С целью структуризации процесс анализа ЭЭГ условно разделен на ряд этапов, каждый из которых сопряжен с определенными целями и задачами:

  • Предобработка;
    • Изменение формата данных;
    • Понижение частоты дескритизации;
    • Сегментация;
    • Удаление шума и артефактов;
      • Фильтрация;
      • Удаление плохих каналов и интерполяция;
      • Коррекция артефактов.
    • Ремонтаж.
  • Выделение признаков;
  • Отбор признаков;
  • Классификация;
  • Коннективность;
  • Визуализация.

Виды анализа ЭЭГ

Временной анализ

Анализ во временной области (анализ сигнала ЭЭГ как функция времени) и анализ в частотной области (анализ сигнала ЭЭГ как функция частоты)

В анализе частотной области преобразование Фурье (ПФ) - важный математический метод, который переводит сигнал из временной в частотную область. Аналогия - белый свет (необработанные сигналы ЭЭГ, отмеченные звездочкой в A), проходящий через призму (ПФ) и распадающийся на спектр отдельных цветов (спектр частот) с разной интенсивностью (амплитудой); B. Те же необработанные сигналы ЭЭГ (*), разбитые на частоты с определенными амплитудами, которые отображаются в частотной области (мощность или квадрат амплитуды в зависимости от частоты). Обратите внимание, что не все выделенные частоты начинаются синхронно друг с другом относительно начала координат (фазы)

Данные методы позволяют динамически оценивать и прогнозировать основные свойства сигнала, связанные с его развитием (изменением) во времени.

Существует два основных временных метода анализа ЭЭГ: линейное предсказание и анализ компонент. 

Линейное предсказание – это математическая операция, в которой будущие значения сигнала на дискретной временной шкале рассчитываются как линейная функция от предыдущих результатов.

Анализ компонент – это метод анализа, в котором набор данных сопоставляется с набором функций. Полученные данные заносятся в таблицу (матрицу), строки и столбцы которой нумеруются. После этого производится понижение размерности посредством замены изначальной матрицы двумя новыми, размерность которых ниже, чем у изначальной. Это достигается путем уменьшения количества столбцов (при сохранении количества строк) до определенной величины. Если данная величина выбрана верно, итоговая матрица несет в себе столько же информации, сколько и исходная.

Необходимо отметить, что при временном методе параметры целиком основываются на времени, но они так же могут быть получены из статистических показателей спектральной плотности мощности. СПМ – функция, описывающая распределение мощности сигнала в зависимости от частоты, то есть мощность, приходящаяся на единичный интервал частоты.

В результате данная группа методов устанавливает связь между интерпретацией физического времени и традиционным спектральным анализом.4 Кроме того, описанные методы предлагают способ оперативного измерения основных свойств сигнала посредством расчета на основе времени, который требует менее сложного оборудования по сравнению с обычным частотным анализом.5

Частотный анализ

➥ Основная статья: Спектральный анализ

Частотный анализ (спектральный анализ) – наиболее распространенный метод анализа ЭЭГ и является стандартным и одним из самых простых и эффективных методов. Он позволяет трактовать информацию, содержащуюся в частотных характеристиках сигналов ЭЭГ. Это достигается путем применения статистических методов и методов преобразования Фурье.6 Среди всех спектральных методов наиболее часто используется анализ спектральной плотности мощности, поскольку спектр мощности отражает «частотное содержание» сигнала или распределение мощности сигнала в зависимости от частоты.7

Частотно-временной анализ

Вейвлет-преобразование или вейвлет-анализ – является типичным методом частотно-временного анализа. С помощью данного метода возможно выделять свойства биологических сигналов во временной и частотной областях.8 Т.е. посредством вейвлет-преобразования записей ЭЭГ переходные характеристики могут быть точно зафиксированы и локализованы как во временном, так и в частотном контексте.

Таким образом, вейвлет-преобразование позволяет анализировать нервные ритмы в разных масштабах, в т.ч. и микромасштабные, игнорируя влияние других уровней.910 

➥ Основная статья: Вейвлет анализ ЭЭГ

Помимо вейвлет-преобразования, существует еще один известный частотно-временной метод, называемый преобразованием Гильберта-Хуанга, который может раскладывать сигналы ЭЭГ на эмпирические моды или внутренние колебания (англ. intrinsic mode functions, IMF) для сбора мгновенных частотных данных.1112

Нелинейный анализ

Многие явления в природе являются нелинейными и нестационарными, в т.ч. и сигналы ЭЭГ. Эта особенность увеличивает сложность их интерпретации, делая применение линейных методов (перечисленных выше) ограниченным. С 1985 года, когда два пионера в нелинейном анализе ЭЭГ, Рапп и Боблоянц, опубликовали свои первые работы, теория нелинейных динамических систем, также называемая «теорией хаоса», широко применяется в области анализа ЭЭГ.13 Для проведения нелинейного анализа ЭЭГ исследователи использовали такие нелинейные параметры, как: показатель Ляпунова, размерность корреляции, приблизительная энтропия и выборочная энтропия.1415

В данном случае теория хаоса – это математический аппарат, описывающий поведение некоторых нелинейных динамических систем. Математические системы с хаотическим поведением, хотя и выглядят случайными, являются детерминированными, то есть подчиняются некоторому строгому закону, и, в некотором смысле, являются упорядоченными. Теория хаоса гласит, что сложные системы чрезвычайно зависимы от первоначальных условий, и небольшие изменения в окружающей среде могут привести к непредсказуемым последствиям.

Показатель Ляпунова – величина, характеризующая скорость удаления друг от друга траекторий в системе с хаотическим поведением. Положительность показателя Ляпунова обычно свидетельствует о хаотическом поведении системы.

Корреляционная размерность (сorrelation dimension) – мера размерности пространства, занимаемого набором точек, входящих в хаотическую систему.

Энтропия подобия (аппроксимированная энтропия, approximate entropy) – это показатель регулярности временного ряда данных. Например, возьмем последовательность чисел [10,20,10,20,10,20…], в которой чередуются числа 10 и 20, и [10,10,20,10,20,20…], где каждое последующее значение выбирается случайно с вероятностью 50%. Различить их с помощью среднего значения, дисперсии или ранговых порядков не представляется возможным. Однако с точки зрения энтропии первый ряд совершенно регулярен – т.е. знание того, что один член имеет значение 20, позволяет с уверенностью предсказать, что следующий член будет иметь значение 10. В то же время второй ряд – совершенно нерегулярен – т.е. знание того, что один член имеет значение 20, не дает представления о том, какое значение будет иметь следующий член. Применительно к ЭЭГ это позволяет достоверно определять на графике приступы эпилепсии,16 факт употребления наркотических веществ17 и шизофрению.18

Энтропия шаблонов (sample entropy) – модификация показателя приблизительной энтропии. Суть улучшения состоит в том, что при вычислении приблизительной энтропии производится сравнение шаблонов не только с остальными показателями, но и с самими собой, что приводит к занижению показателей энтропии и завышению показателей регулярности. Выборочная энтропия этот недостаток исключает путем отсутствия операции сравнения шаблона с самим собой.

Методы с применением нейронных сетей

Применение нейронных сетей возможно для классификации электроэнцефалографических сигналов. В большинстве случаев данные ЭЭГ подвергаются предварительной обработке по методу вейвлет-преобразования до помещения в нейронные сети.1920 

После прорыва в технологиях глубокого обучения и сверточных нейронных сетей (СНС), именно метод СНС стал основным в анализе ЭЭГ с применением глубокого обучения.2122 

Низкоуровневые СНС даже при ограниченном обучении продемонстрировали конкурентоспособную точность работы с базами данных и достигли высокой производительности декодирования. 

Кроме того, данные ЭЭГ, используемые как входные данные для нейронных сетей, требуют безопасного хранения и больших вычислительных ресурсов для обработки в реальном времени. Для решения этих проблем было предложено глубокое обучение на основе облачных технологий, которое было представлено для анализа больших данных ЭЭГ в реальном времени.23

Читайте также

Footnotes

  1. Subasi, Abdulhamit; Erçelebi, Ergun (May 2005). “Classification of EEG signals using neural network and logistic regression”. Computer Methods and Programs in Biomedicine78 (2): 87–99. doi:10.1016/j.cmpb.2004.10.009. ISSN 0169-2607. PMID 15848265.
  2. Jeong, Jaeseung; Gore, John C; Peterson, Bradley S (May 2001). “Mutual information analysis of the EEG in patients with Alzheimer’s disease”. Clinical Neurophysiology112 (5): 827–835. doi:10.1016/s1388-2457(01)00513-2. ISSN 1388-2457. PMID 11336898.
  3. Acharya, U. Rajendra; Vinitha Sree, S.; Swapna, G.; Martis, Roshan Joy; Suri, Jasjit S. (June 2013). “Automated EEG analysis of epilepsy: A review”. Knowledge-Based Systems45: 147–165. doi:10.1016/j.knosys.2013.02.014. ISSN 0950-7051.
  4. Hjorth, Bo (September 1970). “EEG analysis based on time domain properties”. Electroencephalography and Clinical Neurophysiology29 (3): 306–310. doi:10.1016/0013-4694(70)90143-4. ISSN 0013-4694. PMID 4195653.
  5. Hjorth, Bo (September 1970). “EEG analysis based on time domain properties”. Electroencephalography and Clinical Neurophysiology29 (3): 306–310. doi:10.1016/0013-4694(70)90143-4. ISSN 0013-4694. PMID 4195653.
  6. Acharya, U. Rajendra; Vinitha Sree, S.; Swapna, G.; Martis, Roshan Joy; Suri, Jasjit S. (June 2013). “Automated EEG analysis of epilepsy: A review”. Knowledge-Based Systems45: 147–165. doi:10.1016/j.knosys.2013.02.014ISSN 0950-7051.
  7. Dressler, O.; Schneider, G.; Stockmanns, G.; Kochs, E.F. (December 2004). “Awareness and the EEG power spectrum: analysis of frequencies”British Journal of Anaesthesia93 (6): 806–809. doi:10.1093/bja/aeh270. ISSN 0007-0912. PMID 15377585.
  8. Adeli, Hojjat; Zhou, Ziqin; Dadmehr, Nahid (February 2003). “Analysis of EEG records in an epileptic patient using wavelet transform”. Journal of Neuroscience Methods123 (1): 69–87. doi:10.1016/s0165-0270(02)00340-0. ISSN 0165-0270. PMID 12581851.
  9. Adeli, Hojjat; Zhou, Ziqin; Dadmehr, Nahid (February 2003). “Analysis of EEG records in an epileptic patient using wavelet transform”. Journal of Neuroscience Methods123 (1): 69–87. doi:10.1016/s0165-0270(02)00340-0. ISSN 0165-0270. PMID 12581851.
  10. Hazarika, N.; Chen, J.Z.; Ah Chung Tsoi; Sergejew, A. (1997). Classification of EEG signals using the wavelet transformProceedings of 13th International Conference on Digital Signal Processing1. IEEE. pp. 89–92. doi:10.1109/icdsp.1997.627975. ISBN 978-0780341371.
  11. Acharya, U. Rajendra; Vinitha Sree, S.; Swapna, G.; Martis, Roshan Joy; Suri, Jasjit S. (June 2013). “Automated EEG analysis of epilepsy: A review”. Knowledge-Based Systems45: 147–165. doi:10.1016/j.knosys.2013.02.014. ISSN 0950-7051.
  12. Pigorini, Andrea; Casali, Adenauer G.; Casarotto, Silvia; Ferrarelli, Fabio; Baselli, Giuseppe; Mariotti, Maurizio; Massimini, Marcello; Rosanova, Mario (June 2011). “Time–frequency spectral analysis of TMS-evoked EEG oscillations by means of Hilbert–Huang transform”. Journal of Neuroscience Methods198 (2): 236–245. doi:10.1016/j.jneumeth.2011.04.013. ISSN 0165-0270. PMID 21524665.
  13. Stam, C.J. (October 2005). “Nonlinear dynamical analysis of EEG and MEG: Review of an emerging field”. Clinical Neurophysiology116 (10): 2266–2301. CiteSeerX 10.1.1.126.4927. doi:10.1016/j.clinph.2005.06.011. ISSN 1388-2457. PMID 16115797.
  14. Acharya, U. Rajendra; Vinitha Sree, S.; Swapna, G.; Martis, Roshan Joy; Suri, Jasjit S. (June 2013). “Automated EEG analysis of epilepsy: A review”. Knowledge-Based Systems45: 147–165. doi:10.1016/j.knosys.2013.02.014. ISSN 0950-7051.
  15. Stam, C.J. (October 2005). “Nonlinear dynamical analysis of EEG and MEG: Review of an emerging field”. Clinical Neurophysiology116 (10): 2266–2301. CiteSeerX 10.1.1.126.4927. doi:10.1016/j.clinph.2005.06.011. ISSN 1388-2457. PMID 16115797.
  16. Qi Yuan, Weidong Zhou, Shufang Li, Dongmei Cai. Epileptic EEG classification based on extreme learning machine and nonlinear features. Epilepsy Research, Volume 96, Issues 1–2, 2011, Pages 29-38, ISSN 0920-1211, doi: 10.1016/j.eplepsyres.2011.04.013
  17. Kyongsik Yun, Hee-Kwon Park, Do-Hoon Kwon, Yang-Tae Kim, Sung-Nam Cho, Hyun-Jin Cho, Bradley S. Peterson, Jaeseung Jeong. Decreased cortical complexity in methamphetamine abusers. Psychiatry Research: Neuroimaging, Volume 201, Issue 3, 2012, Pages 226-232, ISSN 0925-4927, doi: 10.1016/j.pscychresns.2011.07.009
  18. Malihe Sabeti, Serajeddin Katebi, Reza Boostani. Entropy and complexity measures for EEG signal classification of schizophrenic and control participants. Artificial Intelligence in Medicine, Volume 47, Issue 3, 2009, Pages 263-274, ISSN 0933-3657, doi: 10.1016/j.artmed.2009.03.003
  19. Petrosian, Arthur; Prokhorov, Danil; Homan, Richard; Dasheiff, Richard; Wunsch, Donald (January 2000). “Recurrent neural network based prediction of epileptic seizures in intra- and extracranial EEG”. Neurocomputing30 (1–4): 201–218. doi:10.1016/s0925-2312(99)00126-5. ISSN 0925-2312.
  20. Subasi, Abdulhamit; Erçelebi, Ergun (May 2005). “Classification of EEG signals using neural network and logistic regression”. Computer Methods and Programs in Biomedicine78 (2): 87–99. doi:10.1016/j.cmpb.2004.10.009. ISSN 0169-2607. PMID 15848265.
  21. Subasi, Abdulhamit; Erçelebi, Ergun (May 2005). “Classification of EEG signals using neural network and logistic regression”. Computer Methods and Programs in Biomedicine78 (2): 87–99. doi:10.1016/j.cmpb.2004.10.009. ISSN 0169-2607. PMID 15848265.
  22. Übeyli, Elif Derya (January 2009). “Analysis of EEG signals by implementing eigenvector methods/recurrent neural networks”. Digital Signal Processing19 (1): 134–143. doi:10.1016/j.dsp.2008.07.007. ISSN 1051-2004.
  23. Hosseini, Mohammad-Parsa; Soltanian-Zadeh, Hamid; Elisevich, Kost; Pompili, Dario (December 2016). Cloud-based deep learning of big EEG data for epileptic seizure prediction2016 IEEE Global Conference on Signal and Information Processing (GlobalSIP). IEEE. arXiv:1702.05192. doi:10.1109/globalsip.2016.7906022. ISBN 9781509045457.