Этапы компьютерного анализа ЭЭГ

Предобработка

➥ Основная статья: Предобработка ЭЭГ

На этапе предварительной  обработки (англ. preprocessing) с полученным сигналом проводится ряд манипуляций, которые помогают преобразовать необработанные данные в формат, более подходящий для дальнейшей обработки и анализа ЭЭГ.  При этом следует учитывать, что подходы к предварительной обработке ЭЭГ не стандартизированы и вы можете сами выбирать способы преобразования в зависимости от целей вашего исследования.

Изменение формата данных

Для предобработки можно изменять формат данных или импортировать данные (англ. importing data), например, если вы собираетесь анализировать сигнал с помощью программного обеспечения на основе Python, а ваш изначальный формат EDF, то для работы с данным ПО будет необходимо конвертировать его в формат ACII.

Понижение частоты дискретизации

Понижение частоты дискретизации (англ. downsampling) обычно выполняется, когда вы хотите сэкономить память и время обработки сигнала. Выбор частоты дискретизации должен определяться целью вашего исследования. Если цель – это охарактеризовать компоненты потенциала, связанного с событием (ERP), то частота дискретизации 250 Гц может быть более чем достаточной. Если ваше исследование направлено на характеристику высокочастотных колебаний в диапазоне 30–100 Гц, то желательно использовать частоту дискретизации 1000 Гц или даже 2000 Гц.

Cегментация

Под сегментацией (англ. segmentation) понимается процедура, при которой из непрерывного сигнала ЭЭГ извлекаются определенные временные промежутки. Эти временные окна называются “эпохами” и обычно фиксируются во времени в отношении интересующего вас события, например, визуального стимула.

Удаление шумов и артефактов

1. Производить удаление шумов и артефактов можно, применяя для этого фильтры, такие как фильтр верхних частот, для удаления составляющих постоянного тока сигналов (нижних частот), а также дрейфов (обычно достаточно частоты среза  1 Гц). Фильтр нижних частот также может применяться для удаления высокочастотных компонентов. 
2. Во время записи ЭЭГ мы можем получить артефакты, вызванные электродами: их плохим контактом с кожей головы, повреждением, наличием высокого импеданса. Данную проблему можно решить удалением плохого канала (англ. removing bad channels)  и последующей интерполяцией (англ. interpolation) (т.е. заменой плохих фрагментов хорошими за счет данных с других каналов).
3. Для очистки сигналов можно использовать коррекцию артефактов (англ. artifact correction), например, электроокулограммы (EOG), что можно сделать применяя такие методы как метод главных компонент (PCA),¹ линейного дискриминантного анализа (LDA), метод независимых компонент (ICA)²³ и др. Применение этих методов анализа также снижает размерность сигнала, что позволяет уменьшить количество переменных, отсекая лишние данные.

Ремонтаж

Ремонтаж (англ. remonage, re-referencing, reformatting) – изменение референса в оффлайн режиме после проведения записи. Идея ремонтажа заключается в том, чтобы выразить напряжение в каналах скальпа ЭЭГ по отношению к другому, новому эталону. Цифровые системы позволяют переформатировать монтажи, что может способствовать, например, уменьшению шума или увеличению амплитуды для оптимального отображения активности мозга в момент интерпретации сигнала. ⁴⁵

Выделение признаков

Технически, признак представляет собой отличительное свойство, узнаваемое измерение и функциональную компоненту, полученную из фрагмента паттерна. Извлечение признаков (англ. feature extraction) предназначено для минимизации потерь важной информации, заложенной в сигнал, что позволяет выделить все данные, которые могут иметь значение для постановки диагноза или вынесения заключения. То есть мы создаем новый набор признаков, который фиксирует большую часть полезной информации. Кроме того, на этом этапе сокращают объем информации, необходимой для точного описания огромного набора данных т.е. снижается размерность, что позволяет уменьшить время проведения анализа ЭЭГ, не искажая конечный результат. 

Сегодня, благодаря компьютерам, мы можем применять сложные алгоритмы автоматической обработки, которые позволяют извлекать «скрытую» информацию из сигналов ЭЭГ. Для этого мы можем применять несколько методов, таких как функции временной области (среднее значение, стандартное отклонение, энтропия),⁶⁷ функции частотной и частотно-временной области (преобразование Фурье, вейвлет-преобразование и т. д.)⁸⁹ статистические методы, такие как PCA, LDA, ICA.¹⁰¹¹

Отбор признаков

Следующий шаг, называемый отбор признаков (англ. feature selection), обычно, выделяется как необязательный и используется в случае, когда мы имеем большое количество признаков, и хотим изучить те, которые более актуальны для нашего исследования. 

Выбор признаков предназначен для фильтрации нерелевантных или избыточных признаков из вашего набора данных. Ключевое различие между отбором признаков и извлечением состоит в том, что при отборе сохраняется подмножество исходных признаков, а при извлечении признаков создаются новые.

Представьте, что мы хотим найти возможные различия на ЭЭГ в двух разных состояниях: расслабленном и напряженном. Мы можем применить этап выбора признаков, чтобы найти среди нашего большого количества признаков те, которые наиболее различают эти два условия. Для реализации этого этапа применяют, например, генетический алгоритм (англ. genetic algorithm),¹²¹³ квантование вектора обучения (англ. learning vector quantization) или его расширенную версию distinction sensitive learning vector quantization (DSLVQ).¹⁴¹⁵

Классификация

➥ Основная статья: Методы классификации сигналов ЭЭГ

Стоит отметить, что конечной целью обработки ЭЭГ-сигналов является их классификация (англ. сlassification) в соответствии с их свойствами. Используя методы машинного обучения, мы можем обучить классификатор распознавать среди наших признаков, какие из них принадлежат к одному классу (или состоянию, т. е. расслабленному) или к другому (т. е. напряженному).  Для этого возможно применение  искусственных нейронных сетей,¹⁶ линейный дискриминантный анализ, метод опорных векторов и метод k-ближайших соседей.

Выбор метода классификации напрямую зависит от свойств анализируемых данных и имеющихся вычислительных мощностей. Так, например, нейронные сети обладают высокой скоростью работы и просты в использовании, но их производительность напрямую зависит от количества нейронов в скрытом слое, т.е. высокопроизводительные нейронные сети достаточно сложны в создании.

Коннективность

➥ Основаная статья: Коннективность мозга

Используя результаты корреляционного, когерентного и др. методов анализа можно отражать коннективность (англ. connectivity) или связанность,¹⁷ что позволяет выстраивать структуру связей в головном мозге.¹⁸¹⁹ Это можно применить в изучении коннективности и построении коннектома, т.е. исследованиях, связанных с построением структуры связей в нервной системе организма.

Визуализация

Визуализация (англ. visualization) направлена на удобное и понятное для специалиста представление результатов. Это облегчает постановку диагноза, упрощает и уточняет работу аналитика. При работе на данном этапе применяется картирование ЭЭГ.

Самым основным методом визуализации данных ЭЭГ является простой график временных рядов. Время устанавливается по горизонтальной оси, а напряжение по вертикальной оси. Слева обычно в столбик отображены задействованные электроды.

Еще одним распространенным методом является постороение спектральных графиков (спектрограмм), основанных на преобразовании Фурье, либо вейвлет преобразовании. Если по нативной ЭЭГ можно лишь констатировать факт изменчивости основного ритма, то на спектрограммах и визуально, и количественно доступно определить за счет каких частотных компонентов это происходит.²⁰

Визуализация изменений активности мозга, также полезна во время выполнения когнитивной работы для обнаружения и отслеживания динамики и сложности функций мозга, понимания скрытых, новых и сложных нейронных паттернов и тенденций в условиях нормальной и когнитивной нагрузки. Что можно сделать при помощи построения 2D топографических круговых  карт  поля данных, записанных со скальпа, или сферической карты поля ЭЭГ на полуреалистичной 3D модели головы.²¹

Двумерная визуализация часто используется для установления точных взаимосвязей, позволяющих анализировать детали и проводить точные навигационные и дистанционные измерения.

Трехмерная визуализация используется для получения качественной интерпретации, облегчения исследования трехмерного пространства и лучшего понимания функциональной динамики мозговых сетей.

1. Berg P, Scherg M. Dipole modelling of eye activity and its application to the removal of eye artefacts from the EEG and MEG. Clin Phys Physiol Meas. 1991;12 Suppl A:49-54. doi:10.1088/0143-0815/12/a/010.
2. Jung TP, Makeig S, Humphries C, Lee TW, McKeown MJ, Iragui V, Sejnowski TJ. Removing electroencephalographic artifacts by blind source separation. Psychophysiology. 2000 Mar;37(2):163-78. PMID: 10731767.
3. Ricardo Nuno Vigário, Extraction of ocular artefacts from EEG using independent component analysis, Electroencephalography and Clinical Neurophysiology, Volume 103, Issue 3, 1997, Pages 395-404, ISSN 0013-4694, doi: 10.1016/S0013-4694(97)00042-8
4. Kyle Q. Lepage, Mark A. Kramer, Catherine J. Chu, A statistically robust EEG re-referencing procedure to mitigate reference effect, Journal of Neuroscience Methods, Volume 235, 2014, Pages 101-116, ISSN 0165-0270, doi:10.1016/j.jneumeth.2014.05.008.
5. Saurabh R. Sinha, Lucy Sullivan, Dragos Sabau, Daniel San-Juan, Keith E. Dombrowski,k Jonathan J. Halford, Abeer J. Hani, Frank W. Drislane  and Mark M. Stecker. ”American Clinical Neurophysiology Society Guideline 1: Minimum Technical Requirements for Performing Clinical Electroencephalography”. J Clin Neurophysiol 2016;33: 303–307.
6. Pfurtscheller, G., Neuper, C., Strein, T., Pichler-Zalaudek, K., Röthl, W., Radl, W., Passl, R., Spanudakis, S., 1999. Event-related desynchronization (ERD) during movement and imagination of movement in patients with amputated limbs or spinal cord lesions compared to healthy control subjects. Klinische Neurophysiol. 30 (3), 176–183.
7. Bin, G., Gao, X., Yan, Z., Hong, B., Gao, S., 2009. An online multi-channel SSVEP-based brain–computer interface using a canonical correlation analysis method. J. Neural Eng. 6046002, 6. doi:10.1088/1741-2560/6/4/046002.
8. Semmlow, J., 2004. Biosignal and Biomedical Image Processing. Marcel Dekker, New York.
9. Bassani T., Nievola J.C. (2010) Brain-Computer Interface Using Wavelet Transformation and Naïve Bayes Classifier. In: Hussain A., Aleksander I., Smith L., Barros A., Chrisley R., Cutsuridis V. (eds) Brain Inspired Cognitive Systems 2008. Advances in Experimental Medicine and Biology, vol 657. Springer, New York, NY, doi:10.1007/978-0-387-79100-5_8.
10. Selim, A., Wahed, M., Kadah, Y., 2014. Electrode reduction using ICA and PCA in P300 visual speller brain-computer interface system. Conference on Biomedical Engineering (MECBME), Middle East.
11. Khan, O.I., Farooq, F., Akram, F. et al. Robust extraction of P300 using constrained ICA for BCI applications. Med Biol Eng Comput 50, 231–241 (2012), doi:10.1007/s11517-012-0861-4.
12. Samira Vafay Eslahi, Nader Jafarnia Dabanloo, Keivan Maghooli. “A GA-based feature selection of the EEG signals by classification evaluation: Application in BCI systems”. Submitted on 16 Jan 2019
13. Nicolas-Alonso, L., Gomez-Gil, J., 2012. Brain computer interfaces: a review. Sensors 12 (2), 1211–1279.
14. Jamaloo, F., Mikaeili, M., 2015. Discriminative common spatial pattern sub-bands weighting based on distinction sensitive learning vector quantization method in motor imagery based brain- computer interface. J. Med. Signal. Sens. 5 (3), 156–161.
15. Bruno Direito, João Duarte, César Teixeira, Björn Schelter, Michel Le Van Quyen, Andreas Schulze-Bonhage, Francisco Sales, António Dourado, Feature selection in high dimensional EEG features spaces for epileptic seizure prediction, IFAC Proceedings Volumes, Volume 44, Issue 1, 2011, Pages 6206-6211, ISSN 1474-6670, ISBN 9783902661937, doi: 10.3182/20110828-6-IT-1002.03331.
16. Hazrati MKh, Erfanian A. An online EEG-based brain-computer interface for controlling hand grasp using an adaptive probabilistic neural network. Med Eng Phys. 2010 Sep;32(7):730-9. doi: 10.1016/j.medengphy.2010.04.016.
17. Pereda E, Quiroga RQ, Bhattacharya J. Nonlinear multivariate analysis of neurophysiological signals. Prog Neurobiol. 2005 Sep-Oct;77(1-2):1-37. doi: 10.1016/j.pneurobio.2005.10.003.
18. Незнамов Г.Г., Бочкарев В.К., Реутова М.А., Сюняков С.А. Межзональные связи на ЭЭГ и их соотношение с субъективной оценкой действия однократной дозы феназепама у больных с тревожными расстройствами // Журнал неврологии и психиатрии. – 2012. – №3. – С. 50-56.
19. Wendling F, Ansari-Asl K, Bartolomei F, Senhadji L. From EEG signals to brain connectivity: a model-based evaluation of interdependence measures. J Neurosci Methods. 2009 Sep 30;183(1):9-18. doi: 10.1016/j.jneumeth.2009.04.021.
20. Kristjan Korjus, Ilja Kuzovkin. “Visualization of intracranial EEG data”.  Project in Data Mining course, pp. 6-8, pp. 10-11, Tartu 2011.
21. R. Vijayalakshmi, Naga Dasari, D. Nandagopal, R. Subhiksha, Bernie Cocks, Nabaraj Dahal, M. Thilaga, Change Detection and Visualization of Functional Brain Networks using EEG Data, Procedia Computer Science, Volume 29, 2014, Pages 672-682, ISSN 1877-0509, doi: 10.1016/j.procs.2014.05.060.