Обработка биомедицинских сигналов

Обработка биомедицинских сигналов проводится в целях выделения в них информативных признаков или определения диагностических показателей.

Первым шагом при исследовании биологических систем является применение специальной медицинской аппаратуры для преобразования изучаемых явлений в электрические сигналы, поддающиеся измерению. Это включает в себя электроэнцефалограмму (ЭЭГ), магнитно-резонансную томографию (МРТ), позитронно-эмиссионную томографию (ПЭТ), однофотонную эмиссионную компьютерную томографию (ОЭКТ), магнитоэнцефалографию (МЭГ) и ряд других методов 1 . Основными источниками информации о работе мозга являются результаты электроэнцефалограммы (ЭЭГ) 2. Сигнал ЭЭГ имеет сложный состав с рядом характерных ритмов и паттернов, которые представляют интерес для исследователей как при изучении патологий (например, эпилепсии, шизофрении), так и при анализе когнитивных процессов3. Биомедицинские сигналы, отражающие изменения функциональных процессов в организме человека, в том числе в головном мозге являются непрерывными, а не дискретными, поэтому если такие сигналы преобразовать с помощью аналого-цифрового преобразования во временные ряды, то операции, выполняемые на втором и третьем шагах исследования биологических систем, могут выполняться с применением теории и методов нелинейной динамики.

Второй шаг – фильтрация и устранение искажений сигналов (артефактов). В большинстве случаев исследование сигналов ЭЭГ осложняется наличием паразитных паттернов – шумов и артефактов, которые вызваны как внешними источниками сигналов, так и процессами, протекающими в самом организме, например, движением глаз, кардиоритмами, активностью лицевых и шейных мышц и т. д.4. Большинство артефактов на ЭЭГ имеют значительную амплитуду и перекрывают три важных низкочастотных диапазона ЭЭГ – дельта, тета и альфа5. Присутствие артефактов и их вариабельность значительно усложняют анализ сигналов ЭЭГ, что делает предварительную обработку и фильтрацию важным этапом любых исследований ЭЭГ. Для фильтрации ЭЭГ от артефактов применяют ряд различных методов: на базе визуального поиска артефактов6, анализа независимых компонент7, регрессионного анализа8, и др. Большинство методов вызывают искажения сигнала ЭЭГ или требуют совместного анализа ЭЭГ с другими сигналами, которые не всегда могут быть записаны в ходе эксперимента. Важной задачей является разработка методов фильтрации сигналов ЭЭГ, не искажающих их структуру и не требующих записи дополнительных физиологических сигналов.

Третий шаг – обнаружение в биомедицинских сигналах событий и анализ их информационных характеристик, моделирование процессов и систем, порождающих биомедицинские сигналы. В нелинейной динамике разработан ряд методов анализа нестационарных сигналов, например, Фурье-преобразование9, вейвлетанализ10, которые оказываются весьма эффективными при анализе ЭЭГ1112. Предварительная стадия многоканальной классификации сигналов ЭЭГ, МРТ, ПЭТ, ОЭКТ и МЭГ включает в себя ее сегментацию с использованием анализа главных компонентов и подавления шума13. Этот этап является основополагающим для дальнейшей обработки данных, как для одномерных, так и для многомерных сигналов. Извлечение признаков сегментов сигнала формирует следующий этап сегментации сигнала, позволяющий комбинировать характеристики сигнала во временной и частотной областях. Обычно используемое спектральное представление сигнала на основе дискретного преобразования Фурье обеспечивает одинаковое разрешение по частоте по всей оконной функции, и соответственно плохое разрешение по временной шкале. Чтобы обеспечить различное разрешение, частот используется вейвлет-преобразование1415 которое, как микроскоп, позволяет исследовать изменение спектра во времени. Одним из важнейших приложений методов нелинейной динамики для медицины в настоящее время является использование их для локализации эпилептогенных очагов, при этом точная локализация эпилептического очага часто является сложной задачей. Поскольку не существует единого метода, который мог бы надежно локализовать область, которую необходимо лечить (лучше всего операционным путем), дооперационная оценка основана на мультимодальном подходе16, который включает в себя ЭЭГ, МРТ, ПЭТ, ОЭКТ и МЭГ. Для выявления информации о местоположении и величине очага необходимы дополнительные методы, использующие постобработку и анализ сигналов, для которого авторами статьи предлагается использовать методы нелинейной динамики. Как было уже сказано выше биомедицинские сигналы имеют сложную структуру и, по сути, являются хаотическими сигналами. По определению хаоса данному D. Gulick17 хаос существует тогда, когда либо имеется существенная зависимость от начальных условий, либо функция имеет положительный показатель Ляпунова в каждой точке области ее определения и поэтому не является в конечном итоге периодической.

 

 

Footnotes

  1. Stefan H., Hummel C., Scheler G., Genow A., Druschky K., Tilz C., Kaltenhauser M., Hopfengärtner R., Buchfelder M., Romstock J. Magnetic brain source imaging of focal epileptic activity: a synopsis of 455 cases // Brain. 2003.
    № 126 (11). P. 2396–2405.
  2. Nunez P. L., Srinivasan R. Electric fields of the brain: the neurophysics of EEG // Oxford University Press,2006. 640 p.
  3. Plummer C., Harvey A. S., Cook M. EEG source localization in focal epilepsy: where are we now? // Epilepsia
    2008. Vol. 49 (2). P. 201–218.
  4. Ebersole J. S., Husain A. M., Nordli D. R. Current Practice of Clinical Electroencephalography // Wolters
    Kluwer. 2014. 664 p.
  5. Luders H., Noachtar S. Atlas and Classification of Electroencephalography. Philadelphia: WB Saunders Co.,2000. 208 p.
  6. Urigüen J. A., Garcia-Zapirain B. EEG artifact removal-state-of-the-art and guidelines //Journal of neural engineering. 2015. Vol. 12, №. 3. P. 031001.
  7. Bell A. J., Sejnowski T. J. An information-maximization approach to blind separation and blind deconvolution //Neural computation.1995. Vol. 7, №. 6. P. 1129–1159.
  8. Gratton G. Dealing with artifacts: The EOG contamination of the event-related brain potential // Behavior Research Methods, Instruments, & Computers. 1998. Vol. 30, №. 1. P. 44–53.
  9. Fourier J. B. Joseph, Théorie analytique de la chaleur (in French). Paris: Firmin Didot, père et fils, 1822.
  10. Grossmann A., Morlet J. Decomposition of Hardy functions into square integrable wavelets of constant shape //SIAM journal on mathematical analysis. 1984. Vol. 15, №. 4. P. 723–736.
  11. . Glavinovitch A., Swamy M. N. S., Plotkin E. I. Wavelet-based segmentation techniques in the detection of microarousals in the sleep eeg // 48th Midwest Symposium on Circuits and Systems, 2005. IEEE, 2005. P. 1302–1305.
  12. Harris C. M., Wallman J., Scudder C. Fourier analysis of primate saccades // J Neurophysiology. 1990. Vol. 63.P. 877–886.
  13. Vaseghi S. V. Advanced Digital Signal Processing and Noise Reduction // John Wiley & Sons Ltd, West Sussex,
    2006
  14. Johankhani P., Kodogiannis V., Revett K. EEG Signal Classification Using Wavelet Feature Extraction and Neural Networks // IEEE John Vincent Atanasoff 2006 International Symposium on Modern Computing (JVA06). 2006. P.120–124.
  15. Glavinovitch M. N., Swamy S., Plotkin E. I. Wavelet-Based Segmentation Techniques in the Detection of Microarousals in the Sleep EEG // 48th Midwest Symposium on Circuits and Systems. 2005. P. 1302–1305.
  16. Rosenow F, Lüders H. Presurgical evaluation of epilepsy // Brain. 2001. Vol. 124. P. 1683–700.
  17. Gulick D. Encounters with Chaos, McGraw-Hill, New York, 1992.