Количественная ЭЭГ

Количественная ЭЭГ (англ. Quantitative Electroencephalography, QEEG) — совокупность методов количественной обработки и исследования ЭЭГ сигналов.

Просмотр и анализ ЭЭГ-данных обычно сопровождаются компиляцией заключения относительно ЭЭГ пациента. Для этого используются специальные подпрограммы, позволяющие специалисту вносить в заключение всю доступную информацию относительно нативных данных (например, фрагменты ЭЭГ при различных состояниях) и результатов обработки (такую как мощность, амплитуда или относительные спектры ЭЭГ, вызванная десинхронизация и т.д.). Компиляция заключения также включает интерпретацию наблюдаемых результатов и терапевтические рекомендации, в том числе рекомендацию для протоколов процедур нейробиообратной связи и размещения электродов при транскраниальной магнитной стимуляции (Direct Current Stimulation).

Математическая обработка ЭЭГ

• Спектральный анализ
• Когерентный анализ
• Биспектральный анализ
• Корреляционный анализ
• Анализ методом независимых компонент (ICA)
• Групповая обработка полученных данных (усреднение, статистика, экспорт)
• Топографическое картирование результатов анализа
• Референтная база спектров здоровых испытуемых HBIdb
• Частотно-временное представление мощности ЭЭГ (вейвлет-анализ)

Коррекция артефактов

• Автоматизированная коррекция артефактов путем обнуления соответствующих им составляющих,
  выделенных с помощью метода ICA
• Автоматическое и интерактивное выделение и исключение артефактов
• Ручная разметка артефактных фрагментов с возможностью их исключения из отображаемой ЭЭГ

Врачу функциональной диагностики необходимо точно знать технические характеристики и возможности программного обеспечения используемой аппаратуры. Для получения высококачественных записей ЭЭГ, а также для правильной их трактовки важны правильный выбор и использование всех возможностей электроэнцефалографической установки.

Среди преимуществ метода количественной ЭЭГ можно выделить многократное воспроизведение записи ЭЭГ с разными усилением и временной разверткой, прямое и обратное сканирование отдельных фрагментов записи для определения фокусов патологической активности, автоматическое устранение артефактов, что особенно важно при обследовании детей младшего возраста и пожилых пациентов. Анализ низкоамплитудных видов ЭЭГ-активности и узких частотных полос внутри традиционных частотных диапазонов ЭЭГ, количественная оценка сходства и различия активности в разных отведениях (межполушарной асимметрии, корреляции амплитуд, когерентности), что было практически недоступно при визуальном анализе ЭЭГ.

Количественные критерии с известной точностью позволяют оценить выраженность нормальных или патологических паттернов ЭЭГ, их динамику на фоне проводимой терапии, определить особенности вызванных реакций на тестовые условия. Кроме того, методы математической статистики позволяют продуктивно анализировать данные, когда нужно на больших выборках определить тенденции в изменении тех или иных параметров работы мозга человека под влиянием различных факторов: медикаментозных, экологических, возрастных и т.п.

Методы количественной фармако-ЭЭГ зарекомендовали себя как информативный способ оценки действия психотропных средств с разной нейромедиаторной адресацией¹². Чтобы избежать ошибок, связанных с недостатками того или иного монтажа, в клинической практике обычно применяют комбинацию нескольких монтажных схем отведений (рис. А, Б).

Количественная ЭЭГ в фармакологии

Идея об использовании количественной ЭЭГ в фармакологии в качестве показателя реакции мозга в ответ на лекарственные вещества родилась в начале 1960-х. Сначала ставились скромные задачи: найти новый функционально-ориентированный метод классификации лекарственных эффектов в качестве альтернативы структурным методам, основанным на изучении сходства химических веществ. В течение последних 50 лет мы столкнулись с быстрым ростом числа исследований в этой области. В 1980 г. было основано Международное общество фармако-ЭЭГ (International Pharmaco-EEG society, I PEG), и с тех пор ежегодно проводятся собрания этого общества. Было показано, что различные классы лекарственных веществ по-разному влияют на пространственно-временные параметры (в виде спектрограмм) фоновой ЭЭГ. Однако нередко индивидуальные профили ЭЭГ для разных классов лекарственных веществ могут частично совпадать. Вероятно, это происходит по трем причинам: 1) некорректное определение параметров количественной ЭЭГ с последующим приданием им неадекватного функционального значения; 2) выраженные межиндивидуальные различия, представленные несколькими классами паттернов ЭЭГ; 3) сходство эффектов отдельных классов лекарств.

Было показано, что некоторые психотропные средства оказывают на ЭЭГ влияние, противоположное изменениям в ЭЭГ, ассоциируемым с соответствующими психическими расстройствами (принцип «ключ — замок»). Для предсказания реакции пациентов на антидепрессанты был изобретен параметр приближенной оценки локальной метаболической активности. Для контроля эффективности лечения пациентов с шизофренией и деменцией также использовались компоненты когнитивных вызванных потенциалов ВП, например Р300.

Ограничения

Однако, несмотря на прогресс, до недавнего времени фармако-ЭЭГ оставалась эмпирическим методом со слабой теоретической базой, не оказывавшим существенного влияния на фармакологическую индустрию и не находившим широкого применения в клинике. Препятствия в использовании фармако-ЭЭГ были связаны с недостаточным пониманием механизмов возникновения ритмов ЭЭГ и компонентов ВП и ограниченностью методов извлечения адекватной информации из доступных данных. Одна из задач этой книги — уменьшить эти препятствия: 1) изложить новые концепции касательно механизмов генерации ритмов ЭЭГ; 2) представить недавно разработанные методы количественной оценки ЭЭГ, такие как sLORETA, пространственная фильтрация артефактов, нейрометрика; 3) показать физиологическое значение независимых компонент когнитивных ВП, полученных с помощью недавно разработанного метода анализа независимых компонент; 4) представить методы, позволяющие оценивать достоверные параметры электрофизиологии мозга.

Новые горизонты

Помимо спектрограмм ЭЭГ в оценке эффектов лекарственных веществ также использовались компоненты когнитивных ВП. Их применение было довольно лимитированным и ограничивалось главным образом компонентами N1/P2 и Р3 слуховых ВП. В рамках этого исследования работа серотонинергической системы при депрессии оценивалась с помощью определения зависимости слухового N1 /Р2 компонента от громкости звука, а мониторинг холинергической системы проводился с использованием компонента Р3b. Результаты этого исследования обнадеживают. Новый метод разложения исходных ВП на независимые компоненты увеличивает значение этого подхода и открывает новые горизонты для фармако-ЭЭГ. Дело в том, что амплитуда и латентные периоды компонентов вызванных потенциалов имеет большее диагностическое значение по сравнению с амплитудой мощности спектров ЭЭГ Методология разработана на основе базы данных Института мозга человека, описана в последующих главах и представляет собой инструмент для будущих исследований.

Нормативная база данных

Регистрация ЭЭГ и вычисление спектральных характеристик, таких как мощность и когерентность, — только начальные стадии анализа количественной ЭЭГ (QEEG). Самая важная стадия — сравнение вычисленных параметров с нормативными данными. Определение нормативной базы данных как представления диапазона «нормальности» в пределах всего населения поднимает проблему того, что подразумевают под нормальным. Предполагается, что нормативная база данных должна состоять из многих людей, для которых точно установлено, что они не страдают психоневрологическими нарушениями, повреждениями мозга, не употребляют наркотики или лекарственные препараты, в анамнезе которых нет неврологических и психиатрических нарушений.

В случае если какая-то из перечисленных характеристик все-таки присуща человеку, он не может быть внесен в нормативную базу. Здоровые (нормальные) индивидуумы должны иметь хороший контакт в семье, школе или на работе и в обществе. База данных должна представлять различные возраста, пол, этническую принадлежность, социально-экономические статусы и другие демографические факторы, представленные в целостном обществе. Это критерии включения человека в нормативные базы данных. Особое отношение к педиатрическим базам данных, где коренные изменения, связанные с развитием, происходят в течение относительно коротких временных интервалов. Для создания таких баз данных необходимы ЭЭГ очень многих детей каждого года возраста.

Нормальные и логарифмически нормальные распределения

Известный факт, что любой параметр в нормальной популяции, если он зависит от многих факторов, соответствует нормальному (гауссовскому) или логарифмически нормальному распределению. В случае логарифмически нормального распределения применяется так называемая процедура нормализации, которая заключается в логарифмировании значений параметра. В самой простой форме центральная предельная теорема утверждает, что сумма большого числа независимых наблюдений из одного и того же распределения имеет при некоторых общих условиях нормальное распределение. Опытным путем замечено, что различные природные признаки, такие как высота индивидуумов, имеют приблизительно нормальное распределение. Предложено объяснение, что эти признаки являются суммами большого количества независимых случайных эффектов и. следовательно, приблизительно нормально распределены согласно центральной предельной теореме.

Гауссовское (нормальное) распределение данной случайной величины х характеризуют только два параметра — среднее (X) и стандартное отклонение (σ). Среднее отражает усредненное значение параметра, в то время как стандартное отклонение отражает, насколько индивидуальные параметры отличаются от этого среднего значения.

Z- показатель

Если для индивидуального параметра х (например, мощности ЭЭГ в диапазоне частот 9—10 Гц, вычисленной для отдельного индивидуума) разделить отклонение от среднего этой величины на стандартное отклонение, то мы получим меру отклонения от средней нормы для индивидуального значения х. В статистике эту меру называют Z-показателем:

Z=(x-X)/σ.

Распределение Z-показателя представлено на рис., где ось У представляет плотность вероятности. Так, например, вероятность Z-показателя меньше чем 2 и больше чем —2 определяется областью под соответствующей кривой. Для |Z| < 2 эти области очень малы и составляют приблизительно 0,05. Это определяет вероятность, с которой Z-показатель у нормального индивидуума будет меньше чем 2. В клинической практике уровень достоверности 0,05 рассматривается как надежный показатель отклонения от нормы.

1. Бочкарев В.К., Файзуллоев А.З., Куликова Т.Ю. Клинико-электроэнцефалографический анализ терапии астенических расстройств ноотропами и их комбинаций с иммуномодуляторами // Социальная и клиническая психиатрия . – 2009. – № 3. – С. 24-30.
2. Saletu B., Anderer P., Saletu-Zyhlarz G.M. et al. Classification and evaluation of the pharmacodynamics of psychotropic drugs by single-lead pharmaco-EEG, EEG mapping and tomography (LORETA) // Methods Find. Exp. Clin. Pharmacol. – 2002. – Vol. 24 (Suppl.) – P. 97-120.