Kamil Jonak Zakład Bioinżynierii Instytut Technologicznych Systemów Informatycznych Politechnika Lubelska Paweł Krukow Zakład Neuropsychiatrii Klinicznej Katedra Psychiatrii Uniwersytetu Medycznego w Lublinie
Analiza wzrokowa spoczynkowych sygnałów EEG stosowana cały czas w praktyce klinicznej nie wykorzystuje w wysterczający sposób obecnych możliwości analizy danych. Wraz z początkiem ery akwizycji sygnałów EEG w sposób cyfrowy otworzyła się nowa możliwośd analizy zbieranych informacji. Dziedzina nauki zwana analizą sygnałów daje nam możliwośd zastosowania szeregu metod matematycznych w celu uzyskania bardziej precyzyjnych oraz dokładniejszych informacji zawartych w sygnale EEG. Analizując sygnał EEG wzrokowo jesteśmy w stanie określid występujące w nich struktury o różnych postaciach i kształtach. Najważniejsze z nich zwane grafoelementami są dla technika informacje na temat rytmów występujących w zapisie EEG. Stosując analizę wzrokową można rozróżnid niektóre rytmy oraz określid ich rolę fizjologiczną, jednak ta metoda nie daje możliwości dokładnej separacji poszczególnych częstotliwości od siebie w sposób dokładny. Możliwośd segregacji informacji zawartych w sygnale oraz ich rozbudowaną analizę dają metody przetwarzania sygnałów. (Durka, 2015)
W celu przedstawienia możliwości cyfrowej analizy sygnału wybrano cztery różne algorytmy wykorzystywane głównie do badań mających charakter naukowy, rzadziej czysto kliniczny. Pierwszą prezentowaną metodą jest algorytm FFT dający możliwość oceny sygnału ze względu na wartość gęstości widmowej mocy dla poszczególnych rytmów EEG. Jako druga zostanie zaprezentowana metoda STFT, posiadająca możliwość oceny wartości amplitud sygnału EEG w zależności od czasu oraz częstotliwości sugerującej rytmy w których nastąpił wzrost amplitudy sygnału. Metoda STFT charakteryzuje się słabą rozdzielczością w dziedzinie czas-częstotliwość dlatego jako trzecią metodę wybrano algorytm Matching-Pursuit charakteryzujący się znacznie lepszą rozdzielczością oraz dający informację o rozmieszczeniu skupisk energetycznych w sygnale EEG. Ostatnim prezentowanym algorytmem będzie EMD, algorytm polegający na dekompozycji sygnału EEG na poszczególne mody składowe pozwalający ocenić zmiany dla poszczególnych wartości składowych sygnału w zależności od częstotliwości ich występowania. Do badań wykorzystano zapisy EEG pochodzące od: Pacjentki ze stwierdzoną padaczką Pacjentki z demencją podkorową Osobie zdrowej
Ad.1 Osoba zdrowa
Ad.2 Pacjentka podczas ataku padaczki Znaczący wzrost gęstości widmowej mocy podczas ataku padaczki
Ad.3 Pacjentka z otępieniem podkorowym Wzrost wartości gęstości widmowej mocy tylko dla początkowych rytmów świadczący o spowolnieniu pracy mózgu
Ad.1 Osoba zdrowa
Ad.2 Pacjentka podczas ataku padaczki Atak padaczki charakteryzujący się wzrostem wartości magnitudy sygnału w rozkładzie czas-częstotliwośd
Ad.3 Pacjentka z otępieniem podkorowym
Ad.1 Osoba zdrowa Miejsca zagęszczenia energii sygnału
Ad.2 Pacjentka podczas ataku padaczki Miejsca zagęszczenia energii sygnału
Ad.3 Pacjentka z otępieniem podkorowym Miejsca zagęszczenia energii sygnału
Amplituda Algorytm dekompozycji EMD Ad.1 Osoba zdrowa Częstotliwośd Spadek amplitud fal dla fal wolnych świadczący o ich mniejszym występowaniu
Amplituda Ad.2 Pacjentka z otępieniem podkorowym Częstotliwośd Wzrost wartości amplitudy sygnału w niskich pasmach częstotliwości wskazujący na dominacje fal wolnych
Gęstośd widmowa mocy Transformata Fouriera (FFT) przeprowadzona na poszczególnych modach uzyskanych z analizy EMD Ad.1 Osoba zdrowa Częstotliwośd Spadek gęstości widmowej mocy dla fal wolnych świadczący o ich mniejszym występowaniu
Gęstośd widmowa mocy Ad.2 Pacjentka z otępieniem podkorowym Częstotliwośd Wzrost wartości gęstości widmowej mocy w niskich pasmach częstotliwości wskazujący na dominacje fal wolnych
Algorytmy stosowane w przetwarzaniu sygnałów EEG dają możliwość dokładniejszej analizy informacji zawartych w sygnale pacjenta bądź osoby chorej. Ze względu na swoją złożoność nie zawsze nadają się do szybkiej oceny stanu pacjenta. Zmienne generowane przez algorytmy mogą zostać wykorzystane do wyodrębnienia cech charakterystycznych dla różnych stanów zdrowia człowieka. Zastosowanie analizy sygnału do badania zapisów spoczynkowych jest tylko jednym z wielu zastosowań informatyki w medycynie. Jako przykład można wymienić analizę bodźców ERD/ERS oraz zastosowanie szeregu transformat do oceny pracy mózgu poprzez hybrydową ocenę obrazów oraz sygnałów EEG/fMRI.