Исследование ЭЭГ феноменов в программе НЕЙРОКОМ Исследование ЭЭГ феноменов - одна из важнейших задач анализа ЭЭГ данных, однако, решение именно этой задачи встречает существенные трудности в традиционных компьютерных программах анализа ЭЭГ. Проблемы возникают, буквально, на первых шагах, уже при обнаружении и идентификации феноменов. Поскольку наблюдаемые сигналы ЭЭГ отведений являются комбинациями сигналов многих пространственно разнесенных в структуре мозга источников, интересующие нас феномены, генерируемые некоторыми конкретными источниками, всегда регистрируются на фоне сигналов других источников, и их обнаружение и последующая обработка связаны со значительными трудностями, особенно, если феномены малоамплитудны. Попытки использования частотной фильтрации феноменов, обычно, не приводят к существенному улучшению ситуации, поскольку, практически всегда, частотные диапазоны феноменов и фоновой активности перекрываются. Использование алгоритмов выделения феноменов, основанных на некоторой априорной информации о них, также мало эффективно, поскольку, в лучшем случае, позволяет выделить лишь какой-то узкий класс феноменов, к тому же, в значительной степени искаженных фоновой активностью. Столь же серьезные трудности возникают и на этапе последующего анализа феноменов. Фоновая активность не позволяет провести качественный анализ спектрального состава феномена, т.к. преобразование Фурье выполняется для смеси полезного сигнала и фоновой активности. Использование мощностных топографических карт для локализации источников феноменов также мало эффективно, поскольку оно имеет смысл только лишь для достаточно высокоамплитудных феноменов, когда их энергия в выбранных временном и частотном диапазонах существенного больше суммарной энергии фона. В силу чрезвычайно низкой помехоустойчивости потенциальных карт, их использование для локализации феноменов, без предварительной обработки "сырой" ЭЭГ, также бессмысленно. И уж вовсе непреодолимые трудности возникают в традиционных программах анализа ЭЭГ данных, при попытке проведения пространственной локализации источников отдельных феноменов с помощью ЭЭГ томографов. Практически во всех существующих сегодня программах анализа такая задача даже не ставится. В лучшем случае, исследователю предоставляется возможность пространственной локализации лишь одного обобщенного виртуального источника, являющегося энергетическим эквивалентом всей наблюдаемой активности, в выбранных временном и частотном диапазонах. Единственным, с нашей точки зрения, выходом из создавшейся ситуации, является специальная предварительная обработка данных, а именно, использование методов решения задачи Blind Source Separation уже на самых первых шагах исследования ЭЭГ феноменов. В конце 90-ых годов рядом авторов (Bell, Sejnowski, 1995; Cardoso, Laheld,1996; Lee, Girolami, 1999) был предложен весьма эффективный способ решения этой задачи - использование технологии ICA (Independent Component Analysis), разложения на независимые компоненты. В серии статей о программе НЕЙРОКОМ мы уже говорили об основных исходных предпосылках этого метода, однако, еще раз повторим, что корректное использование ICA технологии для разделения ЭЭГ сигналов требует выполнения двух основных условий, которые являются вполне приемлемыми для используемых сегодня моделей источников ЭЭГ активности и структуры мозга: ЭЭГ данные, регистрируемые поверхностными скальповыми электродами, есть линейная смесь сигналов независимых, пространственно фиксированных, разделенных или перекрывающихся источников, количество которых не превосходит количества используемых отведений; временные задержки, возникающие при распространении сигналов в объеме мозга, малы. Заметим, также, что задача решается в условиях, когда сигналы самих источников не наблюдаются, и что нет никакой априорной информации о законах смешивания сигналов источников в реально наблюдаемых сигналах, кроме того, что реально наблюдаемые сигналы есть линейная смесь сигналов источников, а сами источники - независимы.

Технология Independent Component Analysis нашла самое широкое применение в нашей программе, в том числе и при решении задачи выделения и анализа ЭЭГ феноменов. Рассмотрим возможности программы НЕЙРОКОМ на примере ЭЭГ, представленной на Рис.1 (кликнуть для увеличения).

Предположим, что нас интересует активность в виде множественных острых волн и комплексов "острая волна - медленная волна", наблюдающаяся в этой записи. Применив технологию Independent Component Analysis, т.е., выполнив разложение на независимые компоненты на временном интервале всей пробы, Рис.2, мы получаем ряд компонент, являющихся сигналами отдельных источников в структуре мозга, среди которых легко обнаруживаются компоненты с интересующей нас активностью (компоненты ICA#2, ICA#7, ICA#13). Обратите внимание и на физиологический артефакт в виде ЭКГ сигнала, который выделился в отдельную компоненту - ICA#1. Это позволяет легко устранить его из записи ЭЭГ сигналов, проведя композицию (операция, обратная разложению ЭЭГ сигналов на независимые компоненты) по всем компонентам, за исключением компонента ЭКГ сигнала. Проведение композиции предполагает суммирование нужных компонент (в данном случае - всех компонент, за исключением компонента ЭКГ сигнала) с соответствующими весами и фазами, для восстановления сигналов отведений. При желании, результатом проведенной композиции можно заменить исходную запись и, т.о., произвести режекцию данного физиологического артефакта в исходной записи. Однако, продолжим работу по исследованию интересующих нас феноменов. Пользуясь тем, что эти феномены удалось выделить в отдельные компоненты (ICA#2, ICA#7 и ICA#13), в которых вклад фоновой активности существенно ниже, чем в сигнале любого из отведений, можно, вызвав окно обработки "Спектр", провести спектральный анализ исследуемых феноменов на заданном временном участке и с требуемой разрешающей способностью. Спектры соответствующих компонент представлены на Рис.3.

Рис 2.

Рис 3.

Вызвав окно обработки "Карты", можно построить любые топографические карты для интересующих нас компонент и их композиций. Карты могут быть построены для любых системах отведений. Заметим, что при построении, например, стандартных мощностных карт частотных  диапазонов для композиций интересующих нас компонент, мы получим карты распределения мощности именно сигналов выделенных нами источников, не искаженные влиянием фона за счет вклада остальных источников активности. Очевидно, что для исследуемых нами феноменов больший интерес будут представлять дипольные карты их источников и семейства потенциальных карт, построенных с некоторым временным шагом на указанных нами временных интервалах существования феномена.

На Рис.4 представлены дипольные карты компонент ICA#2, ICA#7 и ICA#13. Как видно, компоненты ICA#2 и ICA#13 генерируются двумя, достаточно близко пространственно расположенными источниками, хотя и с существенно разной ориентацией их диполей. Компонента ICA#7 представляет источник, расположенный в другой области мозга, синхронизированный, однако, с сигналами первых двух источников.

Для уточнения пространственного положения источников компонент ICA#2, ICA#7 и ICA#13 воспользуемся окном обработки "Томограф" и рассмотрим полученные результаты, представленные на Рис.5. Как видно, источники компонент ICA#2 и ICA#13 действительно расположены в непосредственной близости друг от друга, что, по-видимому, позволяет рассматривать их как один обобщенный источник. Поскольку источники компонент ICA#2 и ICA#13 имеют различную ориентацию диполей, обобщенный источник в этом случае должен быть представлен вращающимся диполем, создающим сложное, меняющееся во времени поле, с изменяющейся ориентацией участков положительных и отрицательных потенциалов на скальпе.

Рис 5.

Рис 6.

Именно вращение диполя в пространстве не позволило при проведении ICA разложения получить единственный, описывающий его компонент (требование фиксированности положения диполя в пространстве). С помощью ICA технологии было получено два компонента, определившие две ортогональные составляющие вращающегося диполя. Можно предположить, что электрические процессы, протекавшие в некотором объеме реальной структуры мозга при формировании исследуемых феноменов, вызывали формирование результирующего вектора напряженности поля, меняющего свою пространственную ориентацию. Приведенные рассуждения, на наш взгляд, подтверждаются семейством потенциальных карт, построенных с равномерным временным шагом для композиции компонент ICA#2 и ICA#13, на одном из временных участков существования комплекса "острая волна - медленная волна". На Рис.6 выбранный временной участок окрашен более светлым фоном. Как видно из рисунка, по мере формирования электрического поля в структурах мозга, следствием которого было появление исследуемого нами феномена в зарегистрированных сигналах ЭЭГ отведений, результирующий вектор источника действительно вращался, что и нашло отражение на представленных потенциальных картах. Остановимся еще на одном моменте анализа феноменов. Обычно, при описании ЭЭГ требуются данные о некоторых числовых характеристиках феноменов, например, их общем количестве в пробе (если речь идет о спайках, острых волнах, комплексах и т.д.), средней амплитуде, средней частоте возникновения и т.д. Подобная информация очень легко может быть автоматически рассчитана программой, если в качестве входных данных для анализа использовать не "сырую" ЭЭГ, а соответствующую компоненту ICA разложения. Сергеев В.Г. E-mail: medic@xai.kharkov.ua © Copyright 2001. Не допускается копирование или публикация этого документа без согласия автора. При использовании материала, опубликованного в этом документе, ссылка на источник обязательна.

E-mail : info@xai-medica.com | Tel/fax (+38 057) 719-04-78, 719-91-88, 315-11-86

Copyright © Medic@XAI, 2007. Национальный аэрокосмический университет "ХАИ", Харьков, Украина

Webmaster