И при исследовании вызванных потенциалов представление регистрируемой ЭЭГ активности в виде отдельных компонент приносит весьма ощутимый эффект. Основным методом, используемым в настоящее время для выделения ВП, является метод синхронного, или когерентного накопления. Стандартный подход предполагает использование для селекции двух отличительных признаков сигналов ВП – идентичность откликов и постоянство времени их задержки, относительно моментов генерации стимулов. Эти признаки, при достаточно большом времени накопления, могли бы обеспечить любое требуемое качество, если бы не ряд особенностей полезного сигнала и помехи. Прежде всего, как требование идентичности, так и требование постоянства времени их задержки относительно моментов генерации стимулов, к сожалению, не всегда полностью выполняются, особенно, в случаях патологии, когда генерация потенциалов мозгом нарушена. Это может препятствовать достижению высокого качества накопления, даже при большом количестве стимулов. К существенному ухудшению качества накопления могут привести и различного рода случайные, не синхронные со стимулами высокоамплитудные артефакты, если моменты их возникновения совпадают с временными интервалами, используемыми при накоплении. Далее, сигналы ВП должны быть статистически независимыми от спонтанной ритмики, однако, в некоторых условиях ЭЭГ активность может частично синхронизироваться предъявляемыми стимулами, что также может существенно исказить выделенные сигналы ВП.

На Рис.15 приведены результаты традиционного когерентного накопления сигналов ВП, полученные при исследовании зрительных вызванных потенциалов. Справа представлены результаты когерентного накопления откликов на четные и нечетные стимулы и коэффициенты корреляции между ними. Как видно, для данной конкретной записи, наиболее высокий коэффициент корреляции откликов на четные и нечетные стимулы соответствует отведению Pz, и составляет 0.77.
	Рис. 15

Совершенно понятно, что в силу своих специфических особенностей, в основном связанных с природой их возникновения (следствие воздействия квазипериодичного внешнего раздражителя), сигналы ВП будут отличаться от сигналов источников фоновой ЭЭГ, записанной в условиях покоя и полного отсутствия внешних раздражителей. Это могло бы позволить выделить их в отдельные компоненты, с другими, по отношению к компонентам фоновой ЭЭГ, вероятностными характеристиками. При этом пространственное положение конкретных источников этих компонентов будет определять локализацию соответствующих центров обработки поступившей из окружающей среды информации, а компоненты, генерируемые пространственно не совпадающими источниками можно рассматривать как отдельные составляющие сигналов ВП, генерируемые различными центрами обработки. По всей видимости, выделенные компоненты сигналов ВП могут иметь и некоторые дополнительные составляющие, в большей или меньшей степени отражающие и фоновую активность. Кроме компонентов сигналов ВП, среди полученных компонентов разложения ЭЭГ сигналов, будет множество компонентов, отражающих активность источников чисто фоновой ЭЭГ, источников электродных и физиологических артефактов, в том числе, и синхронных со стимулами артефактов. Однако все рассмотренные выше компоненты будут давать совершенно различные (качественно) результаты, при проведении их последующего когерентного накопления. Только компоненты сигналов ВП и синхронных со стимулами артефактов будут способны накапливаться при когерентном сложении, давать не нулевой результат и высокий коэффициент корреляции между накопленными откликами на четные и нечетные стимулы, причем, вес составляющих фоновой активности в этих компонентах будет уменьшаться, по мере увеличения количества накопленных эпох. Таким образом, разложив зарегистрированные ЭЭГ сигналы на независимые компоненты, и проведя когерентное накопление каждого компонента в программе НЕЙРОКОМ, мы получим ряд признаков, способствующих существенному повышению качества выделения сигналов ВП, разложению их на составляющие, генерируемые различными зонами мозга, различными центрами обработки информации, поступающей от периферии. Первый признак – достигнутое качество когерентного накопления анализируемого компонента, т.е., коэффициент корреляции между результатами накопления четных и нечетных эпох этого компонента.

На Рис.16, слева, представлены компоненты ICA разложения прежних ЭЭГ сигналов (исходных данных для Рис.15), полученных при исследовании зрительных ВП, и рассчитанные программой графики изменения качества когерентного накопления для каждого компонента. Поскольку только компоненты с высоким качеством накопления могут быть компонентами ВП, наиболее вероятными компонентами ВП в нашем случае могут быть компоненты ICA#2, ICA#3 и ICA#4 и, возможно, компоненты ICA#8, ICA#11 и ICA#20.
	Рис. 16

Второй признак – пространственная локализация источника анализируемого компонента в структурах мозга. Например, если при исследовании зрительных вызванных потенциалов будет получен компонент с высоким качеством накопления, но его источник будет совпадать с областью расположения глаз, то это, по всей видимости, не источник ВП, а источник синхронных со стимулами окулографических артефактов. Третий признак – значимость анализируемого компонента и степень достоверности данных о представляемом этим компонентом источнике. Программа НЕЙРОКОМ позволяет строить временные графики изменения результатов когерентного накопления каждого компонента и соответствующие дипольные карты источников компонент. Значимыми и достоверными можно считать источники, дающие отклик на стимул, существенно превышающий фоновую активность, регистрируемую до генерации стимула, и имеющие дипольные карты распределения активности по поверхности скальпа, соответствующие однодипольным источникам. Только при таких картах распределения активности, полученные в программе результаты пространственной локализации можно считать достоверными. На Рис.16, справа, приведены дипольные карты всех полученных в рассматриваемом случае компонент. В соответствии с только что сказанным, из всех компонент, дающих высокое качество накопления, мы можем исключить ряд компонентов. Компонент ICA#4 - как компонент с локализацией источника в области глаз, т.е., как синхронный со стимулами окулографический артефакт. Компоненты ICA#11 и ICA#20 – как компоненты с многодипольными источниками.

На Рис.17, справа, приведены результаты когерентного накопления компонент проведенного ICA разложения. В соответствии с этими данными, из дальнейшего рассмотрения мы можем исключить компонент ICA#8, как компонент с малоамплитудным откликом. В итоге, для имеющихся данных, в качестве истинных компонент ВП мы можем рассматривать компоненты ICA#2 и ICA#3.
	Рис. 17

Обращаем внимание, что если для традиционной методики обработки сигналов ВП мы получили наилучшее качество накопления 77%, то для выделенных нами компонентов достигнутое качество составляет, соответственно, 99 и 93%. Кроме того, не забудем, что нам удалось сигнал ВП разделить на отдельные составляющие, генерируемые различными областями мозга. Локализация источников этих компонент в программе может быть проведена с помощью окна обработки Томограф, и представлена на Рис.18.

Рис. 18

Рис. 19

При необходимости, мы можем получить и традиционный, результирующий сигнал ВП, являющийся суммой откликов всех зон мозга на подаваемые стимулы. Для этого следует построить композицию компонент ICA#2 и ICA#3, и по ее результату провести когерентное накопление. Итог указанных действий приведен на Рис. 19. Слева представлены результаты когерентного накопления композиции компонент ICA#2 и ICA#3. Справа - результаты когерентного накопления откликов на четные и нечетные стимулы и коэффициенты корреляции между ними. Как видно, для всех отведений данной конкретной записи, коэффициент корреляции откликов на четные и нечетные стимулы составляет 0.93 – 0.99, в то время как наиболее высокий коэффициент корреляции откликов на четные и нечетные стимулы при традиционной обработке составлял всего лишь 0.77.

На Рис.20, справа, представлены автоматически расставленные временные маркеры для сигналов ВП отведений P3,P4,O1 и O2, которые можно использовать для проведения традиционного анализа латентностей и амплитуд интересующих пиков.
	Рис. 20

Подводя итог сказанному, мы хотели бы еще раз подчеркнуть основное отличие сегодня в истории развития компьютерных ЭЭГ комплексов от вчера. С нашей точки зрения, эпоха традиционных компьютерных ЭЭГ систем уже в прошлом. Современный компьютерный комплекс обязательно должен иметь возможность разложения регистрируемых ЭЭГ данных на сигналы отдельных источников активности мозга, базироваться на использовании одного из методов решения задачи Blind Source Separation. Это может быть технология Independent Component Analysis (ICA), предложенная Bell, Sejnowski, Cardoso, Laheld, Lee, Girolami, завтра, возможно, будет предложен еще более совершенный метод, будут предложены более адекватные модели структур мозга и распространения сигналов в них, и тогда компьютерная электроэнцефалография сделает свой следующий шаг, в завтра.

<<... Назад

Сергеев В.Г. E-mail: medic@xai.kharkov.ua © Copyright 2003. 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