CC BY
3
УДК 616-07
ИССЛЕДОВАНИЕ СПОНТАННОЙ БИОЭЛЕКТРИЧЕСКОМ АКТИВНОСТИ ГОЛОВНОГО МОЗГА ЧЕЛОВЕКА МЕТОДОМ МНОГОМЕРНОГО ШКАЛИРОВАНИЯ
К. А. Власенко, К. А. Мороз
Донской государственный технический университет (г. Ростов-на-Дону, Российская Федерация)
Аннотация. Электроэнцефалография (ЭЭГ) представляет собой исследование человеческого мозга посредством воздействия на его клетки электрическими импульсами. Метод очень важен в диагностике заболеваний жизненно важного органа человека. Авторы статьи полагают, что анализ ЭЭГ-данных, проведенный с помощью многомерного шкалирования, позволяет определять, здоров человек или болен, а также вести мониторинг состояния здоровья пациента на всех стадиях лечения. В связи с этим целью данного исследования стала проверка возможности применения методики многомерного шкалирования при анализе ЭЭГ в диагностике заболеваний мозга. Для подтверждения выдвинутой гипотезы было проведено снятие электроэнцефалограммы у пациентов при одновременном тестировании их на нарушение когнитивных функций, затем осуществлено многомерное шкалирование корреляционной матрицы в программе Statistica и визуально исследованы полученные результаты.
Ключевые слова: электроэнцефалография, электроэнцефалограмма, биоэлектрическая активность головного мозга, многомерное шкалирование, рассеянный склероз, транспонированная интегральная матрица, матрица различий, отведение.
MULTIDIMENSIONAL SCALING OF SPONTANEOUS BIOELECTRIC ACTIVITY OF
THE HUMAN BRAIN
Kristina A. Vlasenko, Kaleriya A. Moroz
Don State Technical University, (Rostov-on-Don, Russian Federation)
Abstract. Electroencephalography (EEG) is the study of the human brain through the action of electrical impulses on its cells. The method is very important in the diagnosis of diseases of a vital human organ. The authors of the article believe that the analysis of EEG data carried out using multidimensional scaling makes it possible to determine whether a person is healthy or sick, as well as to monitor the patient's health at all stages of treatment. In this regard, the purpose of this study was to test the possibility of using the technique of multidimensional scaling in the EEG analysis in the diagnosis of brain diseases. To confirm the hypothesis, the electroencephalogram was taken from patients while testing them for cognitive impairment, then multidimensional scaling of the correlation matrix was performed in the Statistica program and the results obtained were examined visually.
Keywords: electroencephalography, electroencephalogram, brain bioelectrical activity, multidimensional scaling, multiple sclerosis, transposed integral matrix, difference matrix, abduction.
Введение. Методом электроэнцефалографии определяется биоэлектрическая активность головного мозга, он является очень информативным и точным, так как дает полную клиническую картину заболевания: уровень и распространение воспалительных процессов, наличие патологических изменений в сосудах, присутствие ранних признаков эпилепсии, опухолевые процессы, степень нарушения мозгового функционирования вследствие патологий нервной системы, последствия инсульта или оперативного вмешательства [1].
ЭЭГ помогает следить за изменениями в мозге, как структурными, так и обратимыми. Это позволяет отслеживать деятельность жизненно важного органа во время терапии и корректировать лечение выявленных заболеваний.
В представленном в статье исследовании ЭЭГ-данных пациентов был использован метод многомерного шкалирования (МШ). Это метод анализа и визуализации данных с помощью расположения точек, соответствующих изучаемым (шкалируемым) объектам, в пространстве меньшей размерности, чем пространство признаков объектов [2]. В отличие от ранее разработанных методов анализа многомерных наблюдений, таких как факторный и кластерный анализы, модель многомерного шкалирования используется в статистической обработке данных намного реже [3]. Но все же данный метод имеет свои преимущества:
- отсутствует необходимость проверки исходных данных на нормальность распределения;
- имеется возможность проведения анализа при сравнительно малом объеме выборочной совокупности [3].
Основная часть. Исходными данными для выполнения данного исследования являются массивы записей, сделанных посредством анализатора активности головного мозга «Энцефалан 131-03». Они представляют собой значения спектров мощности ЭЭГ, снятые у различных пациентов в процессе лечения по всем стандартным отведениям. Записи проводились в момент поступления пациента в стационар, во время лечения и после окончания курса лечения. Кроме того, для сравнения была записана биоэлектрическая активность головного мозга здоровых людей. В статье представлены результаты исследования ЭЭГ, которые были обработаны в программе Statistica 12 методом многомерного шкалирования (рис. 1-8).
Для удобства проведения анализа данные пациентов условно обозначены следующим образом: One1-24, Trd1-24, Zd1-24, Szd1-24, где 1-24 — это определенная частота, Zd1-24 — данные здорового человека, One1-24 — данные пациента с рассеянным склерозом на начальной стадии, Trd1-24 — данные пациента на предострой стадии заболевания, Szd1-24 — данные пациента на острой стадии заболевания.
По результатам визуального анализа полученных графиков МШ испытуемых на различных частотах можно утверждать, что при проведении его для всех частот конкретную информацию получить невозможно (рис. 1).
Scatterplot 2й р|па! СопИдигайоп, Степвюп 1 уэ. Степвюп 2
1,0
0,8
0,6
0,4
0,2
С О 0,0
С
Е -0,2
а
-0,4
-0,6
-0,8
-1,0
-1,2
Опе11 ТгсИЗ
ТгсИ21-р2913 2^13
2С10
-2,5 -2,0 -1,5
Тг91
^гС4
ОпеЛ23
Опе24 Тг920 Тг9 'ЧИ^9'
опео^ ^Ш4
Оп93
СТл'
опе18 &^пТ2с3 Опе17 291
298 Тгс 10
299 ОпО131 а^ю
Опе9
-1,0 -0,5 0,0
□тепвюп 1
0,5
1,0
1,5
Рис. 1. Многомерное шкалирование для всех частот, где Опе1-24, ТМ1-24, 2^-24, Szd1-24 - значения спектров мощности ЭЭГ у пациентов (составлен авторами)
Далее проведено построение графика для частот 1-3 Гц (рис. 2).
1,2
1,0
0,8
0,6
0,4
0,2
° 0,0 V)
| -0,2 а
-0,4 -0,6 -0,8 -1,0 -1,2 -1,4
Scatterplot 2й р|па! Configuration, dimension 1 уэ. dimension 2
геи
—ТГе1
ге2 Oпe3 Szd3 Тге2 Тге3
Oпe2 ■ Oпe1
&е2
-1,2
-1,0 -0,8 -0,6 -0,4 -0,2 0,0 0,2 0,4 0,6 0,8 1,0 1,2 1,4 1,6 1, □^пэгап 1
Рис. 2. Многомерное шкалирование для частот 1-3 Гц, где Опе1-3, ТМ1-3, 2^-3 - значения спектров
мощности ЭЭГ у пациентов (составлен авторами)
На рис. 2 видно, что данные здорового пациента, первого и третьего измерения группируются, во втором измерении наблюдается разброс данных.
1,0 о,а 0,6 0,4 0,2
™ 0,0
с '
1 -0.2
О)
Е
О -0,4
-0,6
-о,а
1,0
-1=2
-1,4 -1
БсаНегр^ 20 Рта! СопЛдигаНоп, (Лтепэоп 1 уз. с^тепэюп 2
°1е7 О
Ч4
Ог^еб ^ о
ТиШ Тг<?7
V и 7 Тг34
: ипе^ О
ОпеЬ
о
ЭгсИ о-
-1,0
-0,5
0,0 0,5
□ ¡тепэоп 1
1,0
1,5
2,0
Рис. 3. Многомерное шкалирование для частот 4-7 Гц, где Опе4-7, ТМ4-7, Zd4-7, Szd4-7 - значения спектров мощности ЭЭГ у пациентов (составлен авторами)
На рис. 3 данные здорового человека группируются, а остальные измерения разбросаны и не являются информативными.
Scatterplot 2D Final Configuration, dimension 1 vs. dimension 2
0,5 0,4 0,3 0,2 s 0,1
CN
One11 Trd8 Szd8 Szd9
TZd12 о . Zd8 One8 ,
Sz Zd11 Zd10 Zd9 Trd9
Trd10
Szd10
One9
0ne10 ,
I 0,0 a
-0,1 -0,2 -0,3 -0,4
-1,4 -1,2 -1,0 -0,8 -0,6 -0,4 -0,2 0,0 0,2 0,4 0,6 0,8 1,0 1,2
Dimension 1
Рис. 4. Многомерное шкалирование для частот 8-12 Гц, где One8-12, Trd8-12, Zd8-12 - значения спектров мощности ЭЭГ у пациентов (составлен авторами)
На рис. 4 можно наблюдать сильный разброс всех данных, следовательно, выбранная частота не является информативной.
Scatterplot 2D Final Configuration, dimension 1 vs. dimension 2
0,8
0,6
0,4
0,2
0,0
CN
с о -0,2
с
E -0,4
h
-0,6
-0,8
-1,0
-1,2
-1,4
Zd15 Zdtfê Zd17 Szd18 Zd14 ■ Szâ150^®14 Trd14Szd16 ■ 0ne16 Szâ17 Trd>16 о 5 Zd13 Trd13 Szd13
TrdT8d17 0ne17
Szd14 0ne15 0ne18 0ne13
-1,5
-1,0
-0,5
0,0 0,5 1,0
Dimension 1
1,5
2,0
2,5
Рис. 5. Многомерное шкалирование для частот 13-18 Гц, где Опе13-18, ТМ13-18, Zd13-18 - значения спектров мощности ЭЭГ у пациентов (составлен авторами)
На рис. 5 можно увидеть, что группируются практически все данные с выбросом частоты
13 Гц.
2,0
1,5
1,0
0,5
-0,5
-1,0
Scatterplot 2й Рта! СопИдигайоп, dimension 1 уэ. dimension 2
-1,5
ТгсШ
Trd21
Szd19 ТгС19
ТГС22
2С20
0пe20 0пe19
SZd21 SzdSz4d2з
тГС24 ^24 2С21^29
С SzC22
тГС23
0пe22
0пe23 0пe24
0пe21
Szd20
-2,0 -1,5
-1,0
-0,5 0,0
Dimeпsioп 1
0,5
1,0
1,5
2,0
I 0,0
Рис. 6. Многомерное шкалирование для частот 19-24 Гц, где Опе19-24, ТМ19-24, 2^9-24 - значения спектров мощности ЭЭГ у пациентов (составлен авторами)
На рис. 6 прослеживается тенденция образования групп по своему признаку, однако есть выбросы на частоте 20 Гц. Следовательно, высокочастотный интервал лучше характеризует состояние пациента, нежели интервалы средней и низкой частоты.
Далее, после составления матрицы корреляции, выполнено многомерное шкалирование данных для транспонированной интегральной матрицы по отведениям. Для наглядности и удобства использованы условные обозначения отведений: лобные — F, височные — Т, затылочные — О, теменные — Р, центральные — С (рис. 7).
Scatterplot 2D Рта! С^Адиг^^, С^ПЭЮП 1 УЭ. С^ПЭЮП 2
1,0 0,8 0,6 0,4 0,2 о 0,0
V)
с 03
Е -0,2 а
-0,4 -0,6 -0,8 -1,0 -1,2
. Т5 Т3 р8 .
Т6 Т4
01^4 ■ 01 02 С3 С4 рз р4 ' ^рр р82 ■
■ Р7
-1,2
-1,0 -0,8 -0,6 -0,4 -0,2 0,0 0,2 0,4 0,6 0,8 1,0 1,2 1,4 1,6 Dimension 1
Рис. 7. Многомерное шкалирование для транспонированной интегральной матрицы
по отведениям (составлен авторами)
На рис. 7 четко видны разделения между отведениями: все лобные отведения справа, центральные и теменные — в центре, затылочные — слева. Это подчеркивает правильность проведенного анализа, потому что именно так должны распределяться данные по рассеянному склерозу.
На основе транспонированной интегральной матрицы составлена матрица различий и проведено многомерное шкалирование (рис. 8).
Scatterplot 2й р|па! СопИдигайоп, dimension 1 уэ. dimension 2
1,0
0,8
0,6
0,4
0,2
| 0,0 V)
I -0,2
а
-0,4 -0,6 -0,8 -1,0 -1,2
. Т5 Т3 р8
Т6 Т4
С3 Р4 '
■ 01 О2 С С Рс?рй1 ре2 ■
■ Р7
-1,2
-1,0 -0,8 -0,6 -0,4 -0,2 0,0 0,2 0,4 0,6 0,8 1,0 1,2 1,4 1,6 □^ПЭ^ 1
Рис. 8. Многомерное шкалирование для матрицы различий по отведениям: лобные - F, височные - Т, затылочные - О, теменные Р, центральные - С (составлен авторами)
На рис. 8 прослеживается нечеткое разделение данных на группы по отведениям: затылочные и теменные группируются слева, височные и центральные — в центре и слева, лобные отведения группируются справа. Эти группировки так же подчеркивают правильность проведения анализа.
Заключение (выводы). По полученным результатам МШ подтверждена возможность разделения данных по двум группам пациентов: больные и здоровые, а также на основе разделения данных по группам отведений проанализирована возможность разделения состояния пациентов в различные периоды проводимого лечения, что позволяет делать выводы о его эффективности в ходе терапии. Таким образом, анализ и сравнение распределения полученных данных дают возможность получать информацию о состоянии здоровья пациента на определенный момент лечения.
Библиографический список
1. Герасимова, Е. В. Физиология нервной системы : учебно-методическое пособие / Е. В. Герасимова, Р. Н. Хазипов, Г. Ф. Ситдикова. — Казань : КГУ, 2012. — 52 с.
2. Толстова, Ю. Н. Основы многомерного шкалирования / Ю. Н. Толстова. — Москва : КДУ, 2006. — 160 с.
3. Волкова, П. А. Статистическая обработка данных в учебно-исследовательских работах / П. А. Волкова, А. Б. Шипунов. — Москва : Форум, 2012. — 96 с.
Об авторах:
Мороз Калерия Александровна, заведующая кафедрой «Приборостроение и биомедицинская инженерия» Донского государственного технического университета (344003, РФ, г. Ростов-на-Дону, пл. Гагарина, 1), доктор технических наук, профессор, [email protected]
Власенко Кристина Александровна, магистрант кафедры «Приборостроение и биомедицинская инженерия» Донского государственного технического университета (344003, РФ, г. Ростов-на-Дону, пл. Гагарина, 1), [email protected]
About the Authors:
Moroz, Kaleriya A., head of the Instrument Engineering and Biomedical Engineering
Department, Don State Technical University (1, Gagarin sq., Rostov-on-Don, 344000, RF), Dr. Sci. (Eng.), professor, [email protected]
Vlasenko, Kristina A., Master's degree student of the Instrument Engineering and Biomedical Engineering Department, Don State Technical University (1, Gagarin sq., Rostov-on-Don, 344000, RF), [email protected]
