Применение автоматизированного описания ЭЭГ с помощью периодометрии в клинической электроэнцефалографии Текст научной статьи по специальности «Клиническая медицина»

НЕЙРОФИЗИОЛОГИЯ

© Коллектив авторов, 2010 УДК 616.831-073(045)

Для корреспонденции

Богданов Константин Александрович - кандидат биологических наук, старший научный сотрудник лаборатории клинической нейрофизиологии ФГУ «Государственный научный центр социальной и судебной психиатрии им. В.П. Сербского» Адрес: 119992, г. Москва, Кропоткинский пер., д. 23 Телефон: (499) 637-46-22 E-mail: konstantin.bogdanov@gmail.com

К.А. Богданов1, А.Р. Герцвольф2

Применение автоматизированного описания ЭЭГ с помощью периодометрии в клинической электроэнцефалографии

1 ФГУ «Государственный научный центр социальной и судебной психиатрии им. В.П. Сербского», Москва

2 АО «Научно-исследовательский институт наркологии», Тбилиси, Грузия

1 The Serbsky State Research Centre of Social and Forensic Psychiatry, Moscow

2 Research Institute оf Addiction, Tbilisi, Georgia

Ф

В статье рассматривается вариант составления автоматизированного описания клинических ЭЭГ с применением периодометрического анализа с помощью программы, разработанной авторами, и кодированием информации на основе классификации, предложенной Е.А. Жирмунской и соавт. и доработанной нами. Показана статистическая достоверность соответствия автоматически сформированного описания ЭЭГ и описания, составленного нейрофизиологом при визуальном анализе. Ключевые слова: клиническая ЭЭГ, периодометрический анализ, автоматизация кодирования

В настоящее время для диагностики и локализации органических поражений головного мозга все чаще используются магнитно-резонансная томография мозга, церебральная ангиография, ультразвуковая доплерография и др., которые не всегда достаточно эффективны в случаях отсутствия грубой органической патологии центральной нервной системы, вызванной нарушением структуры ткани мозга. Вместе с тем методы эмиссионно-позитронной томографии и функциональной магнитно-резонансной томографии, позволяющие выявлять достаточно тонкие процессы, протекающие в головном мозге, не нашли пока широкого применения в клинической практике.

В тех случаях, когда у больного отсутствуют выраженные структурные, очаговые или сосудистые нарушения в центральной нервной системе, заключения, выносимые специалистами на основании данных анализа биоэлектрической активности мозга, по-прежнему являются единственным средством, позволяющим оценить степень нарушения функционального состояния мозга.

Необходимо отметить, что до настоящего времени не существует надежных алгоритмов экспертной оценки клинических электроэн-

Automated description of EEG by means of periodometry in clinical electroencephalography

K.A. Bogdanov1, A.R. Gertzwolf2

The paper highlights an alternative version of generating an automated description of clinical EEG involving the use of periodometric analysis and an in-house software program with data coding based on classification suggested by E.A. Zhirmunskaya and coauthors and refined by the authors. Statistical validity of the match between automatically generated EEG and a description made by neurophysiologist during visual analysis is demonstrated. Key words: clinical EEG, periodometric analysis, automated coding

47

НЕЙРОФИЗИОЛОГИЯ

#

цефалограмм (ЭЭГ), позволяющих исключить или свести к минимуму эффекты, связанные с субъективными факторами в трактовке тех или иных ЭЭГ-паттернов при общей оценке степени отклонения ЭЭГ от нормы. По мнению некоторых авторов [5, 6], множество расхождений при визуальном анализе ЭЭГ связано с субъективностью интерпретации разными специалистами паттернов ЭЭГ, при этом адекватность клинического заключения в значительной степени зависит от опыта и квалификации специалиста. В связи с этим разработка простых и надежных методов классификации ЭЭГ и ее компонентов, представляется чрезвычайно важной в настоящее время, независимо от наличия достаточно широко распространенных автоматизированных систем, ориентированных на анализ клинических ЭЭГ.

Новые методы математической обработки биологических сигналов предоставляют исследователю все более значительный объем информации о характере нарушений функционального состояния головного мозга, который необходимо учитывать при вынесении клинического заключения. К ним относятся спектральный анализ ЭЭГ, спектральное картирование биоэлектрической активности головного мозга, методы периодометрии и распознавания образов различных паттернов патологической активности (например, комплексов пик-волна).

Целью настоящей работы были разработка и внедрение в практику системы, позволяющей уменьшить роль субъективных факторов при оценке характеристик ЭЭГ и вынесении клинического заключения о степени нарушений, при этом достаточно простой и информативной по сравнению с имеющимися системами анализа ЭЭГ.

Материал и методы

Для контроля эффективности и валидности работы программы была обследована смешанная группа больных наркологического и психиатрического стационаров, не принимавших в течение недели до момента исследования препаратов центрального действия, а также группа здоровых лиц. Всего были обследованы 136 человек.

Анализу подвергались обзорные ЭЭГ. Запись выполнялась от 16 монополярных отведений с референтными электродами на мочке уха для каждого полушария, при расположении электродов согласно международной системе 10/20 [5]: Fp1-A1, F3-A1, С3-А1, Р3-А1, 01-А1, F7-A1, Т3-А1, Т5-А1, Fp2-A2, F4-A2, С4-А2, Р4-А2, 02-А2, F8-A2, Т4-А2, Т6-А2. Регистрация ЭЭГ осуществлялась на электроэнцефалографе фирмы Весктап, параллельно сигнал ЭЭГ поступал в компьютер, через 16-канальный аналогово-цифровой преобразователь (АЦП). Тактовая частота опроса составляла 1000 Гц, пропускались частоты в диапазоне от 0,5 до 30 Гц.

Периодометрический анализ проводился с помощью специально разработанной программы. Как основа нами был применен алгоритм распознавания признаков ЭЭГ, предложенный ранее Э.С. Кубанейшвили и соавт. [4].

В качестве исходного для анализа использовался файл данных электроэнцефалограммы (ЭЭГ), записанный на жесткий диск. Необходимым условием запуска работы программы было наличие информации по всем 16 отведениям. Эти же ЭЭГ подвергались экспертной оценке нейрофизиологом.

Всего анализу было подвергнуто 136 электроэнцефалограмм, из которых 60 ЭЭГ было зарегистрировано у больных наркологического стационара, 50 ЭЭГ - у больных психиатрического стационара и 26 ЭЭГ - у психически и неврологически здоровых добровольцев.

Результаты и обсуждение

На первом этапе периодометрического анализа после открытия файла с данными ЭЭГ обрабатывался заголовок файла и устанавливалось наличие необходимых для проведения анализа отведений (п=16). Для каждого отведения определялись номер канала, на котором оно записано, а также фамилия, имя, отчество, дата исследования и его длительность, записываемые в начало формируемого файла промежуточных результатов.

Анализ данных проводился параллельно по всем отведениям для 6 последовательных эпох длительностью по 10 с. Общая эпоха анализа спонтанной фоновой ЭЭГ, на основании которой составлялось описание, составляла 1 мин свободной от артефактов записи.

При анализе ЭЭГ использовался вариант амплитудно-временного (периодометрия) анализа [3]. По каждому отведению выделялись колебания, соответствующие следующим частотным диапазонам ЭЭГ-активности: дельта (А, <4 Гц), тета (9, 4-7 Гц), альфа (а, 8-13 Гц), бета 1 ф1, 14-18 Гц) и бета 2 (Р2, 19-24 Гц) [7].

Наряду с этим отдельно идентифицировались следующие паттерны патологической активности: пики; острые волны; вспышки.

Выделялись следующие типы вспышек:

1) вспышки пароксизмальной активности,

2) билатерально-синхронные вспышки тета- и дельта-активности,

30 вспышки эпилептиформной активности [2].

Для определения ритмов колебаний А, 9, а и Р-диапазонов на начальном этапе исследований проводили полиномиальное сглаживание исходного сигнала, а затем определяли экстремумы. Такой подход мог позволить сразу исключить из рассмотрения высокочастотные составляющие, а разная степень сглаживания при распознавании быстрых

48

К.А. Богданов, А.Р. Герцвольф

и медленных волн позволила бы разделить наложение колебаний. Однако в ходе предварительного тестирования программы, когда результат ее анализа сравнивался с результатом визуального анализа ЭЭГ, были обнаружены существенные расхождения, которые затем были устранены с помощью исключения раздельного сглаживания сигнала.

Принадлежность каждого колебания к тому или иному типу определялась по его длительности и амплитуде, что было связано с необходимостью выделения специфичных паттернов ЭЭГ, таких, как отдельные волны и волновые комплексы. Для а-волн дополнительно оценивалась их форма, выделялись заостренные а-волны, а также подсчи-тывалось количество волн каждой формы. На рис. 1 приведена блок-схема выделения и распознавания признаков ЭЭГ при периодометрическом анализе.

Для каждого типа активности определялись количество колебаний, средняя частота, средняя амплитуда, коэффициенты вариации частоты и амплитуды, а также суммарная длительность в секундах, по которой вычислялся индекс активности - процент времени, занимаемый тем, или иным частотным диапазоном в анализируемой эпохе. Все эти характеристики для каждого отведения выводились в файл промежуточных результатов.

В качестве основы для следующего этапа анализа использовали кодировочную таблицу для признаков ЭЭГ, разработанную Е.А. Жирмунской с соавторами [1], которая была нами дополнена и доработана.

По шестизначным кодам, служащим для общей оценки состава ЭЭГ и степени ее нарушения, определялись:

1) главные компоненты ЭЭГ (а, р, 9 или А);

2) амплитуда главных компонент;

3) характеристика регистрируемой а-активности;

4)зональные различия по а-активности;

5) наличие р-активности низкой частоты;

6)характеристика 9- и А-активности.

Кроме того, в кодировочную таблицу были включены разработанные нами дополнительные коды для следующих видов патологической активности:

1) вспышек билатерально-синхронных 9-волн;

2) билатерально-синхронных А-волн;

3) комплексов пик-волна, включая их частотную характеристику и особенности локализации;

4) комплексов полиспайк-волна;

5)веретенообразной р-активности, включая ее амплитуду, частоту и локализацию.

Формирование кодов проводилось отдельно для каждого полушария. Главные компоненты определялись по временному индексу каждого вида активности, а их амплитуда оценивалась по среднему значению. Для определения характеристик а-активности среднего и высокого индекса использовались коэффициенты вариации амплитуды и частоты для оценки степени организации вере-

Формирование интервала

Нахождение экстермумов

Вычисление амплитуды и продолжительности

Идентификация волны

Все амплитуды

меньше допустимого значенгия?

Да

Вычисление признаков ЭЭГ

Нет

Это был последний интервал?

Да

Начисление суммарных признаков по всем интервалам

Рис. 1. Блок-схема выделения и распознавания признаков ЭЭГ

Российский психиатрический журнал № 1, 2010

49

НЕЙРОФИЗИОЛОГИЯ

Число ЭЭГ

Рис. 2. Распределение групп ЭЭГ по частоте встречаемости при обоих видах анализа

По оси ординат - номера групп ЭЭГ по классификации Е.А. Жирмунской.

тена по амплитуде и степени модулированности или дезорганизованности а-активности по частоте соответственно.

Для определения зональных различий по а-активности анализировался градиент средних значений амплитуды в парасагиттальных отведениях ЭЭГ в направлении затылок - лоб.

В дальнейшем коды, сформированные в соответствии с классификацией Е.А. Жирмунской [1], использовались для определения степени нарушения ЭЭГ. Для каждого частотного диапазона ЭЭГ формировались коды, соответствующие визуаль-

ным оценкам и отражающие следующие характеристики: для а-активности (табл. 1) - количество волн, их частоту и амплитуду, организацию веретен, форму волн; для р, А и 9 активности - количество волн, их частоту и амплитуду. В табл. 1 приведены коды для формирования описания а-активности.

Аналогичным образом по приведенным выше критериям формировались коды для других видов активности.

Для патологических волновых комплексов определялись следующие характеристики:

1) пики - количество и амплитуда;

2) комплексы пик-волна - локализация, количество и амплитуда;

3) острые волны - количество и амплитуда;

4) вспышки - количество, волновой состав вспышек и амплитуда;

5) билатерально-синхронные вспышки - волновой состав, количество и амплитуда.

В процессе распознавания пиков и острых волн анализировались амплитуда и крутизна переднего и заднего фронтов волны. Для этого вычленялись отдельные колебания (амплитудой не менее 80 мкв), амплитуда оценивалась по трем точкам: минимум -максимум - минимум. Если длительность такого колебания не превышала 0,075 с, оно считалось пиком, если же его длительность была больше и при этом продолжительность от первого минимума до максимума была меньше 0,0375 с, то колебание считалось острой волной.

Для выявления вспышек вычислялась средняя амплитуда колебаний эпохи анализа и определялось, присутствуют ли следующие друг за другом колебания, амплитуда которых превышает средний уровень. Одновременно определялся и частотный диапазон волн.

На основе полученных кодов для каждого типа активности формировался текстовый файл, где каждое значение кода заменялось соответствующей фразой.

Таблица 1. Кодировка признаков альфа-активности

Код Частота Амплитуда Организация активности Форма волн

1 Полиритмичная а-активность До 10 мкв Резко дезорганизована Полиморфная

2 7-8 к/с 10-20 мкв Заметно дезорганизована Резко заостренная

3 8 к/с 20-30 мкв Слегка дезорганизована Слегка заостренная

4 8-9 к/с 30-40 мкв. Модуляции альфа-веретен отсутствуют Гладкая

5 9 к/с 40-50 мкв. Активность плохо модулирована

6 9-10 к/с 50-60 мкв Хорошо модулирована

7 10 к/с 60-70 мкв

8 10-11 к/с 70-80 мкв

9 11 к/с 80-90 мкв

10 11-12 к/с 90-100 мкв

11 12-13 к/с >100 мкв

50 Российский психиатрический журнал № 1, 2010

К.А. Богданов, А.Р. Герцвольф

Таблица 2. Результаты корреляционного анализа по критерию Спирмена

Переменная Показатель VAR1 VAR3

VAR1 Коэффициент корреляции 1,000 ,992*

Sig. (2-tailed) , ,000

N 136 136

VAR3 Коэффициент корреляции ,992* 1,000

Sig. (2-tailed) ,000 ,

N 136 136

П р и м е ч а н и е. VAR1 - группа ЭЭГ по классификации, проведенной компьютером; VAR3 - группа ЭЭГ по классификации нейрофизиолога. * - значимость коэффициента корреляции p=0,01 (2-tailed).

В дальнейшем нами был проведен сравнительный анализ кодов ЭЭГ, сформированных программой и нейрофизиологом при визуальном анализе. С учетом типа данных нами использовался корреляционный анализ (коэффициент корреляции Спирмена) и метод кросстаб уляции, где группирующим критерием был метод проведения анализа (компьютерный или визуальный) при определении группы, к которой принадлежала ЭЭГ. В табл. 2 приведены результаты корреляционного анализа, а на рис. 2 представлено частотное распределение групп при обоих типах анализа.

Высокий коэффициент корреляции (см. табл. 2) между результатами двух методов анализа при высоком уровне его значимости (р<0,01), позволяет нам сделать вывод о достаточной адекватности и возможности использования разработанной программы для формирования описания картины ЭЭГ с дальнейшим предоставлением нейрофизиологу возможности внесения корректив в сформированное описание.

Ниже приведен пример описания ЭЭГ, составленного компьютером на основе проведенного анализа:

«ЭЭГ- ИССЛЕДОВАНИЕ Б-ной: XXXXXXXX Регистрационный номер XX

Дата обследования XX.XX.XXXX. Текущая дата XX.XX.XXXX

Код правого полушария 237313 Код левого полушария 237313 Справа : 44521 111 114 114 0 1 0 1 Слева : 44521 111 114 114 0 1 0 1

Группы: справа - 14, слева - 14

ЭЭГ покоя :

Альфа-активность носит регулярный характер, среднего индекса (35-40%), частотой 8-9 к/сек, амплитудой 40-50 мкв.

Альфа-активность заметно дезорганизована, форма волн полиморфная.

Бета-активность мало выражена, частотой 16-18 к/сек, амплитудой до 10 мкв.

На ЭЭГ регистрируются одиночные тета-волны различной частоты амплитудой 30-40 мкв.

На ЭЭГ регистрируются в большом количестве одиночные дельта волны различной частоты, амплитудой 30-40 мкв.

Регистрируются одиночные острые волны.

Зональные различия отсутствуют».

Для сравнения приведем описание этой же ЭЭГ, составленное нейрофизиологом:

«ЭЭГ-ИССЛЕДОВАНИЕ

Б-ной: ХХХХХХХХ

Регистрационный номер XX

Дата обследования XX.XX.XXXX. Текущая дата XX.XX.XXXX

На ЭГГ регистрируется заметно дезорганизованная альфа-активность амплитудой до 50 мкв, частотой 8-9 к/сек. Зональные различия по альфа-активности отсутствуют.

Бета-активность трудно определяемой частоты, амплитудой не более 10 мкв.

В большом количестве регистрируется медленно-волновая активность, представленная диффузными одиночными тета- и дельта-волнами, амплитудой до 40 мкв.

Регистрируются одиночные острые волны диффузного характера».

Как видно из приведенных текстов заключений они практически совпадают.

Таким образом, применение компьютера при анализе ЭЭГ значительно снижает элемент субъективности при оценке паттернов ЭЭГ. Вместе с тем необходимо отметить, что предложенный вариант может лишь в значительной степени автоматизировать и облегчить написание заключений при рутинной ЭЭГ и не позволяет заменить исследователя, так как существующие в настоящее время методы анализа не дают возможности полностью охватить все разнообразие регистрируемых паттернов ЭЭГ.

Российский психиатрический журнал № 1, 2010

51

НЕЙРОФИЗИОЛОГИЯ

Сведения об авторах

Богданов Константин Александрович - кандидат биологических наук, старший научный сотрудник лаборатории клинической нейрофизиологии ФГУ «Государственный научный центр социальной и судебной психиатрии им. В.П. Сербского» E-mail: konstantin.bogdanov@gmail.com

Герцвольф Альфред Романович - программист отдела информации и компьютерного анализа НИИ

наркологии Грузии

E-mail: akilaherzwolf@yahoo.com

#

Литература

1. Жирмунская Е.А., Лосев В.С. Системы описания и классификация электроэнцефалограмм человека. - М.: Наука, 1984.

2. Зенков Л.Р. Клиническая электроэнцефалография с элементами эпилептологии. - 1996. - С. 211-271.

3. Климова-Черкасова В.И. Функциональные состояния и адаптивные возможности мозга // Физиология человека. - 1982. - Т. 8, № 5. - С. 840-845.

4. Кубанеишвили Э.С., Инашвили М.Ш., Чегуров Ю. Н. Алгоритм автоматического распознавания признаков электроэнце-

фалограммы // Вопросы биологической и медицинской техники. - Тбилиси: Мецниереба, 1987. - Т. 8. - С. 124-129.

5. Пенфилд У., Джаспер Г. Эпилепсия и функциональная анатомия головного мозга. - М., 1958. - С. 295-296.

6. Ernst Niedermeyer, Lopes de Silva. Electroencephalography: basic principles, clinical applications, and related fields. 5th ed.

- 2005. - P. 1234-1243, 1266-1274.

7. William O. et al. Handbook of EEG interpretation. - Demos Medical Publishing, 2008. - P. 3-6.

52