CC BY
83
ПРОФИЛИ КОГНИТИВНЫХ НАРУШЕНИЙ И ИХ ЭЭГ-КОРРЕЛЯТЫ У ДЕТЕЙ,
СТРАДАЮЩИХ ЭНДОГЕННЫМИ ЗАБОЛЕВАНИЯМИ С РАССТРОЙСТВАМИ АУТИСТИЧЕСКОГО СПЕКТРА
С.А. Евдокимов1, Ю.Д. Кропотов*, А. Мюллер**, Е.П. Терещенко*, В.А. Пономарев* *Институт мозга человека РАН, С.-Петербург, Россия **Детский Центр, Кур, Швейцария
Целью настоящей работы было изучение отличий компонент вызванных потенциалов (ВП), полученных методом разложения на независимые компоненты (ICA) в зрительном двустимульном тесте на селективное внимание у группы детей с диагнозом синдром дефицита внимания с гиперактивностью (СДВГ) по сравнению с нормативной базой данных практически здоровых детей. Для исследований были использованы электроэнцефалограммы (ЭЭГ) детей в возрасте от 7 до 15 лет. Также изучались параметры когнитивных функций -количество ошибок, время реакции на значимый GO-стимул, вариация времени реакции. Различия компонент ВП для детей с диагнозом СДВГ и нормы были выявлены в пробе NOGO с локализацией в Cz и T5 (по международной системе «10-20»). Различия в параметрах когнитивных функций были выявлены для количества пропусков значимого стимула и вариации времени реакции. Использовался дискриминантный анализ, который выявил верные классификации в ~70% случаев при классификации отдельно по компонентам ВП и параметрам когнитивных функций. При дискриминантном анализе как компонент ВП, так и параметров успешности прохождения теста, количество верных классификаций увеличивалось до ~80%. Данная работа показывает, что анализ компонент ВП, полученных методом разложения на независимые компоненты, в дополнении к анализу когнитивных функций способен улучшить точность диагноза СДВГ.
Ключевые слова: когнитивные вызванные потенциалы, синдром нарушения внимания с гиперактивностью, метод разложения на независимые компоненты.
The profiles of cognitive impairments and their eeg-correlates in children suffering from endogenous illnesses with autism spectrum disorders. The aim of this work was to study the difference in ERP components with the help of ICA in visual two-stimulus attention test in children with ADHD in comparison with the normative database of apparently healthy children between 7 and 15 years old. We also studied the parameters of cognitive functions, i.e. the number of omissions of significant stimuli, reaction time and the reaction time variation to GO-stimulus. The differences in ERP components for children with ADHD and the norm were found only for NOGO-trial with localization in Cz and T5 (international «10-20» system). The differences in cognitive functions were
Контакты: 1 Евдокимов С.А.-E-mail: [email protected]
-17-
found only for the number of omissions and time reaction variations. The discriminant analysis revealed valid categories in ~70% cases when classifying separately ERP components and the parameters of cognitive functions. The discriminant analysis of ERP components together with the rate of successful test fulfillment increased the number of valid classifications up to ~80%. This investigation shows that ICA analysis of ERP components in addition to the analysis of cognitive functions may help to make the ADHD diagnosis more precise.
Keywords: event-related potentials, ADHD, ICA.
Давно и с успехом для анализа параметров ЭЭГ, например спектральных оценок, используется дискриминантный анализ [1, 2]. Это статистический метод позволяет из совокупности различных параметров ЭЭГ выделять именно те параметры, которые позволяют классифицировать группы по функциональным нарушениям, используя данные анализа количественной ЭЭГ. Классификация, полученная этим методом, не является самодостаточной, т.е. не может являться основанием для постановки диагноза. Но, при наличии клинической картины нарушения, способно конкретизировать диагноз, а так же послужить полезной информацией для поиска протокола коррекции для метода биологической обратной связи.
Относительно недавно получило большое распространение в количественной ЭЭГ использование метода разложения на независимые компоненты [5]. Целью настоящей работы было изучение возможности использования компонент когнитивных потенциалов ВП, полученных методом разложения на независимые компоненты, для диагностики СНВГ. Также использовались результаты успешности прохождения теста - количество ошибок, время реакции на значимый GO-стимул, вариация времени реакции.
МЕТОДЫ ИССЛЕДОВАНИЯ
В исследовании участвовали 149 практически здоровых детей (75 девочек, 74 мальчика) и 150 детей с диагнозом СДВГ (24 девочки, 126 мальчиков) в возрасте от 7 до 15 лет (средний возраст 11,86±0,34 для нормы и 11,08±0,35 для СДВГ). Оценка здоровья детей осуществлялась на основании анкеты для родителей. Для нормативной группы отбирались дети без хронических заболеваний, не принимающие медицинских препаратов и имеющие хорошую или отличную успеваемость в школе. Диагноз СНВГ ставился по критерию DSM-IV [3].
Регистрация электроэнцефалограммы (ЭЭГ) производилась с помощью 24-х канального цифрового электроэнцефалографа «Мицар» (производства ООО «Мицар», С.-Петербург), электродной шапки ElectroCap (ElectroCap, Eaton, Ohio, USA) и пакета программного обеспечения WinEEG 1.5 (В.А. Пономарев, институт Мозга Человека, С.-Петербург). Использовалось 19 хлорсере-бряных электродов, расположенных на поверхности головы в соответствии с международной системой 10-20 в отведениях Fp1; Fp2; F7; F3; Fz; F4; F8; T3; C3; Cz; T4; T5; P3; Pz; P4; T6; O1; O2. Референтные электроды располагались на мочках ушей, а заземляющий - в отведении Fpz. Сопротивление электродов не превышало 5 кОм. Для контроля над правильностью выполнения теста и
- 18 -
измерения времени реакции регистрировался сигнал от нажатия кнопки. Частота квантования ЭЭГ составляла 250 Гц. Параметры ФВЧ и ФНЧ составляли соответственно 0.3 Гц и 30 Гц, также использовался режекторный фильтр - 50 Гц.
Для удаления артефактов глазных движений использовался метод пространственной фильтрации. Пространственный фильтр артефактов глазных движений находился методом независимых компонент [4]. Далее, для вычисления спектров автоматически удалялись фрагменты ЭЭГ, которые содержали медленные волны (в диапазоне 0-1 Гц с амплитудой 50 мкВ и выше) и быстрые волны (в диапазоне 20-35 Гц с амплитудой 35 мкВ и выше), а так же общая фильтрация по порогу 100 мкВ.
В работе использовался двустимульный тест, являющийся модификацией тестов GO/NOGO парадигмы (рис.1). Тест состоял из 400 проб (длительностью
Ignore
Рис. 1. Примеры зрительных стимулов, использованных в тесте на селективное внимание
-19-
-е
3000 мс). В качестве стимулов использовались изображения животных, растений, человека (по 20 различных вариантов изображений в каждой категории стимулов). Пробами являлись пары зрительных стимулов: животное-животное (проба GO), животное-растение (проба NOGO), растение-растение (проба Ignore), растение-человек (проба Novel), следующих в квазислучайном порядке с вероятностью 25%. Испытуемым необходимо было нажимать на кнопку как можно быстрее и точнее в случае предъявления пары «животное-животное», и не нажимать на предъявление других проб. Вызванные потенциалы усреднялись только для проб, в которых испытуемый верно выполнял задание (не нажимал кнопку при предъявлении проб NOGO, Ignore и Novel, и нажимал кнопку при предъявлении пробы GO). В данной работе исследовались только пробы GO и NOGO. Так же вычислялись параметры когнитивных функций - количество пропусков, ошибочных нажатий, времени и вариации ответа на значимый GO-стимул.
При разложении вызванных потенциалов (ВП) на независимые компоненты использовался алгоритм INFOMAX, который итерационно максимизирует расхождения между компонентами в смысле максимизации информативности компонентов, которая достигается уменьшением обобщенной канонической корреляции [5, 6, 7, 8]. При разложении было выделено 19 компонент для каждой пробы. Это количество всегда равно количеству электродов в записи ЭЭГ для метода разложения на независимые компоненты (ICA). В качестве данных для разложения на компоненты использовали ВП на второй стимул в пробе длительностью 800 мс.
Для классификации испытуемых (СДВГ/норма) был использован линейный дискриминантный анализ параметров ВП и психофизических показателей. Этот анализ проводился как отдельно для компонент ВП и поведенческих параметров (количество пропусков, ошибочных нажатий, времени и вариации ответа), так и совместно. На основании результатов дискриминантного анализа вычисляется доля правильного отнесения к группам, которые были выделены на основании результатов прохождения теста.
РЕЗУЛЬТАТЫ ИССЛЕДОВАНИЯ И ИХ ОБСУЖДЕНИЕ
Были выделены компоненты когнитивных ВП для проб GO и NOGO методом ICA. Для анализа из 19 компонент для каждого условия были взяты по 7 компонент с наибольшей дисперсией, а поэтому дающих наибольший вклад в исходные ВП.
Статистически значимые различия в этих компонентах ВП для детей с диагнозом СНВГ и нормы были выявлены только для условия NOGO с локализацией в Cz и T5 (рис. 2).
Статистически значимые различия в параметрах когнитивных функций были выявлены только для количества пропусков значимого стимула и вариации времени реакции.
Выявленные компоненты ВП и параметры качества прохождения теста (количество пропусков значимого стимула и вариация времени реакции), статистиче-
-20-
-е-
а-р 1МойО норма а-р N060 СНВГ
а-р МойО СНВГ • а-р (ЧойО норма
а-р Мо(лО норма а-р N0(30 СНВГ
а-р N060 СНВГ - а-р МоСО норма
Рис 2 для
Компоненты когнитивных ВП на условие N000, используемые дискриминантного анализа (вверху представлена компонента для локализации Сг, внизу - для локализации Т5).
ски значимо отличающиеся для групп СНВГ и нормы, были использованы для классификации при помощи дискриминантного анализа.
Дискриминантный анализ выявлял верные классификации для 65% из группы СНВГ, при классификации по компонентам ВП, и 67%, при классификации по параметрам когнитивных функций. При дискриминантном анализе как компонент вызванных потенциалов, так и параметров успешности прохождения теста, количество верных классификаций увеличилось до 85% (рис. 3).
Заштрихованная гистограмма и тонкая линия распределения - группа детей с диагнозом СНВГ, не заштрихованная гистограмма и толстая линия распределения - группа детей из нормативной базы практически здоровых детей.
Использование компонент ВП позволяет автоматизировать диагностику, т.к. ВП в этом случае локализовано и не требуется анализа всех отведений многоканальной ЭЭГ. Результатом разложения на компоненты является набор ВП с распределениями их по скальпу в виде карт. Это распределение представлено на рис.2 слева от каждой компоненты ВП. Как правило, максимум этого распределения всегда находится в одном из каналов. Поэтому локализация компоненты является результатом разложения и автоматизирует поиск этой локализации.
Широкое применение метод 1СА получил после публикации работ Скота Макейга [5, 7], под руководством которого было написано свободно распространяемое программное обеспечение EEGLAB. Эта программа работает под управлением Ма^аЬ и имеет открытые алгоритмы.
Дискриминантный анализ позволяет объединять различные компоненты для нахождения индекса определенного нарушения и не требует в дальнейшем интерпретации, что способствует объективности в установлении диагноза.
21
-e-
Рис 3. Дискриминантная оценка. А - для компонент ВП, Б - для параметров успешности прохождения теста, В - объединенная для ВП, числа пропусков
и вариации времени реакции.
Заштрихованная гистограмма и тонкая линия распределения - группа детей с диагнозом СНВГ, не заштрихованная гистограмма и толстая линия распределения -группа детей из нормативной базы практически здоровых детей.
ВЫВОДЫ
1. Данная работа показывает, что использование компонент вызванных потенциалов, полученных методом разложения на независимые компоненты, в дополнении к анализу когнитивных функций способен улучшить точность диагноза СДВГ.
2. Использование дискриминантного анализа совместно с методом разложения на независимые компоненты позволяет автоматизировать установление диагноза СНВГ по физиологическим данным количественной ЭЭГ.
СПИСОК ЛИТЕРАТУРЫ
1. Thatcher, R. W., Walker, R. A., Gerson, I., & Geisler, F. H., 1989. EEG discriminant analyses of mild head trauma // Electroencephalography and Clinical Neurophysiology. 73:94-106.
— 22 —
2. Snyder SM, Quintana H, Sexson SB, Knott P, Haque AF, Reynolds DA., 2008. Blinded, multi-center validation of EEG and rating scales in identifying ADHD within a clinical sample // Psychiatry Res. 159(3):346-358.
3. Connors, С. К., 1970. Symptom patterns in hyperkinetic, neurotic, and normal children // Child. Dev. 41:667-682.
4. Ille N, Berg P, Scherg M., 2002. Artifact correction of the ongoing EEG using spatial filters based on artifact and brain signal topographies // Journal of Clinical Neurophysiology. 19(2):113-124.
5. Makeig S., Bell A.J., Jung T.P., Sejnowski T.J., 1996. Independent component analysis of electroencephalographic data // Advanced in Neural Inform. Proc. Systems. 8:145.
6. Jung T., Makeig S., McKeown M.J., Bell A.J., Lee T., Sejnowski T., 2001. Imaging brain dynamics using Independent Component Analysis // Proceedings of the IEEE. 89(7):1107.
7. Onton J., Makeig S., 2006. Information-based modeling of event-related brain dynamics // Progress in Brain Research. 159:99.
8. Хайкин С., 2006. Нейронные сети. Полный курс // Издательский дом Вильямс, Москва, Санкт-Петербург, Киев, c. 646-652.
Работа поддержана грантом поддержки ведущих научных школ № НШ-6359.2006.4 и Российским гуманитарным научным фондом № 04-06-00067а.
э-
-е-
