CC BY
27
УДК 615.471:616-073/97(075.8)
DOI 10.21685/2307-5538-2018-1-11
А. Н. Спиркин, Н. В. Авдеева
ВЫЯВЛЕНИЕ ПАТОЛОГИЧЕСКИХ СОСТОЯНИЙ ПО АНАЛИЗУ БИОЭЛЕКТРИЧЕСКОЙ АКТИВНОСТИ
Аннотация. Актуальность и цели. Объектом исследования являются параметры сигналов биоэлектрической активности головного мозга. Предметом исследования являются методы обработки данных электроэнцефалографии больных с группой риска по эпилепсии. Целью работы является разработка способа выявления патологических состояний биоэлектрической активности головного мозга, позволяющего прогнозировать возникновение эпилептических припадков. Материалы и методы. Для решения поставленных задач в работе использовались методы моделирования динамических систем Simulink. Результаты. Предложен способ выявления патологических состояний биоэлектрической активности головного мозга, позволяющий прогнозировать наступление эпилептического припадка. Выводы. Использование предложенного способа в системах мониторинга состояния больного эпилепсией позволяет автоматизировать процесс обработки большого объема ЭЭГ - информации и повысить достоверность выявления патологий у пациентов, входящих в группу риска с заболеванием эпилепсия.
Abstract. Background. The object of the study are the parameters of signals of brain bioelectric activity. The subject of the study are methods of processing data of electroencephalography of patients with a risk group for epilepsy. The aim of the work is to develop a method for detecting pathological states of brain bioelectric activity, which allows predicting the occurrence of epileptic seizures. Materials and methods. To solve the set tasks, Simulink simulation methods were used in the work. Results. A method is proposed for revealing the pathological states of the bioelectrical activity of the brain, which makes it possible to predict the onset of an epileptic fit. Conclusions. The use of the proposed method in the monitoring systems of the patient's state of epilepsy makes it possible to automate the process of processing a large volume of EEG information and to increase the reliability of pathology detection in patients at risk with
Ключевые слова: электроэнцефалография, биоэлектрическая активность головного мозга, паттерны, эпилептический очаг, спектральная плотность мощности.
Key words: electroencephalography, bioelectrical activity of the brain, patterns, epileptic focus, spectral power density.
Есть такие заболевания, которые преследуют человечество на всем протяжении его развития. К числу таких заболеваний следует отнести эпилепсию. Наверное, многие из нас когда-нибудь в своей жизни, находясь в многолюдном месте, видели такую картину: рядомстоящий человек вдруг внезапно падает, его тело ломается в судорожном припадке, изо рта идет пена. Таков неприглядный облик эпилепсии. Эпилепсия - это хроническая неврологическая болезнь, для которой характерны приступы проявляющихся внезапно судорог. По современным представлениям, эпилепсия - это неоднородная группа заболеваний, клиника хронических
A. N. Spirkin, N. V. Avdeeva
IDENTIFICATION OF PATHOLOGICAL STATES BY ANALYSIS OF BIOELECTRIC ACTIVITY
epilepsy.
случаев которых характеризуется судорожными повторными приступами. Эпилептическое поражение головного мозга встречается у каждого сотого жителя Земли.
Для понимания причины возникновения эпилепсии необходимо рассмотреть природу возникновения эпилепсии. Передатчиком сигналов в пределах нервной системы является электрический импульс, генерируемый на поверхности нейрона. «Лишние» импульсы могут возникать и в нормальных условиях, но для этого в головном мозге предусмотрены специальные структуры, «гасящие» избыточную возбудимость клеток. Условием развития эпилепсии являются генетические дефекты этих самых структур, в результате чего мозг находится в постоянной судорожной готовности, которая в любой момент может «сдетонировать» приступом (рис. 1) [1, 2].
Подобные генетические дефекты не развиваются на пустом месте. К числу факторов, которые могут спровоцировать появление эпилепсии, следует отнести следующие [3-5]:
- приобретенная во внутриутробный период недоразвитость отдельных мозговых структур, не рассматриваемая в рамках идиопатической эпилепсии;
- черепно-мозговые травмы;
- новообразования в головном мозге;
- хронический алкоголизм и наркомания;
- инфекционное поражение центральной нервной системы (менингит, энцефалит);
- побочный эффект некоторых препаратов (нейролептики, антидепрессанты, антибиотики);
- инсульт;
- рассеянный склероз.
В результате воздействия одного или нескольких перечисленных факторов в одном из полушарий головного мозга образуется конкретный эпилептический очаг, генерирующий избыточный электрический импульс. До определенного момента антиэпилептические структуры головного мозга способны нивелировать его, но в «час пик» электрический разряд все же «прорывается» сквозь защиту и проявляется первым припадком (рис. 2).
Эпилептический припадок представляет большую социальную опасность в силу внезапности его проявления, поэтому необходимо разработать методы и средства, позволяющее обнаружить надвигающийся припадок. Их наличие помогло бы изменить всю жизнь страдающих эпилепсией, так как пациенты будут уверены, что неожиданный приступ не поставит под угрозу их жизнь [4]. Хотя эпилептические приступы трудно предугадать заранее, простая электронная технология распознавания сигналов биоэлектрической активности могла бы оповещать близких, что больной в беде.
Электроэнцефалография (ЭЭГ) - это единственный метод, который способен выявлять изменения, характерные лишь для эпилептических болезней. Суть ЭЭГ заключается в том, что пациенту на голову крепятся специальные электроды, с помощью которых регистрируют электрическую активность мозга в виде так называемых мозговых волн. При наличии на ЭЭГ высокоамплитудных вспышек активности (более 100 мкВ) - паттернов - судят об угрозе возникновения эпилептического припадка [10].
Современные достижения электроники позволяют регистрировать ЭЭГ в режиме реального времени (рис. 3). Это достигается путем размещения электродов в специальных устройствах, которые комфортно носить в течение длительного времени. Устройства обладают возможностью беспроводной передачи данных опекуну или лечащему врачу в случае приближения припадка. К сожалению, такие устройства пока выпускаются только за рубежом и не доступны отечественному пользователю.
г. ■ . ,. .. ээг в норме
Parietal lobe _
Occipital \ —
lobe v / m ■ v
Зарождение приступа
Приступ эпилепсии (активная фаза)
Рис. 3. Биоэлектрическая активность головного мозга при зарождении эпилептического припадка
В данной статье предлагается способ выявления патологий путем анализа ЭЭГ, полученных при мониторинге состояния больного эпилепсией. На рис. 4 приведены сигналы ЭЭГ, соответствующие норме (а) и патологии (б). С помощью программы Graph2Digit [9] оцифровываем исследуемые сигналы, а в среде Microsoft Excel воссоздаем их графики (рис. 5).
а)
б)
Рис. 4. Сигнал ЭЭГ: а - в норме; б - при патологии
ЭЭГ норма
а)
ЭЭГ больного эпилепсией
б)
Рис. 5. График ЭЭГ в среде Microsoft Excel: а - при норме; б - при патологии
Далее числовые данные импортируем из среды Microsoft Excel в программу MATLAB, где формируем матрицу сигналов ЭЭГ (рис. 6), которую затем сохраняем в mat-файле.
MATLAB R2015b
& ^ - - В - - Э ®|
Search Documentation
New Ni Script
[~lp Ö Find Files ew Open jgj Compare
Import Save
I, New Variable > Open Variable »
CODE SI MU LINK ENVIRONMENT RESOURCES
Data Workspace ^ Clear Workspace »
VARIABLE
IF Ш 5P |Jj ► G ► Program Files ► Matlab2015 ►
Current Folder ®
- P
D Nai
Command Window
New to MATLAB? See resources for Getting Started.
Details
Workspace
®
Name
Sm|
ÏJM2 jjtout
3dx
±jX2
Sy
±jV2
Value
2x722 double 2x122 double 1000x1 double 122x1 double 122x1 double 122x1 double 122x1 double
11.162
63.329
75.234
68.29
74.2425
3;
» M=(X'; » M
Y1];
Co lurons 1 through 5
1.0000 fx 78 . 2100
2.0000 78.2100
3.0000 72.2580
4.0000 79.2000
5.0000 63.3300
Рис. 6. Интерфейсное окно «Вывод матрицы ЭЭГ-сигнала»
На рис. 7 представлена разработанная авторами модель процедуры анализа сигнала ЭЭГ, созданная с помощью программного пакета МаЙаЬ - Simulink.
•а
Model EEG * - Simulink
File Edit View Display Diagram Simulation Analysis Code Tools Help
□
sa
m
»
Ready
UB
ma
® Dt>
1ПП)
Minimum:
VariableStepAuto
Рис. 7. Модель процедуры анализа сигнала ЭЭГ
В разработанной модели используется блок From File, с помощью которого можно импортировать исследуемый сигнал из сформированного ранее mat-файла. Параметры блока представлены на рис. 8.
™ Source Block Parameters: From File 1
Parameters Л
File name: | EEGNorma.mat
Output data type: | Inherit: auto v >>
Sample time (-1 for inherited):
le.l
Data extrapolation before first data point: Linear extrapolation -
Data interpolation within time range: | Linear interpolation -
Data extrapolation after last data point: Linear extrapolation ~
D Enable zero-crossing detection V
OK 1 Cancel help Apply
Рис. 8. Параметры блока From File
В качестве устройства вывода исследуемых сигналов в модели используется блок Scope. На рис. 9 приведены исследуемые сигналы в среде Simulink, полученные при использовании данного блока.
а)
б)
Рис. 9. Исследуемый сигнал ЭЭГ в среде Simulink: а - в норме; б - при патологии
Определение в исследуемых сигналах ЭЭГ-паттернов, характерных для возникновения эпилептического припадка, в разработанной модели производится с помощью блока «Hit Crossing» [6]. Данный блок определяет моменты времени, когда входной сигнал пересекает пороговые значения. На рис. 10 показаны параметры блока «Hit crossing», выбранные нами для решения поставленной задачи:
- «Hit crossing offset» - 100 (значение, которое является пороговым для амплитуды биоэлектрического сигнала при угрозе возникновения эпилептического припадка);
- «Hit crossing direction»: either (параметр, фиксирующий любые пересечения порогового уровня).
Function Block Parameters: Hit Crossing ■
Parameters Л
Hit crossing offset:
100
Hit crossing direction: either T
0 Show output port
0 Enable zero-crossing detection V
^ OK Cancel Help | Apply
Рис. 10. Параметры блока Hit Crossing
Определение в исследуемых сигналах ЭЭГ-паттернов, характерных для возникновения эпилептического припадка, в разработанной модели производится с помощью блока Hit Crossing. Данный блок определяет момент времени, когда входной сигнал пересекает пороговые значения. В качестве параметров блока, представленных на рис. 10, направлением пересечения (Hit crossing direction) выбрано оба направления определения (either), а пороговое (Hit crossing offset) значение, пересечение которого исследуемым сигналом требуется идентифицировать, определено равным 100.
Подсчет количества ЭЭГ-паттернов производится с помощью счетчика (блок Counter), параметры которого приведены на рис. 11.
Function Block Parameters: Counter 9
Counter (mask) (link) Count up or down through a specified range of numbers. If you set the 'Count event1 parameter to 'Free running', the block counts at a constant time interval. Otherwise, the block increments or decrements the counter each time a trigger event occurs at the Inc/Dec input port. Л
Parameters
Count direction: Up T
Count event: Rising edge T
Counter size: User defined T
Maximum count:
255
Initial count: 0
Output: Count and Hit T
Hit values:
35
0 Reset input
Count data type: double T
Hit data type: Logical ▼
Q | OK | Cancel Help Apply
Рис. 11. Параметры блока Counter
С помощью блоков Maximum и Minimum можно определять максимальное, минимальное и размах значений сигнала ЭЭГ. Параметры блоков приведены на рис. 12.
11
Function Block Parameters: Maximum
Maximum
Returns the value and/or index of the maximum elements of the input signal. The output can be the maximum of the entire input, of each row, of each column, or over the dimension of the input signal specified in the 'Dimension' parameter. Indices are the locations of maximums, counting from either zero or one. If the 'Mode' parameter is set to 'Running', the block returns the maximum of the input elements over time.
Main Fixed-point
Parameters
Help
Apply
Function Block Parameters: Minimum
Minimum
Returns the value and/or index of the minimum elements of the input signal. The output can be the minimum of the entire input, of each row, of each column, or over the dimension of the input signal specified in the 'Dimension' parameter. Indices are the locations of minimums, counting from either zero or one. If the 'Mode' parameter is set to 'Running', the block returns the minimum of the input elements over time.
Main Fixed-point Parameters Mode: Reset port:
[Running N
|None
Cancel
Help
Apply
Рис. 12. Параметры соответственно блоков Maximum и Minimum
Для просмотра спектральной плотности сигнала был использован анализатор спектра Power Spectral Density. В окне настройки анализатора (рис. 13) задаем следующие параметры [7, 8]:
- Length of buffer - длина буфера (по умолчанию 128);
- Number of points for fft - число анализируемых точек (по умолчанию 512);
- Plot after how many points - количество точек, после которого производится построение графика (по умолчанию 64);
- Sample time - период дискретизации.
Sink Block Parameters: Power Spectral Density
Power Spectral Density (mask) (link) Plot the PSD of the input.
Parameters Length of buffer:
512|
Number of points for fft:
512
Plot after how many points:
32
Sample time:
0.1
OK
Cancel
Help
Apply
Рис. 13. Параметры блока Power Spectral Density
Результаты анализа спектра исследуемых сигналов представлены на рис. 14, где Time history - форма исследуемого сигнала, Power Spectral Density - плотность спектральной мощности (по амплитуде), Power Spectral Density (phase) - плотность спектральной мощности по фазе.
Из представленных результатов следует, что при наличии патологии происходит резкое возрастание амплитуды ЭЭГ-сигнала, изменяется частотный спектр и возрастает плотность спектральной мощности, следовательно, предложенная модель позволяет определить ЭЭГ-паттерны, свидетельствующие об угрозе возникновения эпилептического припадка.
Таким образом, при встраивании предложенной модели в систему мониторинга за состоянием больного эпилепсией можно значительно повысить достоверность предсказания припадка.
Power Spectral Density
Time history
80 65 90 95 100 105 110 115 120 Time (sees} Power Spectral Density
Frequency (rads/sec) Power Spectral Denslty(phase)
Frequency (rads/sec)
Power Spectral Density
Time history
75 60 65 90 95 100 105 110 115 120 Time (sees) Power Spectral Density
Frequency (rads/sec) Power Spectral Density(phase)
Frequency (rads/sec)
а) б)
Рис. 14. Результаты анализа спектральной плотности сигнала ЭЭГ: а - в норме; б - при патологии
Библиографический список
1. Харчук, С. М. Лечение эпилепсии по принципам доказательной медицины / С. М. Хар-чук, Д. А. Молчанов. - М. : Здоровье, 2006. - 381с.
2. Напреенко, А. К. Психиатрия / А. К. Напреенко. - М. : Здоровье, 2001. - 359с.
3. Воронков, Г. Л. Справочник врача-психиатра / Г. Л. Воронков. - М. : Здоровье, 1991. -563 с.
4. Тиганов, А. С. Руководство по психиатрии / А. С. Тиганов. - М. : Медицина, 1999. -650 с.
5. Лудянский, Э. А. Руководство по заболеваниям нервной системы / Э. А. Лудянский. -Вологда : Полиграфист, 1995. - 257 с.
6. Рангайян, Р. М. Анализ биомедицинских сигналов. Практический подход : учеб. пособие / Р. М. Рангайян. - М. : Физматлит, 2010. - 436 с.
7. Дьяконов, В. МАТЪАВ 6/6.1/6.5 + Simulink 4/5. Основы применения. Полное руководство пользователя / В. Дьяконов. - М. : Солон - Пресс, 2002. - 592 с.
8. Айфичер, Э. С. Цифровая обработка сигналов: практический подход / Э. С. Айфичер, Б. У. Джервис. - М. : Вильямс, 2004. - 992 с.
9. Гонсалес, Р. Цифровая обработка изображений в среде МАТЪАВ / Р. Гонсалес, Р. Вудс, С. Эддинс. - М. : Техносфера, 2006. - 758 с.
10. Файбушевич, А. Г. Применение методов клинической информатики в комплексных исследованиях и лечении больных : учеб. пособие / А. Г. Файбушевич, В. Д. Проценко. -М. : Изд-во РУДН, 2008. - 537 с.
Спиркин Андрей Николаевич
магистрант,
Пензенский государственный технологический университет (Россия, г. Пенза, пр. Байдукова/ ул. Гагарина, 1а/11) E-mail: Rakahanga10160@yandex.ru
Spirkin Andrey Nikolaevich
master degree student, Penza State Technological University (1a/11 Baydukova avenue / Gagarin street, Penza, Russia)
Авдеева Надежда Владиславовна
магистрант,
Пензенский государственный университет (Россия, г. Пенза, ул. Красная, 40)
Avdeeva Nadezhda Vladislavovna
master degree student, Penza State University (40 Krasnaya street, Penza, Russia)
E-mail: nad-avdeeva@mail.ru
УДК 615.471:616-073/97(075.8) Спиркин, А. Н.
Выявление патологических состояний по анализу биоэлектрической активности /
А. Н. Спиркин, Н. В. Авдеева // Измерение. Мониторинг. Управление. Контроль. - 2018. - № 1 (23). -С. 75-84. БО! 10.21685/2307-5538-2018-1-11.
