RU2713110C1 - Способ оценки различий мощности осцилляторных компонент сигналов электроэнцефалограммы в психофизиологических состояниях на основе квантильного анализа - Google Patents
Способ оценки различий мощности осцилляторных компонент сигналов электроэнцефалограммы в психофизиологических состояниях на основе квантильного анализа Download PDFInfo
- Publication number
- RU2713110C1 RU2713110C1 RU2018141556A RU2018141556A RU2713110C1 RU 2713110 C1 RU2713110 C1 RU 2713110C1 RU 2018141556 A RU2018141556 A RU 2018141556A RU 2018141556 A RU2018141556 A RU 2018141556A RU 2713110 C1 RU2713110 C1 RU 2713110C1
- Authority
- RU
- Russia
- Prior art keywords
- state
- quantile
- states
- desynchronization
- synchronization
- Prior art date
Links
Images
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
- A61B5/316—Modalities, i.e. specific diagnostic methods
- A61B5/369—Electroencephalography [EEG]
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Psychology (AREA)
- Biophysics (AREA)
- Pathology (AREA)
- Engineering & Computer Science (AREA)
- Psychiatry (AREA)
- Physics & Mathematics (AREA)
- Medical Informatics (AREA)
- Molecular Biology (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- General Health & Medical Sciences (AREA)
- Public Health (AREA)
- Veterinary Medicine (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
Изобретение относится к медицинским технологиям, а именно электроэнцефалографии, и может быть использовано для исследования биоэлектрической активности мозга, проектирования интерфейсов мозг-компьютер, определения и анализа диагностических параметров для постинсультной нейрореабилитации и диагностики нейродегенеративных заболеваний. Предложен способ оценки различий мощности осцилляторных компонент сигналов электроэнцефалограммы (ЭЭГ) в психофизиологических состояниях, включающий измерение и анализ компонентов электроэнцефалограммы с последующей математической обработкой, заключающийся в том, что регистрируют сигналы электроэнцефалографа в первом и втором состояниях испытуемого, выделяют одномерный целевой сигнал из многомерного массива записанных ЭЭГ сигналов, выделяют огибающую узкополосных осцилляций целевого сигнала для двух состояний при помощи узкополосной фильтрации выделенного целевого сигнала с последующим вычислением абсолютного значения временного ряда и сглаживанием результирующего сигнала, осуществляют выборку Q квантилей q от 0 до 1 с шагом 0.01 огибающей узкополосных осцилляций для первого состояния и второго состояния, для каждого порогового значения h из выборки значений квантилей для первого состояния рассчитывают количество N(h) точек огибающей в первом состоянии и количество M(h) точек огибающей во втором состоянии, превышающих значение порогового значения h, далее анализируют полученную ROC-кривую, являющуюся зависимостью N(h)=f(M(h)), и осуществляют оценку различия двух состояний по площади, ограниченной данной ROC-кривой: при значении площади в интервале от 0,4 до 0,6 констатируют отсутствие различий мощности осцилляторных компонент сигналов электроэнцефалограммы между первым и вторым состояниями, при значении площади меньше 0,4 и больше 0,6 констатируют наличие значимых различий мощности осцилляторных компонент сигналов электроэнцефалограммы первого и второго состояний, далее определяют кросс-квантильный коэффициент из соотношения ERD(q)=(S(q) - S`(q)) / S(q) × 100%, где S - значение q-квантиля распределения огибающей в первом состоянии, S` - значение q-квантиля распределения огибающей во втором состоянии, и осуществляют оценку различия двух состояний по среднему значению М совокупности значений коэффициентов синхронизации/десинхронизации кривой кросс-квантильной синхронизации/десинхронизации, которое определяют из соотношения
Description
Изобретение относится к медицинским технологиям, а именно электроэнцефалографии, и может быть использовано для исследования биоэлектрической активности мозга, проектирования интерфейсов мозг-компьютер, определения и анализа диагностических параметров для постинсультной нейрореабилитации и диагностики нейродегенеративных заболеваний.
В мире существует ряд метрик, предназначенных для решения задачи дифференциации психофизиологических состояний человека по записям электроэнцефалограммы (ЭЭГ). Так, например, одной из распространенных метрик нейрофизиологической активности мозга является значение мгновенной мощности узкополосных осцилляторных компонент сигналов ЭЭГ (дельта, тета, альфа, мю, бета и гамма ритмы). Как правило для поиска отличий динамики мощности ритмов мозга между двумя условиями записи электроэнцефалограммы используется так называемый коэффициент синхронизации (десинхронизации) ERS (ERD) ритма [Pfurtscheller, G., Steffan, J. and Maresch, H. ERD mapping and functional topography: temporal and spatial aspects. In: G. Pfurtscheller and F.H. Lopes da Silva (Eds.), Functional Brain Imaging. Huber, Toronto, 1988: 117-129 / Пфуртшеллер Г., Стефан Дж. и Мареш Г. Картирование и функциональная топография десинхронизации активности мозга. В Г. Пфуртшеллер и Ф. Лопес да Силва, Функциональное картирование мозга, Торонто, 1988: 117-129]. Данный коэффициент вычисляется по формуле:
ERD=(S-S`)/S*100%, где
S - средняя мощность в состоянии 1,
S`- средняя мощность в состоянии 2.
Данный коэффициент отражает среднее значение мощности во время записи одного из состояний и не позволяет определить индивидуальные паттерны динамики мгновенной мощности в каждом из состояний, а также не обладает необходимой чувствительность и способен отразить только очень явные различия.
Другим способом формализации разделимости двух состояний по динамике мощности узкополосных осцилляций является коэффициент ERDd [Васильев А., Либуркина С., Яковлев Л., Перепелкина О., Каплан А., Определение состояния воображения движения в приложении к интерфейсу мозг-компьютер: физиологические и нейрофизиологические корреляты, Нейрофизиология, 97, 2017, сс 56-65].
В данном способе определяется величина D перекрытия распределений мгновенных мощностей двух состояний и вычисляется коэффициент: ERDd=(1-D)*100%, где
D - величина перекрытия распределений мгновенных мощностей двух состояний
Данная метрика является более чувствительной к свойствам распределения мгновенной мощности состояний. Однако такой способ, в случае всплесковой структуры динамики осцилляций [Ossadtchi A., Shamaeva Т., Okorokova Е., Moiseeva V., Lebedev М., Neurofeedback learning modifies the incidence rate of alpha spindles, but not their duration and amplitude. Scientific Reports, 7, 2017 / Осадчий А., Шамаева Т., Окорокова E., Моисеева В., Лебедев М., Влияние тренировки в парадигме нейрообратной связи на количество, длительность и амплитуду альфа всплесков. Сайнтифик репортс. 7, 2017] не позволяет определить влияние таких параметров как амплитуда и длина всплесков, а также их взаимоотношения.
Техническая задача, на решение которой направлено заявляемое изобретение, состоит в повышении эффективности дифференциации психофизиологических состояний на основе анализа осцилляторных компонент активности головного мозга.
Поставленная техническая задача решается тем, что в способе оценки различий мощности осцилляторных компонент сигналов электроэнцефалограммы в психофизиологических состояниях, включающем измерение и анализ компонентов электроэнцефалограммы с последующей математической обработкой, согласно заявляемому изобретению, регистрируют сигналы электроэнцефалографа в первом и втором состояниях испытуемого, выделяют одномерный целевой сигнал из многомерного массива записанных ЭЭГ сигналов, выделяют огибающую узкополосных осцилляций целевого сигнала для двух состояний при помощи узкополосной фильтрации выделенного целевого сигнала с последующим вычислением абсолютного значения временного ряда и сглаживанием результирующего сигнала, осуществляют выборку Q квантилей q от 0 до 1 с шагом 0.01 огибающей узкополосных осцилляций для первого состояния и второго состояния, для каждого порогового значения h из множества значений квантилей для первого состояния, рассчитывают количество N(h) точек огибающей в первом состоянии и количество M(h) точек огибающей во втором состоянии, превышающих значение порогового значения h, далее анализируют полученную ROC-кривую, являющуюся зависимостью N(h)=f(M(h)), и осуществляют оценку различия двух состояний по площади, ограниченной данной ROC-кривой:
при значении площади в интервале от 0,4 до 0,6 констатируют отсутствие различий мощности осцилляторных компонент сигналов электроэнцефалограммы между первым и вторым состояниями,
при значении площади меньше 0,4 и большей 0,6 констатируют наличие значимых различий мощности осцилляторных компонент сигналов электроэнцефалограммы первого и второго состояний, далее определяют кросс-квантильный коэффициент из соотношения:
ERD(q)=(S(q)-S`(q))/S`(q)*100%,
где
S - значение q-квантиля распределения огибающей в первом состоянии,
S` - значение q-квантиля распределения огибающей во втором состоянии,
и осуществляют оценку различия двух состояний по среднему значению М совокупности значений коэффициентов синхронизации/десинхронизации кривой кросс квантильной синхронизации/десинхронизации, которое определяют из соотношения:
если среднее значение М кривой кросс квантильной синхронизации/десинхронизации находится в пределах от -10% до 10%, констатируют отсутствие различий мощности осцилляторных компонент сигналов электроэнцефалограммы между первым и вторым состояниями
при среднем значение М кривой кросс квантильной синхронизации/десинхронизации меньше -10% или превышает 10%, констатируют наличие значимых различий мощности осцилляторных компонент сигналов электроэнцефалограммы первого и второго состояний,
при этом отрицательное значение М указывает на наличие десинхронизации во втором состоянии по сравнению с первым состоянием, положительные значения М указывают на наличие синхронизации во втором состоянии по сравнению с первым состоянием.
Кроме того, по форме кривой кросс квантильной синхронизации/десинхронизации оценивают динамические характеристики синхронизации/десинхронизации целевого сигнала:
если кривая кросс квантильной синхронизации/десинхронизации принимает положительные значения, не имеет ярко выраженного пика и мало изменчива для всех квантилей, делают вывод о том, что увеличение мощности осцилляторных компонент сигналов электроэнцефалограммы происходит равномерно в каждый момент времени, если у кривой кросс квантильной синхронизации/десинхронизации присутствует пик на высоких квантилях и провал на низких квантилях, констатируют, что повышение мощности мощности осцилляторных компонент сигналов электроэнцефалограммы происходит за счет увеличения количество всплесков осцилляторной активности.
Технический результат, достижение которого обеспечивается реализацией всей совокупности заявляемого способа, состоит в повышении достоверности оценки мощности осцилляторных компонент электрической активности головного мозга, что обеспечивает повышение эффективности дифференциации психофизиологических состояний человека.
Термины, используемые авторами в настоящем описании, имеют следующие толкования:
Квантильный анализ - анализ основанный на вычислении свойств заданной выборки проводимый раздельно для каждого квантиля выборки.
Квантиль уровня q (q-квантиль) - значение, которое заданная случайная величина не превышает с вероятностью q. [https://ru.wikipedia.org/wiki/Kвaнтиль]
ROC кривая - ROC-кривая (receiver operating characteristic, управляющая характеристика оператора) - график, отображающий соотношение между долей объектов от общего количества носителей признака, верно классифицированных как несущих признак и долей объектов от общего количества объектов, не несущих признака, ошибочно классифицированных как несущих признак при варьировании порога решающего правила [https://ru.wikipedia.org/wiki/ROC-кpивaя].
Под кривой кросс-квантильной синхронизации/десинхронизации авторы подразумевают совокупность значений коэффициентов синхронизации/десинхронизации вычисленных для множества квантилей, а именно для каждого значения q из диапазона от 0 до 1 вычисляется q-квантиль огибающей для каждого из состояний и рассчитывается кросс-квантильный коэффициент десинхронизации по формуле:
ERD(q)=(S(q)-S`(q))/S(q)*100%,
где S и S` - значения q-квантиля распределения огибающей в первом и втором психофизиологических состояниях человека соответственно.
Сущность заявленного изобретения поясняется рисунками, где
на фиг. 1 показан сегмент сырого (верхняя строка), отфильтрованного сигнала и его огибающей (нижняя строка) для двух испытуемых S1 (левый столбец) и S2 (правый столбец);
на фиг. 2 ROC-кривая разделимости двух состояний Rest (состояние покоя) и Motor (состояние представления вращения кистью правой руки) по огибающей (А) и кросс-квантильный коэффициент десинхронизации в состоянии Motor в сравнении с состоянием Rest (Б).
Заявляемый способ различий мощности осцилляторных компонент сигналов электроэнцефалограммы (ЭЭГ) в психофизиологических состояниях основан на сопоставлении распределений значений моментальной мощности ЭЭГ сигнала внутри записи каждого из состояний при помощи анализа двух кривых: ROC (receiver operating characteristic) кривой детекторной характеристики [Zweig М.Н., Campbell G., Receiver-operating characteristic (ROC) plots: a fundamental evaluation tool in clinical medicine. Clin Chem. 1993 Apr; 39(4): 561-77 / Цвейг M, Кэмпбел Г., Графики управляющей характеристикой оператора: фундаментальный оценочный инструмент в клинической медицине. Клиническая химия, 1993, 39, сс. 561-577] и кривой кросс-квантильной синхронизации/десинхронизации.
ROC кривая позволяет определить успешность пороговой классификации двух состояний для континуума значений порога. Значение площади под кривой (area under curve, AUC) является оценкой вероятности того, что для любых двух значений моментальных мощностей из первого и второго состояний и величина мощности второго состояния будет выше, чем первого состояния, и тем самым позволяет оценить степень линейной разделимости двух состояний.
Анализ кривой кросс-квантильной синхронизации/десинхронизации позволяет оценить тонкую структуру различий и определить является ли повышение мощности осцилляций в одном из состояний результатом повышения общего уровня синхронности либо результатом увеличения количества локальных всплесков синхронности. Таким образом в дополнение к ROC анализу кривая кросс-квантильной синхронизации/десинхронизации позволяет учесть различие динамики активности генератора ритма в двух состояниях.
В совокупности полученные наблюдения позволяют сделать вывод о характере изменений амплитудных и динамических параметров генераторов интересующего ритма между двумя исследуемыми состояниями.
Заявленный способ осуществляется следующим образом.
Испытуемому дают инструкцию о том, какое состояние необходимо поддерживать, и по звуковой команде регистрируют сигналы электроэнцефалографа в первом и втором состояниях. Вид состояний зависят от специфики конкретной задачи дифференциации психофизиологических состояний. Например, в первом состоянии - Rest - «состоянии покоя» и во втором состоянии - Motor - «состояние представления вращения кистью правой руки».
Регистрация электроэнцефалограммы может проводиться на любом известном современном электроэнцефалографе. Авторами использовался электроэнцефалограф Нейровизор-136 компании Медицинские компьютерные системы (МКС), Зеленоград, Москва. Выбор конфигурации позиций электродов и частота дискретизации записи может варьироваться в зависимости от задачи, однако универсальным решением является международная система размещения электродов «10-20%» и частота дискретизации 500 Гц.
Измеряемые электроэнцефалографом сигналы с поверхности головы подают на компьютер по USB-интерфейсу при помощи специальных драйверов и программ для записи ЭЭГ. Авторами использовалась программа NeoRec. NeoRec - это компьютерная программа для регистрации ЭЭГ и других биомедицинских сигналов в процессе научных или медицинских исследований. Программа записывает сигналы в файлы различных форматов и потоки данных для последующего анализа и обработки сторонним программным обеспечением, [.https://mks.ru/product/neorec/].
Далее обрабатывают записанные ЭЭГ данные сигналов. Описанные ниже этапы обработки могут осуществляться при помощи написания скриптов на языке Python с использованием пакетов NumPy, SciPy, Scikit-Learn, MNE-Python и Matplotlib.
На первом этапе выделяют одномерный целевой сигнал из многомерного массива записанных ЭЭГ данных. В зависимости от задачи специфика процедуры выделения одномерного целевого сигнала может быть различна. Например, если задачей является дифференциация состояний с закрытыми глазами и открытыми глазами по отведению О2, то целевым сигналом называется запись на соответствующем отведении.
Далее при помощи узкополосной фильтрации выделенного целевого сигнала с последующим вычислением абсолютного значения временного ряда и сглаживанием результирующего сигнала выделяют огибающую узкополосных осцилляций целевого сигнала для двух состояний. На фиг. 1 изображены примеры выделенных целевых сигналов и их огибающие для двух испытуемых.
На втором этапе проводится квантильный анализ выделенных мощностей осцилляторных активностей. Выборку значений огибающей узкополосных осцилляций для первого и второго состояния разбивают на несколько интервалов. Стандартным выбором границ интервалов являются значения квантилей q от 0 до 1 с шагом 0,01 (101 точка). Данный набор квантилей (выборка) далее обозначается как Q.
Далее для построения ROC-кривой определяют набор пороговых значений Н, каждый порог h из Н является значением квантиля q из Q для первого состояния.
Для каждого порога h из множества порогов Н рассчитывают количество N(h) точек огибающей в первом состоянии и количество M(h) точек огибающей, превышающих значение порога h.
ROC кривой является зависимость N(h)=f(M(h)). Пример ROC кривой для двух испытуемых приведен на фиг. 2А.
Вычисление кросс-квантильного коэффициента синхронизации/десинхронизации (фиг. 2Б) осуществляют следующим образом. Для каждого значения q из диапазона от 0 до 1 вычисляют q-квантиль огибающей для каждого из состояний и рассчитывают кросс-квантильный коэффициент десинхронизации по формуле:
ERD(q)=(S(q)-S`(q))/S(q)*100%,
где S - значение q-квантиля распределения огибающей в первом состоянии, S` - значение q-квантиля распределения огибающей во втором состоянии.
Значение ERD(q) измеряется в процентах и является оценкой уровня синхронизации ЭЭГ активности q-квантиле во втором состоянии относительно первого (отрицательные значения соответствуют десинхронизации).
Далее анализируют полученные ROC-кривые. Для количественной оценки различия двух состояний по полученной ROC-кривой оценивают площадь под данной кривой.
Значения площади в интервале от 0,4 до 0,6 свидетельствуют об отсутствии различий мощности целевого сигнала между двумя состояниями.
Значения площади меньше 0,4 и больше 0,6 указывают на наличие значимых различий первого и второго состояний.
Среднее значение кривой кросс-квантильной синхронизации/десинхронизации также свидетельствует о наличии различий.
Среднее значение М кривой кросс-квантильной синхронизации/десинхронизации определяют из соотношения:
Значение М измеряется в процентах и является оценкой общего уровня синхронизации ЭЭГ активности во втором состоянии относительно первого (отрицательные значения соответствуют десинхронизации).
Если среднее значение М кривой кросс квантильной синхронизации/десинхронизации находится в пределах от -10% до 10%, констатируют отсутствие различий мощности осцилляторных компонент сигналов электроэнцефалограммы между первым и вторым состояниями.
Если среднее значение М кривой кросс квантильной синхронизации/десинхронизации меньше -10% или превышает 10%, констатируют наличие значимых различий мощности осцилляторных компонент сигналов электроэнцефалограммы первого и второго состояний.
При этом отрицательное значение М указывает на наличие десинхронизации во втором состоянии по сравнению с первым состоянием, положительные значения М указывают на наличие синхронизации во втором состоянии по сравнению с первым состоянием.
Кроме того, по форме кривой кросс квантильной синхронизации/десинхронизации оценивают динамические характеристики синхронизации/десинхронизации целевого сигнала.
Если кривая кросс квантильной синхронизации/десинхронизации принимает положительные значения, не имеет ярко выраженного пика и мало изменчива для всех квантилей, делают вывод о том, что увеличение мощности осцилляторных компонент сигналов электроэнцефалограммы происходит равномерно в каждый момент времени.
Если у кривой кросс квантильной синхронизации/десинхронизации присутствует пик на высоких квантилях и провал на низких квантилях, констатируют, что повышение мощности мощности осцилляторных компонент сигналов электроэнцефалограммы происходит за счет увеличения количество всплесков осцилляторной активности (или веретен, в случае альфа активности). Таким образом анализ кривой кросс-квантильной синхронизации позволяет не только детерминировать разделимость двух состояний по интересующей осцилляторной активности мозга, но и уточнить динамическую специфику данной активности, обусловливающую разделимость.
Анализ ROC-кривой и кривой кросквантильной десинхронизации может быть применим для описания реактивной (активационной) ЭЭГ в клинических приложениях. Как правило в такого рода приложениях ставится задача дифференциации фонового состояния против состояния с нагрузкой по осцилляторным компонентам ЭЭГ в каждом из состояний. Примерами состояния с нагрузкой могут быть: одиночная вспышка света, ритмическая фотостимуляция, гипервентиляция, фармакологические нагрузки.
Например, значение площади под ROC-кривой, лежащее в интервале 0,4-0,6, при исследовании альфа ритма во время фотостимуляции свидетельствует об отсутствии различий между фоновым состоянием и состоянием с нагрузкой, и следовательно может служить признаком патологии. Наличие пика на высоких квантилях на кривой кросс квантильной десинхронизации и провал на низких квантилях при среднем уровне десинхронизации больше 50 указывает на всплесковую структуру ритма, при этом значение равное (1-m)*100%, где m - квантиль соответствующий максимуму десинхронизации, является оценкой индекса ритма (время наличия определенного ритма по отношению к фоновому состоянию, выраженное в процентах) [Поворинский А.Г., Заболотных В.А. Пособие по клинической электроэнцефалографии. Наука. 1987].
Кроме того, использование предлагаемого способа дает возможность оценить скорость восстановления альфа-активности, которая является одним из диагностических параметров в неврологии.
Предлагаемый способ обладает большей чувствительностью к свойствам динамики мгновенной мощности в каждом из состояний по сравнению с классическим методом поиска отличий динамики ритмов мозга между двумя условиями записи энцефалограммы - коэффициентом синхронизации (десинхронизации) ERS (ERD) ритма [Pfurtscheller, G., Steffan, J. and Maresch, H. ERD mapping and functional topography: temporal and spatial aspects. In: G. Pfurtscheller and F.H. Lopes da Silva (Eds.), Functional Brain Imaging. Huber, Toronto, 1988: 117-129 / Пфуртшеллер Г., Стефан Дж. и Мареш Г. Картирование и функциональная топография десинхронизации активности мозга. В Г. Пфуртшеллер и Ф. Лепез да Силва, Функциональное картирование мозга, Торонто, 1988: 117-129]
Кроме того, предлагаемый способ позволяет определить индивидуальные паттерны влияния таких параметров как амплитуда и длина всплесков, а также их взаимоотношения, что не позволяет сделать другой распространенный способ формализации разделимости двух состояний по динамике мощности узкополосных осцилляций - коэффициент ERDd, для вычисления которого определяется величина D перекрытия распределений мгновенных мощностей двух состояний.
Достижение заявленного технического результата обосновывается приведенным примером.
В качестве примера будет рассматриваться задача дифференциации состояния покоя (далее Rest) и состояние представления вращательных движений кисти правой руки (далее Motor) по сенсомоторной активности мозга. Данная задача возникает при проектировании идеомоторных интерфейсов мозг-компьютер.
Сбор ЭЭГ данных осуществляют в следующем порядке: испытуемому дают команду расслабиться и сидеть спокойно, производиться запись состояния Rest, затем после небольшой паузы испытуемому дают инструкцию начать представлять вращение кисти правой руки и производится запись соответствующего сегмента данных.
Далее обрабатывают данные в следующем порядке: при помощи анализа независимых компонент выделяют целевой сигнал (независимая компонента) соответствующая сенсомоторному ритму (СМР).
Далее строят ROC кривую и кривую кросс квантильной десинхронизации и вычисляют площадь под ROC кривой.
Значение площади под ROC-кривой больше 0.5 означает возможность разделения состояний Motor и Rest по мощности выделенного целевого сигнала сенсомоторного ритма СМР. Высокое значение площади указывает на возможность использования выделенного СМР ритма в задачи классификации состояний Rest/Motor при построении интерфейса мозг-компьютер. Как следует из фиг. 2А разделимость состояний Rest/Motor лучше для испытуемого 1. Определить динамическую специфику разделимости двух состояний позволяет кривая кросс квантильной десинхронизации (фиг 2Б). Видно что для испытуемого 1 данная кривая равномерно принимает значения выше 50, в то время как для испытуемого 2 превышение порога 50 наблюдается только для высоких квантилей. Сопоставляя фиг. 2А и фиг. 2Б можно сделать вывод о том, что у обоих испытуемых наблюдается различие состояние Rest/Motor по мощности СМР, при этом увеличение мощности у испытуемого 2 происходит за счет увеличения количества СМР всплесков, в то время как у испытуемого 1 данное увеличение обусловлено общим повышением мощности и является регулярным.
Предложенный способ может быть успешно использован для исследования биоэлектрической активности мозга, проектирование интерфейсов мозг-компьютер, определение и анализ диагностических параметров и биомаркеров при диагностике широкого круга неврологических расстройств, в том числе при постинсультной нейрореабилитации, а также другие клинические приложения.
Claims (15)
1. Способ оценки различий мощности осцилляторных компонент сигналов электроэнцефалограммы (ЭЭГ) в психофизиологических состояниях, включающий измерение и анализ компонентов электроэнцефалограммы с последующей математической обработкой, заключающийся в том, что регистрируют сигналы электроэнцефалографа в первом и втором состояниях испытуемого, выделяют одномерный целевой сигнал из многомерного массива записанных ЭЭГ сигналов, выделяют огибающую узкополосных осцилляций целевого сигнала для двух состояний при помощи узкополосной фильтрации выделенного целевого сигнала с последующим вычислением абсолютного значения временного ряда и сглаживанием результирующего сигнала, осуществляют выборку Q квантилей q от 0 до 1 с шагом 0.01 огибающей узкополосных осцилляций для первого состояния и второго состояния, для каждого порогового значения h из выборки значений квантилей для первого состояния рассчитывают количество N(h) точек огибающей в первом состоянии и количество M(h) точек огибающей во втором состоянии, превышающих значение порогового значения h, далее анализируют полученную ROC-кривую, являющуюся зависимостью N(h)=f(M(h)), и осуществляют оценку различия двух состояний по площади, ограниченной данной ROC-кривой:
при значении площади в интервале от 0,4 до 0,6 констатируют отсутствие различий мощности осцилляторных компонент сигналов электроэнцефалограммы между первым и вторым состояниями,
при значении площади меньше 0,4 и больше 0,6 констатируют наличие значимых различий мощности осцилляторных компонент сигналов электроэнцефалограммы первого и второго состояний, далее определяют кросс-квантильный коэффициент из соотношения
ERD(q)=(S(q) - S`(q)) / S(q) × 100%,
где
S - значение q-квантиля распределения огибающей в первом состоянии,
S` - значение q-квантиля распределения огибающей во втором состоянии,
и осуществляют оценку различия двух состояний по среднему значению М совокупности значений коэффициентов синхронизации/десинхронизации кривой кросс-квантильной синхронизации/десинхронизации, которое определяют из соотношения
если среднее значение М кривой кросс-квантильной синхронизации/десинхронизации находится в пределах от -10% до 10%, констатируют отсутствие различий мощности осцилляторных компонент сигналов электроэнцефалограммы между первым и вторым состояниями,
если среднее значение М кривой кросс-квантильной синхронизации/десинхронизации меньше -10% или превышает 10%, констатируют наличие значимых различий мощности осцилляторных компонент сигналов электроэнцефалограммы первого и второго состояний,
при этом отрицательное значение М указывает на наличие десинхронизации во втором состоянии по сравнению с первым состоянием, положительные значения М указывают на наличие синхронизации во втором состоянии по сравнению с первым состоянием.
2. Способ по п. 1, отличающийся тем, что по форме кривой кросс-квантильной синхронизации/десинхронизации оценивают динамические характеристики синхронизации/десинхронизации целевого сигнала:
если кривая кросс-квантильной синхронизации/десинхронизации принимает положительные значения, не имеет ярко выраженного пика и малоизменчива для всех квантилей, делают вывод о том, что увеличение мощности осцилляторных компонент сигналов электроэнцефалограммы происходит равномерно в каждый момент времени,
если у кривой кросс-квантильной синхронизации/десинхронизации присутствует пик на высоких квантилях и провал на низких квантилях, констатируют, что повышение мощности осцилляторных компонент сигналов электроэнцефалограммы происходит за счет увеличения количество всплесков осцилляторной активности.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| RU2018141556A RU2713110C1 (ru) | 2018-11-27 | 2018-11-27 | Способ оценки различий мощности осцилляторных компонент сигналов электроэнцефалограммы в психофизиологических состояниях на основе квантильного анализа |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| RU2018141556A RU2713110C1 (ru) | 2018-11-27 | 2018-11-27 | Способ оценки различий мощности осцилляторных компонент сигналов электроэнцефалограммы в психофизиологических состояниях на основе квантильного анализа |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| RU2713110C1 true RU2713110C1 (ru) | 2020-02-03 |
Family
ID=69625074
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| RU2018141556A RU2713110C1 (ru) | 2018-11-27 | 2018-11-27 | Способ оценки различий мощности осцилляторных компонент сигналов электроэнцефалограммы в психофизиологических состояниях на основе квантильного анализа |
Country Status (1)
| Country | Link |
|---|---|
| RU (1) | RU2713110C1 (ru) |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| RU2279847C2 (ru) * | 2004-07-30 | 2006-07-20 | Северный государственный медицинский университет | Способ прогнозирования индекса альфа-ритма ээг у больных психосоматическими заболеваниями |
| AU2010255403A1 (en) * | 2009-06-03 | 2012-02-02 | Koninklijke Philips Electronics N.V. | Titrating a phototherapy regime using real-time EEG readings |
| RU2013110218A (ru) * | 2013-03-06 | 2014-09-20 | Владимир Николаевич Антипов | СПОСОБ ПОВЫШЕНИЯ ЭЭГ АКТИВНОСТИ θ-, α-РИТМОВ ГОЛОВНОГО МОЗГА |
| BRPI0812854A2 (pt) * | 2007-06-22 | 2014-12-23 | Cmte Dev Ltd | Aparelho e método de medição de potencial de couro cabeludo |
-
2018
- 2018-11-27 RU RU2018141556A patent/RU2713110C1/ru active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| RU2279847C2 (ru) * | 2004-07-30 | 2006-07-20 | Северный государственный медицинский университет | Способ прогнозирования индекса альфа-ритма ээг у больных психосоматическими заболеваниями |
| BRPI0812854A2 (pt) * | 2007-06-22 | 2014-12-23 | Cmte Dev Ltd | Aparelho e método de medição de potencial de couro cabeludo |
| AU2010255403A1 (en) * | 2009-06-03 | 2012-02-02 | Koninklijke Philips Electronics N.V. | Titrating a phototherapy regime using real-time EEG readings |
| RU2013110218A (ru) * | 2013-03-06 | 2014-09-20 | Владимир Николаевич Антипов | СПОСОБ ПОВЫШЕНИЯ ЭЭГ АКТИВНОСТИ θ-, α-РИТМОВ ГОЛОВНОГО МОЗГА |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US9186083B2 (en) | Method and system for sleep stage determination | |
| JP7053459B2 (ja) | 認知負荷測定のためのｅｅｇ信号を処理する方法およびシステム | |
| Pachori et al. | Classification of normal and epileptic seizure EEG signals based on empirical mode decomposition | |
| US20150126821A1 (en) | Support System And Method For Detecting Neurodegenerative Disorder | |
| CN110575164B (zh) | 脑电信号伪迹去除方法及计算机可读存储介质 | |
| JP2019536562A (ja) | 脳波記録電極から収集された筋信号を含む発作の症候学 | |
| Lal et al. | Fractal dimensions and machine learning for detection of Parkinson’s disease in resting-state electroencephalography | |
| Duque-Muñoz et al. | Identification and monitoring of brain activity based on stochastic relevance analysis of short–time EEG rhythms | |
| CN111557662B (zh) | 癫痫间期脑电信号的处理方法、装置、存储介质及设备 | |
| Chaibi et al. | A comparaison of methods for detection of high frequency oscillations (HFOs) in human intacerberal EEG recordings | |
| Fickling et al. | Good data? The EEG quality index for automated assessment of signal quality | |
| Elgendi et al. | Optimization of EEG frequency bands for improved diagnosis of Alzheimer disease | |
| Nanda et al. | A quantitative classification of essential and Parkinson's tremor using wavelet transform and artificial neural network on sEMG and accelerometer signals | |
| Grubov et al. | Harnessing long-range temporal correlations for advanced epilepsy classification | |
| De et al. | Identification of patients with de novo Parkinson's Disease from chemosensory EEG signals using ICEEMDAN domain Entropy Features | |
| Alzahy et al. | Optimal EEG window size for neural seizure detection | |
| CN115067878A (zh) | 基于EEGNet的静息态脑电意识障碍分类方法及系统 | |
| Ugon | Automatic recognition of epileptiform EEG abnormalities | |
| Fathima et al. | Wavelet based features for classification of normal, ictal and interictal EEG signals | |
| CN115919332A (zh) | 基于工作记忆脑电神经振荡与脑网络分析的方法 | |
| RU2713110C1 (ru) | Способ оценки различий мощности осцилляторных компонент сигналов электроэнцефалограммы в психофизиологических состояниях на основе квантильного анализа | |
| RU2484766C1 (ru) | Способ ранней электроэнцефалографической диагностики болезни паркинсона | |
| Jacob et al. | Automated diagnosis of encephalopathy using fractal dimensions of EEG sub-bands | |
| CN113598791A (zh) | 基于静息态脑电图使用时空卷积神经网络的意识障碍分类方法 | |
| Kempfner et al. | Sleep phenomena as an early biomarker for Parkinsonism |