Способ анализа электроэнцефалограмм
Изобретение относится к области медицины и может быть использовано для автоматизированного исследования электроэнцефалограмм (ЭЭГ) человека. Техническим результатом является обеспечение автоматизации процесса анализа ЭЭГ, повышение точности анализа. Способ содержит этапы, на которых осуществляют регистрацию ЭЭГ, спектральный анализ методом непрерывного вейвлет-преобразования осуществляют в два этапа, на первом из которых осуществляют первичный анализ зарегистрированного цифрового сигнала «общим» вейвлетом, в качестве базисной функции которого используют вейвлет, сходный по своим характеристикам с элементарным участком ЭЭГ, формируют матрицу рекомендаций по выбору класса физиологически значимых особенностей зарегистрированной ЭЭГ, выделяют физиологически значимые участки анализируемого сигнала, на втором этапе осуществляют анализ физиологически значимых участков анализируемого сигнала синтезированными вейвлетами, критерием синтеза которых выбирают минимизацию суммы квадратов отклонения вейвлета от эталонного сигнала, формируют матрицу результатов анализа, получают видеоизображение движения пациента, которое сопоставляют с матрицей результатов анализа и, при совпадении результатов с соответствующей информацией о движении, подтверждают наличие у пациента физиологически значимой особенности и ее типа, после чего используют, по меньшей мере, одну обученную искусственную нейронную сеть для формирования матрицы клинического заключения, на основании которой формируют клиническое заключение в виде текста, которое может быть выведено для отображения и/или передачи на удаленный пункт приема, на основании клинического заключения делается вывод о наличии заболевания. 1 з.п. ф-лы, 11 ил.
Изобретение относится к области медицины и предназначено для автоматизированного исследования электроэнцефалограмм (ЭЭГ) человека, например, с элементами эпилептологии и с использованием вейвлет-спектрограмм, полученных методом непрерывного вейвлет-преобразования.
Известны способы регистрации ЭЭГ с поверхности скальпа или непосредственно с мозга с последующей обработкой ЭЭГ различными методами.
В одном из таких способов (см. Л.Р.Зенков. Клиническая электроэнцефалография с элементами эпилептологии, изд.: Медпресс-информ, 2004 г., стр.180-181) осуществляют регистрацию ЭЭГ, записывают ее в память и далее, преобразовав в цифровую форму, обрабатывают методом преобразования Фурье. При этом осуществляют выделение физиологически значимых участков ЭЭГ с целью локализации источника патологической активности с использованием преобразования Фурье и осуществляют отображение этой информации.
Отображение этой информации (выделения физиологически значимых участков ЭЭГ) осуществляют синхронно с изображением положения пациента, получаемым от видеокамеры.
Это техническое решение реализовано в компьютеризированном анализаторе ЭЭГ «Альфа-УЭБ-Т-16-01» с системой цифрового видеомониторинга.
Однако используемое в этом способе преобразование Фурье:
- не позволяет восстановить сигнал с достаточной точностью, что, в частности, связано с эффектом Гиббса, который состоит в том, что в точке разрыва сходимость ряда Фурье не является равномерной и носит особый характер, выражающийся в появлении пульсаций вблизи точки разрыва первого рода, максимум которых слева и справа составляет примерно 9% от амплитудно-частотной характеристики (АЧХ). Поэтому при разработке реальных систем, в которых используется такой способ с применением прямого и обратного преобразований Фурье, приходится ограничивать число гармоник, а это, даже при условии точной (идеальной) работы системы, не позволяет получить исходный сигнал без искажений;
- является малоэффективным при исследовании сигналов с характеристиками, быстро изменяющимися во времени. Для решения этой проблемы необходимо ограничивать выполнение преобразования Фурье на некоторых промежутках конечной длины, например, используя оконное преобразование. Однако это приводит к возникновению дополнительных сложностей, одной из которых является выбор размеров окна. Увеличение временного разрешения приводит к уменьшению разрешающей способности в частотной области, в которой в основном локализована базисная функция преобразования Фурье. Поскольку ЭЭГ-сигнал является сложным, предсказать его изменение в последующий момент времени практически невозможно, а следовательно, использование преобразования Фурье не позволяет обеспечить автоматизацию процесса анализа ЭЭГ с достаточной степенью точности.
Известен способ исследования ЭЭГ человека и животных (см. патент РФ на изобретение №2332160, М. кл. А61В 5/04, опубл. 27.08.2008 г.), при котором осуществляют регистрацию ЭЭГ и последующий спектральный анализ зарегистрированной ЭЭГ методом непрерывного вейвлет-преобразования по формуле:
где ψ(t) функция вейвлета, параметр a - определяет размер вейвлета, b - задает сдвиг по оси времени, так что a, b ∈ R, a≠0.
Вейвлет-преобразование представляет собой временную развертку спектра и позволяет получить более локализованную во времени по сравнению с Фурье-преобразованием энергетическую информацию.
После него на основе вейвлет-коэффициентов рассчитывается скалограмма на дискретном множестве значений аргументов a i и bj, i=0, …Na-1; j=0, …Nb-1:
На основе скалограммы рассчитывается скейлограмма:
где N - число точек, по которому осуществляется осреднение.
Далее на скейлограммах выделяют физиологически значимые частотные диапазоны исходя из расстояний между соседними локальными минимумами на кривой скейлограммы. Построение скейлограмм. на кратковременных отрезках позволяет отслеживать временную динамику процесса исследования. Далее определяют изменения вейвлетной плотности мощности во времени, изменение частотных диапазонов во времени и значения удельной вейвлетной плотности мощности во времени, которая отражает динамику изменения активности различных генераторов ЭЭГ на коротких промежутках времени.
Для регистрации ЭЭГ используют электроды, установленные на поверхности скальпа или снимающие сигналы непосредственно с мозга.
Данный аналог принят за прототип.
Используемые в прототипе вейвлеты построены на основе математических функций, которые не связаны с особенностями ЭЭГ, поэтому их применение в прототипе не адаптировано к анализу сигналов ЭЭГ, что не позволяет обеспечить необходимую точность анализа.
Кроме того, выходная информация должна быть далее подвергнута ручному анализу для получения клинического заключения о наличии различных особенностей ЭЭГ (артефакты, патологическая активность и др.). Т.е. не обеспечивается полная автоматизация процесса анализа ЭЭГ.
Достигаемым техническим результатом изобретения является обеспечение автоматизации всего процесса анализа ЭЭГ при одновременном повышении точности анализа.
Данный технический результат достигается в предлагаемом способе анализа электроэнцефалограмм (ЭЭГ), при котором осуществляют регистрацию ЭЭГ, спектральный анализ зарегистрированной ЭЭГ методом непрерывного вейвлет-преобразования, выделение физиологически значимых участков анализируемого сигнала, отличающемся тем, что спектральный анализ методом непрерывного вейвлет-преобразования осуществляют в два этапа, на первом из которых осуществляют первичный анализ зарегистрированного цифрового сигнала «общим» вейвлетом, в качестве базисной функции которого используют вейвлет, сходный по своим характеристикам с элементарным участком ЭЭГ, например, вейвлет под названием «мексиканская шляпа» (mexh), и формируют матрицу рекомендаций по выбору класса физиологически значимых особенностей зарегистрированной ЭЭГ, на основании матрицы рекомендаций выделяют физиологически значимые участки анализируемого сигнала, на втором этапе непрерывного вейвлет-преобразования осуществляют анализ физиологически значимых участков анализируемого сигнала синтезированными вейвлетами, критерием синтеза которых выбирают минимизацию суммы квадратов отклонения вейвлета от эталонного сигнала, формируют матрицу результатов анализа, и получают видеоизображение движения пациента, которое сопоставляют с матрицей результатов анализа и, если в матрице результатов информация о появлении физиологически значимой особенности совпадает с соответствующей информацией о движении, подтверждают наличие у пациента физиологически значимой особенности и ее типа, после чего используют, по меньшей мере, одну обученную искусственную нейронную сеть для формирования матрицы клинического заключения, на основании которой формируют клиническое заключение в виде текста, которое может быть выведено для отображения или на удаленный пункт приема, на основании клинического заключения делается вывод о наличии заболевания.
При этом, поскольку записанная от множества электродов ЭЭГ является многоканальной, т.е. представляет собой после оцифровки при регистрации ЭЭГ матрицу, столбцы которой соответствуют отсчетам (характеризуют изменение сигнала во времени), при высокой частоте дискретизации размер такой матрицы становится очень большим.
Поэтому вычислительные потоки (цифрового сигнала) могут быть разделены на каналы, и их дальнейшую обработку можно проводить применительно к каждому каналу или к части каналов (в зависимости от необходимости и от клинического случая).
Однако, для уменьшения нагрузки на ЭВМ предпочтительно осуществить последующее разделение канальных сигналов на участки фиксированной длины, что дает возможность приближения или переходу к анализу в режиме реального времени. В этом случае, обработка (вейвлет-преобразование «общим» вейвлетом) осуществляется над участками фиксированной длины канальных сигналов.
Предлагаемый метод отличается от прототипа тем, что полученные результаты непрерывного вейвлет-преобразования не подвергаются дальнейшей обработке с целью получения скалограмм и скейлограмм, а анализируются непосредственно, т.е. являются основным источником информации для выявления особенностей цифрового сигнала. Данный подход позволяет оценивать форму ЭЭГ сигнала, его частотные, амплитудные, временные характеристики. Вейвлет-спектрограмма, которая может быть получена на основе непрерывного вейвлет-преобразования, более информативна, чем скалограмма и скейлограмма. Основная цель перехода к скалограммам в прототипе заключается в возможности ухода от зависимости от коэффициента а в амплитуде вейвлет-спектрограммы. Таким образом скалограмма позволяет описывать распределение энергии по масштабам. Но из-за этого теряется информация о форме сигнала, его изменении в отрицательной полуплоскости. Скейлограмма позволяет оценивать глобальный спектр энергии. Но из-за этого теряется принципиально важная иинформация о локализации особенностей, возникает принципиальная проблема с выбором длины анализируемого участка, которая должна изменяться в зависимости от изменения характера физиологически значимой особенности, что, в свою очередь, требует априори знания типа физиологически значимой особенности и ее точного местонахождения. Это и делает невозможным полную автоматизацию процесса анализа ЭЭГ методом, описанным в прототипе с получением необходимой точности анализа.
Кроме того, в предлагаемом способе, в отличие от прототипа, осуществляется первичный анализ каждого участка «общим» вейвлетом, единым для всех участков, но в качестве базисной функции такого вейвлета предлагается использовать вейвлет, сходный по своим характеристикам с элементарным участком ЭЭГ. В качестве такого вейвлета был выбран вейвлет под названием «мексиканская шляпа» (mexh).
Эта обработка позволяет оценить ЭЭГ с точки зрения наличия в ней каких-либо физиологически значимых особенностей.
По результатам первичной оценки составляется матрица рекомендаций.
Это позволяет более точно отобрать физиологически значимые участки анализируемого сигнала, те участки, которые содержат какую-либо особенность. В качестве ориентира при отборе участка из матрицы рекомендаций выбирается число, отличное от нуля, местоположение которого соответствует отсчету в исходной матрице, а значение соответствует условному номеру группы предполагаемой физиологически значимой особенности.
В отличие от прототипа в предлагаемой системе повышение точности анализа ЭЭГ достигается анализом физиологически значимых участков анализируемого сигнала синтезированными вейвлетами. Критерием синтеза предлагается использовать минимизацию суммы квадратов отклонения вейвлета от эталонного сигнала. При этом используется или алгебраический полином, или ортогональные полиномы (Чебышева, Лагранжа или др.) или другой метод математического представления образца. При этом синтезированные вейвлеты должны удовлетворять следующим требованиям:
1) полученная базисная функция должна иметь компактный носитель;
2) синтезированные вейвлеты должны иметь нулевое интегральное значение.
При этом наилучший результат непрерывного вейвлет-преобразования синтезированными вейвлетами будет получен при описании и индикации той особенности ЭЭГ, на основании образца которой он был получен (синтезирован). Образец - это участок ЭЭГ, содержащий соответствующую физиологическую особенность, служит основой для синтеза вейвлета.
Обработка результатов анализа синтезированным вейвлетом осуществляется с помощью алгоритма, блок-схема которого приведена на фиг.2.
На основании этой обработки автоматически составляется матрица результатов.
Для осуществления анализа синтезированным вейвлетом и дополнительной обработки использовалась база синтезированных вейвлетов.
В качестве дополнительного инструмента повышения точности анализа ЭЭГ для идентификации физиологически значимых особенностей было применено сопоставление видеоизображения, содержащего сведения о движении пациента, с матрицей результатов.
В том случае, если в матрице результатов информация о появлении физиологически значимой особенности совпадает с соответствующей информацией о движении, можно с высокой степенью вероятности говорить об идентификации той или иной физиологической особенности (для дополнительной индикации артефактов, связанных с движением пациентов).
Результатом полной автоматизации процесса анализа ЭЭГ является получение клинического заключения, которое формируется с использованием, по меньшей мере, одной обучаемой искусственной нейронной сети. Полученное заключение отображается при реализации способа на мониторе в виде текста или может быть передано на удаленный пункт приема.
При этом при дополнительном канальном разделении цифровых сигналов с последующим их разделением на участки фиксированной длины может быть использована при формировании клинического заключения вначале обучаемая искусственная нейронная сеть межканальной обработки, а затем обучаемая искусственная нейронная сеть обработки совокупности событий, что способствует автоматизации процесса анализа ЭЭГ в режиме реального времени.
Таким образом, в отличие от прототипа, обеспечивается полная автоматизация процесса анализа ЭЭГ с одновременным повышением точности ее анализа.
Пример реализации предлагаемого способа поясняется чертежами.
На фиг.1 приведена блок-схема вспомогательного алгоритма первичной обработки результатов вейвлет-преобразований (преобразование общим вейвлетом).
На фиг.2 приведена блок-схема алгоритма обработки результатов анализа синтезированными вейвлетами.
На фиг.3 приведен пример функциональной схемы системы, реализующей предлагаемый способ.
На фиг.4а, б, в, г, д, е, ж, з приведена блок-схема алгоритма реализации предлагаемого способа.
Согласно фиг.3 система для реализации способа содержит последовательно соединенные устройство 1 регистрации ЭЭГ с устройством записи ЭЭГ, усилителем и АЦП, причем соответствующие входы устройства 1 регистрации ЭЭГ подключены к электродам, установленным на голове пациента, блок 2 спектрального анализа методом вейвлет-преобразований («общим» вейвлетом), с обработкой результатов вейвлет-преобразований, блок 3 формирования матрицы рекомендаций, блок 4 выделения физиологически значимых участков анализируемого сигнала, блок 5 анализа физиологически значимых участков анализируемого сигнала синтезированным вейвлетом, с обработкой результатов анализа синтезированным вейвлетом и блок 6 формирования матрицы результатов, при этом соответствующий вход блока 4 выделения физиологически значимых участков анализируемого сигнала и первый соответствующий вход блока 5 анализа физиологически значимых участков анализируемого сигнала синтезированным вейвлетом соединен с выходом цифрового сигнала устройства 1 регистрации ЭЭГ, а другой соответствующий вход блока 5 анализа физиологически значимых участков анализируемого сигнала синтезированным вейвлетом соединен с выходом блока 7 хранения базы синтезированных вейвлетов, вход которого соединен с выходом блока 8 синтеза адаптированных вейвлетов. Выход блока 6 формирования матрицы результатов подключен ко входу блока 9 сравнения, входной/выходной шиной связанного с блоком 10 записи, хранения и обработки видеоинформации о движении пациента, один вход которого соединен с выходом устройства 11 регистрации видеоизображения. Устройство 11 регистрации видеоизображения связано входной/выходной шиной с блоком 12 подсветки, а выходом - со входом детектора 13 движения, выход которого подключен ко второму входу блока 10 записи, хранения и обработки видеоинформации о движении пациента. Выход блока 9 сравнения подключен ко входу блока 14 обучаемых искусственных нейронных сетей, выход которого соединен с блоком 15 формирования клинического заключения, выход которого подключен к соответствующему входу устройства 16 вывода информации, другой соответствующий вход которого соединен с выходом устройства 1 регистрации ЭЭГ. Устройство 16 вывода информации может содержать, например, принтер и др. устройства. Для осуществления дистанционной передачи клинического заключения в удаленные пункты приема в системе для реализации предлагаемого способа может быть предусмотрено устройство 17 передачи данных, соответствующими входами подключаемое к выходу блока 15 формирования клинического заключения. Передача данных может осуществляться с помощью локальной сети, сети Интернет, устройства записи и чтения дисков и др.
Система для реализации предлагаемого способа может также содержать при дополнительном канальном разделении цифровых сигналов с последующим их разделением на участки фиксированной длины последовательно соединенные блок 18 канального разделения цифрового сигнала и блок 19 разделения канальных сигналов на участки фиксированной длины. В этом случае выход цифрового сигнала устройства 1 регистрации ЭЭГ может быть подключен ко входу блока 18 канального разделения цифрового сигнала, а выход блока 19 разделения канальных сигналов на участки фиксированной длины соединяется со входом блока 2 спектрального анализа методом вейвлет-преобразования («общим» вейвлетом) с обработкой результатов.
Рассмотрим реализацию предлагаемого способа в системе, приведенной на фиг.3 и с учетом фиг.1, фиг.2 и фиг.4а, б, в, г, д, е, ж, з.
При клиническом исследовании производится запись электроэнцефалограммы пациента. Сигнал с поверхности головы (мозга) снимается при помощи электродов. Далее от электродов сигнал поступает в устройство 1 регистрации ЭЭГ, где сигнал усиливается и происходит его запись в память. Например, возможно использование компьютерного комплекса ЭЭГ-исследования, тогда запись производится в память компьютера. Зарегистрированный сигнал в устройстве 1 регистрации ЭЭГ оцифровывается и на выходе этого блока сигнал имеет цифровой вид. Формат записи цифрового сигнала может быть различным. Рассмотрим случай, когда сигнал представляет собой матрицу, где число столбцов соответствует числу каналов, а число строк соответствует числу отсчетов сигнала, и указывает на длину ЭЭГ записи. Число отсчетов сигнала зависит от продолжительности записи и частоты дискретизации. Т.е. например, если запись продолжалась в течение 15 минут (900 с), то при частоте дискретизации 250 Гц, данный сигнал будет содержать 225000 отсчетов.
Т.е. на выходе устройства 1 регистрации ЭЭГ сигнал имеем представление в виде матрицы отсчетов.
Для удобства дальнейшей работы, а также для уменьшения требований к ЭВМ, можно разделить весь многоканальный (содержащий много отведений) сигнал (матрицу) на отдельные каналы (векторы). Это позволит анализировать сигнал в дальнейшем по каналам, а также позволяет ввести процедуру разделения вычислительных потоков. При этой процедуре все вычислительные действия выполняются поканально, и осуществляется синхронизация с главным вычислительным потоком. Процедура разделения на каналы выполняется в блоке 18 канального разделения цифрового сигнала.
Далее, для удобства дальнейшего анализа, снижения требований к вычислительной технике, а также для приближения работы устройства к режиму анализа (работы) в реальном времени, сигнал разделяется на участки фиксированной длины. Эта процедура производится в блоке 19 разделения канальных сигналов на участки фиксированной длины. Участки могут быть различной длины, которая зависит от решаемой задачи и возможностей вычислительной техники. Например, возможно разделять сигналы каждого канала на участки, соответствующие размеру сигнала, умещающегося на стандартном экране монитора компьютерного ЭЭГ комплекса. Условно, выберем 18 с, что при частоте дискретизации 250 Гц соответствует 4500 отсчетам.
В общем случае, можно не производить канального разделения цифрового сигнала и разделения канальных сигналов на участки фиксированной длины, тогда цифровой ЭЭГ сигнал с выхода устройства 1 регистрации ЭЭГ (электроэнцефалографа) сразу подвергается непрерывному вейвлет-преобразованию (в блоке 2 спектрального анализа методом вейвлет-преобразования («общим» вейвлетом) с обработкой результатов). Т.е. производится непрерывное вейвлет-преобразование «общим» вейвлетом всего многоканального ЭЭГ сигнала.
В случае разделения анализируемого сигнала на каналы и участки фиксированной длины, каждый участок подвергается вейвлет-преобразованию. Эта процедура производится в блоке 2 спектрального анализа методом вейвлет-преобразования («общим вейвлетом») с обработкой результатов. Вейвлет-преобразование «общим вейвлетом» - это вейвлет-преобразование, при котором для всех участков при непрерывном вейвлет-преобразовании используется один и тот же вейвлет. Проведенные исследования показали, что из всех традиционных семей вейвлетов наилучшим образом для этого походит вейвлет «мексиканская шляпа» (но может использоваться и другой вейвлет). Это объясняется тем, что базисная функция вейвлета «мексиканская шляпа» близка по своим характеристикам к элементарному участку ЭЭГ сигнала. В виду этого результаты вейвлет-анализа, например, вейвлет-спектрограмма, обладают более яркой выраженностью особенностей ЭЭГ сигнала. При этом, в отличие от ряда семей вейвлетов, использование этого вейвлета дает однозначное соответствие максимума (минимума) оригинального сигнала с реакцией вейвлет-спектрограммы.
Кроме того, вейвлет «мексиканская шляпа» имеет представление в виде формулы, что для большинства вейвлетов является исключением.
На выходе блока 2 спектрального анализа методом вейвлет-преобразования («общим вейвлетом») с обработкой результатов получаем вейвлет-спектрограммы. Вейвлет-спектрограмма - это графическое отображение информации о сигнале. Представляет собой трехмерный график (оси: абсцисс - время (может измеряться в отсчетах), ординат - характеризует изменение масштаба и описывается масштабирующими коэффициентами, аппликат - результаты вейвлет-анализа W(a, b) (см. формулу 1)). Каждому масштабирующему коэффициенту соответствует определенное значение частоты исследуемого сигнала. Т.е. если выбрать набор вейвлет-коэффициентов, соответствующих конкретному номеру (значению) масштабирующего коэффициента, то на основании этих данных можно построить график (двумерный), который называется линией вейвлет-коэффициентов. Этот график будет описывать процессы, которые происходят в исследуемом сигнале на уровне составляющей выбранного частотного диапазона. Имеет оси: абсцисс - время (может измеряться в отсчетах), ординат - результаты вейвлет-анализа W(a, b) (см. формулу 1) для выбранного значения а.
Далее, вейвлет-спектрограммы подвергаются обработке результатов вейвлет-преобразования в соответствии с алгоритмом (фиг.1).
Известно, что различным особенностям ЭЭГ свойственны свои характеристики (частота, амплитуда, форма и т.д.). Выбирая, строя и анализируя линии вейвлет-коэффициентов, для частотных диапазонов конкретной особенности (на таких частотных диапазонах они более ярко выражены и вносят большой вклад в составляющую данного диапазона), анализируя для всех участков и каналов, можно получить предварительную оценку (достаточно точную) о составе всей записи.
Таким образом, матрица вейвлет-коэффициентов вейвлет-спектрограммы подвергается разложению на векторы, в результате чего формируются линии вейвлет-коэффициентов. Эта процедура выполняется для определенных номеров вейвлет-коэффициентов, которые соответствуют определенному масштабу (частоте оригинального сигнала, соответствующей конкретной физиологической особенности). Далее, графики линий вейвлет-коэффициентов (векторы чисел), построенные для каждого вида особенности (частотного диапазона) анализируются одним из возможных методов, например:
- оценка значений амплитуды, проверка на соответствие данных величин, значениям величины амплитуды для характерной особенности для выбранного частотного диапазона;
- проверка характеристик линий вейвлет-коэффициентов (ЛАК) подстановкой в шаблон допустимых значений. Шаблон строится с указанием разброса характеристик сигнала, с определенным шагом в выбранном окне. Шаблон формируется заблаговременно и хранится в памяти устройства;
- другие методы, направленные на извлечение информации о наличии особенностей в записи ЭЭГ.
Наиболее предпочтительным является проверка характеристик линий вейвлет-коэффициентов (ЛАК) подстановкой в шаблон допустимых значений, который использован в данном примере реализации.
На основании полученных данных (с предварительным указанием предполагаемых особенностей) формируются векторы, на основании которых далее в блоке 3 формирования матрицы рекомендаций формируется матрица (таблица) рекомендаций. Нули в таблице соответствуют ЭЭГ без особенностей. Каждая конкретная особенность относится к соответствующей группе (классу) (например, глазной артефакт или вид патологической активности), ей присваивается номер группы, который заносится в таблицу рекомендаций в соответствующее место (где была обнаружена особенность). (Например, 1 - глазной артефакт, 2 - патологическая активность и т.д.). Таким образом, таблица рекомендаций представляет собой матрицу, состоящую из чисел, с различными значениями. Для ЭЭГ нормы эти числа (если не выбраны особые способы дальнейшего анализа) равны нулю.
Далее, значения таблицы рекомендаций поступают на блок 4 выделения физиологически значимых участков анализируемого сигнала.
В блоке 4 происходит анализ матрицы (таблицы) рекомендаций: определяются элементы, отличные от нулевых. Предположительно каждый такой элемент соответствует элементу матрицы ЭЭГ сигнала, предположительно содержащий особенность (при этом класс особенности уже предварительно определен). На основании матрицы рекомендаций формируются «физиологически значимые участки». Это производится следующим образом: в соответствии с номером строки и столбца, отличного от нулевого отсчета матрицы рекомендаций, определяется соответствующий отсчет (сигнальный) в матрице ЭЭГ записи, поступающей с выхода устройства 1 регистрации ЭЭГ. Относительно этого отсчета откладывается определенное число отсчетов до и после (по каналу). Таким образом, формируется вектор определенной длины. Длина этого вектора может быть различной (в зависимости от длины «предполагаемой» по данным таблицы рекомендаций особенности), а может быть фиксированной и соответствовать, например, минимальной длине участка, необходимой для индикации особенности (исходя из проведенных экспериментов, примерно треть секунды). Для примера, возьмем длину 100 отсчетов (т.е. 49 отсчетов до и 50 после сигнального), при частоте дискретизации 250 Гц - это примерно та минимальная длина участка, которая необходима. Сигнальный отсчет также входит в состав участка. Конечно, в этом случае неизбежна некоторая избыточность, т.е. если в таблице рекомендаций последовательно друг за другом (по каналу, вектору) идут индикаторы особенности, то в результате обработки блоком 4, получим несколько практически одинаковых участков (отличие в одном отсчете). Для решения этой проблемы можно выполнить прореживание, т.е. обнуление через некоторые интервалы групп повторяющихся элементов матрицы рекомендаций. Однако для сохранения точности результата целесообразно прореживание не выполнять.
Далее, полученные участки поступают на вход блока 5 анализа физиологически значимых участков анализируемого сигнала синтезированными вейвлетами с обработкой результатов.
Процедура синтеза вейвлета для непрерывного вейвлет-преобразования выполняется заблаговременно, при помощи блока 8 синтеза адаптированных вейвлетов и заключается в следующем.
1. Выбор участка ЭЭГ сигнала, содержащего особенность, так называемого образца.
2. Математическое представление этого участка. Для этого производится аппроксимация по методу наименьших квадратов, используется или алгебраический полином или ортогональный полином (или другой метод математического представления образца).
Таким образом, формируется базисная функция вейвлета. При этом выполняются основные требования, предъявляемые к вейвлетам:
- компактность носителя;
- нулевое интегральное значение.
Полученный вейвлет практически (или полностью) совпадает при наложении с исходным (оригинальным) образцом. Таким образом, синтезированный вейвлет является адаптированным для конкретной особенности (на основе участка-образца которой был синтезирован). Полученные вейвлеты хранятся в блоке 7 хранения базы синтезированных вейвлетов. При необходимости они могут вызываться из этого блока и использоваться в блоке 5 анализа физиологически значимых участков анализируемого сигнала синтезированными вейвлетами с обработкой результатов.
В этом же блоке 5 полученные вейвлет-спектрограммы подвергаются комплексному анализу оценки вейвлет-спектрограммы и осуществляется сравнение матрицы оригинального сигнала с выхода устройства 1 регистрации ЭЭГ и синтезированного вейвлета для конкретной особенности, в соответствии с алгоритмом (фиг.2).
В случае, когда участок ЭЭГ, содержащий особенность, подвергается анализу с помощью синтезированного вейвлета, получаемого из образца аналогичной особенности (например, участок, содержащий глазной артефакт, анализируется синтезированным (адаптированным) вейвлетом, полученным из образца глазного артефакта), то на полученной вейвлет-спектрограмме данная особенность найдет яркое отображение. Это происходит в тот момент, когда синтезированный вейвлет приобретает некоторое значение масштаба, при котором практически полностью (или абсолютно точно) совпадает с аналогичной особенностью в исследуемом сигнале. Анализируя «схожесть» характеристик части участка ЭЭГ и синтезированного вейвлета, можно с определенной вероятностью судить о природе особенности (о ее классе). Схожесть части участка сигнала и синтезированного (адаптированного) вейвлета может быть выражена в процентах. В случае, когда это значение достигает (или превышает) определенного порогового значения (например, выше 90%), можно с определенной уверенностью (90%) утверждать, что это именно эта особенность. В случае, когда можно с разной вероятностью предполагать, что это несколько различных видов особенности, в случае большой (существенной) разницы в значениях (например, 82% и 36%) выбирается большее значение (с возможностью записи в программу журнала нескольких вариантов - для возможности дополнительной проверки, если такая потребуется).
В случае, когда разница невелика (например, 82% и 80%), возможно проведение более глубокого исследования этого участка врачом-специалистом, при серьезном (особо ответственном) исследовании.
По итогам проведенного анализа в блоке 5 анализа физиологически значемых участков анализируемого сигнала синтезированными вейвлетами с обработкой результатов получаем векторы результатов, из которых далее формируется матрица (таблица) результатов в блоке 6 формирования матрицы результатов.
После получения матрицы (таблицы) результатов она поступает на блок 9 сравнения. Этот блок служит в качестве дополнительной проверяющей подсистемы. При процедуре ЭЭГ исследования, одновременно с записью ЭЭГ сигнала производится синхронная запись видеоизображения пациента. Для этого используется устройство 11 регистрации изображения (видеокамера, телекамера). Поскольку ЭЭГ исследование проходит в условиях слабой освещенности (притемненности) комнаты, необходимо использование блока 12 подсветки (например, ИК-прожектор или др.).
Сама видеозапись может служить источником дополнительной информации об артефактах, вызванных движением пациента, а для автоматизации процедуры видео-индикации артефактов может применяться детектор 13 движения. Детектор 13 движения позволяет выявлять движения в заранее выбранных областях зоны зрения телекамеры. Т.е. при монтаже и настройке телекамеры можно выбрать зоны, в которых будет производиться выявление движения, так называемые активные зоны, а также зоны, которые анализироваться не будут. Это необходимо для исключения срабатывания при изменении положения грудной клетки человека во время дыхания, а также для возможности выделения нескольких зон (например, лица, области глаз, рук и т.д.) при разделении различных артефактов.
Информация от устройства 11 регистрации видеоизображения (телекамеры, видеокамеры) и датчика 13 движения фиксируется в блоке 10 записи, хранения и обработки видеоинформации о движении пациента. В блоке 9 сравнения происходит сопоставление информации матрицы результатов и информации от детектора 13 движения. В случае, если информация об артефакте совпадает с информацией о движении - это является дополнительным подтверждением результатов автоматизированного анализа.
Полученные результаты поступают на блок 14 обученных искусственных нейронных сетей, от блока 9 сравнения с выхода 1 или выхода 2 (в зависимости от случая) поступает дополненная (измененная) матрица результатов.
В блоке 14 обученных искусственных нейронных сетей матрица результатов разделяется на векторы (строки). Число отсчетов в векторе равно (соответствует) числу отведений (каналов). Далее, каждый вектор подвергается анализу на наличие в нем хотя бы одного ненулевого элемента.
I) В случае I, если хоть один элемент в векторе ненулевой, вектор поступает на вход обученной искусственной нейронной сети межканальной обработки. В качестве нейронной сети может выступать многослойный персептрон. Выбор вида нейронной сети определяется числом входов (определяется числом возможных видов особенностей), возможностью анализа (обработки) такого объема входной информации, возможностью обучения и работоспособности.
В качестве обучающего метода может применяться метод обратного распространения ошибки или другой метод, позволяющий получить достаточную точность работы нейронной сети при решении описанной ниже задачи.
На выходе обучаемой искусственной нейронных сети межканальной обработки формируется вектор выходных значений. Вектор выходных значений содержит информацию оценки нейронной сети оценки факта наличия или отсутствия конкретного вида особенности (численная оценка). Результат достигается за счет предварительного обучения нейронной сети межканальной оценки оператором на совокупности обучающих примеров (содержащих определенные виды особенностей, их комбинации или их отсутствие).
Далее, вектор выходных значений подвергается анализу на факт превышения его элементами порогового значения. Пороговое значение определяется на момент отладки устройства. Если порог превышен, то такому элементу присваивается значение числа, соответствующее выходу нейронной сети для этого элемента.
Если значение элемента меньше порогового значения, то ему присваивается нулевое значение.
Полученные таким образом векторы объединяются последовательно в выходной вектор обученной искусственной нейронной сети межканальной обработки.
Данный вектор поступает на вход счетчика последовательности одинаковых событий. При нулевых начальных условиях (значение счетчика равно нулю), определяется первое событие (элемент вектора, не равный нулю). Счетчику присваивается значение на единицу больше, т.е. единица. Далее, анализируется следующий ненулевой элемент. Если значение этого элемента совпадает с предыдущим, то счетчику присваивается значение на единицу больше, чем предыдущее, т.е. для конкретного примера - два. Так продолжается до тех пор, пока последующий ненулевой элемент окажется другого значения, чем предыдущий, тогда, в таком случае, формируется вектор, содержащий два элемента. Первый элемент соответствует типу особенности (соответствует элементу, счет повторения которого производился). Второй элемент - обозначает число повторений особенности. Счетчик обнуляется и процедура повторяется для других типов особенностей.
Далее, каждый такой вектор последовательно объединяется в единый вектор, который поступает на вход обученной искусственной нейронной сети обработки совокупности событий.
Такая нейронная сеть может быть также реализована с помощью многослойного персептрона или аналогичного вида нейронной сети, позволяющей выполнять ниже описываемые функции (операции).
Данная нейронная сеть в самом простом случае может содержать фиксированное число входов (кратное двум). Ее реализация может быть также выполнена с применением базы нейронных сетей с различным числом входов (при анализе ведется работа с той нейронной сетью, число входов которой соответствует числу элементов в векторе (длине вектора)).
В качестве обучающего метода может применяться метод обратного распространения ошибки или другой метод, позволяющий получить достаточную точность работы нейронной сети при решении описанной ниже задачи.
В случае, когда число входов фиксировано, возможно три варианта развития событий.
1. Число входов соответствует числу элементов в векторе (длине вектора).
2. Число элементов в векторе меньше, чем число входов нейронной сети. В таком случае на остальные входы подаются нули или другие численные значения, учтенные при обучении нейронной сети.
3. Число элементов в векторе больше числа входов нейронной сети. В этом случае вектор делится на части, равные по длине числу входов нейронной сети. Одновременно определяется число таких векторов. Процедура анализа обучаемой искусственной нейронной сети обработки совокупности событий повторяется для каждого вектора отдельно. Построение нейронной сети должно быть организовано таким образом, чтобы данный случай возникал с минимальной частотой (нейронная сеть должна обладать большим числом входов, сохраняя при этом работоспособность).
На выходе обучаемой искусственной нейронной сети обработки совокупности событий формируется вектор, число элементов вектора (число выходов нейронной сети обработки совокупности событий) соответствует числу особенностей, предусмотренных для выявления устройством. Каждый элемент - оценка наличия определенной особенности. В случае, когда было выделено и проанализировано несколько векторов, которые поступили на вход обучаемой искусственной нейронной сети обработки совокупности событий, результаты анализа суммируются (поэлементно) и суммарные элементы умножаются на весовой коэффициент. Значение весового коэффициента определяется на момент отладки устройства, реализующего данный способ. На основе полученного вектора формируется матрица клинического заключения. Она содержит две строки и число столбцов, равное числу потенциально возможных особенностей.
Первая строка содержит номера возможных физиологически значимых особенностей. Вторая строка содержит оценку наличия или отсутствия этой особенности, полученную с выходов обучаемой искусственной нейронной сети обработки совокупности событий и занесенную в матрицу клинического заключения в порядке соответствия значениям первой строки. Таким образом, матрица клинического заключения содержит все типы особенностей в первой строке и соответствующую оценку их наличия в ЭЭГ записи - во второй. Каждая оценка соответствует группе особенностей, находящейся в первой строке своего столбца матрицы клинического заключения.
II) В случае II, если ненулевых элементов выявлено не было и число ненулевых отсчетов равно числу всех отсчетов, то формируется клиническое заключение о том, что пациент здоров. Клиническое заключение содержит матрицу из двух векторов (строк): первая - номера групп всех возможных особенностей, вторая - все нули. Информация поступает на выход 1 блока.
В случае II, если число нулевых отсчетов не равно числу всех отсчетов, то формируется системное сообщение о наличии особенностей в сигнале.
Далее, информация с выхода 1 или выхода 2 блока 14 обучаемых искусственных нейронных сетей поступает на вход блока 15 формирования клинического заключения.
В блоке 15 формирования клинического заключения происходит округление матрицы клинического заключения (до порядка, требуемого для выбранной точности анализа).
Далее, опираясь на заранее созданную и хранящуюся в памяти таблицу текстовых соответствий, в соответствии со значениями матрицы клинического заключения, с подстановкой в текстовый шаблон (заранее заготовленный и хранящийся в памяти), формируется текстовое клиническое заключение в виде текстового сообщения, содержащего информацию о наличии или отсутствии заболевания у пациента, а также о выявленных артефактах во время исследования.
При необходимости, опираясь на матрицу (таблицу) результатов может быть выявлено место (время) и канал записи, где обнаружена особенность (особенности). При необходимости данный участок может быть выведен из матрицы анализируемого (оригинального) ЭЭГ сигнала с выхода устройства 1 регистрации ЭЭГ для просмотра.
Текстовое клиническое заключение и при необходимости вся другая полученная информация поступает на устройства 16 вывода информации (монитор, принтер и т.д.) и (или) устройства 17 передачи данных (устройства записи (оптических или магнитных (гибких) дисков, внешние устройства хранения данных: flash-память, внешние жесткие диски и др.), сеть Интернета, локальная сеть и др.).
При реализации предлагаемого способа в качестве устройства 1 регистрации ЭЭГ может использоваться электроэнцефалограф, например, Телепат-104Д, который работает на частоте дискретизации 2000 Гц, хотя рассмотренный способ дает возможность получить приемлемые результаты работы даже при частоте 250 Гц и ниже.
Для создания необходимого уровня освещенности в качестве блока 12 подсветки может быть использован один или несколько ПК-прожекторов. Например, можно применять два ИК-прожектора ПИК 23 ВП «Пластина», один из которых должен быть установлен у головы пациента, а другой - у ног или на уровне пояса.
В качестве устройства 11 регистрации видеоизображения может использоваться телекамера, например, Ai-WD75N. Для ее подключения к компьютеру необходим видеокодер, в качестве которого может быть использован AXIS Q7404, который через Ethernet подключается к сетевой карте компьютера. При этом в качестве датчика 13 движения может быть использован детектор движения, имеющийся и в телекамере и в видеокодере.
Предлагаемый способ может применяться:
- при больших потоках пациентов при различных обследованиях с малой вероятностью патологии;
- при профилактических обследованиях, при прохождении медицинских комиссий сотрудников различных организаций;
- для экспресс анализа ЭЭГ;
- для предполетной проверки или перед другими мероприятиями, направленными на контроль состояния здоровья работника перед, во время или после мероприятий, связанных с большими психо-эмоциональными нагрузками;
- при построении тренажеров для обучения медицинского персонала;
- и др.
1. Способ анализа электроэнцефалограмм (ЭЭГ), при котором осуществляют регистрацию ЭЭГ, спектральный анализ зарегистрированной ЭЭГ методом непрерывного вейвлет-преобразования, выделение физиологически значимых участков анализируемого сигнала, отличающийся тем, что спектральный анализ методом непрерывного вейвлет-преобразования осуществляют в два этапа, на первом из которых осуществляют первичный анализ зарегистрированного цифрового сигнала «общим» вейвлетом, в качестве базисной функции которого используют вейвлет, сходный по своим характеристикам с элементарным участком ЭЭГ, например, вейвлет под названием «мексиканская шляпа» (mexh), и формируют матрицу рекомендаций по выбору класса физиологически значимых особенностей зарегистрированной ЭЭГ, на основании которой выделяют физиологически значимые участки анализируемого сигнала, на втором этапе непрерывного вейвлет-преобразования осуществляют анализ физиологически значимых участков анализируемого сигнала синтезированными вейвлетами, критерием синтеза которых выбирают минимизацию суммы квадратов отклонения вейвлета от эталонного сигнала, формируют матрицу результатов анализа, и получают видеоизображение движения пациента, которое сопоставляют с матрицей результатов анализа и, если в матрице результатов информация о появлении физиологически значимой особенности совпадает с соответствующей информацией о движении, подтверждают наличие у пациента физиологически значимой особенности и ее типа, после чего используют, по меньшей мере, одну обученную искусственную нейронную сеть для формирования матрицы клинического заключения, на основании которой формируют клиническое заключение в виде текста, которое может быть выведено для отображения и/или передачи на удаленный пункт приема, на основании клинического заключения делается вывод о наличии заболевания.
2. Способ по п.1, отличающийся тем, что первый этап спектрального анализа методом непрерывного вейвлет-преобразования («общим» вейвлетом) осуществляют над зарегистрированным цифровым сигналом, разделенным на каналы, в каждом из которых канальные сигналы разделены на участки фиксированной длины.
