Исследование и разработка автоматических методов выделения и классификации артефактов в цифровых электроэнцефалографических системах

Актуальность темы

В современных медицинских исследованиях по-прежнему сохраняется большой интерес к методам анализа состояния головного мозга. Основным методом исследования и диагностики состояния работы центральной нервной системы является метод анализа биоэлектрической активности мозга — электроэнцефалография (ЭЭГ). Однако, энцефалограф как физический прибор регистрирует не только сигнал, исходящий от коры головного мозга, но и электрические сигналы внемозгового происхождения. Такие сигналы, а также искажения сигнала биоэлектрической активности мозга называются артефактами. Одной из важных задач, связанных с предварительной обработкой ЭЭГ-сигнала, является обнаружение, выделение и устранение артефактов, связанных как с нарушением работы аппаратуры, так и с функционированием исследуемого организма. Проблема обнаружения и устранения артефактов является весьма сложной в связи с тем, что источники возникновения последних очень разнообразны, а построение формальных моделей оказывается затруднительным. Это приводит к тому, что в большинстве цифровых ЭЭГ-систем используются интерактивные методы обнаружения и редактирования ЭЭГ, что требует больших затрат времени [23]. Решение задачи автоматического обнаружения и удаления артефактов позволяет решать задачу автоматического контроля стадий сна пациентов, и появляется возможность ранней диагностики нарушений работы мозга. В настоящее время не существует электроэнцефалографа с возможностью эффективного обнаружения и удаления артефактов с записей ЭЭГ-сигнала. Имеющееся программное обеспечение существующих систем не удовлетворяет требованиям решения практических задач.

Показано [17,48], что электроэнцефалограмма является нестационарным случайным процессом, тогда появление артефакта можно рассматривать как изменение статистических свойств процесса в некоторый момент времени. Исследованию этой проблемы в последнее десятилетие уделялось довольно большое внимание [46].

Так как проявление артефактов на сигнале ЭЭГ очень похоже на некоторые функциональные нарушения мозга, то для решения задачи выделения артефактных участков артефактов на записях ЭЭГ необходимо решать задачу классификации. Дальнейшее устранение артефактов с записей ЭЭГ можно решить с помощью адаптивной фильтрации электроэнцефалографического сигнала.

Представленная работа посвящена задаче автоматического выделения, классификации и устранения артефактов в цифровых электроэнцефалографических системах. Несмотря на то, что проблема исследуется достаточно давно, в настоящее интерес к исследованию и разработке подобных методов сильно возрос в связи со значительным ростом производительности вычислительных средств и недавно появившемуся математическому аппарату, так называемому «vavelet-анализу». Он позволяет раскладывать сигнал по компактным, хорошо локализованным по времени и частоте, ортогональным базисам за линейное время. Этот аппарат позволяет описывать, в отличие от преобразования Фурье, нестационарные сигналы, и уже нашел применение во многих прикладных областях: от описания процессов турбулентности до геодезического анализа.

Цель и задачи работы. Целью работы является разработка методов автоматического выделения, классификации и устранения артефактов в цифровых электроэнцефалографических системах.

Для достижения этих целей в диссертации решались следующие задачи:

1. Разработка и исследование алгоритмов автоматического обнаружения изменения параметров модели сигнала применительно к задаче выделения артефактов в цифровых электроэнцефалографических системах.

2. Разработка способов классификации выявленных нарушений с целью определения типа артефакта.

3. Разработка способов устранения артефактов в ЭЭГ — сигналах.

4. Разработка программного обеспечения системы для автоматического выделения и устранения артефактов ЭЭГ на базе ПЭВМ.

5. Проведение экспериментальных исследований для разработанных алгоритмов в задачах выделения, классификации и удаления артефактов в цифровых электроэнцефалографических системах.

Методы исследования. В диссертационной работе использовался аппарат теории случайных процессов, теории цифровой обработки сигналов, теории распознавания образов.

Научную новизну работы составляет:

• Способ решения задачи автоматического обнаружения и выделения артефактов в цифровых электроэнцефалографических системах, на основе алгоритма кумулятивных сумм.

• Метод классификации артефактов, основанный на использовании дуауе1е1—разложения ЭЭГ-сигнала.

• Метод вычисления 'уауе1е1>базиса, оптимального для классификации ЭЭГ-сигнала.

• Схема адаптивной фильтрации для удаления артефакта из электроэнцефалографического сигнала.

Практическая ценность работы заключается в следующем:

1. Разработаны конкретные алгоритмы выделения и классификации артефактов в цифровых электроэнцефалографических системах.

2. Разработан программный комплекс на ПЭВМ, обеспечивающий решение задач выделения, классификации и удаления артефактов.

3. Проведены экспериментальные исследования предложенных алгоритмов на реальных ЭЭГ-сигналах.

4. Разработанные методы можно применять для более широкого круга задач, в которых необходим анализ нестационарных сигналов.

Внедрение результатов работы. Работа выполнялась в рамках договора с Санкт-Петербургским Институтом Эволюционной Физиологии им. Сеченова Российской Академии Наук о научно-практическом сотрудничестве по теме «Изучение механизмов патологических состояний мозга, разработка и внедрение в клиническую и исследовательскую практику методов диагностики и лечения с использованием компьютерных технологий анализа биомедицинских данных», а также НИР БФ-43, выполняемой по заказу НИИ Радиоэлектронных средств прогнозирования чрезвычайных ситуаций («Прогноз») при СПбГЭТУ. Работа была поддержана грантом РФФИ N98−01−578. в 1998;1999 г. г., а также грантом для студентов, аспирантов и молодых ученых Санкт-Петербурга в категории «Кандидатский проект» за 1999 г. Разработанные программные средства и методические пособия использовались в учебном процессе при проведении лабораторных и курсовых работ по курсу «Системы цифровой обработки сигналов» .

— 11.

Апробация работы. Основные положения и результаты диссертационной работы докладывались и обсуждались на научно-технических конференциях СПбГЭТУ в 1996;1999 гг.- на международной научно-практической конференции «измерительно-информационные технологии в охране здоровья METROMED 95». Санкт-Петербург, 1995; на международной конференции «SYMBYOSIS 95» Gliwice Польша 1995; на 1-й республиканской научно-практической конференции по функциональной диагностике, Москва, 1996 г.- на международной конференции «Biomedical Engineering and Medical Informatics» (ВЕМГ97), Gliwice Польша 1997; на международной научно-практической конференции «Измерительно-информационные технологии в охране здоровья METROMED — 99». Санкт-Петербург, 1999; на городском семинаре «Всплески (wavelets) и их приложения «.

Публикации по теме диссертации. Основные результаты диссертационной работы опубликованы в 9 печатных работах, из них 5 статей и 4 тезиса докладов на конференции.

6.6. Выводы.

Проведенное экспериментальное исследование показало работоспособность предложенных в работе принципов автоматического обнаружения и выделения артефактов. Исследование по обнаружению изменений ЭЭГ, проведенное на основе алгоритмов обнаружения разладки на основе алгоритма кумулятивных сумм показало, что алгоритм способен обнаружить и выделить все артефакты, появляющиеся на электроэнцефалографическом сигнале. Среднее запаздывание в обнаружении артефактов невелико и результаты работы алгоритма сходятся с полученными на этапе статистического моделирования.

Исследование процессов классификации артефактов показало, что метод дискриминантного анализа может с успехом применяться для классификации артефактов и результаты классификации согласовываются с результатами классификации, полученными с помощью алгоритма ГЕКОНАЛ. Хотя алгоритм ГЕКОНАЛ значительно сложнее чем алгоритм классификации при помощи дискриминантного анализа, результаты классификации они показали схожие, что еще раз указывает на то, что главное это признаковое представление объектов.

ЗАКЛЮЧЕНИЕ

.

Проведенные исследования позволили разработать новые подходы к решению проблем обнаружения, выделения, классификации и удаления артефактов с сигналов электроэнцефалограмм, показать возможности применения разработанных методов и алгоритмов в различных прикладных задачах.

Основные научные и практические результаты работы можно сформулировать следующим образом:

1. Разработаны и исследованы алгоритмы автоматического обнаружения изменения параметров модели сигнала применительно к задаче выделения артефактов в цифровых электроэнцефалографических системах.

2. Разработан способов классификации выявленных нарушений с целью определения типа артефакта.

3. Разработан способ устранения артефактов с сигнала.

4. Разработано программного обеспечения системы для автоматического выделения и устранения артефактов ЭЭГ на базе ПЭВМ.

5. Проведены экспериментальные исследования для разработанных алгоритмов в задачах выделения, классификации и удаления артефактов в цифровых электроэнцефалографических системах.

Дальнейшая работа может быть направлена на расширение количества классов исследуемых артефактов, повышение эффективности вычислительных процедур, создание законченной подсистемы выделения артефактов с целью комплектации ею имеющихся коммерческих цифровых ЭЭГ-систем.