Analýza epileptických EEG signál

eské vysoké u£ení technické v Praze Fakulta elektrotechnická Katedra kybernetiky

Bakalá°ská práce

Analýza epileptických EEG signál·

Tomá² Kaiser

Vedoucí práce:

Ing. Václav Gerla

Studijní program: Elektrotechnika a informatika

Obor: Kybernetika a m¥°ení

iv

Pod¥kování Na tomto míst¥ bych rád pod¥koval vedoucímu bakalá°ské práce Ing. Václavu Gerlovi za ochotu, trp¥livost a p°ínosné konzultace, které mi pomohly p°i vypracování této práce.

Abstract The thesis is aimed at drawing up a suitable set of symptoms that corresponds with a mathematical description of an epileptic EEG signal. Solution is based on already proposed algorithms for signal segmentation, feature extraction and methods of cluster analysis. Problem was solved by several programs - preprocessing, segmenatation, features computation and cluster analysis was performed by Matlab envoirement, especially PSGlab toolbox. Classication and feature selection was executed by Weka. Test set of 30 best matching features has been selected on non-clinical well classied dataset. This set of features was tested on epilepsy data and results of cluster analysis were visualized.

Abstrakt Tato práce si klade za cíl sestavení vhodné sady p°íznak·, které umoº¬í matematický popis epileptického EEG signálu. P°i °e²ení byly vyuºity jiº navrºené algoritmy pro segmentaci signálu, výpo£et a selekci p°íznak·, klasikaci a metody provád¥jící shlukovou analýzu v programech Matlab a Weka. Nejprve je rozvedena problematika záznamu EEG a typických epileptických projev·, na základ¥ kterých byly navrhovány nové p°íznaky. Tyto p°íznaky byly nejprve ov¥°eny na neklinickém ohodnoceném záznamu. P°i provedení selekce byla nalezena sada 30 p°íznak·, která byla otestována na epileptických datech. Následn¥ byla provedena vizualizace výsledk· shlukové analýzy.

vi

Obsah 1 Úvod

1

2 Mozek & centrální nervová soustava

2

2.1

Mozkové vlny

. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

3

2.1.1

Delta . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

3

2.1.2

Theta

. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

4

2.1.3

Alfa

. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

4

2.1.4

Beta

. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

4

2.1.5

Gama

. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

4

3 Epilepsie

5

4 EEG

8

4.1

Vznik a význam EEG . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

8

4.2

Záznam EEG

. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

9

4.3

Metodika EEG vy²et°ení . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

10

4.4

Charakteristika EEG signálu . . . . . . . . . . . . . . . . . . . . . . . . . . .

11

4.4.1

Popis EEG signálu

11

4.4.2

Artefakty v EEG

4.5

. . . . . . . . . . . . . . . . . . . . . . . . . . . .

. . . . . . . . . . . . . . . . . . . . . . . . . . . . .

12

Projevy epilepsie v EEG . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

12

4.5.1

. . . . . . . . . . . . . . . . . . . . . . . .

13

. . . . . . . . . . . . . . . . . . . . . . . . .

13

Epileptické grafoelementy 4.5.1.1

Hroty (Spikes)

4.5.1.2

Ostré vlny (Sharp waves)

4.5.1.3

Spike-wave complexes (SWC)

4.5.1.4

Generalized paroxysmal fast activity (GPFA)

. . . . . . . .

13

4.5.1.5

Polyspikes (Multiple spikes) . . . . . . . . . . . . . . . . . .

13

. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

5 Zpracování EEG signálu 5.1

5.3

13

14

P°edzpracování signálu . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5.1.1

5.2

13

Filtrace a p°evzorkování

14

. . . . . . . . . . . . . . . . . . . . . . . . .

14

Segmentace signálu . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

15

5.2.1

Konstantní segmentace . . . . . . . . . . . . . . . . . . . . . . . . . .

15

5.2.2

Adaptivní segmentace

Vyhodnocení p°íznak· 5.3.1

. . . . . . . . . . . . . . . . . . . . . . . . . .

15

. . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

16

Metody pro získaní p°íznak· . . . . . . . . . . . . . . . . . . . . . . .

17

5.3.1.1

17

P°íznaky zaloºené na statistické analýze

vii

. . . . . . . . . . .

OBSAH

viii

5.3.2

5.3.1.2

P°íznaky odvozené od tvaru grafolementu

5.3.1.3

Fraktální dimenze

5.3.1.4

Hjorthovy parametry . . . . . . . . . . . . . . . . . . . . . .

19

5.3.1.5

Frekven£ní analýza . . . . . . . . . . . . . . . . . . . . . . .

19

5.3.1.6

Entropie . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

20

5.3.1.7

Krátkodobá energie . . . . . . . . . . . . . . . . . . . . . . .

20

5.3.1.8

Nelineární energetický operátor (NEO) . . . . . . . . . . . .

20

Navrºené p°íznaky 5.3.2.1

5.3.3

. . . . . . . . . .

18

. . . . . . . . . . . . . . . . . . . . . . .

18

. . . . . . . . . . . . . . . . . . . . . . . . . . . .

21

Upravené p°evzaté p°íznaky . . . . . . . . . . . . . . . . . .

21

P°evzaté p°íznaky . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

22

5.4

Rozpoznávání . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

24

5.5

Shlukování . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

24

5.5.1

Hierarchické shlukování . . . . . . . . . . . . . . . . . . . . . . . . . .

25

5.5.2

Nehierarchické shlukování

. . . . . . . . . . . . . . . . . . . . . . . .

26

5.5.3

Metriky

. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

27

5.5.3.1

Eukleidovská metrika . . . . . . . . . . . . . . . . . . . . . .

27

5.5.3.2

City-Block (Manhattan)[34] . . . . . . . . . . . . . . . . . .

27

5.5.3.3

eby²evova metrika

5.5.3.4

Minkowského metrika

5.5.4 5.6

. . . . . . . . . . . . . . . . . . . . . .

28

. . . . . . . . . . . . . . . . . . . . .

28

5.5.3.5

Hammingova metrika . . . . . . . . . . . . . . . . . . . . . .

28

5.5.3.6

Cosine similarity

. . . . . . . . . . . . . . . . . . . . . . . .

28

K-means (MacQueen·v algoritmus) . . . . . . . . . . . . . . . . . . .

29

Klasikace s u£ením . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

29

5.6.1

KNN - klasikátor podle K-nejbliº²ích soused· . . . . . . . . . . . . .

29

5.6.2

Bayes·v klasikátor . . . . . . . . . . . . . . . . . . . . . . . . . . . .

30

5.6.2.1

30

Klasika£ní algoritmus . . . . . . . . . . . . . . . . . . . . .

6 Praktická £ást 6.1

31

Návrh parametr· zpracování na ohodnoceném neepileptickém EEG záznamu

. . . . . . . . . . . . . . . . . . . . . . . . . .

32

6.1.1

Filtrace & p°evzorkování . . . . . . . . . . . . . . . . . . . . . . . . .

32

6.1.2

Segmentace

32

Konstantní

. . . . . . . . . . . . . . . . . . . . . . . . . . .

32

6.1.2.2

Adaptivní . . . . . . . . . . . . . . . . . . . . . . . . . . . .

32

6.1.3

Selekce p°íznak·

. . . . . . . . . . . . . . . . . . . . . . . . . . . . .

39

6.1.4

Shlukování . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

40

6.1.4.1

Konstantní segmentace . . . . . . . . . . . . . . . . . . . . .

40

6.1.4.2


40

6.1.4.3

Výsledek shlukování

6.1.5 6.2

. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

6.1.2.1

. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

40

Klasikace . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

47

6.1.5.1

47

Porovnání klasikátor· . . . . . . . . . . . . . . . . . . . . .

Zpracování ohodnoceného epileptického EEG záznamu

. . . . . . . . . . . .

49

. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

49

6.2.1

Segmentace

6.2.2

Selekce p°íznak·

6.2.3

Shlukování . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

49

6.2.4

Klasikace . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

50

. . . . . . . . . . . . . . . . . . . . . . . . . . . . .

49

OBSAH 6.3

ix

Zpracování neohodnoceného epileptického EEG záznamu . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

58

6.3.1

Segmentace

. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

58

6.3.2

Shlukování . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

58

7 Záv¥r

63

A Ukázky výpo£tu n¥kterých nov¥ p°idaných p°íznak·

68

B Obsah p°iloºeného CD

69

Seznam obrázk· 2.1

Neuron [12]

5.1

Selekce p°íznak·

. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

16

5.2

Ukázka výstupu hierarchického algoritmu . . . . . . . . . . . . . . . . . . . .

26

5.3

Jednotková vzdálenost objekt· od st°edu podle r·zných metrik . . . . . . . .

28

5.4

Ukázka výstupu K-means . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

30

6.1

0) b¥ºná aktivita, 1) mrknutí, 2) svalový artefakt a 3) zav°ené o£i, relaxace .

32

6.2

Ukázka ltrace 50 Hz a p°evzorkování z 250 na 128 vzork·/s

. . . . . . . . .

33

6.3

Ukázka konstatní segmentace po 1 a 3 sekundách

. . . . . . . . . . . . . . .

33

6.4

Ukázka vlivu délky okna p°i adaptivní segmentaci . . . . . . . . . . . . . . .

35

6.5

Ukázka vlivu velikosti posunu okna p°i adaptivní segmentaci

6.6

Ukázka vlivu nastavení vah

6.7

Porovnání adaptivní segmentace signálu se signálem rozd¥leným podle ohodnocení

. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

kA

a

kF

3

. . . . . . . . .

36

. . . . . . . . . . . . . . . . . . . . . . .

37

. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

38

6.8

Vliv délky segmentu na výsledek shlukování (po£ty shluk·: 4, 5 a 5) . . . . .

41

6.9

Segmentace po 1s (po£ty shluk·: 4, 7 a 10) . . . . . . . . . . . . . . . . . . .

42

6.10 Roz°azení segment· do shluk· (po£ty shluk·: 4, 7 a 10) . . . . . . . . . . . .

43

6.11 Adaptivní segmentace (po£ty shluk·: 4, 7 a 10)

. . . . . . . . . . . . . . . .

44

6.12 Pouºití Cityblock, cosinové a euklediánské metriky (po£et shluk·: 6) . . . . .

45

6.13 Pouºití r·zných sad p°íznak· - V²echny, TOP30, nov¥ p°idané (po£et shluk·: 5)

. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

46

6.14 0) b¥ºná aktivita a 1) epileptická aktivita . . . . . . . . . . . . . . . . . . . .

49

6.15 Porovnání adaptivní segmentace (p°ed a po úprav¥) se segmentací signálu podle ohodnocení . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6.16 Vliv délky segmentu na výsledek shlukování (po£et shluk·: 2) 6.17 Segmentace po 3s (po£ty shluk·: 2, 3 a 5)

51

. . . . . . . .

52

. . . . . . . . . . . . . . . . . . .

53

6.18 Roz°azení 3s segment· do shluk· (po£ty shluk·: 2, 3 a 5) . . . . . . . . . . .

54

6.19 Adaptivní segmentace (po£ty shluk·: 2, 3 a 5) . . . . . . . . . . . . . . . . .

55

6.20 Pouºití r·zných sad p°íznak· - V²echny, TOP30, nov¥ p°idané (po£et shluk·: 5)

. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

6.21 Vliv minimální délky segmentu p°i adapt. segm. (po£et shluk·: 3)

56

. . . . . .

59

6.22 Porovnání konstantní (5s a 10s) a adaptivní segmentace (po£et shluk·: 3) . .

60

6.23 Pouºití r·zných sad p°íznak· - V²echny, TOP30, nov¥ p°idané (po£et shluk·: 3; konst. segm: 3s) . . . . . . . . . . . . . . . . . . . . . . . .

x

61

SEZNAM OBRÁZK

xi

6.24 Ukázka shluk· vzniklých p°i adaptivní segmentaci s min. délkou segmentu 1.5s a 0.5s (po£et shluk·: 3) B.1

Obsah p°iloºeného CD

. . . . . . . . . . . . . . . . . . . . .

62

. . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

69

Seznam tabulek 5.1

P°ehled navrºených p°íznak· . . . . . . . . . . . . . . . . . . . . . . . . . . .

21

5.2

Základní p°íznaky na základ¥ statistické analýzy . . . . . . . . . . . . . . . .

22

5.3

P°íznaky zaloºené na analýze intervalu

5.4

P°íznaky zaloºené na první a druhé derivaci

. . . . . . . . . . . . . . . . . .

22

5.5

Hjorthovy parametry . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

22

5.6

P°íznaky z absolutního EEG spektra - pr·m¥rná hodnota pro dané frekven£ní pásmo

5.7

. . . . . . . . . . . . . . . . . . . . .

. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

22

23

P°íznaky z relativního EEG spektra - pr·m¥rná hodnota pro dané frekven£ní pásmo

. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

23

5.8

P°íznaky z EEG spektra - klinicky významné pom¥ry . . . . . . . . . . . . .

23

5.9

Dal²í p°íznaky z EEG spektra . . . . . . . . . . . . . . . . . . . . . . . . . .

23

5.10 P°íznaky odvozené od entropie . . . . . . . . . . . . . . . . . . . . . . . . . .

23

5.11 Nelineární energetický operátor

. . . . . . . . . . . . . . . . . . . . . . . . .

23

6.1

Testovaní parametr· adaptivní segmentace (tu£n¥ - optimální výsledek) . . .

34

6.2

Porovnání výsledk· klasikace . . . . . . . . . . . . . . . . . . . . . . . . . .

48

6.3

Zám¥na matic (Confusion table) . . . . . . . . . . . . . . . . . . . . . . . . .

48

6.4

Úprava parametr· adaptivní segmentace

. . . . . . . . . . . . . . . . . . . .

49

6.5

Porovnání výsledk· klasikace . . . . . . . . . . . . . . . . . . . . . . . . . .

57

6.6

Zám¥na matic (Confusion table) . . . . . . . . . . . . . . . . . . . . . . . . .

57

6.7

Doba zpracování 30 minut EEG záznamu . . . . . . . . . . . . . . . . . . . .

58

xii

Kapitola 1 Úvod Epilepsie, známá téº jako padoucnice, suºuje milióny lidí po celém sv¥t¥. Touto nemocí trpí jak malé d¥ti, tak dosp¥lí. asto se projeví aº v dosp¥losti, bez p°edchozího varování. Na konci p°edminulého století byl objeven elektroencefalograf a s jeho pomocí byla poprvé pozorována elektrická aktivita mozku. Léka°·m se tak dostal do rukou mocný nástroj, který dokáºe gracky zachytit zm¥ny v £innosti neuron·. Léka°i podle svých zku²eností záznam vyhodnotí a navrhnou p°ípadnou lé£bu. Postupn¥ se vývoj posouvá ke stále p°esn¥j²ímu zpracování dat, které získáváme z EEG. Rozvoj moderních diagnostických p°ístroj· umoº¬uje po°ízení mnoºství záznam·, které je nutné zpracovat. Jejich vyhodnocování zabírá léka°·m stále více £asu. Dlouhodobým cílem je poskytnout léka°·m záznam s vyzna£enými podez°elými segmenty. Tato práce se zam¥°uje na sestavení sady p°íznak· vystihujících charakter epileptických segment· v EEG záznamu. Tyto p°íznaky poslouºí k ozna£ení epileptických událostí pomocí shlukové analýzy. Za tímto ú£elem bylo pot°eba nastudovat problematiku epileptického EEG a zp·soby jeho zpracování. K ohodnocení záznam· a konverzi formátu dat byl pouºit program WaveFinder. EEG záznamy byly zpracovány pomocí PSGlab toolbox v prost°edí programu Matlab. Klasikace byla provedena programem Weka.

1

Kapitola 2 Mozek & centrální nervová soustava Nervový systém £lov¥ka tvo°í p°ibliºn¥

1010

neuron·, z nichº je v¥t²ina soust°ed¥na v

mozku. Typický neuron (viz. obrázek 2.1) se skládá ze somatu, axonu a dendrit·. Axon je dlouhé vlákno vycházející z t¥la neuronu. Na konci je rozv¥tvené, aby se mohlo napojit na krátké výb¥ºky (dendrity) ostatních neuron·. Vytvá°í tak soustavu pro p°enos signálu. Vzruch se v soustav¥ neuron· ²í°í p°es dendrity do t¥la neuronu pomocí slabých elektrických impuls·. Ve chvíli, kdy sou£et potenciál· t¥chto impuls· p°ekro£í ur£itou hodnotu, neuron vy²le signál do axonu, na který jsou napojeny dendrity dal²ích neuron· a proces se opakuje. Aby byl p°enos impulsu po dlouhém axonu co nejrychlej²í, je axon obalen Schwannovými bu¬kami. Rotací bun¥k okolo axonu a jejich zhu²t¥ním vzniká u mnoha neuron· nevodivý myelin, tvo°ící zevní lipoproteinovou pochvu axonemy. Myelinová pochva je p°ibliºn¥ v 1,5 mm intervalech p°eru²ována Ranvierovými zá°ezy. P°i pr·b¥hu signálu axonem se proudy uzavírají p°es Ranvierovy zá°ezy, £ímº nedochází k jejich rozptylu do okolí a proces p°edání signálu dal²ímu neuronu se významn¥ urychlí. Útvar, který umoº¬uje spojení axonu jednoho neuronu a dendritu nebo somatu druhého neuronu, se nazývá synapse. Nejd·leºit¥j²ími £ástmi synapse, které zprost°edkovávají p°enos signálu, jsou synaptická ²t¥rbina, presynaptická a postsynaptická membrána. Synaptická ²t¥rbina je ²iroká 10-40 nm a funguje jako izolant mezi jednotlivými neurony. Elektrický impuls, který dosáhne presynaptické membrány, uvolní do synaptické ²t¥rbiny neurotransmiter. Ten difunduje k postsynaptické membrán¥ a vybudí dal²í zm¥nu potenciálu, která je p°ená²ena dále. Tuto schopnost potenciálových zm¥n mají pouze nervové a svalové bu¬ky. Je dána jejich schopností m¥nit permeabilitu a tím i vodivost svých membrán, která vede ke zm¥nám jejich normálního (klidového) potenciálu na potenciál ak£ní. Klidový potenciál vzniká spojením obou stran membrány ºivých bun¥k a dosahuje 60-100 nV. Tento klidový potenciál je výsledkem nerovnom¥rného rozloºení iont· uvnit° a vn¥ bu¬ky. Zjednodu²en¥ lze °íci, ºe ionty sodíku (Na) jsou nep°etrºit¥ pumpovány ven z bu¬ky, ionty draslíku (K) naopak do bu¬ky. Díky malé propustnosti membrány v podstat¥ nedochází k samovolné zp¥tné difúzi iont·. Ak£ní potenciál za£íná v axonovém hrbolku. Zde je nejniº²í prahový potenciál, na jehoº hodnotu musí klesnout klidový potenciál, aby do²lo k depolarizaci a tím zm¥n¥ potenciálu membrány. Depolarizace membrány je zp·sobena zvý²ením prostupnosti pro sodíkové ionty, které nyní mohou voln¥ proudit do bu¬ky. Ak£ní potenciál postupuje po nemyelinizovaném vlákn¥ jako lokální zóna depolarizace. V p°ípad¥ myelinizovaných vláken (axon) procházejí

2

KAPITOLA 2. MOZEK & CENTRÁLNÍ NERVOVÁ SOUSTAVA

3

Obrázek 2.1: Neuron [12]

proudové smy£ky mezi Ranvierovými zá°ezy a ²í°ení ak£ního potenciálu je p°ibliºn¥ 20x rychlej²í [25].

2.1 Mozkové vlny Nam¥°ené signály lze obecn¥ rozli²it na základ¥ jejich tvaru, frekvence, amplitudy a prostorového umíst¥ní elektrody. K dal²ím d·leºitým parametr·m pat°í v¥k, stav bd¥losti pacienta a pouºité zapojení elektrod, na základ¥ kterých je moºné posoudit p°ípadné abnormality. Podle frekvence lze mozkové vlny rozd¥lit na pásma odpovídající mozkové £innosti (delta, theta, alfa, beta a gamma). V EEG záznamu bd¥lého dosp¥lého £lov¥ka se nachází vlny s frekvencí nad 7.5 Hz - alfa vlny. Vlny s niº²í frekvencí se b¥ºn¥ vyskytují u d¥tí nebo spících dosp¥lých [25]. Frekvence dominantních mozkových vln u bd¥lého £lov¥ka se totiº m¥ní s v¥kem. P°i soust°ed¥ní jsou tyto vlny nahrazeny aktivitou s nízkou amplitudou bez dominantní frekvence.

2.1.1 Delta Nejniº²í frekvence (niº²í neº 3.5 Hz) spadají do pásma delta vln. Jedná se o nejpomalej²í vlny a vlny s nejv¥t²í amplitudou. Delta vlny se objevují nap°íklad v hlubokém spánku (fáze 3 a 4 NREM), tranzu a jsou dominantní u d¥tí do 1 roku.

KAPITOLA 2. MOZEK & CENTRÁLNÍ NERVOVÁ SOUSTAVA

4

2.1.2 Theta Theta vlny mají frekvence od 3.5 do 7.5 Hz a zahrnují mnoho synchronn¥ vyst°elujících neuron· [19]. Projevují se nap°íklad b¥hem sn¥ní, meditace i b¥hem spánku. Obvykle bývájí spojovány s u£ením a pam¥tí. U epileptik· se £asto objevují hroty o této frekvenci.

2.1.3 Alfa Alfa vlny mají frekvence od 8 do 12 Hz s amplitudou 50 - 100

µV

a tvo°í nejvýrazn¥j²í

sloºku EEG u bd¥lé dosp¥lé osoby leºící v klidu se zav°enýma o£ima a nesoust°ed¥né na °e²ení problém·. Tyto vlny jsou nejvýrazn¥j²í v týlním laloku. Podobné vlny byly pozorovány i u dal²ích sav£ích druh· [25]. N¥kdy bývají ozna£ovány jako Bergerovy vlny podle objevitele EEG, Hanse Bergera [19].

2.1.4 Beta Beta vlny mají frekvence od 13 do 30 Hz. Vyskytují se v situaci, kdy je mozek zatíºen p°emý²lením a podobn¥ náro£nou £inností. Beta vlny jsou spojovány se svalovou kontrakcí b¥hem isotonického pohybu [19].

2.1.5 Gama Gama vlnám odpovídají frekvence nad 30 Hz, bývají spojovány s vnímáním a v¥domím. N¥kte°í v¥dci je v²ak zahrnují mezi beta vlny [19].

Kapitola 3 Epilepsie Epilepsie je neurologické onemocn¥ní mozku, které m·ºe být vrozené (primární epilepsie) nebo získané (sekundární epilepsie). V p°ípad¥ primární epilepsie se jedná o nep°íznivé vlivy v pr·b¥hu nitrod¥loºního vývoje, p°ípadn¥ d¥di£né syndromy. Mezi p°í£iny sekundární epilepsie se °adí úrazy páte°e, nádory, cévní malformace a infekce (larválni toxokaroza, neurocysticerkoza). Projevuje se opakovaným výskytem epileptických záchvat·. Epileptický záchvat je vyvolán náhle vzniklou nerovnováhou mezi excita£ními (stimulujícími) a inhibi£ními (tlumícími) systémy v mozku. Takto vzniklá nerovnováha vede k p°evaze stimulujících mechanism· a projevuje se záchvatem. Existuje n¥kolik druh· epilepsie a epileptických záchvat·, které se li²í p°i£inou, pr·b¥hem i lé£bou. Epilepsii m·ºeme klasikovat na základ¥ r·zných hledisek. Nej£ast¥ji je uvád¥no d¥lení na základ¥ klinického obrazu záchvat·, nebo klasikace podle oblastí mozku, kde záchvaty vznikají, jak se ²í°í a jak velkou £ást mozku zabírají. Záchvaty dále d¥líme na klinické a subklinické. Klinický záchvat se m·ºe projevovat poruchou v¥domí, pohyblivosti, citlivosti, zm¥nami ve smyslovém vnímaní a pozm¥n¥nými psychickými projevy. Subklinický záchvat tyto klinické p°íznaky neobsahuje, dá se rozpoznat pouze na EEG, kde se projeví zm¥n¥nou aktivitou. Dále m·ºeme záchvaty d¥lit z hlediska p·vodu vzniku na symptomatické a idiopatické. Symptomatické záchvaty vznikají v d·sledku strukturálního po²kození centrálního nervového systému. U idiopatických záchvat· nelze rozpoznat po²kození nebo p·vod vzniku ani v sou£asnosti dostupnými diagnostickýmí metodami. Rozeznáváme celou °adu r·zných epilepsií li²ících se vznikem, trváním i pr·b¥hem záchvat·. Základní mezinárodní klasikace d¥lí epileptické záchvaty na 1. parciální, 2. generalizované, 3. skupinu neklasikovatelných epilepsií. Parciální, neboli £áste£né, lokalizované se dále rozd¥lují podle toho, zda je doprovází zm¥na v¥domí, £i nikoliv. Jednoduché parciální záchvaty zm¥nou v¥domí doprovázeny nejsou. Projevují se motorickými (pohybovými), somatosenzorickými (smyslovými), vegetativními (týkající se vnit°ních orgán·) nebo psychickými p°íznaky. Motorické záchvaty provází zá²kuby, k°e£e aº p°echodná obrna postiºených svalových skupin. Senzitivní ataky se projevují záchvatovitými pocity brn¥ní £i mraven£ení postiºených £ástí t¥la. Senzorické záchvaty jsou velmi variabilní a jejich p°íznaky se odvíjí od polohy ohniska, epileptického loºiska. Nap°íklad p°ítomnost ohniska v £ásti mozku, které má na starosti zrakové vjemy, zp·sobuje zrakové halucinace, poruchy periferního vid¥ní, p°ípadn¥ výpadky zrakového pole aº

5

KAPITOLA 3. EPILEPSIE

6

slepotu. Lokalizace ohniska v jiném míst¥ m·ºe vést k sluchovým nebo £ichovým halucinacím, chuóvým vjem·m, závratím, pocit·m rotace, záchvat·m siln¥ emotivního chování. Psychické projevy mohou vést k r·zným stav·m derealizace a depersonalizace, nap°íklad iluze jiº proºitého, vid¥ného, sly²eného nebo naopak pocity prvního proºitku t¥chto vjem·. Parciálnímu typu záchvatu v¥t²inou p°edchází tzv. aura. Aura bývá proºívána s individuálními rozdíly, ale na jejím základ¥ nemocný pozná blíºící se záchvat. asto se projevuje jako sloºité psychické vjemy, nervozita, záblesky p°ed o£ima nebo poruchy vid¥ní. Parciální záchvaty doprovázené poruchou v¥domí se nazývají komplexní. Mohou navazovat na parciální záchvat jednoduchý, v tom p°ípad¥ k poru²e v¥domí dochází pozvolna, £ast¥ji je v²ak porucha v¥domí vyjád°ena jiº na po£átku záchvatu. Pacienti mají vºdy na prob¥hlý záchvat amnezii, nepamatují si jej. V¥t²inou se jedná jen o sekundy aº minuty, málokdy se objevuje del²í trvání. V pr·b¥hu záchvatu nereagují adekvátn¥ na podn¥ty z okolí. Op¥t se objevuje závislost pr·b¥hu záchvatu na lokalizaci epileptického ohniska. Typickými projevy jsou automatické pohyby jako mlaskání, polykání i sloºit¥j²í úkony. T¥lesné projevy mohou být doprovázeny i emocemi, smíchem, strachem aº agresivním chováním. Jindy se objevují nezvyklé pohybové úkony p°ipomínající nap°íklad plavání, nebo jízdu na kole. Generalizované epileptické záchvaty jsou jiº od po£átku provázeny poruchou v¥domí a oboustrannými pohybovými projevy. Dle pohybových projev· se d¥lí na: 1. tonické, 2. klonické, 3. tonicko klonické, 4. atonické, 5. absence. Tonické záchvaty jsou charakterizovány rozlehlou svalovou kontrakcí, k°e£í. K primárn¥ postiºeným skupinám sval· pat°í svalstvo trupu, stehen a paºí. K°e£e mohou být doprovázeny i dechovými pauzami. V²e zpravidla odeznívá b¥hem desítek vte°in. Klonické záchvaty se p°esn¥ji nazývají myoklonické, kde myoklonus znamená svalový zá²kub. Tyto zá²kuby jsou mimovolní. P·vod zá²kubu m·ºe být epileptický, jindy nemusí mít s epilepsií nic spole£ného, k jejich odli²ení nám slouºí vy²et°ení EEG. Nej£ast¥j²í formou generalizovaných epileptických záchvat· jsou tonicko klonické. Období n¥kolika hodin aº dn· p°ed vznikem záchvatu se nazývá prodromální stadium. Jedná se o bolesti hlavy, zm¥ny nálady, nervozitu, p°ecitliv¥lost, vzn¥tlivost apod. Dále m·ºe následovat aura. Vlastní záchvat se projevuje nejd°íve náhlou ztrátou v¥domí a pádem, zm¥nou postavení o£ních bulb· a ztrátou reakce zornice na osvit. Následuje tonická k°e£ ve²kerého svalstva. Jelikoº v t¥le p°evaºují extenzorové (natahova£e, napína£e) skupiny nad exory (ohýba£e), tak má nemocný nataºené kon£etiny a hlavu s páte°í v záklonu. Této poloze se °íká opsitotonus. Postiºeno je také dechové svalstvo, kde v po£áte£ní fázi m·ºe k°e£ vyvolat silný výdech doprovázený charakteristickým výk°ikem. Následuje zástava dýchaní a zmodrání obli£eje. K°e£í bývají postiºeny i ºvýkací svaly, to vede k poran¥ní rt· a jazyka. Postupn¥ se rozvíjí fáze klonická. P°i ní se objevují zá²kuby, postiºeny jsou svalové skupiny na obou stranách t¥la ve stejnou chvíli. Intenzita zá²kub· se zv¥t²uje, jejich frekvence se sniºuje. P°i uvoln¥ní sv¥ra£· mo£ového m¥chý°e a kone£níku dochází k pomo£ení a pokálení. V poslední fázi odeznívají ve²keré projevy k°e£í a zá²kub· a normalizuje se dýchání. Porucha v¥domí p°echází v hluboký spánek. Po probuzení p°etrvává zmatenost, nemocný proºívá úpornou bolest hlavy a rozlehlou nelokalizovatelnou bolest sval·.

KAPITOLA 3. EPILEPSIE

7

Atonické záchvaty jsou provázeny ztrátou svalového nap¥tí, ochabnutím sval·. M·ºe jít jen o ur£itou skupinu sval·, nap°íklad ochabnutí svalstva ²íje se projeví poklesem hlavy, nebo je postiºení celkové a v tom p°ípad¥ dochází k náhlým pád·m. Vzhledem k okamºité ztrát¥ v¥domí a velmi rychlému za£átku záchvatu hrozí velké nebezpe£í úraz·. Navíc se tento typ záchvatu nej£ast¥ji vyskytuje u d¥tí. Absence je téº typem epileptického záchvatu charakteristická pro d¥tský v¥k. Trvá jen 5 aº 10 vte°in. Dít¥ se strnule zahledí, p°eru²í £innost (hru, psaní, £tení. . . ), ve které po odezn¥ní záchvatu, aniº by si tento výpadek uv¥domilo, pokra£uje. V pr·b¥hu záchvatu jedinec nereaguje na oslovení. M·ºe být p°ítomna zm¥na barvy v obli£eji, pokles hlavy, sto£ení o£í sm¥rem vzh·ru. P°edm¥ty drºené v ruce vypadávají na zem. Za neklasikovatelné epileptické záchvaty jsou povaºovány takové záchvaty, u kterých není moºné za°azení do n¥které ze skupin dle daných kriterií nebo o nich nemáme k dipozici dostatek údaj·. Velmi závaºným stavem je tzv. status epilepticus. Tímto pojmem je ozna£ováno nakupení epileptických záchvat·. Jednotlivé záchvaty trvají 2 aº 3 minuty, navzájem na sebe navazují bez p°echodného návratu v¥domí. To celé trvá déle neº 30 minut. Jde o velmi závaºný, ºivot ohroºující stav. Vyºaduje okamºitou lé£bu a hospitalizaci. Status epilepticus m·ºe vzniknout jako první projev epileptického onemocn¥ní, £ast¥ji se v²ak objevuje aº v jeho pr·b¥hu, kdy nejvýznamn¥j²ím vyvolávajícím £initelem je vynechání lé£by. Záchvaty jsou zp·sobeny abnormální elektrickou aktivitou v mozku. V¥t²ina záchvat· trvá 30s aº 2 minuty a nezp·sobují zran¥ní. Jestliºe trvá déle neº 5 minut nebo se jedná o sérii n¥kolika záchvat·, pak je nutné vyhledat léka°e (více [15], [16], [7] a [6]).

Kapitola 4 EEG 4.1 Vznik a význam EEG Epileptologii lze rozd¥lit na dv¥ období: p°ed a po p°íchodu EEG. Základní elektrická aktivita byla poprvé popsána jiº v 19. století u neanestezovaných zví°at. Jako první si elektrických signál· probíhajících nervovou soustavou v²imli Carlo Matteucci (1811 - 1868) s Emilem Du Bois-Reymond (1818-1896) a denovali tak základní koncept neurofyziologie. V roce 1875 se angli£anovi Richardu Catonovi poda°ilo získat první záznamy mozkové aktivity králík· a opic. Zjistil, ºe m¥°ení je ovlivn¥no spánkem, nedostatkem kyslíku, anestezií a vymizí aº se smrtí [29]. Fritsch (1838 - 1927) a Hitzig (1838 - 1907) objevili moºnost elektrické stimulace mozkové k·ry. Vasili Yakovlevich Danilevsky (1852 - 1939) se v¥noval fyziologii mozku, zkoumal jeho reakci na elektrickou stimulaci a spontánní elektrickou aktivitu ve zví°ecích mozcích. Napoleon Cybulski (1854 - 1919) pomocí EEG dokázal vyvolat epileptický záchvat u psa pomocí elektrické stimulace. Kaufman p°i²el s my²lenkou spojení abnormální elektrické aktivity a epileptických záchvat·. Jako první lidské EEG zaznamenal v roce 1924 n¥mecký fyziolog a psychiatr Hans Berger (18731941), který se za£al lidskému EEG v¥novat od roku 1920. Nejprve doufal v nalezení spojitosti mezi fyziologií mozku a psychikou, to se mu nepoda°ilo. Tak se zam¥°il na výzkum elektrické aktivity mozku. V roce 1929 publikoval zprávu, ve které p°edstavil n¥kolikaminutové záznamy EEG spolu s objevem alfa a beta vln. V následujících letech se v¥noval výzkumu spánkových v°etének a studiu poruch mozku, mezi které pat°ila i epilepsie. Hans Berger také zavedl pojem elektroencefalograf

1

. Av²ak jeho výzkumy nebyly zpo£átku brány

p°íli² váºn¥ [38]. První EEG práce zam¥°ené na epileptické projevy a první demonstrace epileptických ²pi£ek byly p°edloºeny Fischerem a Lowenbachem. V Anglii se pr·kopníkem klinické elektroencefalograe stal W. Gray Walter. Objevil loºiska pomalé mozkové aktivity (delta vlny), coº zahájilo nebývalý klinický zájem o diagnostiku mozkových abnormalit. Práce na lidských EEG za£ala na Harvardu v Bostonu a University of Iowa v roce 1930. Studie o epileptických záchvatech zpracovaná Fredricem Gibbsem byla hlavní prací o EEG této doby. Gibbs

1 elektroencephalograf - elektro

sledovaná veli£ina, encephalo

8

okolí hlavy a graf

záznam

KAPITOLA 4. EEG

9

a Lennox pouºili my²lenku Fischera zaloºenou na jeho studiích o picrotoxinu a jeho vlivu na kortikální EEG zví°at a epileptologii £lov¥ka. Hans Berger ukázal n¥kolik p°íklad· paroxyzmálních EEG výboj· v p°ípad¥ p°edpokládaného útoku petit mal a b¥hem fokálního motorického záchvatu u pacienta s obecnou obrnou. Americká EEG spole£nost byla zaloºena v roce 1947 a první mezinárodní EEG Kongres se konal v Londýn¥. Zatímco dopad studií o EEG zve°ejn¥ných v N¥mecku byl omezen na Berlín, Japonsko získalo pozornost prácí Motokawa, výzkumníka EEG rytm·. B¥hem roku 1950 se práce o EEG roz²í°ili na mnoho r·zných míst. Chirurgický zákrok pro odstran¥ní epileptického loºiska se stal populárním a kniha s názvem Epilepsie a funk£ní anatomie lidského mozku (Penled a Jasper) byla zve°ejn¥na. B¥hem této doby byly vynalezeny mikroelektrody. M¥ly pr·m¥ry men²í neº 3

µm a byly vyrobeny z kov· (nap°. wolfram)

nebo ze skla napln¥ného elektrolytem (nap°. chloridem draselným). Hloubková elektroencefalograe £lov¥ka byla poprvé získána s implantovanou intracerebrální elektrodou podle Mayera a Hayne (1948). Vynález technologie intracelulární mikroelektrody byl revolucí pro tuto metodu Analýza EEG signál· za£ala jiº od po£átku EEG m¥°ení. Berger s pomocí Dietch (1932) aplikoval Fourierovu analýzu na EEG pro sekvence, coº se rychle rozvinulo b¥hem roku 1950. Analýza poruch spánku pomocí EEG za£ala roku 1950 prací Kleitmana na univerzit¥ v Chicagu. V roce 1960 se za£alo s analýzou EEG u p°ed£asné narozených d¥tí. Vy²et°ování evokovaných potenciál· (EPS), a to zejména vizuálních EPS, tak jak se b¥ºn¥ pouºívají pro sledování du²evních onemocn¥ní, se rozvinulo v roce 1970. Historie EEG byla nep°etrºitý proces, který za£al v raném 13.století a p°inesl kaºdodenní vývoj klinických, experimentálních, a výpo£etních studií pro objevování, rozpoznávání, diagnózu a lé£bu obrovského po£tu neurologických a fyziologických abnormalit mozku i ve zbytku centrálního nervového systému (CNS) lidských bytostí. V sou£asné dob¥ jsou zaznamenány EEG invazivn¥ a neinvazivn¥ pomocí pln¥ po£íta£ových systém·. EEG p°ístroje jsou vybaveny mnoha nástroji pro zpracování signálu, jemnými a p°esnými m¥°icími elektrodami, a dostatekem pam¥ti pro dlouhodobý (n¥kolikahodinový) záznam. EEG nebo MEG (Magnetoencephalogram) p°ístroje mohou být integrovány s dal²ími neuroimaging systémy, jako je funk£ní magnetická rezonance (fMRI). Velmi jemné jehly typu elektrody lze pouºít také pro záznam EEG z pr·b¥hu k·ry ( electrocortiogram), a zabránit útlumu a nelineárním efekt·m vyvolaných lebkou [46].

4.2 Záznam EEG Elektroencefalogram (EEG) je neinvazivní medicínská metoda slouºící ke sledování aktivity mozku. Neurony mezi sebou komunikují pomocí synaptických vzruch· mezi dendrity. Synaptické vzruchy se ²í°í pomocí proud¥ní nabitých iont·, £ímº vzniká v jejich okolí slabý elektrický potenciál. Zm¥ny potenciál· jednotlivých neuron· v blízkém okolí se s£ítají a

KAPITOLA 4. EEG

10

vzniká signál, který je obrazem £innosti velkých shluk· neuron·. Signál je pak moºné zachytit na povrchu hlavy, ale i tak je výrazn¥ zeslaben v d·sledku pr·chodu skrz n¥kolik vrstev hlavy (mozková k·ra, lebka, skalp) [46]. K po°ízení EEG záznamu slouºí elektroencefalograf, jehoº sou£ástí jsou elektrody snímající elektrické potenciály s velmi nízkou amplitudou (v °ádu desítek

µV).

Tyto signály je

pot°eba zesílit, av²ak s nízkou amplitudou je nutné brát v úvahu problém ru²ení ostatními elektrickými p°ístroji. K omezení vlivu ru²ení se pouºívá diferenciální zapojení vstupního zesilova£e, který má dva vstupy - invertující a neinvertující. Diferenciální zesilova£ pracuje tak, ºe zesiluje rozdíl potenciál· mezi vstupy. P°edpokládá se, ºe cestou od elektrod se na signál naindukuje stejn¥ velké ru²ivé nap¥tí, které se pak po vzájemném ode£tení neprojeví na výstupu zesilova£e. EEG se pouºívá p°i diagnostice poruch centrální nervové soustavy - kóma, spánkových poruch, onemocn¥ní epilepsií a r·zných forem po²kození mozku (nap°. úrazy hlavy). V n¥kterých zemích se pouºívá k denici mozkové smrti. Electrokortikogram (ECoG) je ozna£ení záznam· získávaných z elektrod umíst¥ných na povrchu mozkové k·ry. S elektrickým polem vzniká sou£asn¥ i magnetické pole, které je m¥°itelné electromyogramem [3].

4.3 Metodika EEG vy²et°ení P°i vy²et°ení se pouºívá standardní rozmíst¥ní elektrod (jasper) - vºdy ve stejné vzdálenosti od referen£ních bod· v sagitální a koronální rovin¥. Na skalp se umisúje 19 snímacích elektrod, které jsou rozloºeny podle systému 10/20 (rozmíst¥ní elektrod d¥lí kaºdou pomyslnou linii v pom¥ru 10-20-20-20-20-10 %). Z tohoto po£tu je 8 párových a 3 nepárové. Ozna£ují se písmenem a £íslicí podle umíst¥ní:

F

- frontální (£elní)

Fp

- frontopolární

C

- centrální (st°ední)

Z

- vertexové - nepárové

P

- parietální (temenní)

T

- temporální (spánkový)

lichá £ísla

- levá hemisféra

O

- okcipitální (týlní)

sudá £ísla

- pravá hemisféra

Bioelektrická aktivita je zaznamenávána pomocí svodu, který je tvo°en dv¥ma elektrodami p°ipojenými na samostatné vstupy diferen£ního zesilova£e jednoho EEG kanálu. Podle zp·sobu uspo°ádání pouºitých svod· rozli²ujeme n¥kolik druh· zapojení[42].

Referen£ní zapojení (unipolární)

- snímací elektrody jsou zapojeny proti spole£né refe-

ren£ní elektrod¥ (inaktivní). Podle volby referen£ní elektrody lze rozli²it dal²í zapojení.

Bipolární zapojení

- elektrody jsou zapojeny do °ady za sebou (elektroda je sou£asn¥ p°i-

pojena na vstup 2 p°edchozího a vstup 1 následujícího kanálu). Toto zapojení umoº¬uje nap°. p°esnou lokalizaci loºiska.

Zdrojové zapojení

- pro kaºdou elektrodu je vypo£tena zvlá²tní reference. Díky tomu je

moºné potla£it aktivitu pozadí a tím zvýraznit loºiskové maximum.

KAPITOLA 4. EEG

11

Vy²et°ení pomocí elektroencefalografu je neinvazivní a bezbolestné. P°i po°izování EEG záznamu pacient sedí nebo leºí, malé d¥ti mohou sed¥t na klín¥. Vodivé spojení mezi skalpem a elektrodami zaji²úje gel s obsahem NaCl nebo KCl [4]. Mezi standardní sou£ásti vy²et°ení EEG pat°í i reakce aktivity na ur£ité podn¥ty:

•

Zav°ení a otev°ení o£í

•

Hyperventilace

•

Fotostimulace

•

Spánková deprivace

Video EEG

2

P°edstavuje tém¥° nep°etrºité dlouhodobé, nej£ast¥ji týdenní, epileptologické

vy²et°ení, p°i kterém probíhá sou£asn¥ záznam EEG aktivity a pacientova chování na videu. B¥hem vy²et°ení se mohou objevit skryté epileptické záchvaty, které se odehrávají b¥hem noci, a proto unikaly pozornosti. Pokud má pacient mén¥ £asté záchvaty, pak je nutné záchvat vyprovokovat nap°. vysazením lék· [18].

4.4 Charakteristika EEG signálu 4.4.1 Popis EEG signálu Grafoelementy

jsou nejjedno²²í komponenty p°i rozloºení nam¥°ené k°ivky.

Základní aktivita

p°edstavuje p°evaºující registrovanou aktivitu v ur£itém míst¥ po v¥t-

²inu doby.

Tranzienty

jsou nápadn¥ vystupující grafoelementy ze základní aktivity. Vyskytují se bu¤

jednotliv¥ nebo v komplexech (dva a více grafoelement· dohromady).

Morfologie

je rozli²ení na základ¥ tvaru (monomorfní vs. polymorfní - jedno nebo mnoho-

tvarý).

Výskyt v prostoru Výskyt v £ase Synchronie Symetrie

rozli²ení na základ¥ zasaºené oblasti.

- kontinuální, epizodická, paroxysmální (záchvatovitý) nebo periodický výskyt.

p°edstavuje sou£asný výskyt ur£ité aktivity.

odpovídá výskytu podobných grafoelement· symetricky na obou polovinách hlavy.

2 Hyperventilace je zrychlené a prohloubené dýchání. Dochází k vy²²ímu p°íjmu vzduchu, neº kolik organismus pot°ebuje.

KAPITOLA 4. EEG

12

4.4.2 Artefakty v EEG P°i hodnocení EEG záznamu je nutné odli²it artefatky, coº jsou grafoelementy, které nejsou zp·sobeny £inností mozku.

•

Artefakty z prost°edí

•

Síóvý artefakt

Artefakty z p°ístroje

Elektrodový artefakt

Solný m·stek

Substrak£ní artefakt

3

•

Artefakty z pacienta

EKG artefakt EKG artefakt z kardiostimulátoru Pulsový artefakt Svalový artefakt O£ní artefakty Artefakt z pocení

4.5 Projevy epilepsie v EEG EEG pat°í mezi b¥ºné nástroje pouºívané p°i diagnostikování epilepsie a jiných mozkových poruch. N¥které záchvaty totiº mohou mít i neepileptickou p°í£inu. U lidí s epilepsií se £asto objevují nepravidelnosti v elektrické aktivit¥ mozku, p°estoºe v danou chvíli neproºívají epileptický záchvat. P°esto tato metoda není neomylná. V n¥kterých p°ípadech se abnormality v aktivit¥ nevyskytují ani po prob¥hlém záchvatu, to m·ºe být zp·sobeno tím, ºe tato aktivita probíhá p°íli² hluboko uvnit° mozku, a proto se na EEG záznamu neprojevuje. Vyskytují se i p°ípady, kdy se objevuje neobvyklá aktivita mozku u zdravých jedinc· [5]. Prom¥nlivost projev· epileptických záchvat· v EEG £iní potíºe p°i automatickém zpracování, i zku²ený neurolog mívá potíºe p°i ur£ování epileptických událostí [24]. Mezi epileptickými záchvaty se objevují výboje, které se projevují jako ost°e vypadající vlny. Podle doby trvání se d¥lí na hroty (spikes; 20-70 ms) a ostré vlny (70-200 ms). asto je obtíºné rozli²it, zda probíhající EEG aktivita znamená klinický, subklinický záchvat nebo se jedná o zesílení aktivity mezi dv¥ma záchvaty [24]. Ost°e vypadající vlny jsou ozna£eny za epileptické, pokud:

•

Vystupují z okolního záznamu

•

Objevují se s charakteristickým rozloºením na skalpu

•

Vyskytují se vícekrát b¥hem záznamu

•

Nespl¬ují kritéria pro jiný, normální, EEG artefakt (nap°. vertexové vlny)

Záznam b¥hem spánku nebo ospalosti je citliv¥j²í na výskyt epileptíckých artefakt·. Epileptické výboje jsou £ast¥j²í v NREM fázi spánku. Mohou se vyskytnout i v p°ípad¥, kdy pacient netrpí epileptickými záchvaty [47].

3 Zp·sobeno gelem mezi elektrodou a skalpem [4]

KAPITOLA 4. EEG Náhlá zm¥na frekvence

13

Po£átek záchvatu doprovází zm¥na frekvence, objeví se rytmus,

který za£ne dominovat záznamu. Jeho frekvence se £asto pohybuje v okolí frekvence rytmu alfa. M·ºe a nemusí obsahovat hroty, s rostoucí frekvencí má amplituda tendenci klesat.

Náhlý pokles amplitudy

P°i electrodekrementálních záchvatech dochází zpo£átku k po-

klesu amplitudy a zrychlení frekvence. Pozd¥ji m·ºe dojít ke zvy²ování amplitudy p°i klesající frekvenci. Iktální rytmus brzy za£ne dominovat - podobn¥ jako v p°ípad¥ náhlé zm¥ny frekvence. Electrodekrementální záchvaty se vyskytují v EEG záznamu p°i k°e£ích u d¥tí s Westovým syndromem.

Náhlý nár·st amplitudy

Dochází k nár·stu amplitudy, jako p°íklad lze uvést záchvat

petit mal s hroty o frekvenci 3 Hz.

4.5.1 Epileptické grafoelementy 4.5.1.1

Hroty (Spikes)

Jedná se o p°echodný grafoelement, který vystupuje z b¥ºné aktivity. Vyzna£uje se ostrým ²pi£atým vrcholem s dobou trvání 20-70 ms. Hroty s nízkou amplitudou, blíºící se amplitud¥ pozadí, mají krat²í dobu trvání. Hroty jsou snadno rozpoznatelné podle charakteristického tvaru a nár·stu amplitudy [24]. Po hrotu následuje pomalá vlna (slow wave), která vytvá°í dojem naru²ení b¥ºné aktivity [2].

4.5.1.2

Ostré vlny (Sharp waves)

Ostré vlny se velmi podobají hrot·m, li²í se v délce trvání, která £iní 70-200 ms.

4.5.1.3

Spike-wave complexes (SWC)

Komplex p°edstavuje série n¥kolika hrot·, po kterých následuje pomalá vlna. Pomalé vlny obvykle následují po hrotech, a proto musí délka trvání p°ekro£it 3 s, aby byl element ozna£et jako SWC. SWC se podle frekvence d¥lí na 3 Hz SWC a pomalé SWC (slow SWC).

3 Hz SWC slow SWC 4.5.1.4

- frekvence se pohybuje v rozmezí 2,5 - 4 Hz, elementy mají pravidelný tvar. - frekvence se pohybuje pod 2,5 Hz a elementy mají nepravidelný tvar.

Generalized paroxysmal fast activity (GPFA)

Jedná se o aktivitu, která je charakteristická sérií rychlých výboj· (10 Hz). Na konci se krátce objeví aktivita s vysokou amplitudou, po které následuje elektrodekrement. Tento

4

pr·b¥h bývá spojován s tonickými záchvaty .

4.5.1.5

Polyspikes (Multiple spikes)

Polyspikes p°edstavují mnohonásobn¥ se opakující hroty s frekvencí 20 Hz.

4 Za£íná jako velký záchvat, ale pak nenásledují zá²kuby

Kapitola 5 Zpracování EEG signálu Postup p°i zpracování EEG signálu je moºné rozd¥lit do n¥kolika krok·:

•

p°edzpracování signálu

ltrace p°evzorkování segmentace

•

Vyhodnocení p°íznak·

•

Rozpoznávání (klasikace / shlukování)

•

vizualizace

5.1 P°edzpracování signálu Cílem p°edzpracování je p°iprava nam¥°eného signálu pro dal²í zpracování. Spo£ívá v odstran¥ní neºádoucích sloºek a deformací signálu. Pouºité metody závisí nejen na druhu vstupních dat, ale i na kvalit¥ jejich záznamu a dal²ím p°edpokládaném zpracování. K t¥mto metodám pat°í ltrace signálu, odstran¥ní pohybu základní linie (baseline wandering), segmentace a dal²í.

5.1.1 Filtrace a p°evzorkování Filtrace

umoº¬uje odstran¥ní parazitní ru²ivé sloºky. M·ºe probíhat jak b¥hem záznamu,

tak pozd¥ji. V p°ípad¥ EEG signálu se jedná o 50 Hz z napájecí sít¥, ale je moºný výskyt ru²ení i od okolních p°ístroj·, apod. Ru²ení z elektrické sít¥ lze odstranit notch ltrem. Vzhledem k tomu, ºe se v EEG záznamu vyskytují pouze frekvence do 50 Hz, bývá pouºíván i ltr typu dolní propust.

P°evzorkováním

lze dosáhnout úspory £asu v dal²ích krocích a sníºení nárok· na pam¥´

p°i zpracování dlouhodobých záznam·.

14

KAPITOLA 5. ZPRACOVÁNÍ EEG SIGNÁLU

15

5.2 Segmentace signálu Segmentace signálu slouºí k rozd¥lení signálu na krat²í úseky (segmenty), tak aby bylo moºné signály dále zpracovat - najít podobné úseky, odstranit p°ípadné artefakty. Ideální segmentace rychle a p°esn¥ ozna£í poºadované £ásti signálu. Tomuto pojetí se blíºí pe£livé ohodnocení celého záznamu £lov¥kem (p°ípadn¥ s pomocí £lov¥ka), jedná se v²ak o £asov¥ náro£né °e²ení. Navíc v p°ípad¥ EEG klade mimojiné zna£né nároky na kvalikaci posuzovatele.

5.2.1 Konstantní segmentace EEG signál je moºné konstantní segmantací rozd¥lit na úseky o shodné délce. Délky t¥chto úsek· závisí na druhu EEG signálu, celkové dob¥ záznamu a délce hledaných artefakt·. Na základ¥ empirického pozorování se úseky od ur£ité délky jeví jako kvazi-stacionární [27]. P°i konstatní segmentaci není brán v potaz pr·b¥h zpracovávaného signálu. Pak je velmi pravd¥podobné, ºe se v jednom úseku vyskytnou zna£n¥ odli²né £ásti signálu. Proto je vhodn¥j²í pro n¥které aplikace pouºít adaptivní segmentaci.

5.2.2 Adaptivní segmentace slouºí k rozd¥lení signálu na úseky o prom¥nných délkách. Pouºitý algoritmus vyuºivá dvou za sebou jdoucích oken, které postupn¥ prochází celým signálem. P°i kaºdém posunu jsou v obou oknech spo£ítány charakteristiky ohrani£ených úsek·. Tyto charakteristiky jsou následn¥ porovnány. Pokud se odli²ují více neºli je nastavená mez, pak dojde k rozd¥lení úseku v míst¥ nejv¥t²í odli²nosti [27]. Jsou dána okna W1 a W2 o shodné délce WL, potom lze celkovou míru odli²nosti signálu ohrani£eného v oknech ur£it na základ¥ rovnice 5.1:

G = kA |AW 1 − AW 2 | + kF |FW 1 − FW 2 | Parametry

kA

a

kF

(5.1)

p°edstavují váhy, které je t°eba nastavit tak, aby algoritmus podával

optimální výsledek pro analyzovaný signál.

AW

v rovnici 5.1 odpovídá sum¥ absolutních

hodnot amplitud:

AW =

W L X

|xi |

(5.2)

i=1 a

FW

p°edstavuje sou£et zm¥n amplitudy za dobu okna:

FW =

W L X i=1

|xi − xi−1 |.

(5.3)


16

5.3 Vyhodnocení p°íznak· Cílem je získat co nejúpln¥j²í popis zpracovávaného signálu, aby m¥l klasikátor k dispozici dostate£né mnoºství informace pro správnou klasikaci. P°i výb¥ru p°íznak· dochází ke st°etu n¥kolika vzájemn¥ protich·dných poºadavk·:

1

•

velké mnoºství p°íznak· za ú£elem p°esného popisu signálu

•

malé mnoºství p°íznak· kv·li výpo£etní a pam¥óvá náro£nosti

•

rychlost klasikace

Z toho plyne pot°eba najít kompromis mezi správností klasikace a nároky na její pr·b¥h. Tohoto kompromisu lze dosáhnout mimojiné výb¥rem vhodných p°íznak·. Postup pro ur£ení optimální mnoºiny p°íznak· nelze jednozna£n¥ formulovat. Není moºné obecn¥ ur£it d·leºité p°íznaky popisující daný úsek signálu [36]. M·ºe nastat p°ípad, kdy je p°íznak· nadbytek, a následná klasikace je pak zdlouhavá. Postup, kdy jsou ze souboru p°íznaku odebírany ty nejmén¥ separabilní vzhledem ke klasika£ním t°ídám se nazývá

selekce p°íznak·. Zatímco p°i extrakci p°íznak· je pouºit jiný

p°ístup - skupina p°íznak· je vyjád°ena jedním p°íznakem. Po£áte£ní volba p°íznak· závisí na zku²enostech p°i vizuálním hodnocení signálu £lov¥kem, fyzikálním rozboru problému a náro£nosti ur£ení hodnoty p°íznaku v signálu. P°i výb¥ru p°íznak· platí n¥která kritéria, podle kterých se lze rozhodovat:

Obrázek 5.1: Selekce p°íznak·

P°íznaky s minimálním rozptylem uvnit° t°ídy

Pokud je pro r·zné p°íznaky stejná

vzdálenost mezi dv¥ma t°ídami, pak jsou t°ídy lépe rozli²itelné pro ten p°íznak, jehoº hodnoty mají men²í rozptyl (viz. obrázek 5.1).

1 P°itom platí, ºe rostoucí mnoºství p°íznak· nezaru£uje zvy²ování p°esnosti, n¥kdy nastává opak [36] nastane p°eu£ení.


17

P°íznaky s maximální vzdáleností mezi t°ídami

T°ídy jsou lépe rozli²itelné pro ta-

kové p°íznaky, které mají maximální vzdálenost mezi t°ídami (viz. obrázek 5.1).

Vzájemn¥ nekorelované p°íznaky

Jestliºe je moºné hodnoty jednoho p°íznaku odvodit

z hodnot jiného p°íznaku, pak pouºití obou t¥chto p°íznak· nep°iná²í dal²í informaci pro klasikaci oproti pouºití pouze jednoho z nich, p°itom je jedno kterého.

P°íznaky nezávislé na deformacích signálu

V n¥kterých situacích je odstran¥ní defor-

mací signálu b¥hem p°edzpracování nemoºné nebo p°íli² náro£né. Pak je pot°eba zvolit takové p°íznaky, které nejsou touto deformací ovlivn¥ny. N¥kdy je moºné volbou p°íznak· celé p°edzpracování eliminovat a tím zjednodu²it celé zpracování signálu, p°estoºe jsou algoritmy p°edzpracování snadno realizovatelné.

5.3.1 Metody pro získaní p°íznak· Epilepsie se v EEG záznamu projevuje r·znými zp·soby v závislosti na jejím typu. P°esto mají epileptické události v EEG záznamu n¥které charakteristické parametry, ke kterým pat°í nap°íklad ostré hroty (viz. £ást 4.5.1). Pro tyto elementy je obecn¥ typický nár·st energie a vysoká frekvence. S prodluºující se dobou hrotu se jeho energie koncentruje v oblasti niº²ích frekvencí, coº jej £iní h·°e odli²itelným od b¥ºné mozkové aktivity. Soubor p°íznak· bylo nutné roz²í°it, aby pokrýval i tyto grafoelementy. Sou£ástí PSGlabu je obsáhlý soubor p°íznak·. N¥které z t¥chto p°íznak· jsem p°evzal a doplnil o vlastní sadu p°íznak·, za ú£elem p°esn¥j²ího popisu epileptického EEG. V této kapitole uvádím stru£ný p°ehled metod pro výpo£et pouºitých p°íznak·. N¥které p°íznaky p°evzaté z PSGlabu, jsem upravil a za°adil do souboru vyhodnocovaných p°íznak·. Následn¥ jsem otestoval vliv úpravy na rozloºení hodnot [32].

5.3.1.1

P°íznaky zaloºené na statistické analýze

Zaznamenaný EEG signál p°edstavuje soubor

n

diskrétních hodnot

xi (i ∈< 1, n >).

Na

základ¥ této skute£nosti je moºné provést statistickou analýzu a ur£it statistické parametry jednotlivých segment· signálu. P°íznaky odpovídající statistickým parametr·m jednotlivých úsek· jsou sou£ástí PSGlabu [26], jejich p°ehled je v tabulce 5.3.3.

St°ední hodnota

St°ední hodnota je mírou polohy. Po£ítá se jako suma sou£inu na-

m¥°ené hodnoty s pravd¥podobností jejího výskytu.

µ=

X

xi p i

(5.4)

i

Rozptyl a sm¥rodatná (standardní) odchylka

Rozptyl (5.5) charakterizuje vari-

abilitu rozd¥lení náhodných hodnot okolo jejich st°ední hodnoty. Sm¥rodatná odchylka je denována jako odmocnina rozptylu.

σ2 =

X i

[xi − µ]2 pi

(5.5)

KAPITOLA 5. ZPRACOVÁNÍ EEG SIGNÁLU Koecient ²ikmosti (Skewness)

18

je charakteristika náhodného rozd¥lení popisující

jeho nesymetrii. Kladná hodnota znamená, ºe napravo od st°ední hodnoty se nachází odlehlej²í hodnoty a pro zápornou hodnotu naopak [17].

E(X − µ)3 s= σ3

Koecient ²pi£atosti (Kurtosis)

(5.6)

je charakteristika porovnávající rozd¥lení náhodné

veli£iny s normálním rozd¥lením pravd¥podobnosti. Kladná ²pi£atost znamená, ºe k°ivka hustoty je ²pi£at¥j²í neº u normálního rozd¥lení. Pro záporné hodnoty ²pi£atosti je pak k°ivka hustoty plo²²í a rozd¥lení je tedy rovnom¥rn¥j²í[10].

k=

Modus

E(X − µ)4 σ4

(5.7)

Modus je taková hodnota, která se v souboru dat vyskytuje nej£ast¥ji a s nej-

v¥t²í pravd¥podobností. P°itom modus nemusí být ur£en jednozna£n¥ - m·ºe se vyskytnout více hodnot se stejnou maximální £etností [14].

Medián 5.3.1.2

Medián je hodnota, která d¥lí soubor dat na dv¥ stejn¥ po£etné skupiny [13].

P°íznaky odvozené od tvaru grafolementu

Výraznou charakteristikou epileptických grafoelement· jsou hroty, které lze charakterizovat jako ²pi£ky signálu. Nejprve je pot°eba vyhledat lokální extrémy v rámci posuzovaného segmentu. Lokální extrémy lze obecn¥ denovat jako body, kde dochází ke zm¥n¥ monotonie funkce. Tato zm¥na nastává v bodech, kde je první derivace rovna nule. EEG záznam je diskrétní signál, a proto m·ºe nastat situace, kdy v míst¥ odpovídající nulové první derivaci nelze p°i°adit odm¥°enou hodnotu. Lokální extrémy pak lze ozna£it jako místa, kde se m¥ní znaménko první derivace. P°íznak charakterizující po£et lokálních extrému normalizovaný vzhledem k délce segmentu je sou£ástí p°evzatého souboru p°íznak· (MIN MAX NUMBER v tabulce 5.3.3). P°idal jsem jednodu²²í verzi p°íznaku, kdy není brána v potaz délka segmentu (MIN MAX NUMBER2 v tabulce 5.3.2.1), tento p°íznak dopl¬uje p·vodní tím, ºe rozli²í segmenty se stejným pom¥rem po£tu lokálních extrém·/délka segmentu. Jako dal²í p°íznak jsem zvolil po£et lokálních extrém·, které p°esahují prahovou hodnotu odvozenou od maximální amplitudy zkoumaného segmentu (PEAKS v tabulce 5.3.2.1).

5.3.1.3

Fraktální dimenze

Fraktál lze denovat jako objekt, který je sob¥podobný. To znamená, ºe je p°i pohledu na objekt není moºné ur£it jeho m¥°ítko, je invariantní v·£i zm¥n¥ m¥°ítka. P°esná matematická denice dosud nebyla objevena. V¥t²ina fraktál· se na první pohled jeví sloºit¥, p°estoºe


19

vychází z jednoduchého algoritmu. Studiem fraktál· a nepravidelných objekt· se zabývá fraktální geometrie. Jedná se o relativn¥ mladý matematický obor. Strukturu objektu lze charakterizovat na základ¥ dimenze. Existuje n¥kolik r·zných druh· dimenzí (Hausdorfova dimenze, topologická dimenze, informa£ní dimenze atd.), p°itom r·zné dimenze mohou dávat r·zné výsledky pro shodný objekt. Na základ¥ pom¥ru hodnot topologické a Hausdorovy-Besicovichovy dimenze Mandelbrot "denoval"v roce 1977 fraktál [31, 48]. V¥t²ina algoritm· slouºících k výpo£tu fraktální dimenze je £asov¥ náro£ná, jednou z výjimek je Katz·v algoritmus (p°íznak FRACTAL DIM v 5.3.2.1), který je rychlý a efektivní pro malé dimenze. Velikost fraktální dimenze podle Katze je vyjád°ena rovnicí 5.10, kde k°ivky p°edstavující pr·b¥h (viz. rovnice 5.8) a

L

vyjad°uje délku

d odpovídá nejdel²ímu z úsek·, které propo-

jují první bod k°ivky a ostaními body záznamu (viz. rovnice 5.8) [44].

L = sum(dist(i, i)) d = max(dist(1, i)) log(L) Dk = log(d)

5.3.1.4

(5.8) (5.9) (5.10)

Hjorthovy parametry

Hjorthovy parametry (5.11, 5.12 a 5.13) byly p·vodn¥ vyvinuty pro online analýzu EEG, jsou výhodné z d·vodu výpo£etní nenáro£nosti.Jsou denovány s pomocí spektrálních moment· (m0 ,

m2

a

m4 )

(více [28], [23] nebo [21]).

Aktivita (Activity)

-

m0

je spektrální moment 0. °ádu, standardní odchylka signálu

H1 = m0

Mobilita (Mobility)

-

m2

(5.11)

p°edstavuje spektrální moment 2. °ádu a standardní odchylku

první derivace signálu

H2 =

Sloºitost (Complexity)

-

m4

m2 m0

(5.12)

odpovídá spektrálnímu momentu 4. °ádu a standardní od-

chylku druhé derivace signálu

H3 =

5.3.1.5

m4 m0

(5.13)

Frekven£ní analýza

Jedním ze základních nástroj· p°i analýze EEG je Fourierova transformace. Jejím ú£elem je p°evedení signál· do frekven£ní oblasti. Pro diskrétní signály je pouºívána diskrétní Fourierova transformace (DFT). Jedním z nejefektivn¥j²ích algoritm· pro její výpo£et je FFT rychlá Fourierova transformace (více [27], [8]).

KAPITOLA 5. ZPRACOVÁNÍ EEG SIGNÁLU 5.3.1.6

20

Entropie

Entropie popisuje míru neur£itosti, pokud klesá, pak roste celková informace a opa£n¥.

Spektrální entropie

Jedná se o výpo£et entropie z odhadu výkonnové spektrální hustoty

(normalizované vzhledem k frekven£nímu pásmu) 0,1-40 Hz.

Nf

Pf

zkoumaného segmentu pro frekvence

odpovídá po£tu frekve£ních sloºek [45].

HN =

Shannonova entropie

−1 X P(f ) (x) log(p(f ) (x)) log Nf f

(5.14)

Vzorec 5.15 vyuºívá odhad hustoty pravd¥podobnosti na základ¥

histogramu [27].

HSH = −

n X

Ph (si ) ln(Ph (si ))

(5.15)

i=1

5.3.1.7

Krátkodobá energie

Krátkodobá energie (p°íznak SH ENERGY v 5.3.2.1) (resp. krátkodobá intenzita) je pouºívána p°i detekci °e£ové aktivity. Tato metoda je kv·li druhé mocnicn¥ (5.16) citlivá na velké zm¥ny amplitudy, proto bývá £asto nahrazena krátkodobou intenzitou (5.17; p°íznak SH INT v 5.3.2.1). Vzorky signálu p°edstavuje okénko (Hammingovo, pravoúhlé atd.)

w(n),

xi .

B¥ºnou sou£ásti vzorc· je i váhovací

které nastavuje váhy jednotlivým vzork·m v

rámci segmentu (více [20] nebo [43]).

E=

X

(xi wn−i )2

(5.16)

i

M=

X

|xi wn−i |

(5.17)

i

5.3.1.8

Nelineární energetický operátor (NEO)

Nelineární energetický operátor udává odhad energie lineárního oscilátoru, p°itom zvýraz¬uje vysokofrekven£ní £ásti [39]. K výpo£tu je pouºita verze pro diskrétní signál (5.18).

N(k) = x2(k) − x( k − 1)x( k + 1)

(5.18)


21

5.3.2 Navrºené p°íznaky Nové p°íznaky jsem vybíral na základ¥ popisu typických pr·b¥h· epileptických záchvat· v EEG (4.5.1).

5.3.2.1

Upravené p°evzaté p°íznaky Název p°íznaku

Popis p°íznaku

1

PEAKS

Po£et lokálních extrém· p°esahujících prahovou hodnotu

2

FRACTAL DIM

Fraktální dimenze

3

MIN DIFF

Minimum první derivace signálu

4

STD DIFF

Standardní odchylka první derivace signálu

5

MIN DIFF2

Minimum druhé derivace signálu

6

STD DIFF2

Standardní odchylka druhé derivace signálu

7

INFL POINTS

Po£et inexních bod·

8

INFL POINTS2

Po£et inexních bod· v pom¥ru k délce segmentu

9

SH ENERGY

Krátkodobá energie s Hammingový oknem

10

SH ENERGY2

Krátkodobá energie bez váh. okna

11

SH INT

Krátkodobá intenzita s Hammingovým oknem

12

SH INT2

Krátkodobá intenzita bez váh. okna

13

FFT ABS sSWC

0,1 - 2,5 Hz

14

FFT ABS SWC

2,3 - 4,3 Hz

15

FFT ABS GPFA

9 - 11 Hz

16

FFT ABS PS

18 - 22 Hz

17

FFT REL sSWC

0,1 - 2,5 Hz

18

FFT REL SWC

2,3 - 4,3 Hz

19

FFT REL GPFA

9 - 11 Hz

20

FFT REL PS

18 - 22 Hz

21

MIN MAX NUMBER2

Po£et lokálních extrému bez vlivu délky segmentu

Tabulka 5.1: P°ehled navrºených p°íznak·


22

5.3.3 P°evzaté p°íznaky Ozna£ení p°íznaku

Popis p°íznaku

1

MEAN

Pr·m¥rná hodnota

2

STD

Standardní odchylka

3

MAX VALUE

Maximální výchylka

4

MIN VALUE

Minimální výchylka

5

SKEWNESS

Koecient ²ikmosti

6

KURTOSIS

Koecient ²pi£atosti

7

MEDIAN

Medián

Tabulka 5.2: Základní p°íznaky na základ¥ statistické analýzy

Ozna£ení p°íznaku

Popis p°íznaku

8

LINE LENGTH

Délka trajektorie signálu vztaºená k délce segmentu

9

MEAN VV AMPL

Pr·m¥rná amplituda ²pi£ka-²pi£ka

10

VAR VV AMPL

Rozpytl amplitudy ²pi£ka-²pi£ka

11

MEAN VV TIME

Pr·m¥rná doba mezi ²pi£kami

12

VAR VV TIME

Rozptyl doby mezi ²pi£kami

13

MEAN VV SLOPE

Pr·m¥rná sm¥rnice

14

VAR VV SLOPE

Rozptyl sm¥rnice

15

ZERO CROSSING

Po£et pr·chod· nulou

16

MIN MAX NUMBER

Po£et lokálních extrém·

17

COEFF OF VARIATION

18

AMPL RANGE

Amplituda ²pi£ka-²pi£ka

Tabulka 5.3: P°íznaky zaloºené na analýze intervalu

Název p°íznaku 19 20 21 22

st

1 DIFF MEAN 1st DIFF MAX 2nd DIFF MEAN 2nd DIFF MAX

Popis p°íznaku St°ední hodnota první derivace signálu Maximum první derivace signálu St°ední hodnota druhé derivace signálu Maximum druhé derivace signálu

Tabulka 5.4: P°íznaky zaloºené na první a druhé derivaci

Název p°íznaku

Popis p°íznaku

23

HJORTH 2

Druhý Hjorth·v parametr (mobilita)

24

HJORTH 3

T°etí Hjorth·v parametr (komplexita) Tabulka 5.5: Hjorthovy parametry

KAPITOLA 5. ZPRACOVÁNÍ EEG SIGNÁLU Název p°íznaku

Popis p°íznaku

25

FFT ABS DELTA

0.1 - 3 Hz

26

FFT ABS THETA

3 - 7 Hz

27

FFT ABS ALPHA

7 - 12 Hz

28

FFT ABS BETA

12 - 30 Hz

29

FFT ABS GAMMA

30 - 40 Hz

30

FFT ABS WHOLE

0.1 - 40 Hz

23

Tabulka 5.6: P°íznaky z absolutního EEG spektra - pr·m¥rná hodnota pro dané frekven£ní pásmo

Název p°íznaku

Popis p°íznaku

31

FFT REL DELTA

0.1 - 3 Hz

32

FFT REL THETA

3 - 7 Hz

33

FFT REL ALPHA

7 - 12 Hz

34

FFT REL BETA

12 - 30 Hz

35

FFT REL GAMMA

30 - 40 Hz

Tabulka 5.7: P°íznaky z relativního EEG spektra - pr·m¥rná hodnota pro dané frekven£ní pásmo

Název p°íznaku

Popis p°íznaku

36

FFT DT RATIO

ABS DELTA / ABS THETA

37

FFT DA RATIO

ABS DELTA / ABS ALPHA

38

FFT TA RATIO

ABS THETA / ABS ALPHA

39

FFT DTA RATIO

(ABS DELTA + ABS THETA) / ABS ALPHA

Tabulka 5.8: P°íznaky z EEG spektra - klinicky významné pom¥ry

Název p°íznaku 40

FFT SEF95

41

FFT SP-ROLL OF

Popis p°íznaku

Tabulka 5.9: Dal²í p°íznaky z EEG spektra

Název p°íznaku

Popis p°íznaku

42

ENTROPY SPECTRAL

Spektrální entromie

43

ENTROPY SHANNON

Shannonova entropie

Tabulka 5.10: P°íznaky odvozené od entropie

44

Název p°íznaku

Popis p°íznaku

NONLIN ENERGY

Pr·m¥rná nelineární energie

Tabulka 5.11: Nelineární energetický operátor


24

5.4 Rozpoznávání Rozpoznávání spo£ívá v roz°azení objekt· do t°íd. Výsledkem tohoto procesu je ur£ité zobecn¥ní zkoumaného systému. Objekt je z pohledu tohoto systému zobrazen pomocí vektoru p°íznak·, proto bývá ozna£ován jako obraz [36]. Klasikátor je stroj (nebo program), který zobrazuje mnoºinu vektor· p°íznak· na mnoºinu identikátor· t°íd na základ¥ rozhodovacího pravidla. Klasikátory je moºné podle zp·sobu nastavení rozhodovacího pravidla rozd¥lit na:

shlukovou analýzu

- nastavení rozhodovacího pravidla probíhá na základ¥ analýzy pro-

blému p°ed klasikací

klasikaci na základ¥ u£ení

2

- rozhodovacího pravidlo je nastaveno podle objekt· se zná-

mým za°azením do t°íd.

5.5 Shlukování Shlukování (clustering) je metoda seskupující analyzovaná data (signály) do shluk· (cluster·) podle jejich podobnosti. P°itom se jednotlivé shluky vzájemn¥ co nejvíce odli²ují. Jedná se tedy o formu klasikace, kdy je spojena fáze u£ení s fází klasika£ní. Klasikátor za°azuje p°edm¥ty do skupin bez p°edchozí znalosti charakteristik klasika£ních t°íd, jedná se tedy o "u£ení bez u£itele"(unsupervised training). Shluky m·ºeme denovat r·znými zp·soby, krom¥ podobnosti je moºné objekty seskupovat na základ¥ jejich hustoty výskytu v dané oblasti. Shluk je tvo°en oblastí s vysokou hustotou výskytu objekt·, od ostatních shluk· je odd¥lován oblastmi s nízkou hustotou výskytu objekt·. Takové shluky lze denovat s pomocí metriky, na základ¥ vzájemných vzdáleností mezi klasikovanými objekty. Vzájemné vzdálenosti objekt· v rámci shodného shluku jsou men²í neº vzdálenost dvou objekt· z rozdílných shluk· [32]. V p°ípad¥ shlukování je pot°eba zvolit vhodný postup pro ur£ování míry podobnosti objekt·:

Metriky

vycházejí z r·zných denic vzdáleností. Mezi metrikou a vzdáleností je obdobný

vztah jako mezi funkcí a funk£ní hodnotou.

Koecient korelace not z intervalu

ur£uje míru lineární závislosti porovnávaných p°íznak·. Nabývá hod-

< −1; 1 >,

krajní body vyjad°ují lineární závislost p°íznak·. Lineární

vztah neexistuje, pokud se koecient rovná nule [9].

Koecient asociace

se pouºívá, pokud p°íznaky nabývají binárních hodnot [1].

Krom¥ ur£ení míry podobnosti dvou objekt· je pot°eba posoudit míru podobnosti objekt· v rámci shluku, mohou být pouºity nap°íklad jako kritérium rozkladu.

2 trénovací mnoºina - mnoºina objekt·, podle které se klasikátor u£í


25

Metoda nejbliº²ího souseda (Nearest-neighbour, Single linkage)

Vzdálenost dvou

shluk· (s1 a mezi

s2 ) odpovídá nejkrat²í vzdálenosti (vzdálenost je denována metrikou d()) objekty (o1 a o2 ) obou shluk·. P°i pouºití této metody se mohou tvo°it protáhlé

shluky, pokud se mezi dv¥ma vzdálenými objekty vyskytují dal²í objekty.

DN N (s1 , s2 ) = min d(o1 , o2 )

(5.19)

Metoda k-nejbliº²ích soused· (K-Nearest neighbour)

Vzdálenost dvou shluk· je de-

nována sou£tem

k

nejkrat²ích vzdáleností mezi objekty obou shluk·. Tato metoda

£áste£n¥ potla£uje tvorbu protáhlých shluk·.

k X

DKN N (s1 , s2 ) = min

d(o1 , o2 )

Metoda nejvzdálen¥j²ího souseda (Complete linkage)

(5.20)

Vzdálenost dvou shluk· odpo-

vídá vzdálenosti nejodlehle²ích objekt· z obou shluk·. Metoda nejvzdálen¥j²ího souseda potla£uje tvorbu protáhlých shluk·, vytvá°í men²i, kompaktní a dob°e ohrani£ené shluky. Metodu je moºné zobecnit pouºitím

k

nejvzdálen¥j²ích bod· obou shluk·.

DF N (s1 , s2 ) = max d(o1 , o2 ) DF N k (s1 , s2 ) = max

Centroidní metoda (Centroid linkage)

k X

d(o1 , o2 )

(5.21) (5.22)

Vzdálenost dvou shluk· odpovídá vzdálenosti

nejodlehle²ích objekt· z obou shluk·. Metoda nejvzdálen¥j²ího souseda potla£uje tvorbu protáhlých shluk·, vytvá°í men²i, kompaktní a dob°e ohrani£ené shluky. Metodu je moºné zobecnit pouºitím

k

nejvzdálen¥j²ích bod· obou shluk·.

DF N (s1 , s2 ) = max d(o1 , o2 ) DF N k (s1 , s2 ) = max

k X

d(o1 , o2 )

(5.23) (5.24)

Metody shlukování je moºné rozd¥lit podle výsledku na hierarchické a nehierarchické. Hierarchické metody °adí shluky do hierarchické struktury na základ¥ podobnosti. Tyto struktury lze gracky vyjád°it pomocí stromu (dendogramu). Nehierarchické metody vytvá°ejí pouze skupiny objekt·, aniº by vyjad°ovaly jejich vzájemné vztahy. Výsledek shlukování je ovlivn¥n nejen pouºitým shlukovacím algoritmem, ale i zvolenou sadou p°íznak·. Shluková analýza by m¥la slouºit jako podklad pro vytvá°ení hypotéz nap°. o moºné klasikaci segment· signálu.

5.5.1 Hierarchické shlukování Na základ¥ p°ístupu k vytvá°ení hierarchických struktur lze tyto algoritmy rozd¥lit na aglomerativní a divizní. Aglomerativní metody za£ínají od jednotlivých objekt·, které postupn¥ seskupují do shluk·, dokud nevznikne jedna mnoºina obsahující v²echny objekty. Divizní algoritmy vycházejí z jedné mnoºiny, kterou v jednotlivých krocích d¥lí do shluk·, dokud ji nerozd¥lí na samostatné objekty.


26

2 Nevýhodou hiearchických algoritm· je zna£ná £asová náro£nost (O(n ) pro n objekt·) a snaha o dosaºení lokáln¥ nejlep²ího °e²ení v kaºdém kroku, bez ohledu na celkový výsledek. V p°ípad¥ aglomerativního algoritmu nelze shluky znovu rozd¥lit a p°i divizním je nelze spojit [35]. Navíc tyto algoritmy bývají citlivé na odchylky a ²um [22].

Algoritmus aglomerativního hierarchického shlukování: 1. Kaºdý objekt je za°azen do vlastního shluku, takºe p°i N objektech vznikne N shluk· 2. Najde nejbliº²í (nejpodobn¥j²í) pár shluk· a a spojí je do jednoho, tím o jedna klesne po£et shluk·. 3. P°epo£ítá vzdálenosti (podobnosti) mezi nov¥ vzniklým shlukem a ostatními shluky.

3

4. Opakování krok· 2 a 3, dokud nevznikne pouze jeden shluk o velikosti N.

Obrázek 5.2: Ukázka výstupu hierarchického algoritmu

5.5.2 Nehierarchické shlukování Nehierarchické shlukovací algoritmy jsou pouºívany k rozd¥lení mnoºiny objekt· do shluk· p°i spln¥ní podmínek na kvalitu rozkladu a bez zji²óvání hierachického uspo°ádání. Po£áte£ní rozklad je ur£en bu¤ náhodným p°i°azením objekt· do shluk· nebo na základ¥ výsledk· rychlé hierarchické metody. Hierachické algoritmy se d¥lí na metody s konstantím po£tem shluk· a na metody s prom¥nným po£tem shluk·. Metody s prom¥nným po£tem shluk· provádí b¥hem shlukování pr·b¥ºné sdruºování nebo rozd¥lování shluk·. Pokud je vzdálenost dvou shluk· po provedení itera£ního kroku men²í neº slu£ovací parametr, dojde ke slou£ení. A naopak, jestliºe je vzdálenost shluk·

3 Probíhá na základ¥ porovnání vzdáleností mezi prvky r·zných shluk·. Lze jej provést podle r·zných kritérií - nap°. nejbliº²ího souseda (single-linkage), nejvzdálen¥j²ího souseda (complete-linkage) nebo pr·m¥rné vzdálenosti (average-linkage).


27

v¥t²í neº rozd¥lovací parametr, dojde k rozd¥lení. Tyto parametry mohou být konstantní nebo se mohou b¥hem shlukování m¥nit. V p°ípad¥ metod s konstantním po£tem shluk· prob¥hne rozklad na shluky pouze p°i spu²t¥ní algoritmu. Dále probíhá pouze p°esouvání objekt· mezi shluky za ú£elem nalezení optimálního rozkladu, který odpovídá extrému kritéria kvality rozkladu. Kritérium kvality rozkladu m·ºe záviset na n¥které (n¥kterých) z t¥chto vlastností: podobnosti objekt· ve shluku, míry separace shluk·, rovnom¥rnost rozloºení objekt· uvnit° shluku nebo rovnom¥rnost rozloºení objekt· do shluk·. Volba kritéria se li²í na základ¥ cíl· shlukování a struktury analyzovaných dat. Nehierarchické metody dále d¥líme na:

Optimaliza£ní metody

Na základ¥ minimalizace (maximalizace) kritéria rozkladu pomocí

postupného p°e°azování objekt· mezi shluky se snaºí dosáhnout ideálního rozd¥lení do shluk·.

Analýza mod·

vytvá°í shluky v místech lokálních maxim hustoty pravd¥podobnosti výskytu

objekt· v n-rozm¥rném prostoru p°íznak·. na základ¥ analýzy hustoty pravd¥podob-

4

nosti jejich výskytu.

5.5.3 Metriky Jedná se patrn¥ o nej£ast¥j²í postup p°i ur£ování podobnosti objekt·. Metriky vyjad°ují vzdálenost objekt·

o1

a

o2

na základ¥ jim p°íslu²ících vektor· p°íznak·

x1

a

x2 .

Pomocí

trojúhelníkové nerovnosti je moºné rozd¥lit metriky na pravé (spl¬ují) a semimetriky (nespl¬ují). Spole£nou nevýhodou metrik je problematické porovnávání p°íznak· s odli²ným fyzikálním rozm¥rem. Dochází pak ke zvy²ování vlivu korelovaných veli£in. Tento problém je moºné °e²it normalizací nebo nastavením vah jednotlivým p°íznak·m.

5.5.3.1

Eukleidovská metrika

ρE (o1 , o2 ) =

v u n uX t (x

1i

− x2i )2

(5.25)

i=1

5.5.3.2

City-Block (Manhattan)[34]

ρC B(o1 , o2 ) =

n X

|x1i − x2i |

(5.26)

i=1 4 Modus - hodnota

xm

náhodné veli£iny

x,

v níº nabývá hustota pravd¥podobnosti lokálního maxima

KAPITOLA 5. ZPRACOVÁNÍ EEG SIGNÁLU 5.5.3.3

28

eby²evova metrika

ρC (o1 , o2 ) = max |x1i − x2i | ∀i

5.5.3.4

(5.27)

Minkowského metrika

Zobec¬uje eukleidovskou (p = 2) a City-Block (p = 1) metriku, eby²evova metrika odpovídá její limit¥ pro

p→∞ ρM (o1 , o2 ) =

v u n uX p t (x

1i

− x2i )p

(5.28)

i=1

5.5.3.5

Hammingova metrika

vyjad°uje po£et hodnot, ve kterých se dva vektory li²í [11].

P ro x1 = (1, 2, 3, 4, 5, 4) a x1 = (4, 2, 6, 4, 7, 4) : ρH (o1 , o2 ) = 3

5.5.3.6

(5.29)

Cosine similarity

Tato metrika hledá kosinus úhlu mezi vektory p°íznak· [40]: -1 - p°esn¥ opa£né, 0 nezávislé, 1 - identické

ρcos (o1 , o2 ) = cos(θ) =

x1 ∗ x2 |x1 ||x2 |

Obrázek 5.3: Jednotková vzdálenost objekt· od st°edu podle r·zných metrik

(5.30)


29

5.5.4 K-means (MacQueen·v algoritmus) K-means je iterativní nehierachický algoritmus, který roz°azuje data do K shluk· na základ¥ optimiza£ního kritéria 5.31. Objekt je p°i°azen do toho shluku, jehoº centroid (st°ed, t¥ºi²t¥ shluku) je nejblíºe. P°i spu²t¥ní je pot°eba zadat poºadovaný po£et shluk·. Pokud není p°edem znám, pak se na základ¥ n¥kolika testovacích shlukování s r·zn¥ nastavenými po£ty shluk· zvolí optimální po£et (nap°íklad podle vzdáleností uvnit° a mezi shluky). S nar·stajícím po£tem shluk· roste riziko p°eu£ení. B¥hem iterací dochází k posunu centroid· tak, aby bylo dosaºeno minimálních rozdíl· uvnit° shluk· [35]. Poloha centroid· je ur£ována na základ¥ geometrického pr·m¥ru vzdáleností od prvk· shluku. Algoritmus nalezne °e²ení ve chvíli, kdy se p°estane m¥nit poloha centroid·. K-means je jednoduchý a rychlý algoritmus, proto jej lze pouºít na velké objemy dat. Nevýhodou tohoto algoritmu je závislost °e²ení na volb¥ po£áte£ních centroid·, kdy m·ºe najít pouze lokální optimum, p°estoºe algoritmus v kone£ném po£tu krok· konverguje k n¥jakému °e²ení. Tento problém lze omezit opakovaným spu²t¥ním s r·zn¥ umíst¥nými centroidy (více [35], [37] a [22]).

min(

n k X X

|xji − cj |2 )

(5.31)

j=1 i=1 1. Náhodné umíst¥ní K bod· (centroid·) do prostoru reprezentovaného objekty, na kterých je provád¥no shlukování. Tyto body p°edstavují po£áte£ní st°edy shluk·. 2. P°i°azení kaºdého objektu k nejbliº²ímu st°edu 3. Po p°i°azení p°epo£ítá pozice st°ed· (geometrický pr·m¥r) 4. Opakování krok· 2 a 3, dokud se m¥ní pozice st°ed·. To zp·sobuje rozd¥lení objekt· do shluk·.

5.6 Klasikace s u£ením 5.6.1 KNN - klasikátor podle K-nejbliº²ích soused· Klasikátor KNN (K-nearest neighbor) pat°í k nejjednodu²²ím metodám strojového u£ení. Klasikace probíhá na základ¥ p°íslu²nosti okolních objekt· do t°íd. Zpracovávaný objekt je p°i°azen do té t°ídy, kam pat°í v¥t²ina objekt· z jeho okolí. Parametr

k

je p°irozené £íslo,

které denuje po£et okolních bod·, podle nichº bude probíhat klasikace. V p°ípad¥ 2 klasika£ních t°íd je nutné zvolit

k

liché, aby nedo²lo k patové situaci, kdy není moºné zkoumaný

objekt za°adit. U více klasika£ních t°íd m·ºe být situace s volbou

k

sloºit¥j²í. Klasikátor

vyuºívá trénovací mnoºinu obsahující objekty a jim p°i°azené t°ídy. Mezi nevýhody KNN pat°í vysoká pam¥óvá náro£nost, pomalé rozhodování a závislost na metrice, z £ehoº plyne poºadavek na normalizaci p°íznak· [33].


30

Obrázek 5.4: Ukázka výstupu K-means

5.6.2 Bayes·v klasikátor Metody bayesovské klasikace vycházejí z Bayesovy v¥ty o podmín¥ných pravd¥podobnostech. A£koliv se tedy jedná o metody pravd¥podobnostní, jsou intenzivn¥ studovány v souvislosti se strojovým u£ením a uplat¬ují se rovn¥º v systémech pro data mining.

5.6.2.1

Klasika£ní algoritmus

Bayes·v klasikátor °e²í klasikaci vektor· s do n t°íd, kde jsou t°ídy ozna£eny Apriorní pravd¥podobnosti

s

p°ijde do t°ídy

cn .

P (c1 ), P (c2 ), ..., P (cn )

c1 , c2 , ..., cn .

udávají s jakou pravd¥podobností vektor

Jsou p°edem známy a platí pro n¥ následující vztah:

n X

P (cn ) = 1.

(5.32)

i=1 P°edpokládejme, ºe krom¥ apriorních pravd¥podobností mín¥né hustoty pravd¥podobnosti t°íd. Pak platí, ºe vektor p°íznak·

P (cn )

známe je²t¥ v²echny pod-

p(s|cn ) udávající rozloºení hodnot s uvnit° jednotlivých s pat°í do t°ídy s identikátorem cn s pravd¥podobností: P (s|cn )P (cn ) P (s)

(5.33)

P (s|cn )P (cn ).

(5.34)

c∗ = arg max P (cn |s)

(5.35)

P (cn |s) = P (s) =

n X i=1

n

Pravd¥podobnosti

P (cn |s)

nazýváme aposteriorními pravd¥podobnostmi a výraz 5.33 Ba-

yesovým vztahem. Klasikátor za°azuje vektor p°íznak· do té t°ídy, pro kterou vychází maximální aposteriorní pravd¥podobnost 5.35. Trénování bayesova klasikátoru spo£ívá ve výpo£tu parametr· normálního rozd¥lení.

Kapitola 6 Praktická £ást Zabýval jsem se návrhem souboru p°íznak· vhodných pro klasikaci epileptického EEG záznamu. Ke spln¥ní tohoto úkolu jsem pouºil prost°edí Matlab roz²í°ené o PSGlab toolbox, EEGlab, WaveFinder a Weka. Ve své práci jsem pracoval s klinickými i neklinickými daty. Neklinická data byla po°ízena na mé osob¥ v Gerstnerov¥ laborato°i. Pomocí programu WafeFinder jsem data p°evedl do formátu vhodném pro prost°edí Matlab a vypracoval ohodnocení pro klasikaci t¥chto záznam·. V Matlabu jsem ke zpracování dat pouºíval PSGlab toolbox, kde byl signál odltrován, p°evzorkován, rozd¥len na segmenty a byly vypo£teny navrºené p°íznaky. Takto upravený záznam byl uloºen do formátu vhodném pro zpracování v programu Weka, ve kterém prob¥hla klasikace a vyhledání nejvhodn¥j²ích p°íznak·. Shluková anaýza byla provedena pomocí PSGlab toolboxu. Ve své práci jsem nejprve navrhl vhodné parametry jednotlivých krok· na základ¥ ohodnoceného neklinického záznamu, který obsahuje známé artefakty (mrkání, zatnutí a relaxa£ní £ást). V tomto kroku jsem vyuºíval znalosti významu jednotlivých úsek· záznamu. Dále byl zpracován krat²í záznam se z°eteln¥ viditelnými epileptickými záchvaty, který bylo moºné snadno ohodnotit. Takto ohodnocený záznam jsem pouºil k ov¥°ení parametr· navrºených p°i zpracování neklinického záznamu. Dlouhodobé záznamy jsem pouºil k dal²ímu otestování. K dispozici jsem m¥l r·zn¥ dlouhé záznamy neohodnocených epileptických klinických dat. Díky tomu jsem se setkal s reálnými problémy p°i pokusech o jejich ohodnocení a zpracování. V¥t²ina t¥chto problém· úzce souvisí s n¥kolika hodinovou délkou t¥chto záznam·. Pat°í sem mimojiné mnoºství artefakt· zp·sobených pohybem pacienta v pr·b¥hu m¥°ení. Kvalitní ohodnocení takto dlouhého záznamu vyºaduje zna£né mnoºství £asu kvalikovaného a zku²eného neurologa. V neposlední °ad¥ je takto dlouhý záznam náro£ný na pam¥´ a výpo£etní zpracování. V pr·b¥hu zpracování mé práce bylo nutné se nejprve seznámit s celým procesem zpracování a klasikace EEG záznam· na vlastních datech. P°itom jsem hledal optimální nastavení jednotlivých krok·. Tento návrh jsem ov¥°il na ohodnoceném krátkodobém epileptickém záznamu a následn¥ i na neohodnoceném dloubodobém epileptickém záznamu. U dlouhodobého záznamu jsem vzhledem k chyb¥jícímu ohodnocení provedl pouze shlukovou analýzu.

31

KAPITOLA 6. PRAKTICKÁ ÁST

32

6.1 Návrh parametr· zpracování na ohodnoceném neepileptickém EEG záznamu Pro ohodnocení záznamu bylo nutné zobrazit nam¥°ená data v programu WaveFinder. Ohodnocení spo£ívalo v postupném pr·chodu celého záznamu, ozna£ení po£átku a konce grafoelement· a p°i°azení odpovídající t°ídy. Tento záznam obsahuje celkem £ty°i t°ídy (viz. 6.1). Celková doba záznamu £iní 2 minuty, z toho druhá minuta p°ipadá na relaxaci(zav°ené o£i). Délka mrknutí se pohybuje kolem 0,5 s a doba zatnutí zub· trvá p°ibliºn¥ 1,25 s.

Obrázek 6.1: 0) b¥ºná aktivita, 1) mrknutí, 2) svalový artefakt a 3) zav°ené o£i, relaxace

6.1.1 Filtrace & p°evzorkování Pro sníºení výpo£etní a pam¥óvé náro£nosti p°i zpracování dlouhodobých dat je výhodné pouºít p°evzorkování signálu. Pouºil jsem p°evzorkování z 250 vzork·/s na 128 vzork·/s. P°itom nedo²lo k viditelnému zkreslení signálu (viz. obrázek 6.2). Filtrací jsem pomocí pásmové zádrºe odstranil ru²ení zp·sobené síóvým nap¥tím 50 Hz. Ostatní ru²ivé kmito£ty jsem neodltroval, nebo´ by mohlo dojít k odstran¥ní uºite£ného signálu. Z grafu na obrázku 6.2 je vid¥t pokles ²umu.

6.1.2 Segmentace 6.1.2.1

Konstantní

Vyzkou²el jsem na signálu provést konstatní segmentaci p°i r·zných délkách úsek·. Nevýhodou tohoto postupu je d¥lení, které nebere v úvahu pr·b¥h signálu. Tím m·ºe dojít k rozd¥lení jednoho grafoelementu do více úsek·. Dochází ke zvý²ení pravd¥podobnosti, ºe r·zné £ásti grafoelementu budou klasikovány do r·zných t°íd. Tento postup bych volil pro signály, kde dochází ke zm¥nám v pravidelných £asových intervalech.

6.1.2.2

Adaptivní

Pouºitý algoritmus (5.2.2) vychází z rovnice 6.1 a umoº¬uje ²iroké moºnosti nastavení. Souhrn testovaných nastavení je obsaºen v tabulce 6.1. Nejprve zvolíme vhodnou délku plovoucího okna. Vliv r·zných nastavení je zaznamenán v obrázku 6.4. Na základ¥ t¥chto pr·b¥h· se jako nejvhodn¥j²í jeví délka okna 0.7 s, kdy vzniklé segmenty ohrani£ují grafoelementy a zárove¬ nedochází ke zbyte£nému d¥lení úsek·. Po nastavení délky plovoucího okna bylo t°eba ur£it krok jeho posunu. P°íli² dlouhý krok má za následek hrubou segmentaci, krátký krok vede ke zpomalování p°i zpracování dlouhodobých záznam·. Sniºování délky posunu pod dobu posunu o 1 vzorek nemá praktický


Obrázek 6.2: Ukázka ltrace 50 Hz a p°evzorkování z 250 na 128 vzork·/s

Obrázek 6.3: Ukázka konstatní segmentace po 1 a 3 sekundách

33


34

p°ínos. Vliv délky posunu plovoucího okna lze pozorovat na obrázku 6.5, na kterém je vid¥t, ºe posun po 0.01 s poskytuje uspokojivé výsledky.

G = kA |AW 1 − AW 2 | + kF |FW 1 − FW 2 | Parametry

kA

a

kF

(6.1)

v rovnici 6.1 p°edstavují váhy, které ur£ijí, jak moc bude segmentace

záviset na amplitud¥ nebo frekvenci signálu. Na obrázku 6.6 je zaznamenán vliv r·zných pom¥r· t¥chto vah. Segmentaci podle navrºených parametr· porovnáme s ideálním stavem, který p°edstavují p°esn¥ odd¥lené významné grafoelementy. Toto srovnání je zachyceno na obrázku 6.7. Na tomto obrázku je vid¥t, ºe p°i takto nastavené segmentaci dochází k £ast¥j²ímu d¥lení segment·. P°íli² £asté d¥lení vede ke zvy²ování výpo£etní náro£nosti b¥hem výpo£tu p°íznak· pro klasikaci. Na druhou stranu je d·leºité, aby segmentace ozna£ila výrazné elementy i za cenu vzniku "nadbyte£ných"segment·. Tyto segmenty jsou v ideálním p°ípad¥ b¥hem klasikace za°azeny do stejné t°ídy. Hodnota

Parametr

Zkoumání vlivu délky okna na výsledek segmentace (viz. obrázek 6.4) Délka okna

0.1 s

0.7 s

0.5 s

Max. délka seg.

20 s

Min. délka seg.

0.2 s

kA kA

0.8 s

kF

= 1 -

0.2 s

Posun okna

0.01 s

Zkoumání vlivu parametru

kA

na výsledek segmentace (viz. obrázek 6.5)

Délka okna

0.7 s

Max. délka seg.

20 s

Min. délka seg.

0.2 s

kA kA

0.8 s

kF

= 1 -

Posun okna

0.2 s

0.01 s

Zkoumání vlivu parametru

kA

0.05 s 0.7 s

Max. délka seg.

20 s

Min. délka seg.

0.2 s

= 1 -

kA kA

Posun okna

0.005 s

na výsledek segmentace (viz. obrázek 6.6)

Délka okna

kF

1.5 s

0.8 s 0.2 s

0.6 s 0.4 s

0.4 s

0.2 s

0.6 s

0.8 s

0.01 s

Tabulka 6.1: Testovaní parametr· adaptivní segmentace (tu£n¥ - optimální výsledek)


Obrázek 6.4: Ukázka vlivu délky okna p°i adaptivní segmentaci

35


Obrázek 6.5: Ukázka vlivu velikosti posunu okna p°i adaptivní segmentaci

36


Obrázek 6.6: Ukázka vlivu nastavení vah

37

kA

a

kF


Obrázek 6.7: Porovnání adaptivní segmentace signálu se signálem rozd¥leným podle ohodnocení

38


39

6.1.3 Selekce p°íznak· Výpo£et p°íznak· na základ¥ zvolené sady p°íznak· pro kaºdý segment signálu provedl PSGlab toolbox. Následn¥ prob¥hla normalizace p°íznak·. Jejím cílem je zajistit stejný rozm¥r pro v²echny p°íznaky tak, aby byly porovnatelné

1

.

Takto upravené vektory p°íznak· byly spolu s ohodnocením uloºeny do formátu ARFF programu Weka, který poskytuje prost°edí pro data mining. Nejprve jsem provedl selekci p°íznak· pomocí k°íºové validace

2

, abych zjistlil, které p°íznaky nejlépe popisují zpracová-

vaný záznam. Selekci jsem provedl pro n¥kolik r·zn¥ segmentovaných záznam· - adaptivní

3

i konstatní (po 0,3; 0,5; 1, 3, 5 a 10 s). Z výsledk·

jsem vybral 30 nejlépe hodnocených

p°íznak· a utvo°il z nich novou sadu - TOP30. Vyskytuje se zde i n¥kolik nov¥ navrhnutých p°íznak·.

4

Nejlep²í p°íznaky z celého souboru : 1) hjorth3

12) fractal dimension

2) var vv time

13) mean vv ampl

3) mean vv time

14) t rel gamma2

6) max value 7) hjorth2 8) t rel (theta1 3 - 5Hz) 9) t rel (theta 3 - 7Hz) 10) line length 11) min max number

15) t theta alpha ratio 16) min value

17) std di 18) t rel alpha2 (9.5 - 12Hz)

19) t rel SWC (2.3 - 4.3Hz) 20) entropy log

1 normalizace je d·leºitá p°i pouºívání metrik (viz. 5.5.3) 2 Krosvalidace (cross validation) spo£ívá v rozd¥lení mnoºiny do dojde k natrénování modelu na

22) t abs alpha2 (9.5 - 12Hz) 23) t rel beta (12 - 30Hz)

(35 - 40Hz)

4) inex points 5) 1st di mean

21) t rel delta2 (1.5 - 3Hz)

k−1

24) t rel theta2 (5 - 7Hz) 25) entropy shannon

26) inex points2 27) t rel beta2 (21 - 30Hz)

28) min max number2 29) t rel PS (18 - 22Hz) 30) median

k

podmnoºin. Pro kaºdou podmnoºinu

podmnoºinách a ta zbývající slouºí k ur£ení chyby. [41]

3 soubor s výsledky se nachází na p°iloºeném CD 4 tu£n¥ vyzna£ené p°íznaky pat°í mezi nov¥ p°idané


40

6.1.4 Shlukování 6.1.4.1

Konstantní segmentace

Provedl jsem shlukování pro r·zn¥ dlouhé segmenty (0.5, 0.7, 1, 2, 3, 5 a 10 sekund) do

5 6

4, 5, 7 a 10 shluk·

pro kaºdou ze zkoumaných délek segmentace.

Obrázek 6.8 zachycuje výsledky pro po£ty shluk·, v nichº vystupující trendy nejlépe odpovídají ohodnocení. Lze pozorovat pokles rozlie²ení p°i rostoucí délce segment·. Pokud délka segment· p°esahuje dobu trvání zm¥n m·ºe dojít k situaci, kdy z £ásti záznamu poznáme, ºe v daném míst¥ nastala n¥jaká událost. Nelze posoudit jestli jich bylo více, nebo zda mezi nimi byla prodleva. Jedná se o d·sledek vzorkovacího teorému. Toto poznání potvrzuje nutnost p°izp·sobení délek segment· konstantní segmentace poºadované aplikaci tak, aby byla schopná poskytnout poºadovanou p°esnost a p°itom neomezovala dal²í zpracování. Minimální délka segment· je mimojiné ovlivn¥ná i po£ítanými p°íznaky, nebo´ n¥které pro velmi krátké úseky ztrácejí smysl a vypovídací hodnotu. P°i pohledu na obrázek 6.9 zobrazující rozd¥lení segment· do shluk· je vid¥t, ºe v rámci jednoho shluku se vyskytují i segmenty s výraznými krátkodobými odli²nostmi (nap°íklad artefakt zp·sobený mrknutím). Toto je zp·sobeno tím, ºe v t¥chto p°ípadech mají v¥t²í vliv p°íznaky, které se p°eváºn¥ zam¥°ují na vlastnosti celého posuzovaného úseku místo na jeho lokální odchylky. Krom¥ zm¥ny pouºité sady p°íznak· se m·ºe zdát, ºe °e²ením je pouºití více shluk·. To v²ak vede k nár·stu vlivu ²umu (viz. obrázek 6.10), coº není tak p°ekvapivé, protoºe vý²e zmi¬ované mrknutí se z pohledu posuzovaného segmentu od ²umu p°íli² neli²í.

6.1.4.2


P°i shlukování po provedení adaptivní segmentace jsem experimentoval nejen s r·znými po£ty shluk·, ale i s metrikami. Na obrázku 6.11 lze zachytit trendy, které odpovídají ohodnocení. P°i pouºití sedmi i deseti shluk· je moºné pozorovat £ásti, které odpovídají mrknutí (t°ída 1). S rostoucím po£tem shluk· dochází k nár·stu citlivosti na ²um. Obrázek 6.10 dokazuje podobnost segment· v rámci jednoho shluku. Zkusil jsem pouºít rozdílné metriky, podle 6.12 do²lo pouze k nepatrným zm¥nám. Nakonec jsem provedl shlukování pro dal²í sady p°íznak· - nov¥ p°idaných a TOP30. Podle 6.13 dokáºe sada p°íznak· TOP30 zachytit v²echny trendy a navíc dojde ke zrychlení zpracování.

6.1.4.3

Výsledek shlukování

Shlukové analýzy prob¥hly na datech ze v²ech snímacích elektrod dostupných pro dané záznamy. Ve výsledcích se objevovaly trendy odpovídající ohodnocení. Nejmén¥ z°etelnou t°ídou se ukázalo mrknutí (t°ída 1). Toto je patrn¥ d·sledekem toho, ºe mrknutí je krátký d¥j a v segmentu pak p°edstavuje málo dominantní £ást. Dále jsem otestoval pouºití r·zných metrik p°i shlukování, ale jejich vliv se výrazn¥ neprojevil. Nakonec jsem porovnal výsledky shlukování pro r·zné sady p°íznak· (viz. obrázek 6.13).

5 Krom¥ segmentace po 5 a 10s, kdy jsem provedl shlukování do mén¥ shluk·. 6 Vzhledem k mnoºství jsou zbylé výsledky na p°iloºeném CD.


Obrázek 6.8: Vliv délky segmentu na výsledek shlukování (po£ty shluk·: 4, 5 a 5)

41


Obrázek 6.9: Segmentace po 1s (po£ty shluk·: 4, 7 a 10)

42


Obrázek 6.10: Roz°azení segment· do shluk· (po£ty shluk·: 4, 7 a 10)

43


Obrázek 6.11: Adaptivní segmentace (po£ty shluk·: 4, 7 a 10)

44


Obrázek 6.12: Pouºití Cityblock, cosinové a euklediánské metriky (po£et shluk·: 6)

45


Obrázek 6.13: Pouºití r·zných sad p°íznak· - V²echny, TOP30, nov¥ p°idané (po£et shluk·: 5)

46


47

6.1.5 Klasikace 6.1.5.1

Porovnání klasikátor·

Provedl jsem klasikaci pomocí naivního Bayesova klasikátoru a NN (podle 5 soused·) v programu Weka[30]. P°i testování jsem pouºil metodu k°íºové validace (cross-validation) s rozd¥lením do 10 £ástí. Výsledky klasikace pro v²echny t°i sady p°íznak· jsou shrnuty v tabulce 6.2. Pokud se p°i výb¥ru klasikátoru budeme rozhodovat podle rychlosti klasikace, pak je jednozna£nou volbou Bayes·v klasikátor, p°estoºe dosahuje o málo niº²í p°esnosti. Hodnoty správn¥ klasikovaných segment· se drºí kolem 90 %. Velký problém pro klasikátory p°edstavovala druhá t°ída odpovídající mrknutí, jak je vid¥t z tabulky zám¥n 6.3, tak nebyla správn¥ klasikována p°i ºádném nastavení.

0,917 0,94

0,963 0,875 0,917 0,895

Specicita (pr·m¥r) (1-FP)

P°esnost (pr·m¥r)

Úplnost (pr·m¥r)

ROC (pr·m¥r)

39

6

2

0

0

1

2

3

0

0

0

0

0

1

0

12

0

2

2

59

0

0

0

3

Naivní Bayes

0

2

6

39

0

0

0

0

0

1

0,943

0,875

0,853

59

0

0

0

3

2

1

6

35

0

0

0

0

2

1

0

13

0

4

2

57

0

0

0

3

0

1

6

39

0

TOP30 Naivní Bayes

0

0

0

0

1

0

13

0

2

2

NN

59

0

0

0

3

5.5 s

2

1

6

35

0

0

0

0

2

1

0

13

0

4

2

57

0

0

0

3

0

3

6

38

0

0

0

0

0

1

0

11

0

3

2

NN

Nové p°íznaky

0.945

0.875

0.853

0.956

0.875

5 (12,5 %)

105 (87,5 %)

< 1s

59

0

0

0

3

0.929

0.9

0.86

0.958

0.9

12 (10 %)

108 (90 %)

4 s

NN

Nové p°íznaky Naivní Bayes

Naivní Bayes

0.946

0.925

0.882

0.968

0.925

9 (7.5 %)

Tabulka 6.3: Zám¥na matic (Confusion table)

0

0,875

0,956

0,875

15 (12,5 %)

105 (87,5 %)

< 1 s

NN

111 (92,5 %)

TOP30 Naivní Bayes

Tabulka 6.2: Porovnání výsledk· klasikace

12

0

2

2

NN

V²echny p°íznaky

0,917 0,963

10 (8,333 %)

0,951

110 (91,667 %)

110 (91,667 %) 10 (8,333 %)

21 s

4 s

NN

V²echny p°íznaky Naivní Bayes

Citlivost (pr·m¥r)

Nesprávn¥ klasikováno

Správn¥ klasikováno

Doba b¥hu

Parametr

KAPITOLA 6. PRAKTICKÁ ÁST 48


49

6.2 Zpracování ohodnoceného epileptického EEG záznamu Epileptický EEG záznam jsem ohodnotil stejným postupem, jako p°edchozí neepileptický (viz. 6.1). Vzhledem k tomu, ºe mi chybí bliº²í zku²enosti s ohodnocováním epileptických dat, tak jsem v záznamu rozli²oval pouze dv¥ t°ídy - epileptická a b¥ºná aktivita (viz. 6.14). Záznam je p°ibliºn¥ osm minut dlouhý a vyskytuje se na n¥m osm událostí, které jsem ohodnotil jako epileptické, délky epileptických údálostí se pohybují kolem 5 s.

Obrázek 6.14: 0) b¥ºná aktivita a 1) epileptická aktivita

6.2.1 Segmentace Rozhodl jsem se otestovat nastavení adaptivní segmentace, které jsem nalezl p°i zpracování neepileptického záznamu. Podle obrázku 6.15 lze usuzovat, ºe navrºené parametry adaptivní segmentace fungují uspokojiv¥. Události podez°elé z epilepsie jsou rozd¥leny na n¥kolik úsek·, zatímco b¥ºná mozková £innost je rozloºena do dlouhých segment·. Mírného vylep²ení bylo dosaºeno prodlouºením minimální délky úseku (viz. tabulky 6.4 a obrázek 6.15). Díky této zm¥n¥ vzniká mén¥ segment·. Délka okna

Max. délka segm.

Min. délka segm.

kA

0,7 s

20 s

0,5 s

0,8

kF

= 1 -

kA

0,2

Posun okna 0,01

Tabulka 6.4: Úprava parametr· adaptivní segmentace

6.2.2 Selekce p°íznak· Pomocí selekce p°íznak· v programu Weka jsem ur£il nejlep²í p°íznaky pro vyhodnocení tohoto epileptického záznamu. Vzhledem k tomu, ºe v¥t²ina z nich je jiº obsaºena v sad¥ TOP30, tak jsem se rozhodl, ºe nebudu vytvá°et duplicitní sadu p°íznak·.

6.2.3 Shlukování V rámci shlukování jsem se zam¥°il na porovnání r·zných sad p°íznak· (shrnující v²echny p°íznaky, TOP30 a nov¥ p°idané). Zda je moºné, aby sada n¥kolika vybraných p°íznak· poskytla stejné výsledky. Dále byla provedena shluková analýza s r·zn¥ nastavenými parametry pro konstantní i adaptivní segmentaci. Shlukování úsp¥²n¥ p°i°adilo segmenty odpovídající epileptickým událostem do shodné t°ídy, díky tomu je moºné pozorovat trendy odpovídající ohodnocení. Podle 6.20 vede pouºití vhodn¥ zvolených men²ích sad p°iznak· k podobným výsledk·m, jako pouºití v²ech p°íznak·, p°itom dochází k úspo°e výpo£etního £asu. Tento stav m·ºe být


50

zp·soben tím, ºe zbylé p°íznaky nedostate£n¥ popisují d·leºité parametry signálu pro danou

7

aplikaci. Nelze na jejich základ¥ rozli²it mezi r·znými t°ídami, p°ípadn¥ vzájemn¥ korelují .

6.2.4 Klasikace V programu Weka jsem provedl klasikaci pomocí naivního Bayesova klasikátoru a klasikátoru podle nejbliº²ího souseda (k = 5). P°i testování jsem pouºil metodu k°íºové validace (cross-validation) s rozd¥lením do 10 £ástí. Výsledky klasikace pro v²echny t°i sady p°íznak· jsou shrnuty v tabulce 6.5. Tento p°ehled nazna£uje n¥kolik moºných strategií p°i výb¥ru vhodného klasikátoru a sady p°íznak·. Pokud se budeme rozhodovat podle rychlosti klasikace, tak je jednozna£nou volbou Bayes·v klasikátor. Ve v²ech p°ípadech se hodnoty správn¥ klasikovaných segment· drºí vyrovnan¥ vysoko p°es 90 %.

7 V p°ípad¥ n¥kolika korelujících p°íznak· sta£í vybrat jen jeden p°íznak z takové skupiny.


51

Obrázek 6.15: Porovnání adaptivní segmentace (p°ed a po úprav¥) se segmentací signálu podle ohodnocení


Obrázek 6.16: Vliv délky segmentu na výsledek shlukování (po£et shluk·: 2)

52


Obrázek 6.17: Segmentace po 3s (po£ty shluk·: 2, 3 a 5)

53


Obrázek 6.18: Roz°azení 3s segment· do shluk· (po£ty shluk·: 2, 3 a 5)

54


Obrázek 6.19: Adaptivní segmentace (po£ty shluk·: 2, 3 a 5)

55


Obrázek 6.20: Pouºití r·zných sad p°íznak· - V²echny, TOP30, nov¥ p°idané (po£et shluk·: 5)

56

0,867 0,984 0,984

0,979 0,978 0,978 0,937

Specicita (pr·m¥r) (1-FP)

P°esnost (pr·m¥r)

Úplnost (pr·m¥r)

ROC (pr·m¥r)

7 31

459

4

1

1

0

0

0,925

0,984

0,984

0,867

0,984

8 (1,6 %)

493 (98,4 %)

12 s

30

3

1

TOP30

3

450

0 32

16

1

Naivní Bayes

5

463

0 3

1 30

NN

NN

4

451

0

31

15

1

6

464

0

NN

29

2

1

0,941

0,962

0,969

0,891

0,962

19 (3,8 %)

482 (96,2 %)

2s

0,912

0,984

0,984

0,840

0,984

8 (1,6 %)

493 (98,4 %)

7 s

NN



Tabulka 6.6: Zám¥na matic (Confusion table)

5

465

0

NN

V²echny p°íznaky

Naivní Bayes

0,954

0,962

0,971

0,918

0,962

19 (3,8 %)

482 (96,2 %)

4 s

Naivní Bayes

TOP30

Tabulka 6.5: Porovnání výsledk· klasikace

0,925

0,984

0,978

Citlivost (pr·m¥r)

493 (98,40 %)

490 (97,80 %) 8 (1,60 %)

40 s

NN

8 s

Naivní Bayes

V²echny p°íznaky

11 (2,20 %)

Nesprávn¥ klasikováno

Správn¥ klasikováno

Doba b¥hu

Parametr

KAPITOLA 6. PRAKTICKÁ ÁST 57


58

6.3 Zpracování neohodnoceného epileptického EEG záznamu T°etí zpracovávaný záznam p°edstavuje 30 minutový úsek z 8 hodinového epileptického

8

záznamu. Jedná se o d·sledek problém· vzniklých p°i konverzi . Vzhledem k tomu, ºe tento záznam není ohodnocen, tak jsem provedl pouze shlukovou analýzu. Na tomto záznamu jsem otestoval dobu zpracování p°i pouºití r·zných sad p°íznak· (výsledky v tabulce 6.7). M¥°ení za£ínalo na shodných po£áte£ních datech p°i konstantní segmentaci po 5 s. Proces zahrnoval výpo£et p°íznak·, jejich následnou normalizaci, uloºení do datového formátu Weky a provedení shlukování do 3 shluk· pomocí algoritmu K-means. Sada p°íznak·

V²echny

TOP30

Nov¥ p°idané

Doba zpracování

21 min

13,5 min

12 min

Tabulka 6.7: Doba zpracování 30 minut EEG záznamu

6.3.1 Segmentace Rozhodl jsem se zjistit vliv minimální délky segmentu p°i adaptivní segmentaci na dobu zpracování a výsledek shlukovací analýzy (viz. obrázek 6.21. Men²í minimální délka má za následek v¥t²í fragmentaci.

6.3.2 Shlukování Vzhledem k tomu, ºe tento epileptický EEG záznam neobsahoval ohodnocení, bylo moºné provést pouze shlukovací analýzu. Provedl jsem shlukování s 3 a 5 shluky. Uº p°i rozd¥lení do 3 shluk· se objevují trendy, které prostupují p°es v²echny elektrody, mohlo by se jednat o generalizované záchvaty nebo podobnou mozkovou £innost, která probíhá na n¥kolika místech zárove¬.

8 navíc se objevily problémy se záznamem n¥kterých elektrod a pro dokon£ení shlukování bylo pot°eba odpojit elektrodu F7 v PSGlabu


Obrázek 6.21: Vliv minimální délky segmentu p°i adapt. segm. (po£et shluk·: 3)

59


60

Obrázek 6.22: Porovnání konstantní (5s a 10s) a adaptivní segmentace (po£et shluk·: 3)


Obrázek 6.23: Pouºití r·zných sad p°íznak· - V²echny, TOP30, nov¥ p°idané (po£et shluk·: 3; konst. segm: 3s)

61


Obrázek 6.24: Ukázka shluk· vzniklých p°i adaptivní segmentaci s min. délkou segmentu 1.5s a 0.5s (po£et shluk·: 3)

62

Kapitola 7 Záv¥r Bude je²t¥ dlouho trvat, neº se poda°í vypracovat dokonalý postup lé£by, která by vedla k uzdravení pacient· trpících epilepsií. Tohoto cíle nelze dosáhnout, pokud ji nebude moºné spolehliv¥ diagnostikovat. Tato práce se snaºí navázat na jiº pouºívané postupy. Cílem je zkrácení a zp°esn¥ní vyhodnocení epileptických EEG záznam· a celkové zlep²ení diagnostických výsledk·. Po seznámení se s problematikou epileptických EEG záznam· a zp·sob· jejich zpracování jsem navrhl sadu nových p°íznak·. Tyto p°íznaky jsem p°ipojil k jiº d°íve pouºívané sad¥. Následn¥ byla tato roz²í°ená sada p°íznak· pouºita p°i shlukové analýze. Po provedení selekce p°íznak· na neklinických datech jsem ur£il 30 nejlépe ohodnocených p°íznak· (TOP 30), z nichº sedm p°íznak· pat°í mezi nov¥ navrºené: inex points, fractal dimension, std di, t rel SWC (2.3 - 4.3Hz), inex points2, min max number2, t rel PS (18 - 22Hz). Provedl jsem porovnání mezi sadou nov¥ navrºených p°íznak·, TOP30 a v²ech p°íznak· na základ¥ shlukování a klasikace na ohodnocených i neohodnocených epileptických datech o r·zných délkách. P°i srovnání výsledk· na ohodnocených epileptických datech jsem do²el k moºnosti bezproblémového nahrazení celé sady pouºívaných p°íznak· pouze její £ástí TOP30. P°itom jsem pr·b¥ºn¥ pozoroval vliv segmentace signálu a r·zných po£t· shluk· p°i shlukové analýze, ve které bylo moºné pozorovat trendy odpovídající expertnímu ohodnocení. B¥hem klasikace se ukázalo, ºe klasikátory nedokáºi rozpoznat t°ídu odpovídající mrknutí oka. Toto je patrn¥ zp·sobeno tím, ºe mrknutí je krátký d¥j (< 0,5s), který pouºité p°íznaky nedokáºí dostate£n¥ reektovat. Výsledkem práce je mnoºství zpracovaných a p°edzpracovaných dat epileptických EEG signál·, na kterých by bylo moºné provád¥t dal²í zkoumání.

63

Literatura asociace. Dostupné z: .

[1] Míra

[2] Generalized Epilepsies on EEG.

Medscape reference.

2011.

emedicine.medscape.com/article/1140724-overview>.

Dostupné z:
[3] EEG. Dostupné z: . [4] Elektrické

vlastnosti

elektrod

pro

snímání

biopotenciál·.

Dostupné

z:

//www.fbmi.cvut.cz/esf-realizovane/nw.fbmi.cvut.cz/e/mereni-elektrod. 1953.pdf>. [5] Seizures and Epilepsy: Hope Through Research.

NIH.

Kv¥ten 2012, publication no.

Dostupné z:
04-156.

epilepsy.htm>. [6] Co

je

epilepsie?,

.

Dostupné

z:

co-je-epilepsie/>. [7] Epileptické

záchvaty,

.

Dostupné

z:

X33BMI/referaty/2004_2005_ZS/E_zachvaty.ppt>.

[8] Základy frekven£ní analýzy signál·. Dostupné z:
cms/10_zakl_freq_anal.pdf>.

[9] Korela£ní koecient.

3statistika.pdf>. [10] Kurtosis.

Dostupné z:
Dostupné

kurtosis.html>. [11] Hamming

Distance.

z:

Dostupné

z:

code/notes/part2.pdf>. [12] Nervová

soustava.

Dostupné

z:

21-nervova-soustava>. [13] Median, .

html>.

Dostupné z:
64

LITERATURA [14] Modus,

65

.

Dostupné

z:

html>.

[15] Seizures, . Dostupné z: . [16] Epilepsie, . Dostupné z: . [17] Skewness.

Dostupné

z:

skewness.html>.

EEG monitorace. Dostupné z: .

[18] Video

[19] Biology of Nonifectious Disease (Neurological Disorders - Seizures and Post-Seizure Disorders).

Dostupné

z:

lectures_old_exams/Figures_for_Lecture_20.pdf>. [20] Adamec, M.

Moderní rozpoznáva£e °e£ové aktivity.

Master's thesis, Vysoke uceni

technicke v Brne, 2008. Dostupné z:
soubor_verejne.php?file_id=5788>. [21] Barlow, J. S. z:

The Electroencephalogram: Its Patterns and Origins.

1993.

Dostupné

LPN-xm_POfMC&redir_esc=y>.

[22] Bure², P. P°ibyl, O. Základní analytické metody M¥°ení a zpracování dat (MZD). [23] Cecchin, T. et al. Seizure lateralization in scalp EEG using Hjorth parameters.

national Federation of Clinical Neurophysiology. 2010.

[24] Chang, B. S. Schomer, D. L. Niedermeyer, E.

Inter-

Epilepsy in Adults and the Elderly,

27. 2005. [25] Ganong, W. F.

P°ehled léka°ské fyziologie.

Galén, 2005.

[26] Gerla, V. et al. PSGLab Matlab Toolbox for Polysomnographic Data Processing: De-

Proceedings of 10th International Conference on Information Technology and Applications in Biomedicine. IEEE, 2010. velopment and Practical Application. In

[27] Gerla, V.

Automated Analysis of Long-Term EEG Signals.

PhD thesis, The Czech

Technical University in Prague, 2012. [28] Gudmundsson, S. Runarsson, T. P. Sigurdsson, S. Automatic Sleep Staging using

Proceedings of 2005 International Conference on Computational Intelligence for Modelling, Control and Automation, 2005. Dostupné z: . Support Vector Machines with Posterior Probability Estimates. In

[29] Haas,

L.

F.

Hans

Berger

electroencephalography.

(1873

-

1941),

Richard

Caton

(1842

-

1926),

Journal of Neurology, Neurosurgery & Psychiatry.

and 2003,

s. 9. Dostupné z:
v074p00009.pdf>.

LITERATURA

66

[30] Hall, M. et al. [31] Hinner, M.

The WEKA Data Mining Software: An Update.

Dostupné z:
Jemný úvod do fraktál·, 1999.

info/math/Fraktaly/>. [32] Hol£ík, J.

Analýza a klasikace signál·.

2009.

1992.

[33] Houdek, M. Svoboda, T. Procházka, T.

Klasikace podle nejbliº²ích soused· -

Nearest Neighbour Classication (k-NN), 2001. Dostupné z:
cz/cmp/courses/recognition/zapis_prednasky/zapis_01/4/rpz4.pdf>.

[34] Krowne, A. City-block metric. Dostupné z:
CityBlockMetric.html>.

[35] Ku£era, J. Nehierarchicke metody slucovani. Dostupné z:
172767/fi_b/5739129/web/web/nehiermet.html>.

[36] Ma°ík, V. t¥pánková, O. Laºanský, J.

Um¥lá inteligence (1).

Academia Praha,

1993. K-Means Clustering. Dostupné z: .

[37] Matteucci, M.

[38] Millet, D.

The origins of EEG, erven 2002.

edu/nha/ishn/ab24-2002.htm>. [39] Mukhopadhyay, S. Ray, G. C.

A New Interpretation of Nonlinear Energy Opera-

tor and Its Efcacy in Spike Detection.

ENGINEERING,. 1998, 45.

[40] Philip, S.

Cosine Similarity.

Dostupné z:
IEEE TRANSACTIONS ON BIOMEDICAL

Dostupné z:
classes/2010/fall/csci568/portfolio_exports/sphilip/cos.html>. [41] Po²ík, P. Data Mining ást II. Hodnocení model·, prosinec 2005.

[42] Pokorný, J. Elektroencefalograe. Dostupné z:
657/public/EEG.pdf>.

[43] Pospí²il, A. KLASIFIKACE AKUSTICKÝCH SIGNÁLÙ. Master's thesis, Výsoké u£ení technické v Brn¥, 1009. [44] Qin, D. EEG signal analysis for seizure detection. Master's thesis, Texas Tech University, 1996. [45] Rautee, R. et al. Application of spectral entropy to EEG and facial EMG frequency bands for the assessment of level of sedation in ICU. 2004. [46] Sanei, S. Chambers, J.

EEG SIGNAL PROCESSING.

Processing, 2007. [47] Shouse, M. N.

SEIZURES, 104.

John Wiley, 2006.

Centre of Digital Signal

LITERATURA [48] Van£ura, J.

67

Fraktály - dimenze, 2006/2007.

webz.cz/fraktalydim.htm>.

Dostupné z:
P°íloha A Ukázky výpo£tu n¥kterých nov¥ p°idaných p°íznak· Pomocný kód - 1. a 2. derivace

Fraktální dimenze dpp = zeros(1, dsize - 1); p1 = [data(1); 1];

d1 = diff(data); d2 = diff(d1);

for i=2:dsize h = dist([p1 [data(i); i]]); dpp(i) = h(1,2); end

Inexní body points = psglab_crossing(d2)/dsize;

l = sum(sqrt(d1.^2+1)); D = log10(l)/log(max(dpp));

Peaks th1 = 0.7*max(data); th2 = 0.7*min(data); test = find(d1(1:end-1).*d1(2:end) < 0); value = test(data(test) >= th1 | data(test) <= th2);

Krátkodobá intenzita (bez váh. okna) value = sum(abs(data)*hamming(length(data)));

Krátkodobá energie (s Hammingovým oknem) value = sum(data.^2*hamming(length(data)));

68

P°íloha B Obsah p°iloºeného CD

Obrázek B.1: Obsah p°iloºeného CD

69

Analýza epileptických EEG signál

Recommend Documents