České Vysoké Učení Technické v Praze Fakulta elektrotechnická
Bakalářská Práce
Analýza novorozeneckých polysomnografických záznamů Jakub Hrebeňár
Vedoucí práce: Doc.Ing. Lenka Lhotská, CSc.
Studijní program: Elektrotechnika a informatika strukturovaný bakalářský Obor: Informatika a výpočetní technika Leden 2008
Poděkování Děkuji paní Doc.Ing. Lence Lhotské za vedení práce a panu Ing. Václavu Gerlovi za poskytnuté informace a konzultace, bez nichž by práce nemohla vzniknout.
Prohlášení Prohlašuji, že jsem svou bakalářskou práci vypracoval samostatně a použil jsem pouze podklady uvedené v přiloženém seznamu. Nemám závažný důvod proti užití tohoto školního díla ve smyslu §60 Zákona č. 121/2000 Sb., o právu autorském, o právech souvisejících s právem autorským a o změně některých zákonů (autorský zákon).
V Praze dne 17.1. 2008
....................................................
Abstract In theoretical part of this work is an exam overview of polysomnographic signals and their specifications with accent on newborns and neonates. Performed implementations are focused on processing realization methods of polysomnographic signals in order to automatically recognize stages of sleep. These methods were consequently tested on several signals gathered from real living newborn’s. All used methods were implemented in Matlab.
Abstrakt V teoretické části této práce je uveden přehled polysomnografických signálů a jejich specifikací se zaměřením na novorozence a nedonošence. V praktické části byly implementovány metody pro zpracování polysomnografických signálů za účelem počítačového rozpoznání spánkových fází. Metody byly následně testovány na reálných novorozeneckých signálech. Všechny uvedené metody byly implementovány v programu Matlab.
Obsah 1. Úvod
1
Oddíl I. - Teoretická Část
2
2. Spánková polysomnografie
3
2.1 EEG
3 2.1.1
Princip EEG
3
2.1.2
Měřicí metody
4
2.1.3
Frekvence mozkových vln
5
2.2 EKG
6 2.2.1
Princip měření EKG
7
2.2.2
Popis EKG křivky
8
2.3 PNG
11
2.4 EOG
12
2.5 EMG
13 2.5.1
Intramaskulární EMG
13
2.5.2
Povrchové EMG
14
2.6 Artefakty
14
2.6.1
Biologické artefakty
14
2.6.2
Technické artefakty
15
3 Nedonošení jedinci
4
15
3.1 Rozdělení nedonošenců podle doby těhotenství
16
3.2 Příčiny předčasných porodů
16
3.3 Péče o nedonošence
16
3.4 Biosignály nedonošených jedinců
17
3.4.1
EEG nedonošenců
17
3.4.2
EKG nedonošenců
18
3.4.3
PNG nedonošenců
18
3.4.4
EOG nedonošenců
19
3.4.5
EMG nedonošenců
19
Spánek
20 4.1 Spánek dospělých 4.1.1
REM spánek
20 20
4.1.2 NREM spánek 4.2 Spánek novorozenců
5
Aktivní spánek
22
4.2.2
Klidný spánek
22
4.2.3
Vývoj spánkových fází novorozence
22
Oddíl II - Praktická část
24
PNG
25
Definice autokorelace
25
5.1.2
Segmentace
25
5.1.3
Vztah autokorelace PNG a hypnogramu
26
5.1.4
Filtr středních hodnot autokorelace
26
5.1.5
Základní metoda klasifikace
29
5.1.6
Hodnocení metody autokorelace a filtru středních hodnot 30
5.1.7
Metoda více vzorových dvojic
31 33
5.2.1
Definice špičatosti
33
5.2.2
Segmentace
33
5.2.3
Vztah špičatosti PNG a hypnogramu
33
5.2.4
Využití špičatosti PNG ke konstrukci hypnogramu
34
5.2.5
Hodnocení hybridní metody autokorelace a špičatosti
34
EOG
35 6.1 Šikmost EOG
35
6.1.1
Definice šikmosti
35
6.1.2
Segmentace
35
6.1.3
Vztah šikmosti EOG a hypnogramu
36
6.1.4
Filtr středních hodnot šikmosti EOG
36
6.1.5
Konstrukce hypnogramu pomocí šikmosti EOG
37
6.1.6
Hodnocení metody šikmosti a filtru středních hodnot
37
6.2 Hybridní metoda šikmosti EOG a špičatosti PNG
EKG
25
5.1.1
5.2 Špičatost PNG
7
21
4.2.1
5.1 Autokorelace PNG
6
20
37
6.2.1
Popis metody
38
6.2.2
Hodnocení hybridní metody EOG a PNG
38 39
7.1 Frekvence srdečního tepu
8
7.1.1
Vztah frekvence srdečního tepu a hypnogramu
39
7.1.2
Filtr středních hodnot frekvence srdečního tepu
40
7.1.3
Konstrukce hypnogramu na základě srdečního tepu
40
7.1.4
Hodnocení metody frekvence srdečního tepu
40
EMG
41 8.1 Rozptyl EMG
9
39
41
8.1.1
Definice rozptylu
41
8.1.2
Vztah rozptylu EMG a hypnogramu
41
8.1.3
Konstrukce hypnogramu na základě rozptylu EMG
42
8.1.4
Hodnocení metody rozptylu EMG
42
EEG
43 9.1 Fourierova transformace EEG
43
9.1.1
Definice fourierovy transformace
43
9.1.2
Vztah Fourierovy transformace EEG a hypnogramu
43
9.1.3
Filtr středních hodnot
44
9.1.4
Konstrukce hypnogramu na základě EEG
44
9.1.5
Hodnocení metody Fourierovy transformace EEG
44
10 Metoda klasifikace pomocí více příznaků
45
10.1
Metoda nejbližšího souseda pro více příznaků
45
10.2
Použité příznaky
45
10.3
Hodnocení metody klasifikace pomocí více příznaků
46
11 Závěr
47
12 Seznam literatury
48
1.
Úvod Cílem této bakalářské práce je seznámit se s metodami extrakce dat z biosignálů a
následně je použít k implementaci metod pro extrakci dat z biosignálů neonatálních jedinců. Biosignály dospělých jedinců slouží velmi úspěšně jak k diagnostikování rozsáhlé řady poruch a nemocí, včetně duševních, tak k rozpoznání spánkových fází. Díky vyvinutosti všech orgánů a tělesných funkcí dospělých a díky šíři poznatků v oblasti medicíny dospělých osob je v dnešní době poměrně snadné extrahovat z jejich biosignálů data, která poté projdou stádiem klasifikace, jež umožní jejich analýzu potřebnou pro určení diagnózy. Současný trend v této oblasti je tedy vývoj klasifikačních metod, kde je stále prostor pro zlepšování. Oproti tomu jsou životní funkce, a tím pádem i biosignály, novorozenců neustálené a nevyvinuté do podoby analyzovatelné metodami používanými u dospělých subjektů, proto je potřeba vyvíjet metody speciální. Zároveň jsou tyto signály důležitým zdrojem informací pro neurology, jejichž úkolem je diagnostikovat stádium vývoje, a tedy i schopnost dalšího vývoje těchto jedinců bez podpory přístrojů anebo lékařů. Takřka jedinou v současnosti používanou metodou je manuální analýza EEG, případně dalších biosignálů, zkušeným neurologem. Proto je úkolem této práce zabývat se strojovou extrakcí dat z těžko analyzovatelných biosignálů předčasně narozených jedinců a hledání metod extrakce, které by umožnily následnou klasifikaci těchto dat. Stupeň duševního vývoje neonatálních jedinců se výrazně projevuje v kvalitě jejich spánku, proto se zaměřím na extrakci dat zejména k určení spánkových fází. V budoucnu bude možné navázat na získané poznatky vývojem speciálních metod klasifikace, stejně tak by měla být extrahovaná data lépe klasifikovatelná v dnešní době používanými metodami. Tato práce nemá za úkol se klasifikací dat hlouběji zabývat, proto v ní pro posouzení kvality metod extrakce bude používán nejjednodušší klasifikátor, tedy hledání pomocí metody nejbližšího souseda. Hlavním výsledkem této práce by mělo být zhodnocení použitelnosti některých současně známých metod, případně jejich kombinací, a nástin řešení vhodných k dalšímu vývoji.
-1-
Oddíl I. - Teoretická Část
-2-
2.
Spánková polysomnografie Při hodnocení spánkových fází se používá polysomnografie, jež je klíčovou
metodou při diagnostice spánkových poruch a analýze spánku. Polysomnografie sleduje vícero tělesných funkcí během spánku a umožňuje tak sledování některých biosignálů a jejich následnou analýzu ve vztahu ke spánku [1]. Mezi tyto signály patří:
2.1
•
elektroencefalogram (EEG)
•
elektrokardiogram (EKG)
•
pneumograf (PNG)
•
elektrookulogram (EOG)
•
elektromyogram (EMG)
EEG EEG je zkratkou pro elektroencefalogram, tedy pro výsledek měření mozkové
aktivity pomocí vln různých frekvencí [2]. Tyto vlny jsou zpravidla snímány pomocí elektrod rozmístěných na povrchu hlavy pozorovaného objektu a procesoru, který přijímá informace z elektrod a zpracovává je [3].
2.1.1
Princip EEG Základním principem umožňujícím měření EEG je funkce základních mozkových
buněk výměnou pravidelných elektrických impulsů. Neurony pomocí těchto impulsů, takzvaných akčních potenciálů vzájemně komunikují. Akční potenciál putuje axonem až k synapsím, kde způsobí vypuštění neurotransmiterů, které putují do dendritů sousedních neuronů (Obrázek 2.1.). Při přenosu informace mezi neurony se impuls dostane zároveň i do mezibuněčného prostoru, kde způsobí potenciál měřitelný pomocí EEG [4].
-3-
Obrázek 2.1. Neuron [4]
2.1.2
Měřicí metody Měřený elektrický potenciál je nejčastěji snímán pomocí elektrod rozmístěných na
povrchu hlavy měřeného subjektu. Nejčastěji je rozmístění provedeno podle mezinárodního systému 10 - 20 (viz obrázek 2.2). Pro co nejlepší kontakt s pokožkou hlavy se na místo kontaktu nanáší vodivý gel [5]. Nejnovější metody používají dokonce jemnou perforaci pokožky pomocí nanotechnologií, v lékařské praxi se toto ovšem zatím neuplatňuje. Signál z elektrod je následně zesílen a filtrován. Starší analogové přístroje upravené signály vykreslují pery na pohyblivý papír, jak známe například ze seismografů. Většina současných EEG systému je ale digitální, to znamená, že přivedené signály jsou zpracovány analogově-digitálním převodníkem. Digitalizované signály je poté možno dále zpracovávat.
-4-
Obrázek 2.2. Rozmístění elektrod podle systému 10 - 20 [5]
2.1.3
Frekvence mozkových vln Většina cerebrálních signálů zkoumaných povrchovým EEG spadá do frekvenčního pásma 0,1 až 30 Hz. Toto pásmo pak dělíme na čtyři hlavní podskupiny: •
Delta - do 4 Hz - Objevuje se zejména v hlubokém spánku. Je častá u novorozenců, později ustupuje.
•
Theta - 4 - 8 Hz - Je jen minimální komponentou EEG. Bývá spojována s kreativitou, u malých dětí s aktivitou na pozadí.
•
Alfa - 8 - 12 Hz - U dospělých jedinců značí stav, kdy jsou vzhůru, v klidu a mají zavřené oči. Je potlačena soustředěním. -5-
•
Beta - od 13 Hz - Považována za normální rytmus bdělého člověka s otevřenýma očima. Značí zpracovávání informaci, přemýšlení, soustředění. Dále se dělí na nízkou, střední a vysokou. Čím vyšší, tím vyšší je i stav soustředění. [2]
Obrázek 2.3. Frekvence mozkových vln [6]
2.2
EKG EKG, tedy elektrokardiogram, je graf vytvořený elektrokardiografem, který
zaznamenává elektrickou aktivitu srdce v čase. Pomocí elektrod umístěných na několika místech na těle pozorovaného objektu vyhodnocuje elektrické změny na srdci.
-6-
2.2.1
Princip měření EKG Elektrogram je získáván měřením elektrického potenciálu mezi různými body na
těle. V současné době se používá 12-svodové EKG, které sestává ze 3 bipolárních končetinových svodů, 3 unipolárních zesílených svodů a 6 unipolárních hrudních svodů.
Obrázek 2.4. Rozmístění elektrod EKG [7]
Bipolární svody (I,II,III) zjišťují rozdíly potenciálů mezi dvěma elektrodami. Svodná místa jsou na končetinách a dávají tzv. Einthovenův trojúhelník (Obrázek 2.4.). Elektrody jsou označeny barvami. Pravá ruka červenou, levá ruka žlutou, levá noha zelenou a pravá noha černou jako uzemnění. Unipolární svody zjišťují potenciály z jednoho místa (diferentní elektroda) proti druhému místu (indiferentní elektroda). Tyto unipolární svody tvoří zbývajících 9 záznamů l2-svodového EKG. Diferentní elektroda (+) se umístí na povrchu těla (jde o tři místa na končetinách shodná se standardními svody + 6 hrudních elektrod) a na negativní vstup (-) galvanometru se přivede nulové napětí. Na povrchu těla však místo s trvale nulovým napětím neexistuje. Tři končetinové svody tvoří ale uzavřený kruh a podle Kirchhoffova zákona je součet všech hodnot proudu, které protékají takovým okruhem, roven nule. Wilson toho využil a spojil všechny tři končetinové svody do jednoho bodu a vytvořil tzv.
-7-
centrální svorku s nulovým napětím. Při Wilsonově unipolárním zapojení se tedy srovnává napětí na končetinové elektrodě proti napětí na centrální svorce. Kromě uvedených 12 konvenčních svodů běžně používaných se za některých situací a pro speciální účely užívají další svody. Vesměs jde o svody unipolární [7].
2.2.2
Popis EKG křivky Výsledným produktem elektrokardiografu je EKG křivka. Původně byla
vykreslována stejně jako při snímání EEG kmitajícím perem na posouvající se papír. V dnešní době je často zaznamenávána v digitální podobě pro přenositelnost, uchování záznamu a pro další analýzy. Na každé EKG křivce popisujeme: a. srdeční rytmus b. srdeční akce c. frekvence srdečního tepu d. sklon elektrické osy srdeční e. analýza jednotlivých vln a kmitů
Srdeční rytmus určuje skupina buněk s nejrychlejší změnou spontánního klidového napětí, které první dosáhne prahu pro akční napětí. Za normálních okolností vzniká vzruch v sinoatriálním uzlu (Obrázek 2.5.), a proto mluvíme o sinusovém rytmu. Z SA uzlu se pak vzruch šíří na síně, po kterých
se rozbíhá všemi směry, přednostně však využívá
preferenční síňové dráhy (Thorelův, Wenckebachův a Jamesův). V případě vyřazení SA uzlu přejímá funkci stimulátoru uzel AV. Zároveň AV uzel působí jako fyziologický blok, který chrání komory před případnými vysokými frekvencemi, které by vedly k jejich vyčerpání a následnému selhání srdce. [7].
-8-
Obrázek 2.5. Schematické znázornění srdeční převodní soustavy. (SA-sinoatriální uzel; AVatrioventrikulární uzel; HS Hisův svazek; PR-pravé raménko Tawarovo; PF přední fascikulus LTR; ZF-zadní fascikulus LTR; 1-Thorelův svazek; 2-Wenckebachův svazek; 3Jamesův svazek; 4-Mahaimova vlákna) [7]
Srdeční rytmy dělíme do několika skupin. Základní se nazývá sinusový rytmus a je základním rytmem zdravého srdce, charakterizovaný nálezem vlny P, která v pravidelných intervalech předchází komplex QRS (Obrázek 2.6.). Je nejčastějším srdečním rytmem. Vzruchy vznikají v SA uzlu normálně s frekvencí 60-90/min.
Obrázek 2.6. Schematická reprezentace sinusového EKG [8]
-9-
Akce srdeční je u sinusového rytmu pravidelná. QRS komplexy jsou neustále ve stejné vzdálenosti od sebe. Pokud jsou od sebe vzdáleny různě, jedná se o akci nepravidelnou. Pokud je různá neustále, pak se nejčastěji jedná o fibrilaci síní. Fibrilace je míhání srdečních komor způsobující nepravidelnost srdečního tepu až zástavu srdce. Je-li většinou stejná a jen ojediněle je vzdálenost mezi komorovými komplexy různá, pak je to způsobeno většinou přítomnými extrasystolami, tedy předčasnými srdečními stahy [7]. Srdeční frekvence je normální mezi 60 tepů/min a 90 tepů/min. Nad 90 tepů/min se jedná o tachykardii, pod 60 tepů/min jde o Bradykardii. Elektrická osa srdeční vyjadřuje postupující síňovou a komorovou aktivaci. Je dána součtem všech okamžitých vektorů, které tvoří příslušnou prostorovou depolarizační smyčku. Přibližně můžeme stanovit sklon nebo polohu elektrické osy srdeční i z 12svodového EKG. Depolarizace a repolizace síní a komor vede ke vzniku různých vln a kmitů na EKG. Jimi se pak zabývá analýza kmitů a vln. Na EKG rozeznáváme následující kmity, vlny a intervaly (Obrázek 2.6): •
vlny P, T, U, (aT)
•
kmity Q, R, S
•
interval PQ (PR), úsek ST, interval QT
Vlna P je projevem depolarizace síní. Je to obvykle kladná kulovitá vlna, jejíž výška je maximálně 2,5 mm (0,25 mV) a netrvá déle než 0,10 s. Interval PQ (PR) měříme od začátku vlny P k začátku komorového komplexu. Tento interval představuje dobu, za kterou vzruch proběhne od sinusového uzlu převodní soustavou až k pracovnímu myokardu komor (do komorové svaloviny). Jeho normální trvání je 0,12 - 0,20 s. Podkladem QRS komplexu je depolarizace komor. QRS komplex sestává ze 3 kmitů - Q, R a S (Obrázek 2.7.).
- 10 -
Obrázek 2.7. Komorový komplex [7]
Úsek ST je izoelektrický interval mezi koncem QRS komplexu a začátkem vlny T. Podstatou ST je repolarizace komor. Začíná v junkčním J bodě, což je spoj mezi komplexem QRS a segmentem ST, a končí na začátku T vlny. Obvykle trvá přibližně 0.08 s. Měl by ležet na stejné úrovni jako intervaly PQ a QT [8]. Vlna T je podobně jako úsek ST výrazem repolarizace komor. Za běžných podmínek je lehce asymetrická. U dětí do dvou let jsou vzhledem k fyziologické převaze pravé komory negativní. Vlna U je patrná jen na některých EKG (na obrázku 2.6. není). Je pozitivní a její příčina není jasná. Interval QT představuje elektrickou reprezentaci systoly, tedy stahu svalu srdečních komor. Začíná kmitem Q a končí koncem vlny T. Její hodnoty výrazně ovlivňuje frekvence tepu, proto se často uvádí hodnoty QTc, což je hodnota QT s korekcí na frekvenci (c). Hodnota QTc se pohybuje mezi 0,34 a 0,42 s a liší se podle pohlaví a věku [7].
2.3
PNG Zkratka PNG je v oboru biosignálů používána pro pneumograf, respektive
pneumografii. Pneumograf, také známý jako pneumatograf nebo spirograf, je zařízení pro záznam velikosti a síly pohybů hrudníku během dýchání [9]. Existují různé druhy pneumografických zařízení, jež mají různé principy funkce. V nejjednodušší podobě je to pružná vroubkovaná hadice, na niž se přenáší pohyby
- 11 -
hrudníku. Změny tlaku v hadici jsou registrovány polovodičovým snímačem tlaku převádějícím tlak na elektrický signál. Ten se zesiluje a zobrazuje pomocí počítače. Dalším druhem jsou termistorové snímače, které pracují na principu detekce rozdílných teplot vdechovaného a vydechovaného vzduchu. Čidla bývají umístěna do masky, polomasky, respirátoru nebo přímo do nosního otvoru. Nejmodernějšími přístroji jsou impedanční pneumografy. Registrace v nich probíhá na základě detekce změny odporu hrudníku při dýchání. Na protilehlé strany hrudní stěny se umístí elektrody pro neklidové podmínky. Signál je získáván tak, že se na plovoucí elektrody přivádí proud (obvykle 0.55 mA při frekvenci 50 kHz), ten je zesílen a změny jsou detekovány. Při předem provedené kalibraci lze orientačně měřit i dechové objemy [10].
2.4
EOG EOG, tedy elektrookulografie, je technika pro záznam očních pohybů. Výsledný
signál se nazývá elektrookulogram.
Obrázek 2.8. Měření horizontálních očních pohybů pomocí dvou elektrod [11]
- 12 -
Elektrookulografie využívá poznatku, že oční rohovka je ve vztahu k zadním částem oka elektricky pozitivní. Protože se potenciál nesníží za absence světla, je na něj pohlíženo jako na klidový potenciál. Ve skutečnosti není zcela neměnným v čase, ale stal se základem pro EOG. Oko tedy funguje jako elektrický dipól. Oční pohyby jsou tím pádem zdrojem pohybu dipólů, a tudíž zdrojem měřitelných signálů [11]. Měření umožňují elektrody umístěné v okolí sledovaného oka, zpravidla pod a nad okem nebo vlevo a vpravo od něj. Při pohybu oka se jeho přední strana přiblíží k jedné z elektrod a zadní strana k druhé. Díky tomu dojde ke změně napětí mezi měřenými elektrodami. Tento rozdíl napětí je přibližně úměrný k úhlu pohledu (Obrázek 2.8.). Při analýze spánkových fází (Kapitola 4.1) slouží EOG signál k rozpoznání REM-Fáze, ve které je dominantní.
2.5
EMG Cílem elektromyografie je snímání a záznam změn elektrického potenciálu, ke
kterým dochází při svalové aktivaci. Elektromyograf detekuje elektrický potenciál generovaný svalovými buňkami při jejich kontrakci, ale i když jsou v klidu. Elektromyograf může používat intramuskulární nebo povrchové elektrody:
2.5.1
Intramuskulární EMG Při intramuskulárním EMG se využívá jehlových elektrod, které jsou zavedeny
skrz kůži do svalové vrstvy.Výhodami této metody jsou dobrá lokalizace, malý objem tkáně mezi zdrojem signálu a elektrodou, špičkové napětí v řádu stovek mikrovoltů a absence rozhraní elektroda - kůže, a z toho plynoucí vysoký frekvenční rozsah až do 10 kHz [12].
Obrázek 2.9. Jehlové elektrody pro EMG [14]
- 13 -
2.5.2
Povrchové EMG V případech, ve kterých by intramaskulární metoda EMG byla příliš invazivní, nebo
v některých dalších specifických situacích, se používá metoda povrchová. Povrchové elektrody bývají obvykle menší kovové disky, které se fixují na odmaštěnou kůži. Tato metoda snímá signál velkého množství motorických jednotek, špičkové napětí je do desítek mV a frekvence jsou převážně v rozmezí 50 a 150 Hz [14].
Obrázek 2.10. Povrchové elektrody pro EMG [14]
2.6
Artefakty Amplitudy zmíněných biosignálů jsou ve vztahu k jiným, v dnešní době v mnoha
oblastech běžně používaným, elektrickým signálům velmi malé (například u EEG několik desítek mikrovoltů). Kvůli tomu musí být zesilovače v analytických přístrojích velmi výkonné. Tato výkonnost způsobuje mnoho nepravých potenciálů, takzvaných artefaktů. Mimo to se projevují další vlivy, které jsou vůči signálům poměrně silné. Artefakty se dělí na dva druhy, artefakty biologické a artefakty technické:
2.6.1
Biologické artefakty Biologickými artefakty se rozumí zejména artefakty vzniklé interferencemi mezi
jednotlivými biosignály, přičemž méně výrazné signály podléhají vlivu výraznějších. Na artefakty je náchylné zejména EEG, jehož signály jsou na povrchu lebky poměrně slabé, a tak se v něm projevuje například pohyb očí nebo očních víček, vlivy EKG a EMG a další. Některé z těchto artefaktů mohou ale být prospěšné, jako například projevy očních pohybů v EEG pro detekci změn v bdělosti, dřímotu nebo spánku. Do signálu EEG může také
- 14 -
proniknout EMG signál pohybů jazyka, tento jev pomáhá diagnostikovat některá onemocnění, jako je například Parkinsonova choroba. Další možné příčiny těchto artefaktů jsou změny kožního galvanického potenciálu, pocení a podobné přirozené jevy [14].
2.6.2
Technické artefakty Technické artefakty jsou ty, které vzniknou mimo analyzovaný subjekt. Jejich
příčinou je mnoho vnějších vlivů jako náhlé změny impedance některé z elektrod, nedokonalé uzemnění může způsobit artefakt o frekvenci síťového napětí 50 Hz, porušené nebo oxidované elektrody mohou být zdrojem výbojů a polámané drátky v kabelech elektrod mohou způsobit značné zkreslení měřeného signálu [14]. Narozdíl od biologických artefaktů nejsou technické nikdy žádoucí a je potřeba eliminovat pravděpodobnost jejich vzniku.
3.
Nedonošení jedinci Nedonošenými jedinci se rozumí jedinci narození před ukončením standardní doby
těhotenství. Tato doba je většinou stanovena na 40 týdnů od počátku posledního menstruačního cyklu matky, přičemž za nedonošence jsou označováni jedinci narození před dokončením 37. týdne těhotenství [15]. Problém nedonošení dítěte není zanedbatelný. Například v roce 2004 bylo v USA k životu předčasně přivedeno přes 12,5% novorozenců, což je přes půl milionu jedinců [16]. V Česku je procento nedonošenců zhruba poloviční, přesto zdaleka ne zanedbatelné. Předčasné narození ubírá dítěti čas k vývoji a dospívání v děloze. Výsledkem toho je zvýšené riziko různých zdravotních a vývojových komplikací. Mohou to být dýchací potíže, krvácení do mozku, akumulace tekutiny v mozku, neurologické potíže, zrakové problémy, vývojová opoždění nebo omezení a další problémy, které snižují šanci na přežití a další vývoj jedince. Předčasně narozeným jedincům je ve vyspělém světě věnována nemalá pozornost a péče. Dolní hranice schopnosti přežití je v současné době stanovena zhruba na 24. týden. Později narození jedinci nemají přežití zaručeno, ale mají reálnou šanci dospět do stádia, kdy budou schopni žít bez podpory lékařů a přístrojů. Šance na přežití silně závisí na době těhotenství, ve které se narodili, a na váze a kondici. Podle počtu týdnů od početí do doby porodu se rozdělují do čtyř skupin.
- 15 -
3.1
Rozdělení nedonošenců podle doby těhotenství •
24.-28. týden: Extrémní nezralost. Podle váhy je šance na přežití kolem 70%, s vývojovými odchylkami se bude potýkat 40% z nich.
•
28.-32. týden: Těžce nezralé děti, přežívá asi 90% z nich, 15% mívá nějaký handicap.
•
32.-34. týden: Dobrá prognóza, odchylky od neuropsychického vývoje se objeví asi u 5% z nich.
•
Po 34. týdnu: Bez větší újmy na zdraví by měly přežít všechny, prognóza je velmi dobrá. [17]
3.2
Příčiny předčasných porodů Předčasný porod může mít řadu příčin. V dřívějších dobách jimi byly zejména
infekce a podobné problémy spojené s nízkou hygienou a péčí o těhotnou matku. V současnosti se jedná zejména o příčiny, jež je nesnadné, či dokonce nemožné lékařskou a sociální péčí eliminovat. Jsou to nejčastěji náchylnosti některých matek na běžné bakterie, vysoký krevní tlak, onemocnění placenty, věk matky pod 18 nebo nad 35 let, krátké děložní hrdlo, diabetes, paradentóza a další. [15]
3.3
Péče o nedonošence O nedonošence se v nemocnicích starají specializovaná oddělení, jednotky
intenzivní péče novorozeneckých oddělení, kde je jim věnována neustálá péče. Zpravidla jsou nedonošenci umístěni do inkubátorů, tedy uzavřené plastové buňky se sterilním prostředím o vhodné teplotě, protože mívají nevyvinutou kůži a nedostatek podkožních tuků. Často situace vyžaduje také použití ventilátoru k udržování funkce dýchání. Na novorozence jsou také zpravidla umístěny senzory pro sledování signálů, zejména EKG a teploty. Výživa je zpočátku zajištěna intravenózně výživnou tekutinou, později mateřským mlékem speciální trubičkou až do žaludku. V posledním stádiu je umožněno standardní kojení [15]. Péče na jednotce intenzivní péče může být ukončena, pokud nedonošenec může dýchat bez podpory, dokáže udržet stabilní tělesnou teplotu, dokáže přijímat potravu, přibírá stabilně na váze. Nutným předpokladem předchozích funkcí je dostatečně vyvinutý mozek jedince. Stádium vývoje mozku není měřitelné, musí jej určit zkušený neurolog na
- 16 -
základě EEG. Velkou roli v tomto procesu hraje určování spánkových fází, neboť poměr klidného a aktivního spánku u novorozence přímo souvisí se stupněm vývoje jeho mozku. Samostatné strojové zpracování biosignálů k určení spánkových fází nedonošenců, potažmo stupně vývoje jejich nervových soustav, není v dnešní době prakticky ve větší míře využíváno. Bez intenzivní péče zkušených neurologů tedy v současnosti není péče o nedonošence možná, přesto mají záznamy biosignálů svou důležitou roli jako zdroje informací pro neurologa.
3.4
Biosignály nedonošených jedinců Při diagnostikování nedonošenců jsou snímány obdobné biosignály jako v případě
dospělých jedinců, ovšem techniky záznamů se liší z důvodu specializace na tuto skupinu subjektů. Pro všechny druhy signálu je jednotně nutné dbát na klinický stav novorozeného pacienta, aby nedocházelo ke zkreslením z důvodů stavů únavy, komatu a dalších, a pokusit se zajistit ideální podmínky pro měření.
3.4.1
EEG nedonošenců Mezinárodní systém umístění elektrod 10 - 20 (Obrázek 2.2.) byl upraven pro EEG
novorozenců. Počet elektrod je zpravidla redukován na 9 (Obrázek 3.1.), případně bývají dle potřeby přidávány další. Optimální počet elektrod nebyl determinován, ale klinické výsledky ukazují, že devět pozic je uspokojivých pro měření EEG novorozenců a detekci případných abnormalit. Větší počet obvykle vede k přílišné blízkosti elektrod, a tím pádem vznik redundantních elektrických polí. Po změření hlavy je pokožka hlavy připravena lehkým obroušením na pozici každé z elektrod jemným abrazivním gelem. Na kontakt elektrod s pokožkou hlavy je použita vodivá pasta. U použitých materiálů je nutné dbát na jejich chemickou čistotu z důvodu citlivosti novorozeneckého organizmu [18].
- 17 -
Obrázek 3.1. Umístění elektrod pro neonatální encefalogram [18]
3.4.2
EKG nedonošenců Elektrokardiogram je u nedonošenců monitorován zpravidla dvojicí elektrod. Jedna
elektroda je umístěna nad středem hrudníku a vztažena k pravému uchu. Často jsou také k tomuto účelu využity některé signály EEG, v nichž je identifikováno ovlivnění srdečním rytmem.
3.4.3
PNG nedonošenců Dýchání je zaznamenáváno jako pomocný signál k určování spánkových fází,
k diagnostikování dýchacích problémů, případně k očištění EEG signálů od vlivů způsobených dýchacími nebo tělesnými pohyby. Metody zaznamenávání respirace bývají komplexní. Nejkompletnější metoda charakterizování respirace je měření břišních pohybů, hrudních pohybů a proudění vzduchu nosem nebo ústy.
- 18 -
3.4.4
EOG nedonošenců Elektrookulogram je zaznamenáván stejně jako u dospělých kvůli detekci a
charakteristice očních pohybů. Záznam je užitečný při posuzování stádií spánku a při hledání původu některých elektrických potenciálů naměřených čelními elektrodami EEG, vzniklých očními pohyby. Pro bipolární EOG je jedna elektroda umístěna pod oko laterálně s jeho vnějším okrajem, druhá nad okraj nosu blíže měřenému oku (Obrázek 3.2.). Toto rozmístění je schopné zaznamenávat jak horizontální, tak vertikální pohyby oka.
Obrázek 3.2. Umístění elektrod pro záznam EOG novorozenců. [18]
3.4.5
EMG nedonošenců Elektromyogram je u nedonošenců zaznamenáván jako pomůcka k rozeznávání
spánkových fází a k charakterizování pohybů úst a jazyka, jež by mohly kontaminovat EEG. EMG je zaznamenáván pomocí alektrod umístěných pod bradou. Při pohybech končetin je EMG zaznamenáváno k determinování vztahu takových pohybů ke změnám v EEG. Pohyby končetin se dají také detekovat pomocí akcelerometrů. Taková zařízení
- 19 -
zaznamenají pohyb ve kterékoliv rovině, narozdíl od EMG, které zaznamená jen pohyby ve specifických pohybech vzhledem ke skupinám svalů [18].
4.
Spánek Spánek je útlumově - relaxační fáze organizmu, při níž se snižuje či přímo mizí
funkčnost některých smyslů, snižuje se tělesná teplota (proto se lidé před spaním přikrývají dekou), dýchání se zpomaluje a krevní tlak se snižuje.
4.1
Spánek dospělých Dospělí lidé stráví spánkem 25-30% času denně. Rozeznáváme dva základní druhy
tohoto spánku:
4.1.1
•
REM (rapid eye movement)
•
NREM (non-rapid eye movement)
REM spánek REM spánek je fází spánku, jež je doprovázena rychlými očními pohyby. Dále je
charakteristická nízkým svalovým napětím a rychlým nízkonapěťovým EEG. Tato fáze spánku zabírá u dospělých zpravidla 20-25% celkového času spánku a vyznačuje se výskytem snů. Během normální prospané noci projde dospělá osoba asi 4 nebo 5 periodami REM spánku, jež jsou kratší začátkem noci a delší ke konci. Je běžné, že se subjekt v REM fázi na krátko probudí. Relativní množství REM spánku se znatelně mění s věkem. Během REM fáze je celková aktivita mozkových neuronů srovnatelná s aktivitou při bdělosti, proto je REM často nazýván spánkem paradoxním. Toto způsobuje náročnou rozlišitelnost REM spánku od bdělosti pomocí EEG a dalších biosignálů.
4.1.2
NREM spánek NREM spánek se narozdíl od REM spánku vyznačuje jen slabými nebo žádnými
pohyby očí. Snění je během NREM fáze vzácné. Výhodou pro měření biosignálů je výskyt rozlišitelných EEG charakteristik v každé ze 4 podskupin NREM spánku. Tyto skupiny jsou: •
NREM 1 - Zahrnuje asi 3-8% času spánku a objevuje se nejčastěji při usínání. V této fázi ustupuje alfa aktivita (8 - 12 Hz), která je
- 20 -
charakteristická pro bdělost a začíná dominovat theta aktivita (4 - 8 Hz). EMG aktivita klesá a EOG značí pomalé krouživé pohyby. •
NREM 2 - Začíná obvykle po přibližně 10 - 12 minutách fáze NREM 1 a zahrnuje 45-55% celkového času spánku. EEG této fáze je charakteristické „spánkovými šroubovicemi“ (12-14 Hz vlnění po dobu aspoň 0,5 s o tvaru šroubovice) a „K-komplexy“ (negativní vlna následovaná pozitivní, obě trvající aspoň 0,5 s). EMG aktivita je oproti bdělosti velmi slabá.
•
NREM 3 a 4 - Tyto dvě fáze zahrnují 15-20% času spánku. Třetí NREM fáze je charakterizována pomalými vlnami s vysokou amplitudou. EOG nevykazuje oční pohyby již od fáze NREM 2. Svalová aktivita je vzhledem k bdělosti zanedbatelná.
Pro úplnost je potřeba zmínit bdělost, jež je také používána v terminologii spánkových fází, ačkoliv je ve své podstatě spánku opozitem. Záznam spánkových fází se nazývá hypnogram a zobrazuje změny fází v čase (Obrázek 4.1.).
Obrázek 4.1. Hypnogram [19]
4.2
Spánek novorozenců Spánek zabírá hlavní část života novorozenců a dětí. Novorozenec zpravidla spí
kolem 70% z každých 24 hodin. Protože je poměr spánku tak výrazný, probíhá většina vývoje dítěte během spánku. Rozlišují se dva druhy novorozeneckého spánku: •
Aktivní spánek
- 21 -
•
Klidný spánek
Také hypnogram novorozenců se tím pádem od hypnogramu dospělých liší.
Obrázek 4.2. Hypnogram novorozence
4.2.1
Aktivní spánek Aktivní spánek novorozenců se podobá REM fázi dospělého člověka. Sací pohyby,
které se objevují ve stavu bdělosti, často přetrvávají i během spánku a jsou běžné pro aktivní spánek. Dále je provázen jemnými záškuby, grimasami, obličejovými pohyby a občasným třesem.
4.2.2
Klidný spánek Klidný spánek je podobný NREM fázi spánku dospělého člověka. Je
charakteristický minimálními pohyby. Svalové napětí je o něco nižší než ve stavu bdělosti, ale vyšší než úroveň během aktivního spánku.
4.2.3
Vývoj spánkových fází novorozence Během prvních 3 měsíců života prochází jedinec markantními změnami, kdy
dochází vývoji psychologie a spánkového režimu novorozence. Tento signifikantní vývoj lze zaznamenat pomocí EEG. Kolem 4-8 týdne věku se objevují spánkové šroubovice. Jejich tvar se během vývoje značně mění. Pravá aktivita pomalých vln se objevuje přibližně mezi osmým a dvanáctým týdnem vývoje a kolem 16 - 24 týdne věku se klidný spánek diferencuje v dospělejší podobu stavů NREM.
- 22 -
Poměr aktivního spánku ku klidnému je často považován za indikátor dospívání. Aktivní spánek v prvních měsících klidný převyšuje. Převrácení tohoto stavu nastává u 60% novorozenců do 3 měsíců a u 90% do 6 měsíců věku. Toto reprezentuje redistribuci spánkových stupňů, ačkoliv snížení celkového času stráveného spánkem je první rok jen malé. Tyto změny mohou být důležitým indikátorem vývoje centrální nervové soustavy [20].
- 23 -
Oddíl II. - Praktická Část
- 24 -
Pro tuto práci byla k dispozici spánková data od osmi nedonošenců. Konkrétně EKG, PNG, EOG, EMG, EEG (8 signálů) a hodnocení, respektive hypnogram, sestavený neurologem. Data byla zpracovávána v softwaru matlab, který obsahuje potřebné matematické funkce, a tak odpadá jejich programování, což umožňuje zaměřit se na jejich použití místo zabývání se pouze jejich podstatou.
5.
PNG Pneumogram je ve vztahu ke zkoumání spánkových fází důležitý zejména pro
přenášenou informaci o pravidelnosti dýchání. K určení míry pravidelnosti dýchání se nejvhodnější jeví funkce autokorelace.
5.1
Autokorelace PNG
5.1.1
Definice autokorelace Autokorelace je matematická metoda zkoumající sílu vztahu mezi pozorováními
jako funkci času, který je odděluje. Přesněji jde o křížovou korelaci (nebo křížovou kovarianci) signálu se sebou samým, přičemž křížová kovariace značí míru podobnosti dvou signálů. Korelační koeficient může nabývat hodnot od -1 po +1. Hodnota -1 značí zcela nepřímou závislost, tedy čím více se zvětší hodnoty v prvním signálu, tím více se zmenší hodnoty v druhém signálu. Hodnota korelačního koeficientu +1 značí zcela přímou závislost. Pokud je korelační koeficient roven 0, pak mezi znaky není žádná statisticky zjistitelná závislost.
5.1.2
Segmentace Protože autokorelace určuje vzájemný vztah prvků, na jejichž množině je
prováděna, je třeba ji provádět po segmentech. Velikost segmentu určuje rozlišení výsledku metody a dosah každé jednotlivé autokorelace, tedy v jakém rozsahu je požadováno zkoumat vzájemnou podobnost. Pro výsledek autokorelací z celého signálu je třeba po zvolených segmentech provést autokorelaci postupně na celém signálu PNG. Jak je provázána autokorelace PNG, respektive pravidelnost dýchání je nejlépe patrné z grafu autokorelace v porovnání s hypnogramem sestaveným zkušeným neurologem (Obrázek 5.1.).
- 25 -
Obrázek 5.1. Neurologický hypnogram a autokorelace PNG.
5.1.3
Vztah autokorelace PNG a hypnogramu
Na dvojici grafů (Obrázek 5.1.) je vidět závislost mezi vysokými hodnotami pravidelnosti dýchání a fází klidného spánku. Je zřejmé, že aktivní spánek je touto metodou od bdělosti rozpoznatelný jen velmi obtížně. Artefakty jsou zpravidla provázeny markantními výkyvy na křivce autokorelace.
5.1.4
Filtr středních hodnot autokorelace Výsledná křivka autokorelace se ovšem vyznačuje značnými výkyvy, proto je
vhodné zavést filtr středních hodnot, který signálu přidá plynulost. Tím se sice zřejmě vytratí artefakty, záleží ovšem na posouzení při zavádění klasifikace, zda pro ní budou artefakty důležité, nebo raději upřednostní plynulejší hodnocení pravidelnosti dýchání. Nejlepším řešením bude mít pro následnou klasifikaci připravené obě varianty, tedy autokorelaci samotnou a její střední hodnoty.
- 26 -
Množné číslo v pojmu středních hodnot je použito záměrně z důvodu, že jedna střední hodnota pro celou křivku autokorelace by byla pouhou přímkou bez zřejmé vypovídací hodnoty. Proto je tedy nutné opět metodu zavádět po segmentech, jejichž velikost určuje stupeň plynulosti. Vhodný krok je tedy potřeba zvolit jako kompromis mezi plynulostí výsledné křivky a podobností původní křivce autokorelace. Pro hledání středních hodnot je v softwaru matlab vhodné použít funkci mean postupně na každý segment. Funkce mean vrací průměr ze všech hodnot segmentu, na který je použita. Efekt velikosti segmentu filtru středních hodnot je nejlépe patrný z následujících grafů (Obrázky 5.2., 5.3. a 5.4.). Na prvním z nich (Obrázek 5.2.) je střední hodnota vytvořena z rozsahu dvakrát většího než je vzorkovací frekvence, výsledná křivka tedy až příliš kopíruje křivku autokorelace, a tak není efekt plynulosti příliš znatelný.
Obrázek 5.2. Filtr středních hodnot autokorelace 1
V případě druhého grafu (Obrázek 5.3.) byly ke konstrukci filtru středních hodnot použity segmenty o velikosti třikrát větší, než je vzorkovací frekvence původního signálu,
- 27 -
tím pádem je dosaženo rozumnějšího kompromisu mezi plynulostí křivky a věrností původnímu signálu.
Obrázek 5.3. Filtr středních hodnot autokorelace 2
Pro úplnost je nutné doplnit i opačný extrém k prvnímu grafu (Obrázek 5.2.). Graf třetí (Obrázek 5.4.) tedy zobrazuje křivku, která dává přednost plynulosti před věrností původnímu signálu. Na zde použitých signálech je výsledek stále použitelný a pro některé druhy hrubých klasifikací může být vhodný, ovšem pro signály s větší frekvencí změn by zřejmě nebyl vhodný. Velikost segmentů, jež zde funkce mean průměrovala, je desetinásobkem vzorkovací frekvence.
- 28 -
Obrázek 5.4 Filtr středních hodnot autokorelace 3
5.1.5
Základní metoda klasifikace K ověření přínosu samotné autokorelace PNG, respektive analýzy pravidelnosti
dýchání, tak její hodnotu upavenou filtrem středních hodnot, pro určování spánkových fází novorozenců je třeba zavést aspoň jednoduchou metodu klasifikace, jež umožní konstrukci hypnogramu na základě poskytnutých dat. Nejjednodušší metodou je zřejmě metoda hledání pomocí nejbližšího souseda (metoda učení s učitelem). Metoda spočívá ve využití dvou skupin spánkových dat. Jednou skupinou jsou data ohodnocená renovací, druhou skupinou data bez hodnocení. U obou skupin dat jsou vypočítány příznaky, jež jsou následně vzájemně porovnávány a na základě podobnosti jednotlivých jejich fragmentů v porovnání s hodnocením ohodnocených dat je sestaveno výsledné hodnocení dat neohodnocených. Všechna data v této práci disponují hodnocením, pro účely testování metod jsou ale rozdělena na trénovací a testovací část. Pro testovací část jsou poté hledány hypnogramy metodou nejbližšího souseda porovnáváním s trénovacími daty. Úspěšnost metody může být poté zhodnocena jednoduchým vizuálním srovnáním nově zkonstruovaného hypnogramu s odpovídajícím hypnogramem sestaveným neurologem. - 29 -
V takovém případě je nutné brát v potaz, že metoda klasifikace je velmi jednoduchá, a tak je schopna vytvořit jen hrubou podobu hypnogramu. Pro účel vzájemného porovnání metod extrakce je toto ovšem dostačující.
5.1.6
Hodnocení metody autokorelace a filtru středních hodnot Díky této klasifikační metodě je tedy možné ověřit účinnost metod extrakce.
Následující grafy tedy umožní zhodnocení metody autokorelace PNG a na ní použitém filtru středních hodnot, jenž spočívá v metodě klouzavého průměru. Pro možnost srovnání obsahují neurologický hypnogram, křivky autokorelace PNG a její středních hodnot a metodou sestavený hypnogram.
Obrázek 5.5. Hypnogram sestavený na základě autokorelační křivky
Z obrázku 5.5. je patrné, že sestavený hypnogram vykazuje určitou podobnost k hypnogramu sestavenému neurologem, ovšem obsahuje značné projevy výkyvů křivky autokorelace.
- 30 -
Obrázek 5.6. Hypnogram sestavený na základě středních hodnot autokorelační křivky
Jak je vidět na obrázku 5.6., metoda konstrukce hypnogramu z křivky středních hodnot autokorelace PNG vykazuje dle předpokladů větší podobnost s hypnogramem neurologickým. Zejména míra úspěšnosti určení klidného spánku je vysoká, a to z důvodu vysokých hodnot pravidelnosti dýchání v této spánkové fázi. Mezi aktivním spánkem a bdělostí nedokáže rozhodovat zcela úspěšně, přesto s lepšími výsledky než metoda založená jen na autokorelaci. K rozpoznávání artefaktů se patrně nehodí ani jedna z obou metod, což značí absenci markantní souvislosti mezi artefakty a pravidelností dýchání.
5.1.7
Metoda více vzorových dvojic Pro vylepšení metody se nabízí vytvoření největší možné oblasti pro vyhledávání,
tedy co největší databáze vzorových dvojic autokorelace - hypnogram, potažmo střední hodnoty autokorelace - hypnogram. Ověření této metody simuluje Obrázek 5.7, na němž je možné porovnat metodu konstrukce hypnogramu z křivky středních hodnot autokorelace pomocí vzorové dvojice od jednoho jiného subjektu a stejnou metodu pomocí množiny
- 31 -
vzorových dvojic od sedmi subjektů. Metody jsou prováděny na subjektu osmém, tedy jediném, který nebyl využit pro tvorbu vzorových dvojic.
Obrázek 5.7. Hypnogramy sestavené na základě středních hodnot autokorelace PNG pomocí jedné a sedmi vzorových dvojic
Z grafu (Obrázek 5.7.) je možné vyčíst efekt každé z metod. Metoda konstrukce s pomocí jedné vzorové dvojice je schopna lépe určit klidový spánek, ovšem při určování aktivního spánku a bdělosti není efektivní. Metoda konstrukce s pomocí větší množiny vzorů vykazuje nepatrné zhoršení v oblasti klidného spánku, ovšem dosahuje o něco lepších výsledků při určování aktivního spánku. Výsledek je sice stále značně z kreslený, ale přesto je částečně viditelná úroveň aktivního spánku podobná neurologickému hypnogramu. Při dalším zpracování by zřejmě bylo možné úroveň aproximovat. Hodnocení znesnadňuje pro extrakci i klasifikaci náročně klasifikovatelný signál PNG od konkrétního jedince, to je ovšem přínosem pro objektivitu, neboť signály novorozenců, zejména předčasně narozených, bývají na analýzu náročné.
- 32 -
5.2
Špičatost PNG
5.2.1
Definice špičatosti Koeficient špičatosti je charakteristika rozdělení náhodné veličiny, která porovnává
dané rozdělení s normálním rozdělením pravděpodobnosti.
5.2.2
Segmentace Protože výsledkem funkce špičatosti je opět jediná konstanta, jako při určování
středních hodnot, je opět nutné analyzovat signál PNG po segmentech, obdobně jako v bodě 5.1.
Obrázek 5.8. Špičatost PNG
5.2.3
Vztah špičatosti PNG a hypnogramu Z grafu křivky špičatostí PNG (Obrázek 5.8.) je patrná souvislost mezi křivkou
špičatostí a neurologickým hypnogramem. Z vysokých špiček v úrovních výrazných změn hypnogramu lze vyvodit schopnost metody špičatosti tyto změny detekovat.
- 33 -
5.2.4
Využití špičatosti PNG ke konstrukci hypnogramu Podle poznatků z 5.2.3 je zřejmé, že samotná křivka špičatosti PNG ke konstrukci
hypnogramu nestačí, protože dokáže detekovat změny v hypnogramu, ale úrovně, do nichž hypnogram přechází, již nikoliv. Z předchozího odstavce vyplývá nutnost použít křivku špičatosti PNG v kombinaci s jinými metodami. Z důvodu, že jednoduše detekuje změny v hypnogramu jsou možnosti použití široké a nabízí se kombinace křivky špičatosti PNG s jakýmikoliv dalšími signály. Obrázek 5.9. ilustruje použití křivky špičatosti PNG v kombinaci s metodou z 5.1, tedy autokorelací PNG. Metoda spočívá ve vsazení křivky špičatosti PNG do role přepínače, jenž povoluje nebo zakazuje změny v sestavovaném hypnogramu. Pokud úroveň špičatosti převyšuje zvolenou spouštěcí úroveň, smí konstruovaný hypnogram měnit svou hodnotu, v opačném případě je změna potlačena. Zde záleží na zvolené úrovni, čím je vyšší, tím více se špičatost projeví, čím je nižší, tím více se hypnogram bude podobat hypnogramu zkonstruovanému čistě metodou autokorelace PNG, potažmo jinou metodou, se kterou bude špičatost PNG kombinována.
5.2.5
Hodnocení hybridní metody autokorelace a špičatosti Na obrázku 5.9. jsou vidět klady i zápory kombinované metody autokorelace a
špičatosti PNG. Metoda podává lepší výsledky než samotná metoda autokorelace PNG v oblasti rozlišení aktivního spánku a bdělosti. Mírně zkreslené jsou ale hodnoty spánku klidného. Proto se zdá být nejlepším řešením za použití těchto metod využit jako pomůcku pro rozpoznávání spánkových fází jak hypnogram sestavený jen podle autokorelace PNG, tak hypnogram sestavený dle autokorelace i špičatosti PNG. U každého subjektu je vhodná mírně odlišná úroveň spouštění, proto by byla vhodná možnost jejího plynulého nastavování. Při možnosti plynulého vyhodnocování by odpadla nutnost použití obou hypnografů, při nulové spouštěcí úrovni by výsledný hypnogram závisel jen na autokorelaci PNG, při zvyšování úrovně by se úměrně projevoval vliv špičatost, a tím se posouvala pozornost od zkoumání klidového spánku ke zkoumání bdělosti a aktivního spánku.
- 34 -
Obrázek 5.9. Hypnogram sestavený pomocí špičatosti a autokorelace PNG
6.
EOG Elekrtookulogram je prospěšný zejména pro určování klidného spánku, kdy ustávají
oční pohyby. Při bdělosti a aktivním spánku jsou oproti klidnému spánku oční pohyby rychlé a výrazné.
6.1
Šikmost EOG
6.1.1
Definice šikmosti Koeficient šikmosti je z definice charakteristikou rozdělení pravděpodobnosti
náhodné veličiny. V praxi toto představuje míru strmosti analyzované křivky, přičemž se jedná o míru kumulativní.
6.1.2
Segmentace Výsledek funkce šikmosti je opět konstanta, pro to je nutné obdobně jako v bodech
5.1 a 5.2 analyzovat signál po segmentech. - 35 -
Obrázek 6.1. Šikmost EOG
6.1.3
Vztah šikmosti EOG a hypnogramu Z obrázku 6.1., tedy grafu šikmosti EOG, je patrná souvislost mezi nízkými
hodnotami šikmosti způsobené nepatrnými pomalými očními pohyby v klidném spánku a hodnocením klidného spánku v hypnogramu, a dále souvislost mezi vysokými peaky šikmosti způsobenými rychlými a výraznými očními pohyby ve stavu bdělosti a aktivního spánku.
6.1.4
Filtr středních hodnot šikmosti EOG Jednorázovost individuálních očních pohybů je příčinou hřebenovitého tvaru křivky
šikmosti EOG, proto je nevhodná pro přímé porovnávání. Z toho důvodu je stejně jako v bodě 5.1.4 vhodné zavést metodu filtru středních hodnot, která supluje plynulost postrádanou samotnou křivkou šikmosti EOG. Zde použitý filtr funguje na stejném principu jako filtr z bodu 5.1.4, proto není nutné znovu vysvětlovat jeho funkci.
- 36 -
6.1.5
Konstrukce hypnogramu pomocí šikmosti EOG Výsledná křivka filtru středních hodnot umožňuje konstrukci hypnogramu obdobně
jako v bodě 5.1.5, proto se zde již touto metodou není třeba zabývat.
6.1.6
Hodnocení metody šikmosti a filtru středních hodnot
Obrázek 6.2. Hypnogram sestavený pomocí šikmosti EOG a filtru středních hodnot
Z obrázku 6.2 je možné vyčíst jistou podobnost nově sestaveného hypnogramu s hypnogramem navrženým neurologem. Linie klidného spánku je dobře patrná, ovšem ne bez chyb. Linie aktivního spánku je také patrná, ovšem ne snadno čitelná a rozhodování mezi aktivním spánkem a bdělostí prakticky nefunkční. Metoda šikmosti EOG je patrně méně kvalitní než metoda autokorelace PNG, ale najde své uplatnění zejména v kombinacích s jinými metodami.
- 37 -
6.2
Hybridní metoda šikmosti EOG a špičatosti PNG
6.2.1
Popis metody Metoda kombinuje metody 5.2 a 6.1, tedy určuje úrovně hypnogramu pomocí metody
šikmosti EOG a povolování změn pomocí metody špičatosti PNG.
6.2.2
Hodnocení hybridní metody EOG a PNG
Obrázek 6.3. Hypnogram sestavený pomocí šikmosti EOG a špičatosti PNG
Na obrázku 6.3. je možné pozorovat vliv kombinace obou metod. Výsledný hypnogram nekopíruje dokonale hypnogram sestavený neurologem, ale přibližuje se jeho podobě. Hodnocení klidného spánku není tak kvalitní jako hodnocení metodou autokorelace PNG (6.1), ale z komplexního hlediska jo hodnocení poměrně kvalitní. V kombinaci s lepšími klasifikačními metodami by výsledky této metody mohly být velmi uspokojivé. Jako pomůcka k ruce neurologa může najít své uplatnění.
- 38 -
7.
EKG Elektrokardiogram je při hodnocení spánkových fází užitečný zejména pro souvislost
frekvence srdečního tepu se stupněm spánku. Ta je při aktivním spánku a bdělosti vyšší než ve fázi klidného spánku.
7.1
Frekvence srdečního tepu Jen pro úplnost je nutné definovat, že frekvenční tep je počet úderů srdce za minutu.
7.1.1
Vztah frekvence srdečního tepu a hypnogramu
Obrázek 7.1 Frekvence srdečního tepu
Z křivky frekvence srdečního tepu na obrázku 7.1 je vidět, že dle předpokladů souvisí nízké tepové frekvence s klidovou fází spánku, vyšší frekvence se stavy bdělosti a aktivního spánku a nejvyšší úrovně srdečního tepu se projevují jako některé z artefaktů.
- 39 -
7.1.2
Filtr středních hodnot frekvence srdečního tepu Stejně jako v bodech 5.1.4 a 6.1.6, i v případě analyzování frekvence tepu najde díky
výrazné zvlněnosti signálu uplatnění filtr středních hodnot.
7.1.3
Konstrukce hypnogramu na základě srdečního tepu Výsledná křivka filtru středních hodnot umožňuje konstrukci hypnogramu obdobně
jako v bodech 5.1.5 a 6.1.5.
7.1.4
Hodnocení metody frekvence srdečního tepu
Obrázek 7.2. Hypnogram zkonstruovaný pomocí frekvence srdečního tepu
Na obrázku 7.2. je markantní, že se sestavený hypnograf zdaleka nepřibližuje hypnografu neurologickému. Až na detekci původu některých artefaktů je metoda prakticky nepoužitelná. Rozdíly jsou způsobeny zřejmě vzájemnou individualitou každého měřeného subjektu. Řešením by mohlo být zavedení poměrných hodnot místo globálních a pečlivější metody extrakce příznaků.
- 40 -
8.
EMG Hlavní role elektromyografu při určování fází spánku spočívá v charakterizování
pohybů, způsobujících artefakty v hodnocení.
8.1
Rozptyl EMG
8.1.1
Definice rozptylu Rozptyl je druhý centrální moment náhodné veličiny. To znamená, že se jedná o
charakteristiku variability rozdělení pravděpodobnosti náhodné veličiny, která vyjadřuje variabilitu rozdělení souboru náhodných hodnot kolem její střední hodnoty.
8.1.2
Vztah rozptylu EMG a hypnogramu
Obrázek 8.1. Rozptyl EMG
Z obrázku 8.1. je patrné, že je klidný spánek doprovázen většinou nízkými hodnotami rozptylu EMG v porovnání s ostatními fázemi spánku. Aktivní spánek je z křivky rozptylu - 41 -
jen velmi těžce rozlišitelný, bdělost bývá doprovázena relativně vyššími hodnotami rozptylu. Markantní jsou jen viditelné příčiny některých artefaktů.
8.1.3
Konstrukce hypnogramu na základě rozptylu EMG Ke konstrukci byla použita obdobná metoda jako v 5.1.5, 6.1.5 a 7.1.4 včetně
aplikace filtru středních hodnot.
8.1.4
Hodnocení metody rozptylu EMG
Obrázek 8.2. Hypnogram sestavený pomocí rozptylu EMG
Z obrázku 8.2. je patrné, že výsledek metody zcela vůbec neodpovídá hypnogramu sestavenému neurologem. Určitou podobnost je možné nalézt jen v případě některých artefaktů. Jednou z příčin může být nevhodnost aplikace filtru středních hodnot na danou metodu, neboť příliš potlačuje důležité krátké vysoké pulsy, jež jsou zpravidla známkou artefaktu. Rozptyl EMG má zřejmě větší význam ve své vlastní podobě jako pomůcka pro neurologa. Pro strojové zpracování EMG je zjevně vhodné zvolit nějakou vhodnější metodu.
- 42 -
9.
EEG Problematika analýzy EEG je velmi rozsáhlá. Pro účel této práce je nejvýznamnější
obsah vln delta v signálu EEG.
9.1
Fourierova transformace EEG
9.1.1
Definice Fourierovy transformace Fourierova transformace je vyjádření časově závislého signálu pomocí harmonických
signálů. Slouží pro převod signálů z časové oblasti do oblasti frekvenční. Při detekci spánkových fází umožňuje oddělit užitečné frekvence, zejména frekvencí delta vln, jež je pro některé spánkové fáze signifikantní.
9.1.2
Vztah Fourierovy transformace EEG a hypnogramu
Obrázek 9.1. Obsah delta vln v EEG
Z obrázku 9.1 lze vyčíst, že se klidný spánek projevuje větším obsahem delta vln než spánek aktivní, při bdělosti je obsah minimální. Dále obrázek dokládá původ některých - 43 -
artefaktů. Použitý signál EEG sestává z 8 jednotlivých signálů. Pro zjednodušení je použit průměr jejich příspěvků. Jde o poměrně hrubou metodu, pro jednoduchou demonstraci metody je ovšem postačující
9.1.3
Filtr středních hodnot Obdobně jako v bodech 5.1.4 a 6.1.6, i v tomto případě pomůže k zpřehlednění
signálu filtr středních hodnot.
9.1.4
Konstrukce hypnogramu na základě EEG Výsledná křivka filtru středních hodnot umožňuje konstrukci hypnogramu obdobně
jako v bodech 5.1.5, 6.1.5. a 7.1.4.
9.1.5
Hodnocení metody Fourierovy transformace EEG
Obrázek 9.2 Hypnogram sestavený na základě Fourierovy transformace EEG Obrázek 9.2 dokládá dobrou schopnost metody detekovat klidný spánek. V rozlišování aktivního spánku a bdělosti vykazuje metoda značnou nespolehlivost, taktéž některé artefakty jsou zaměňovány za klidný spánek. Metoda rozpoznávání spánků pomocí
- 44 -
EEG tedy vyžaduje mnohem jemnější přístup, zřejmě také podrobnější zkoumání vhodného nastavení filtru středních hodnot. Výzkumem EEG, speciálně novorozeneckého se zabývá řada vědců na celém světě, zatím bohužel bez výrazných úspěchů. Extrakce příznaků ze signálů EEG by vydala na velmi rozsáhlou samostatnou práci, potenciál metody není zdaleka využit.
10.
Metoda klasifikace pomocí více příznaků Následující metoda má za úkol ilustrovat přístup využití více biosignálů a z nich
extrahovaných dat. Ke klasifikaci používá metodu nejbližšího souseda určenou pro více klasifikátorů.
10.1
Metoda nejbližšího souseda pro více příznaků Metoda spočívá v porovnávání více klasifikátorů s trénovací množinou po
segmentech. Pro každý segment jsou vypočítány hodnoty všech použitých klasifikátorů a následně je vyhledán jim nejbližší prvek trénovací množiny. Tato množina je vytvořena z klasifikátorů signálů, jež disponují vzorovým hodnocením od neurologa, přičemž pro každý možný stupeň klasifikace obsahuje od každého klasifikátoru alespoň jednu hodnotu. Analyzovaný signál je zkoumán po segmentech, pro každý segment jsou určeny hodnoty všech zúčastněných klasifikátorů. Jejich hodnoty jsou poté porovnány s prvky trénovací množiny. Hodnota výsledného hypnogramu pro daný segment odpovídá hodnocení nejbližšího prvku z trénovací množiny.
10.2
Použité příznaky V následujícím příkladě byla metoda nejbližšího souseda pro více příznaků použita na
příznacích: •
Autokorelace PNG (5.1.1)
•
Šikmost EOG (6.1.1)
•
Rozptyl EMG (8.1.1)
•
Frekvence tepu EKG (7.1.1)
•
Fourrierova transformace EEG
- 45 -
Pro použití v metodě bylo nutné normalizovat všechny příznaky na stejný rozsah, zde konkrétně 0 - 1. Díky tomu mohly být adekvátně posouzeny všechny klasifikátory tak, aby se některé neprojevovaly dominantně a jiné se neprojevily.
10.3
Hodnocení metody klasifikace pomocí více příznaků
Obrázek 10.1. Srovnání hypnogramu vytvořeného metodou více klasifikátorů s hypnogramem neurologickým
Z obrázku 9.1. je patrné, že hybridní metoda vykazuje vysokou úspěšnost hlavně v oblasti klasifikace aktivního spánku a artefaktů. V určování klidného spánku je úspěšnost metody nižší. Jako pomůcka neurologa ale doplňuje předchozí metody a ve spojení s nimi umožňují rychlejší a jednodušší klasifikaci neurologem. Rozšiřování metody by se mělo ubírat směrem využití kvalitnějších klasifikátorů o větším počtu ve spojení s objemnější trénovací množinou.
- 46 -
11.
Závěr Cílem práce bylo impementovat metody, které umožní klasifikovat významné oblasti
v biosignálech člověka, a následně je otestovat na reálných datech. Důraz měl být kladen na rozšiřitelnost. Některé z implementovaných metod poskytují kvalitní data. Některé další metody byly na testovaných datech méně efektivní. Jejich další zpracování bude v vyžadovat pokročilejší metody klasifikace, případně přepracování samotných metod, zvláště se zaměřením na nastavení jejich parametrů. Detekce klidného spánku proběhla poměrně úspěšně ve všech případech. K rozlišení aktivního spánku od bdělosti nebyla vhodná samostatně žádná z metod. Možnou rozlišitelnost aktivního spánku a bdělosti ukázala metoda spolupráce více příznaků. Nebyly prováděny statistické analýzy úspěšnosti metod, protože pro lékaře má majoritní význam vizuální hodnocení vygenerovaných hypnogramů. Samostatná počítačová klasifikace spánkových fází v praxi není zatím zvažována. Na výsledky práce bude v možné navázat zejména pokročilými metodami klasifikace, jako jsou rozhodovací stromy, neuronové sítě, shlukování a další. Úspěšnost implementovaných hybridních metod značí potenciál kombinací více druhů extrakce dat. V současné době se počítačovým zpracováním novorozeneckých biosignálů téměř nikdo nezabývá. Tato práce je dokladem toho, že data jsou počítačem úspěšně zpracovatelná. V budoucnosti se proto dá v této oblasti očekávat rozvoj.
- 47 -
12. [1]
Seznam literatury Die Polysomnografie, (cit. 10.01.2008), http://www.schlaf.de/schlaf_gestoert/2_30_30_1_polysomnografie.php.
[2]
Brainwaves and EEG - The language of the brain, (cit. 10.01.2008), http://www.crossroadsinstitute.org/eeg.html.
[3]
Martina Kasperová: ElektroEncefaloGrafie - EEG, (04.06.2004), http://www.ordinace.cz/clanek/elektroencefalografie-eeg/.
[4]
David Cofer: Neuron basics, (cit. 10.01.2008), http://www.mindcreators.com/NeuronBasics.htm.
[5]
Smith, E.J.: Introduction to EEG, (cit. 10.01.2008), http://www.ebme.co.uk/arts/eegintro/index.htm.
[6]
Wikipedia - Electroencephalography, (cit. 10.01.2008), http://en.wikipedia.org/wiki/Eeg.
[7]
Haman, P.: Základy EKG, (cit. 10.01.2008), http://ekg.kvalitne.cz/.
[8]
Wikipedia - Electrocardiogram, (cit. 10.01.2008), http://en.wikipedia.org/wiki/EKG.
[9]
Stein I.M., Shannon D.C.: The Pediatric Pneumogram: A New Method for Detecting and Quantitating Apnea in Infants; Pediatrics Vol. 55 No. 5, pp. 599-603, 1975.
[10]
Martiník, K.: Prezentace: Funkční vyšetření dýchacího systému; UHK, Hradec Králové, 2007.
[11]
Malmivuo J., Plonsey R.: BIOELECTROMAGNETISM - Principles and Applications of Bioelectric and Biomagnetic Fields, Oxford University Press, New York, 1995.
[12]
Havlík J.: Prezentace: Elektromyografie; ČVUT, DEL, Katedra teorie obvodů, Praha, 2007.
[13]
Biomechanika, (cit. 10.01.2008), http://biomech.ftvs.cuni.cz/pbpk/kompendium/biomechanika/index.php.
[14]
Benbadis S.R., Rielo D.: EEG Atlas - EEG Artifacts; University of South Florida College of Medicine, 2006, http://www.emedicine.com/neuro/topic678.htm.
[15]
Kolektiv autorů Mayoclinic: Premature birth, (30.01.2007), http://www.mayoclinic.com/health/premature-birth/DS00137/.
[16]
More Babies Born Prematurely, New Report Shows, (05.12.2007, New York), http://www.marchofdimes.com/aboutus/22663_27994.asp.
[17]
Vopavová M.: Miminka, která se vejdou do dlaně, (05.01.2007), ona.idnes.cz.
- 48 -
[18]
Mizrahi E.M., Hrachovy R.A., Kellaway P.: Atlas of neonatal electroencephalography, 3. edice, Lippinncott Williams & Wilkins, Philadelphia, ISBN 0-7817-3445-2, 2003.
[19]
John Libbey Eurotext - Ictal video-polysomnography and EEG spectral analysis, (cit. 10.01.2008), http://www.jle.com/fr/revues/medecine/epd/edocs/00/04/13/EE/article.md?fichier=images.htm.
[20]
Gerla V.: Classification Concept in EEG Analysis, ČVUT, FEL, Katedra kybernetiky, Praha, 2007.
- 49 -
