BIOLOGICKÉ SIGNÁLY Pokroky v EEG doc. Ing. Vladimír Krajča, CSc. ČVUT FBMI, katedra biomedicínské techniky e-mail
[email protected]
1
Cíle kursu
Proniknout do principů a praktického nasazení základních a pokročilých metod číslicového zpracování biologických signálů
2
Praktická práce biomedicínského inženýra v EEG/EMG laboratoři zahrnuje
Zobrazení a analýzu reálných signálů v uživatelsky přístupné formě využitelné lékaři
Tvorbu příslušného software
Ve výzkumu lze užít i MATLAB 3
Co je k tomu potřeba umět a znát?
1. Načíst binární digitalizovaný biosignál
2. Zobrazit signál graficky na displeji
znát formát dat (header, data)
C++, Java, Matlab
3. Vybrat a realizovat vhodnou analytickou funkci
Digital signal processing - Artificial Intelligence -Spectrum Analysis -Patter recognition Zobrazit výsledky opět graficky i numericky
4
Podklady ke studiu na webu www.skolicka.fbmi.cvut.cz password: signaly Obsah : e-learningové kurzy (zatím z roku 2011, 14 lekcí, 6 animací) Vybrané publikace z mezinárodních konferencí a časopisů Video-záznam EEG v laboratoři fakultní nemocnice
Podmínky a termíny zkoušek (ale přihlášení v KOSu) e-learningové skriptum Mohylová J., Krajča V. Zpracování signálů v lékařství, Ostrava 2007
Animované příklady (některé v DOSu), Programy pro simulaci filtrů, brain mapping, cluster analysis… Korespondenční úkoly a jejich odevzdávání atd.
5
Skripta k předmětu
Krajča V., Mohylová J., Číslicové zpracování neurofyziologických signálů. ČVUT Praha, 2011
6
Metody počítačové elektroencefalografie realizované v EEG laboratoři FN Na Bulovce
ORIENTAČNÍ PŘEHLED
7
Osnova 1. Úvod – co je to elektroencefalogram 2. Problémy vizuálního hodnocení
3. Výběr metod k řešení 4. Nasazení do praxe a přínosy metod 5. Publikace, učební texty 6. Témata diplomových prací
8
1. Co je to elektroencefalogram (EEG) ? •
složitý elektrický biosignál, měří se elektrodami na povrchu lebky (µV)
•
odráží elektrickou aktivitu činnosti mozku
•
na rozdíl od strukturálních metod (CT) zobrazuje funkční projevy
•
základní diagnostický nástroj pro léčbu epilepsie a analýzu spánku
•
projevují se v něm stavy vědomí, poruchy mozkové činnosti, spánkové stavy, komatózní stavy, léze…
9
1.a. Základní aktivita - vlny, grafoelementy •
Hlavní frekvenční pásma pro diagnózu •
• • •
•
0.5 - 4 Hz 4 - 8 Hz 8 - 13 Hz 13 - 22 Hz
- u dětí, hluboký spánek, nádory - normální - při bdělém stavu, zavřené oči - normální, pozornost- neklid,
Grafoelementy • •
•
Delta Theta Alfa Beta bolesti
epileptické abnormality - hroty, komplexy hrot vlna hrot - přechodný jev, jasně odlišený od aktivity pozadí, šířka 70 msec, s špičatým vrcholem
Artefakty •
Chyby v záznamu způsobené fyziologickými a vnějšími vlivy. Nutno odstranit, vyloučit ze zpracování. 10
1.b. Ukázky EEG grafů
Epileptické hroty
Amplitudový artefakt 11
2. Problémy vizuálního hodnocení - proč nasazovat počítače 1.
Vizuální interpretace •
subjektivní
•
„více umění než věda“ - hodnocení zavisí na délce praxe, osobnosti učitele…
•
výchova odborníků obtížná (zrání až 5 let)
•
namáhavé, vyžaduje stálou pozornost
2.
Délka záznamu •
ambulantní záznam - 20 minut - nemusí se projevit epileptická aktivita
•
nutnost dlouhodobého monitorování 24 hodin a více
•
analýza spánku - 8 hodin = 864 m papíru
3.
Archivace - DVD
4.
Následné zpracování dat •
5.
(změna montáží, filtrace, nelze u papírových )
Nutnost numericky kvantifikace EEG 12
2.a. Cíle počítačové analýzy
Podpora lékařova hodnocení Rozšíření jeho schopností poskytnutím objektivních dat Prezentace dat v názorném grafickém tvaru Rozlišení normální/abnormální aktivity Klasifikace záznamů Hodnocení trendů Redukce a archivace dat Kvantifikace - zjištění přesné hodnoty dominantní frekvence Zjištění a extrakce skryté informace nepostižitelné pouhým okem Usnadnění orientace v dlouhodobých záznamech soustředění pozornosti na ”zajímavé” úseky a přeskočení 13 ”nezajímavé” aktivity
Základní kroky DSP
Převod signálu do počítače Načtení binárních dat
Zobrazení dat v uživatelsky přístupné formě využitelné lékaři
Analýza dat Zobrazení výsledků analýzy 14
3. Metody: Dlouhodobé x detailní zpracování •
Dlouhodobé EEG •
•
• •
•
•
detekce významných událostí hledání významných grafoelementů sledování trendů klasifikace spánkových stavů detekce epileptických hrotů detekce záchvatů
•
Detailní analýza •
• • •
•
•
topografické mapování výkonu frekvenčních pásem mapování lokální koherence posuv ve spektru rozklad na zdrojové a šumové složky analýza dipólů fázové spektrum - lokalizace epi ložiska
15
4. Přehled metod LORETA
NEONATAL SLEEP ANALYSIS
WAVE FINDER
Photic driving
SPIKE DETECTION
CORDANCE POWER SPECTRUM
3D PROJECTION
ARTEFACT ELIMINATION
PRINCIPAL COMPONENT ANALYSIS
SPECTRUM ANALYSIS
LONG- TERM PROCESSING
NEURAL NETWORKS
PRE - PROCESSING DIGITAL FILTERING TRENDS REMOVING
EEG SIGNAL
PHASE MAPPING
LOCAL COHERENCE
BRAIN MAPPING
CSA
PCA SEGMENT ATION
DETAILED ANALYSIS
INDEPENDENT COMPONENT ANALYSIS
4.1. Spolupráce Cooperation with ČVUT
Cooperation with SZÚ
and ÚPMD
LORETA
NEONATAL SLEEP ANALYSIS
WAVE FINDER
Photic driving
SPIKE DETECTION
Cooperation with Technical University Ostrava
Cooperation with Psychiatric Center CORDANCE POWER SPECTRUM 3D PROJECTION
ARTEFACT ELIMINATION
PRINCIPAL COMPONENT ANALYSIS
PROCESSING
NEURAL NETWORKS
INDEPENDENT COMPONENT ANALYSIS
Cooperation with Academy of Science
SPECTRUM ANALYSIS
LONG- TERM
PHASE MAPPING
LOCAL COHERENCE
BRAIN MAPPING
CSA
PCA SEGMENT ATION
DETAILED ANALYSIS
PRE - PROCESSING DIGITAL FILTERING TRENDS REMOVING
EEG SIGNAL
17
4.3.1. Příklady zpracování - filtrace signálu
18
4.3.1. Signál po filtraci FIR filtrem
19
4.3.3. Spektrální složky
Signál + šum 50 Hz
Filtrace 0.5-25 Hz
20
5. Spektrální analýza Zjišťování frekvenčních složek EEG v úseku signálu ve všech EEG svodech/ v jenom kanálu Pro jednotlivé spektrální čáry i v EEG pásmech
21
Spektrální analýza – EEG 1 kanál
22
Spektrální analýza – 3D projekce - sférické splajny
23
6. Case report (případová studie): Mapování lokální koherence - informace neviditelná pouhým okem
Lokální koherence – indikátor vzájemné korelace (spolupráce) sousedních oblastí mozkové kůry ve frekvenční oblasti
Interhemisferická koherence – hraje významnou roli při analýze interhemisferální synchronizace
Dá se využít i při kvantitativním hodnocení ložiskových lézí mozku, u veličin, které nejsou při vizuálním hodnocení zřetelné
24
Princip mapování amplitudy V
Conversion of numbers into color scale
13.5 13.5
-100
-98.3
-98.3
85.0 85.0
5.6
5.6
+100 V
a) 1. iteration
Average from four neigbours
b) 2. iteration
The new points are included into computing…
Topographic map
. . . till the whole area is covered
c) 25
Schéma lokální koherence (normalizované křížové spektrum) auto-spectrum
Gx ( f ) E X ( f ) X ( f ) Cross-spectrum (křížové, vzájemné)
Gxy ( f ) E X ( f ) Y ( f ) magnitude squared coherence (výkonová)
COH xy
G 2xy G xG y
amplitude coherence
COH xy
G xy Gx Gy
26
Příklady:
Ischémie l.dx – vpravo (EEG závěr: …bez průkazných ložiskových změn)
Frekvenční mapy - není zřetelná asymetrie
Mapování lokální koherence - ložisko temporálně vpravo v souladu s CT 27
CMP - pravostranná hemiparéza (symptom vlevo)
28
7. Analýza/monitorování dlouhodobých EEG záznamů : CSA - spektrální kulisy
CSA – compressed spectral arrays
Seřazení spektrálních křivek z 2 sec úseků jako kulisy v divadle
Visualizace trendů a posuvu ve spektru u dlouhodobých záznamů a monitorování
29
7. Analýza dlouhých záznamů CSA: příklad epileptický záchvat
30
8. Case study: Photic driving u pracovníků vystavených rtuťovým parám – spolupráce s Doc. Urbanem, SZÚ Photic driving – reakce EEG na fotostimulaci pro různé frekvence stroboskopu (vybudí se odezva pro harmonické složky stimulace). Cílem – zjistit potenciál CSA pro indikaci PD u raných neurotoxických efektů u dělníků vystavených parám rtuti. Změny u PD ve srovnání s kontrolní skupinou ještě před klinickými obtížemi
31
CSAs in a person with well expressed photic driving Background activity
Driving on the fundamental frequency
Driving on the 1st harmonic frequency
Driving on the 2nd harmonic frequency
32
Protokol generovaný počítačem
Kvantitativní parametry
33
9. Analýza dlouhých záznamů: identifikace významných grafoelementů
Hierarchický systém automatizovaného zpracovávání EEG
segmentace extrakce příznaků automatická klasifikace visualizace a kvantifikace
34
Blokové schéma systému WF – hierarchický systém IDENTIFIKACE SIGNIFIKANTNÍCH GRAFOELEMENTU
VYMEZENÍ VÝZNAMNÝCH ČÁSTÍ EEG
EXTRAKCE ZHUŠTĚNÉ INFORMACE
PRESENTACE VÝSLEDKŮ
SUMÁRNÍ INFORMACE STATISTIKA
KLASICKÁ TEORIE MNOŽIN
KLASIFIKACE SHLUKOVÁ ANALÝZA
UĆÍCÍ SE KLASIFIKÁTOR TEORIE FUZZY MNOŽIN
EXTRAKCE PŘÍZNAKŮ
ADAPTIVNÍ SEGMENTACE
35
Vlastnosti systému
Nástroj pro předzpracování velkých souborů dat (24 hod)
Má lékaře upozornit, že se v signálu „něco děje“ - lékař si závěr udělá sám
Snaží se imitovat práci lékaře při hodnocení EEG
Neklade si za cíl absolutní přesnost - pokud detekuje 10 % událostí, z nichž 5% jsou artefakty – přesto je velká úspora času pro 24 hodinový záznam
Schopný nasazení v klinické praxi (interface uživatelsky přístupný pro lékaře)
Důraz na grafickou prezentaci výsledků
Transparentní - kdykoliv je možné prohlížet originální signál a volit mezi prohlížením odvozených grafů - profilů a přeskakovat mezi vypočtenými charakteristikami a originálním záznamem.
36
Základ: Adaptivní segmentace na základě dvou spojených oken
1 dvě spojená okna
hranice segmentu
EEG – není stacionární, je po částech stacionární. Pevné úseky nerespektují charakter signálu Proto - snaha rozdělit jej na úseky proměnné délky v závislosti na výskytu nestacionarit (EEG grafoelementů) Řešení: Adaptivní segmentace (Bodenstein a Praetorius, Krajča, Varri) : 1.
kloužou dvě spojená
okna
2 míra rozdílu oken 3 lokální maximum
mez
Po signálu
2.
Z rozdílu charakteru signálu v obou oknech se určí odchylka od stacionarity.
3.
Hranice segmentu je umístěna v místech lokálních maxim této odchylky
37
Příklad adaptivní segmentace jednoho kanálu EEG signál a hranice segmentů
Amplitudová míra diference oken
Frekvenční míra
Celková míra diference a mez pro segmentaci
38
Příklad multikanálové adaptivní segmentace
HRANICE SEGMENTU
ČÍSLO TŘÍDY
39
Příklad barevné identifikace epileptických grafoelementů – klasifikace pomocí shlukové analýzy
40
Extrakce příznaků
klasifikace se má blížit vizuálnímu hodnocení lékaře
proto - zvolena sada deseti příznaků popisujících frekvenční i časové parametry grafoelementů:
variance amplitudy v segmentu
rozdíl maximální positivní a minimální negativní hodnoty amplitudy v segmentu
hodnoty amplitudy signálu v delta, theta, alfa, beta1 a beta2 frekvenčních pásmech
maximální hodnota první derivace signálu v segmentu (úměrná sklonu křivky grafoelementu)
maximální hodnota druhé derivace signálu v segmentu (úměrná špičatosti křivky)
průměrná hodnota frekvence v segmentu.
41
Automatická klasifikace - metody on-line a off-line zpracování klasické i fuzzy
Motivace - snaha odhalit strukturu, která může být skryta v datech, identifikovat EEG grafoelementy.
Metody pro třídění detekovaných EEG grafoelementů do typových tříd:
SHLUKOVÁ ANALÝZA
hledá přirozenou strukturu dat (pokud existuje) učení bez učitele - žádná a priori informace o datech data v tomtéž shluku (třídě) jsou si v určitém smyslu ”bližší” než data v různých shlucích příznakově orientovaná metoda klasifikace; příznaky - popisují daný klasifikovaný objekt neumožňuje on-line klasifikaci (nelze klasifikovat segmenty které teprve přijdou)
42
Automatická klasifikace - metody on-line a off-line zpracování klasické i fuzzy
UČÍCÍ SE KLASIFIKÁTOR
porovnává nový objekt s prototypem (identifikován učitelem ve fázi učení)
problémy s objekty, na které systém nebyl naučen
ve fázi učení lze použít shlukovou analýzu pro definici etalonů
Metody klasické i pomocí neuronových sítí
Oba typy metod mohou využívat KLASICKOU i FUZZY teorii množin
43
Princip algoritmu k-means (k-středů) 1a. Náhodně vybereme středy tříd prototypy (mohou být přímo data) 1b. Vypočteme vzdálenosti všech objektů od každého středu 2. Objekt přiřadíme (klasifikujeme) do té třídy, k jejímuž středu má nejblíže
3. Přepočteme středy nových tříd - těžiště
4. Pokud jsme nedosáhli optima, vracíme se na bod 1b. Vypočteme vzdálenosti od středů…. 44
Klasické a fuzzy množiny
Klasické množiny
neumožňují sdílení členství objektu v různých třídách objekt patří/nepatří do třídy (množiny) černobílý pohled
Fuzzy (nezřetelné) množiny
dovolí vícenásobné sdílení s různým stupněm členství X={ x1, x2,....xN }, je množina objektů. Klasická množina | Fuzzy množina _____________________________________ |____________________________ charakteristická funkce uA: X - > {0,1} 1 , xk
0 , xk
uAi(xk) = {
Ai Ai
| | | | |
zobecnění
uA: X -> <0,1>
uAi(xk)=uik fuzzy členství 45
Fuzzy sets FUZZY TŘÍDĚNÍ
KLASICKÉ (HARD) TŘÍDĚNÍ 70 JABLKA
OVOCNÉ MOŠTY
70 JABLKA
?
30 VIŠNĚ
JABLKA
VIŠNĚ
ŠVESTKY
Třída 1
Třída 2
0.70
0.30
0
1.0
0
0
0.20
0.25
0.55
0
1.0
JABLKA
Třída 3
0
30 VIŠNĚ
Třída 1
proměnný stupeň členství v intervalu 0 -
0.20
Třída 2
ŠVESTKY Třída 3
0
1
0
0
0
1 0 ... patří do třídy
1
0
0 1 ... nepatří
1
1 0 0.80 smíšený objekt může patřit do různých tříd s různým stupněm členství
VIŠNĚ
0
0 1 smíšený objekt musí být zařazen do jedné z tříd
0
0
46
Automatická klasifikace EEG grafoelementů
Motivace - snaha odhalit strukturu, která může být skryta v datech, identifikovat EEG grafoelementy.
Metoda – shluková analýza
hledá přirozenou strukturu dat učení bez učitele - žádná a priori informace o datech data v tomtéž shluku (třídě) jsou si v určitém smyslu ”bližší” než data v různých shlucích příznakově orientovaná metoda klasifikace; příznaky - popisují daný klasifikovaný objekt
47
Příklad klasifikace klasické
Klasická třída č.5.
Klasická třída č. 6 obsahující objekty typu třídy 5 (řádek 7). 48
Zhuštěná sumární informace Typické, reprezentativní segmenty (nejblíže těžišti) a jejich procentuální zastoupení - multikanálová sumární informace Časový profil ukazuje členství segmentu ve třídě v průběhu času Třídy seřazeny podle velikosti amplitudy Barva - indikuje třídu segmentu v originálním EEG záznamu
49
Strukturální schématický popis EEG – časový profil záznamu
Lékař má k dispozici efektivní nástroj, umožňující pomocí kursoru vybrat příslušnou část originálního záznamu a pokračovat v prohlížení. Buďto v časové oblasti EEG, nebo ve schematickém diagramu. K tomu může zobrazit sumární multikanálovou informaci o typu EEG aktivity
50
Srovnání s dalšími metodami - CSA - metoda zhuštěných spektrálních kulis - informace pouze ve frekvenční oblasti-ztrácíme tvar grafoelementů
51
Příklad detekce spánkových stavů novorozence pomocí vyhlazení časových profilů (120 min záznamu)
VISUAL EVALUATION
AWAKE
QUIET SLEEP
ACTIVE SLEEP
QUIET SLEEP
ACTIVE SLEEP QSLEEP AWAKE 52
Vybrané publikace v časopisech s impakt faktorem -www.skolicka.fbmi.cvut.cz
53
