ESKÉ VYSOKÉ UENÍ TECHNICKÉ Fakulta elektrotechnická Katedra kybernetiky
Bakalá°ská práce
Automatická detekce artefakt· v EEG Jana Cháberová
Vedoucí práce: Ing. Václav Gerla, Ph.D. kv¥ten 2014
České vysoké učení technické v Praze Fakulta elektrotechnická Katedra kybernetiky
ZADÁNÍ BAKALÁŘSKÉ PRÁCE Student:
Jana C h á b e r o v á
Studijní program:
Kybernetika a robotika (bakalářský)
Obor:
Robotika
Název tématu:
Automatická detekce artefaktů v EEG signálech
Pokyny pro vypracování: 1. Vypracujte rešerši na téma „Nejčastější artefakty vyskytující se v EEG signálech“. Zaměřte se nejen na výčet různých typů artefaktů, ale především na jejich podrobný popis, na základě kterého bude možné navrhnout metodiku jejich detekce. Seznamte se také s metodami, které již byly publikovány, zvláště pak s těmi, které slouží k detekci artefaktů z dlouhodobých EEG signálů (použijte např. bránu EIZ: https://dialog.cvut.cz/). 2. Navrhněte a implementujte sadu metod, která umožní detekci vybraných typů artefaktů, které se mohou vyskytovat v EEG signálech (konkrétní typy artefaktů určí vedoucí bakalářské práce na základě sestavené rešerše a analýz, které bude studentka provádět v průběhu semestru). Možné postupy: digitální filtrace, odhad statistických parametrů, korelace EEG signálu se šablonou, korelace EEG signálu s dalšími polygrafickými kanály, analýza spektrogramu. Seznam odborné literatury: [1] Lopes da Silva Fernando, Niedermeyer Ernst: Electroencephalography – Basic principles, clinical applications and related field. Philadelphia, 2005. [2] Malmivuo Jaakko, Plonsey Robert: Bioelectromagnetism: Principles and Applications of Bioelectric and Biomagnetic Fields. New York: Oxford University Press, 1995. [3] Sanei Saeid, Chambers Jonathon: EEG Signal Processing. Wiley-Interscience, Sep. 2007.
Vedoucí bakalářské práce: Ing. Václav Gerla, Ph.D. Platnost zadání: do konce letního semestru 2014/2015
L.S.
doc. Dr. Ing. Jan Kybic vedoucí katedry
prof. Ing. Pavel Ripka, CSc. děkan V Praze dne 10. 1. 2014
Prohlá²ení autora práce Prohla²uji, ºe jsem p°edloºenou práci vypracovala samostatn¥ a ºe jsem uvedla ve²keré pouºité informa£ní zdroje v souladu s Metodickým pokynem o dodrºování etických princip· p°i p°íprav¥ vysoko²kolských záv¥re£ných prací.
V Praze dne ..............................................
................................................................. Podpis autora práce
ii
Pod¥kování Ráda bych pod¥kovala Ing. Václavu Gerlovi, Ph.D. za cenné rady, p°ipomínky a vst°ícnost p°i konzultacích, které usnadnily vypracování této bakalá°ské práce.
iii
Abstrakt V této práci je studována obecná problematika získávání a následného zpracovávání EEG se zam¥°ením na artefakty, které £asto tvo°í nezanedbatelnou £ást signálu a komplikují jeho analýzu léka°skými odborníky. První teoretická £ást bakalá°ské práce prezentuje EEG jako biosignál s d·razem na jeho neurofyziologický podklad, problematické aspekty jeho m¥°ení a detailní studium artefakt· majících biologický i technický p·vod. Praktická £ást dále popisuje vlastní m¥°ení EEG, ve kterém byly simulovány r·zné druhy artefakt·. Získané signály jsou vyuºity pro návrh n¥kolika metod vedoucích k automatické detekci artefakt·. Analýza a implementace je provád¥na v prost°edí MatLab.
Abstract This thesis deals with the general problem of EEG signal acquisition and its subsequent processing focusing mainly on artifacts which often form a signi cant part of the signal and complicate its analysis by medical experts. The rst theoretical part presents the EEG as a biosignal with an emphasis on its neurophysiological origin, problematic aspects of its recording and a detailed study of artifacts raising from both biological and technical origin. The practical part then describes own EEG recording with simulation of dierent artifact types. The obtained signals are used to design several methods of automatic artifact detection. Signal analysis and the implementation is done in MatLab environment.
iv
Obsah
1 Úvod do EEG
1
1.1
EEG jako signál
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
1
1.2
Neurofyziologický p·vod . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
2
1.2.1
Klidový membránový potenciál . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
3
1.2.2
Ak£ní potenciál . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
3
1.2.3
í°ení ak£ního potenciálu
5
1.3
1.4
. . . . . . . . . . . . . . . . . . . . . . .
5
1.3.1
Delta vlny . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
6
1.3.2
Theta vlny
6
1.3.3
Alfa vlny
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
6
1.3.4
Beta vlny
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
6
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
7
M¥°ení povrchového EEG . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
7
Informace v EEG . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
9
Metodika EEG 1.4.1
1.5
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
Základní projevy mozkové aktivity, vlny v EEG
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
2 EEG artefakty 2.1
2.2
2.3
10
Fyziologické artefakty
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
10
2.1.1
Okulární artefakty (o£ní pohyby, mrkání, elektroretinogram)
. . . . . . . . . . . .
11
2.1.2
Svalové artefakty . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
13
2.1.3
Intraorální artefakty . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
14
2.1.4
Pohybové artefakty . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
14
2.1.5
Kardiovaskulární artefakty
14
2.1.6
Koºní potenciály, elektrodermální artefakty
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
16
Technické artefakty . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
17
2.2.1
Vn¥j²í prost°edí, interference
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
17
2.2.2
Elektrodové artefakty
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
18
Známé metody detekce EEG artefakt· . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
19
3 Praktická £ást: Metody automatické detekce artefakt· . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
21
3.1
Moºné p°ístupy k detekci
3.2
M¥°ení EEG . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
23
3.3
P°edzpracování a primární analýza dat . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
24
3.4
Návrhy detek£ních metod
27
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
21
3.4.1
Detekce vyuºívající spektrogram
. . . . . . . . . . . . . . . . . . . . . . . . . . . .
artifactsSpectrogram.m
. . . . . . . . . . . . . . . . . . . . . . . . . . . .
27
3.4.2
Metody pracující s okny . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
33
3.4.1.1
3.4.2.1
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
33
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
35
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
37
Detekce na principu shlukování . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
39
3.4.2.2 3.4.2.3 3.4.3
amp_thresholding.m win_BS.m . . . . . win_pair.m . . . . .
27
3.4.3.1 3.4.3.2 3.4.3.3
kurtosis . skewness variance
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
41
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
41
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
41
v
3.4.3.4
mean
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
43
4 Výsledky, hodnocení
45
5 Záv¥r
52
vi
Seznam obrázk· 1.1
Schéma neuronu. [6]
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
1.2
Ak£ní potenciál. [7]
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
1.3
Rozmíst¥ní elektrod standardizovaného 10/20 systému, [12]
2.1
Mrknutí a vertikální o£ní pohyby: 1 - mrknutí, 2 - otev°ení o£í, 3 - zav°ení o£í, 4 - sakkadické o£ní pohyby (pohyby v horizontálním sm¥ru). [17]
. . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . . . .
2 3 8
11
2.2
O£ní kmitání zaznamenané elektrodami Fp1 a Fp2 p°ipomínající patologické vlny alfa. [16]
12
2.3
P°ítomnost elektroretinogramu v EEG, otev°ené o£i. [16]
12
2.4
Svalové artefakty, 1 - souvislá svalová kontrakce (pouºit ltr - odstran¥ní frekvencí vy²²ích
. . . . . . . . . . . . . . . . . .
neº 70 Hz), 2 - plynulé pokra£ování záznamu 1, od ltrování frekvencí vy²²ích neº 15 Hz, 3 - krátká zatnutí zub· (ºvýkání), [17] 2.5
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
13
EKG artefakt - záznam EKG, EOG a jeho projevy v EEG, (R hroty £erven¥), patrný i okulární artefakt v podob¥ pomalých vln kopírujících EOG. [19]
. . . . . . . . . . . . . .
15
2.6
Pulsní artefakt v F4, srde£ní arytmie. [16] . . . . . . . . . . . . . . . . . . . . . . . . . . .
15
2.7
Artefakt pocení. [20] . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
16
2.8
Sympatická odezva apokrinních ºlázek v k·ºi na tlesknutí. [17]
17
2.9
Interference, sí´ový ²um 50 Hz. ervený graf - p°ed odstran¥ním, modrý graf - po odstran¥ní. [19]
. . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
18
2.10 Elektrodové praskání (elektrode-pop), patrné na obou svodech se vztahem k dané elektrod¥ (T3). [20]
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
19
3.1
Výsledek algoritmu k-means pro jednorozm¥rná data. [31] . . . . . . . . . . . . . . . . . .
23
3.2
Vybrané artefakty, £asová oblast, zobrazeno v prost°edí WaveFinder
. . . . . . . . . . . .
25
3.3
Artefakty, frekven£ní oblast (spektrogram), svod Fp1 . . . . . . . . . . . . . . . . . . . . .
26
3.4
Samostatný °ádek spektrogramu pro frekvenci 75 Hz, svod T3. Lze p°edpokládat, ºe viditelné peaky odpovídají artefakt·m. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
r
3.5
Porovnání p°evodu frekven£ního pásma do °ádku
3.6
001.d, Detekce svalových artefakt·, frekven£ní pásmo 70 - 90 Hz,
pomocí st°ední a maximální hodnoty .
3.7
Porovnání n¥kolika svod· v souboru technických artefakt·. ipky ukazují p°íklady arte-
p = 0.94
. . . . . . . . .
fakt· mající odli²nou manifestaci v r·zných svodech. . . . . . . . . . . . . . . . . . . . . . 3.8
Technické artefakty, svod Fp1, dv¥ detek£ní pásma 50 - 80 Hz, 80 - 120 Hz
3.9
Zhu²t¥né EEG záznamy
28 29
31
. . . . . . . .
32
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
33
3.10 Srovnání správné (naho°e) a fale²né (dole) detekce. Svod Fp1,
n = 2.9.
27
win = 8 s, winshif t = 0.25 s,
001.d . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
3.11 Výstup detekce v souboru technických artefakt·.
10 s, winshif t = 0.25 s, n = 3
amp_thresholding.m,
Svod Fp1,
win =
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
3.12 Výstup detekce v souboru fyziologických artefakt·.
win_BS.m,
win_pair2.m,
vii
38
Svod Fp1, winA = winB
= 1.1 s, win_distance = 0.2 s, x = 6 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3.15 Vývoj statistických veli£in s £asem, 001.d, Fp1
37
win_pair.m, Svod Fp1, winA = winB
= 0.9 s, overlap = -0.4 s, x = 7.5 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3.14 Výstup detekce v souboru technických artefakt·.
35
Svod Fp1, winB = 12 s,
winS = 1 s, x = 1.2 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3.13 Výstup detekce v souboru fyziologických artefakt·.
34
. . . . . . . . . . . . . . . . . . . . . . . .
39 40
3.16 Výsledek shlukovací metody s vyuºitím ²pi£atosti. Vlevo naho°e jsou znázorn¥ny fale²n¥ detekované úseky, vpravo naho°e £áste£n¥ detekovaný artefakt s referencí o£ního mrkání. Dolní graf znázor¬uje vypo£ítanou ²pi£atost pro jednotlivá okna signálu a výsledek shlukovací analýzy. Pouºité parametry:
window = 0.8 s, winshif t = 0.02 s.
Svod Fp1. 001.d
.
41
3.17 Výsledek shlukovací metody s vyuºitím rozptylu. Vlevo naho°e patrná jak úsp¥²ná i neúsp¥²ná detekce, tak fale²n¥ detekovaný úsek. Vpravo naho°e správná detekce vzhledem k referenci. Dolní graf znázor¬uje vypo£ítaný rozptyl pro jednotlivá okna signálu a výsledek shlukovací analýzy. Pouºité parametry:
window = 0.5 s, winshif t = 0.02 s.
Svod Fp1. 001.d 42
3.18 Výsledek shlukovací metody s vyuºitím rozptylu. Vlevo naho°e £áste£ná detekce o£ního mrkání. Naho°e uprost°ed správná detekce technického artefaktu a mén¥ manifestované nedetekované úseky. Vpravo naho°e správná detekce i segmentace technických artefakt·. Dolní graf znázor¬uje vypo£ítaný rozptyl pro jednotlivá okna signálu a výsledek shlukovací analýzy. Pouºité parametry:
window = 0.4 s, winshif t = 0.02 s.
Svod Fp1. 002.d
. . . . .
43
3.19 Výsledek shlukovací metody s vyuºitím st°ední hodnoty. Naho°e jsou znázorn¥ny správné detekce o£ního mrkání. Pro £ervenou k°ivku bylo zvoleno okno velikosti vou k°ivku
0.05 s.
0.2 s
a pro alo-
Dolní graf znázor¬uje vypo£ítanou st°ední hodnotu pro jednotlivá okna
signálu a výsledek shlukovací analýzy. Svod Fp1. 001.d . . . . . . . . . . . . . . . . . . . . 4.1 4.2 4.3 4.4 4.5 4.6 4.7 4.8 4.9 4.10 4.11 4.12
artifactsSpectrogram.m, win = 1 s, 70 - 90 Hz, p = 0.94 . . . . . . . . win_BS.m, winB = 12 s, winS = 1 s, x = 1.2 . . . . . . . . . . . . . . win_pair.m, winA = winB = 0.9 s, overlap = -0.4 s, x = 7.5 . . . . . clustering.m, variance, win = 0.5 s . . . . . . . . . . . . . . . . . . . . amp_thresholding.m, win = 8 s, n = 2.9 . . . . . . . . . . . . . . . . . win_BS.m, winB = 12 s, winS = 1 s, x = 1.2 . . . . . . . . . . . . . . win_pair.m, winA = winB = 0.9 s, overlap = -0.4 s, x = 7.5 . . . . . clustering.m, variance, win = 0.5 s . . . . . . . . . . . . . . . . . . . . artifactsSpectrogram.m, win = 0.5 s, 50 - 80 Hz, 80 - 120 Hz, p = 0.95 amp_thresholding.m, win = 10 s, n = 3 . . . . . . . . . . . . . . . . . win_BS.m, winB = 4 s, winS = 1 s, x = 0.9 . . . . . . . . . . . . . . . clustering_tech.m, variance, win = 0.4 s . . . . . . . . . . . . . . . . .
viii
44
. . . . . . . . . . .
47
. . . . . . . . . . .
47
. . . . . . . . . . .
47
. . . . . . . . . . .
47
. . . . . . . . . . .
48
. . . . . . . . . . .
48
. . . . . . . . . . .
48
. . . . . . . . . . .
48
. . . . . . . . . . .
49
. . . . . . . . . . .
49
. . . . . . . . . . .
49
. . . . . . . . . . .
49
Seznam tabulek 1.1 3.1
Srovnání EEG vln [4, 9, 10] . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . P°ehled statistických veli£in: odchylka. [29], [30]
N
- po£et prvk·,
Xi -
6
hodnota i-tého prvku, s - standardní
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
21
3.2
Simulované artefakty . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
22
3.3
Pozorovatelnost artefakt·
23
3.4
Porovnání závislosti vstupních parametr· na výsledku metody
3.5
Porovnání závislosti vstupních parametr· na výsledcích prahovací metody
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
pro soubor fyziologických artefakt· 001.d 3.6
artifactsSpectrogram.m . . 29 amp_thresholding.m
. . . . . . . . . . . . . . . . . . . . . . . . . . .
Porovnání závislosti vstupních parametr· na výsledcích metody
win_BS.m
pro soubor
fyziologických artefakt· 001.d . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3.7
Porovnání závislosti vstupních parametr· na výsledcích metody
win_pair.m
4.1
Porovnání závislosti vstupních parametr· na výsledcích
shlukovací metody
35
pro soubor
fyziologických artefakt· 001.d . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3.8
33
37
pro soubor fy-
ziologických artefakt· 001.d . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
41
Doba b¥hu jednotlivých funkcí
50
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
ix
Seznam zkratek EEG
elektroencefalogram
EKG
elektrokardiogram
EMG
elektromyogram
AP
ak£ní potenciál
EPSP
excita£ní postsynaptický potenciál
IPSP
inhibi£ní postsynaptický potenciál
ECoG
elektrokortikogram
EOG
elektrookulogram
REM
rapid eye movement
m.
musculus (sval)
SSR
sympathetic skin response
GSR
galvanic skin re ex
WF
WaveFinder
DFT
disrete Fourier transform
FFT
fast Fourier transform
PSD
power spectral density
GUI
graphical user interface
ERG
elektroretinogram
x
1
Úvod do EEG
EEG je dnes p°edm¥tem nejen klinické medicíny, ale i intenzivního výzkumu. V obou p°ípadech se spoléháme na informaci získávanou snímáním relativn¥ slabých potenciál· pocházejících z mozkové tkán¥. Informace obsaºená v nam¥°eném signálu, který je uº sám o sob¥ stochastický a nestacionární, je v²ak navíc kontaminována mnohými artefakty zp·sobenými nap°íklad svalovou aktivitou £i elektrodovým ²umem. Snahou je odd¥lit tyto neºádoucí sloºky signálu od neuronové aktivity, £emuº nejprve p°edchází jejich detekce. Ta je v drtivé v¥t²in¥ p°ípad· provád¥na stále manuáln¥, nebo´ metody automatické detekce zatím nejsou p°íli² roz²í°eny, nebo nejsou spolehlivé natolik, aby se na n¥ klinická praxe mohla spolehnout. Manuální procházení a klasi kace signálu je v²ak £asov¥ velmi náro£ná £innost, p°edev²ím u dlouhodobých dat (spánkové EEG, n¥kolikadenní aº týdenní signály), proto se za£íná vyvíjet snaha mající za cíl poloautomatickou aº automatickou detekci artefakt·.
1.1
EEG jako signál
Pojem biosignál zahrnuje ²iroké spektrum fyzikálních veli£in; elektrických, chemických a mechanických d¥j·, které dokáºeme pomocí speci ckých senzor· m¥°it na ºivých soustavách a následn¥ je analyzovat. Biosignály obecn¥ obsahují informace uºite£né nap°íklad pro porozum¥ní fyziologickým mechanism·m, pro diagnostiku a následnou lé£bu v klinické medicín¥, ale také pro vyuºívání moderních technologií b¥ºnou populací. [1] Se snímáním biologických signál· se dnes tudíº setkáváme nejen na odborném léka°ském pracovi²ti, ale i v b¥ºných situacích osobní váhy analyzující sloºení lidského t¥la, jednoduché senzory sledující srde£ní frekvenci b¥hem sportu £i náramky analyzující kvalitu spánku na základ¥ pohyb· b¥hem noci. Biologické signály m·ºeme £lenit podle druhu fyzikální veli£iny, která je jejich zdrojem, do n¥kolika základních kategorií bioelektrické, biomagnetické, biomechanické £i biochemické. Biosignál· máme tedy celou °adu a jejich charakteristiky bývají r·znorodé. Dal²í typy £len¥ní mohou zahrnovat zp·sob zaznamenávání vzhledem k £asu ur£ité veli£iny m·ºeme m¥°it kontinuáln¥, dal²í p°eru²ovan¥ pouze v ur£itých £asových intervalech, jiné zase striktn¥ jednorázov¥. Jiným parametrem m·ºe být determinismus signálu nebo jeho periodicita. Signály m·ºeme dále rozd¥lovat i na základ¥ detailn¥j²ích charakteristik tvar vln, statistické parametry, frekven£ní charakteristiky. [1] Signál EEG pat°í spole£n¥ nap°. s EKG, EMG do skupiny bioelektrických signál·, jejichº zdrojem jsou nervové a svalové bu¬ky, ve kterých dochází k elektrochemickým zm¥nám a následnému generování potenciálu. Aktivace mnoha bun¥k v p°íslu²né oblasti dává vzniku elektrickému poli, které se dále ²í°í tkání. Toto pole je následn¥ m¥°eno v¥t²inou na povrchu p°íslu²né tkán¥ pomocí elektrod. Je samoz°ejm¥ moºné snímat elektrické zm¥ny i p°ímo intracelulárn¥. [1] U m¥°ení mnoha biosignál· má p°íslu²ný odborník v¥t²inou dostate£nou p°edstavu o podstat¥ signálu a p°í£inách jeho charakteristik. Nap°íklad získávání EKG je pom¥rn¥ snadné, zdroj signálu je dostate£n¥ výkonný a patrný, anatomie i fyziologie srdce je známá do dostate£ných detail·. Signál lze dále v¥t²inou jednozna£n¥ interpretovat a analyzovat. U EEG naráºíme ale hned na n¥kolik problém·, které následné hodnocení a práci se signálem komplikují.
1
EEG není deterministickým signálem, nýbrº stochastickým, p°ístup k jeho zpracování musí tudíº být empirický, zaloºen primárn¥ na práci se statistickými charakteristikami, které se m¥ní v pr·b¥hu signálu, £asto op¥t stochasticky. Samoz°ejm¥ prakticky kaºdý biosignál obsahuje stochastickou sloºku v podob¥ ²umu, v p°ípad¥ EEG (stochastického jako takového) je v²ak rozli²ení signálu od ²umu podstatn¥ sloºit¥j²í. Vzhledem k nedeterminismu EEG nelze s jistotou ur£it stupe¬ rozli²ení, od kterého uº signál neobsahuje uºite£nou informaci. Dal²í komplikací je svým zp·sobem i získávání signálu jako takového. Na rozdíl od snímání veli£in z r·zných jiných orgán· je mozek obtíºn¥ji dostupnou tkání a vzhledem k charakteristice generování m¥°ené veli£iny i velmi náchylný ke vzniku velkého mnoºství r·zných artefakt·. Samotná informace je pak velmi rozptýlená a obtíºn¥ interpretovatelná.
1.2
Neurofyziologický p·vod
Jednodu²e °e£eno, základem EEG je generování ak£ních potenciál· nervovými bu¬kami díky proudu iont· skrze membránu, které následn¥ vedou ke vzniku excita£ních (nebo inhibi£ních) postsynaptických potenciál· (EPSP, IPSP). Ty ve výsledku gurují jako p°evládající zdroj EEG aktivity. [4] Ak£ní potenciály samotné ke zdroji EEG p°ispívají v²ak jen minimáln¥. P°estoºe mají vy²²í amplitudu neº EPSP, trvají podstatn¥ krat²í dobu. Kv·li tomu, ºe nap°í£ mozkovou k·rou vznikají ak£ní potenciály náhodn¥ a trvají velmi krátce, není dosaºeno takové sumace, která by byla schopna p°enést vzruch s dostate£nou amplitudou aº na povrch skalpu k elektrodám. Excita£ní i inhibi£ní postsynaptické potenciály v²ak mají del²í trvání, výsledný signál na povrchu hlavy je tak jejich sou£tem v rámci sloupce pod danou elektrodou. [4, 5]
Pro
skute£né
t°eba
zmínit
velmi
jemný
vového Mezi
vysv¥tlení
vzniku
základní
principy
náhled
do
EEG
je
v²ak
neurofyziologie
anatomie
centrálního
systému
základní
strukturní
poa
ner-
(CNS).
prvky
nervového
systému
pat°í neurony, neuroglie a dal²í sou£ásti vnit°ního prost°edí CNS (komorový systém, hematoencefalická bariéra atd.), které ale vzhledem k tématu a hloubce, se
kterou
je
fyziologie
mozku
v
této
práci
studo-
vána, nejsou podstatné. [2] Je d·leºité popsat hrubou stavbu a funkci nervové bu¬ky a p°edev²ím d¥je na bun¥£né membrán¥ s d·razem na membránové potenciály. Základními stavebními prvky neuronu jsou jeho bun¥£né t¥lo, jeden axon (odst°edivý, eferentní výb¥ºek) a variabilní po£et dendrit· (dost°edivých, aferentních výb¥ºk·). Dendrity jsou výb¥ºky bohaté na receptory, nebo´ p°íjem informace je zprost°edkován chemicky pomocí neurotransmiter·. Významnou strukturou vzájemného uspo°ádání nervových bun¥k jsou práv¥ terminální segmenty axonu a dendrit·, mezi nimiº vznikají synapse. [2]
2
Obrázek 1.1: Schéma neuronu. [6]
P°i EEG snímáme elektrickou aktivitu p°eváºn¥ t¥ch neuron·, které se vyskytují v mozkové k·°e. Ta je uspo°ádána do ²esti vrstev, kde jednotlivé nervové bu¬ky vytvá°í sloupce, ve kterých jsou uloºeny paraleln¥ s hlavní osou axonu, dendritického stromu, a kolmo k povrchu k·ry. Toto radiální uspo°ádání je d·leºitou podmínkou pro to, aby elektrická aktivita bun¥k (v podob¥ dipól·) v·bec mohla být elektrodami snímána. [5] Klí£ovou roli v celém generování vzruch· a tudíº i EEG signálu hraje bun¥£ná membrána neuron·. Její omezená propustnost pro v¥t²inu chemických látek zp·sobuje p°ítomnost klidového membránového potenciálu, jehoº p°í£inou jsou r·zné koncentrace iont· (r·zný náboj) intra a extracelulárn¥. Kv·li svému lipidovému sloºení voln¥ propou²tí pouze relativn¥ malé nepolární molekuly bez náboje, zatímco ve²keré ionty, proteiny, aminokyseliny £i nukleové kyseliny musí pro prostup membránou vyuºívat speciální p°ena²e£e, nap°íklad iontové kanály. [3] Ty m·ºeme d¥lit na základ¥ speci ty pro ur£itý iont nebo zp·sobu, kterým je °ízeno otevírání a zavírání kanálu. [2]
1.2.1 Klidový membránový potenciál Jak uº bylo zmín¥no, v d·sledku rozdílné koncentrace iont· uvnit° a vn¥ bun¥£né membrány vzniká mezi nimi potenciál o hodnot¥ -70 aº -90 mV. Lze ho chápat jako výsledek rovnováhy ustanovené na základ¥ koncentra£ního (chemicky) a elektrického gradientu jednotlivých iont·. Klí£ovým faktem je p°ítomnost záporn¥ nabitých aminokyselin uvnit° bu¬ky, které z vý²e zmín¥ných d·vod· nemohou prostupovat bun¥£nou membránou a tvo°í tak intracelulární prost°edí negativní. Kationty jsou tak elektrickým gradientem nuceny vstupovat dovnit° do bu¬ky, anionty jsou naopak odpuzovány. Koncentra£ní gradient zase posílá K
+
ionty ven, kv·li jejich vysoké intracelulární koncentraci. Tyto v²echny síly se podílejí na
výsledném ustálení klidového membránového potenciálu. [2, 3]
1.2.2 Ak£ní potenciál Je-li neuron podráºd¥n n¥jakým stimulem, je jím ovlivn¥na i aktivita nap¥´ov¥ °ízených iontových kanál·, tudíº se poru²í rovnováha ustanovená p°i klidovém membránovém potenciálu. Pokud je dosaºeno spou²t¥cí úrovn¥ (je dostate£n¥ zm¥n¥na polarita membrány), otevírají se nap¥´ov¥ °ízené
+
kanály pro Na , za£ne docházet k prostupu sodíku ve sm¥ru koncentra£ního gradientu do nitra bu¬ky, které se tak stává kladné, a dojde k depolarizaci. S postupující depolarizací aº transpolarizací se Na
+
kanály postupn¥ zavírají a zárove¬
sodné kationty p°estávají být taºeny do nitra bu¬ky elektrickým gradientem. Paraleln¥ s otevíráním kanál· pro sodík jsou v²ak otevírány i nap¥´ov¥ °ízené kanály pro draslík, které posléze z·stávají otev°eny o n¥co déle neº jejich sodíková obdoba. Draselné ionty tudíº proudí z bu¬ky ven ve sm¥ru koncentra£ního spádu (b¥hem pr·b¥hu AP i elektrického gradientu) a nakonec tak napomáhají k repolarizaci a obnov¥ stálého klidového membránového potenciálu.
3
Obrázek 1.2: Ak£ní potenciál. [7]
+
B¥hem tohoto d¥je do²lo k vým¥n¥ ur£itého po£tu iont· K
+
za Na , av²ak jejich po£et je vzhledem k
celkové koncentraci prakticky zanedbatelný a intra a extracelulární koncentrace sodíku a draslíku z·staly v podstat¥ nezm¥n¥ny. [3] Pozn. P°esto jsou tyto drobné zm¥ny v koncentracích nakonec napraveny aktivním p°e£erpáváním t¥chto iont· speciální pumpou proti jejich koncentra£nímu gradientu. [2]
1.2.3 í°ení ak£ního potenciálu Vzruch/ak£ní potenciál se ²í°í po výb¥ºcích neuronu pomocí tzv. lokálních proud·. Kv·li tomu, ºe k depolarizaci do²lo pouze lokáln¥, nastává situace, kdy sousední úseky membrány jsou v·£i sob¥ opa£n¥ nabité (v míst¥ depolarizace je vnit°ek kladn¥j²í oproti klidovému stavu, kdy je tomu naopak). Lokální proudy vzniklé na základ¥ tohoto sousedního potenciálového rozdílu mají vy²²í hodnotu nap¥tí, neº je práh pro vznik ak£ního potenciálu, proto vzáp¥tí dochází k depolarizaci i v sousedním úseku. Tento proces umoº¬uje ²í°ení vzruchu vláknem aº k synaptické ²t¥rbin¥, kde zp·sobí vyplavení neurotransmiteru, chemicky tak ovlivní postsynaptickou membránu následující bu¬ky za vzniku excita£ního nebo inhibi£ního postsynaptického potenciálu (EPSP, IPSP). [2] Sou£et EPSP a IPSP, nikoliv ak£ních potenciál·, tvo°í m¥°ený zdroj EEG signálu. Jak jiº bylo zmín¥no, ak£ní potenciály se nedokáºou p°ímo projevit v EEG kv·li jejich krátké dob¥ trvání 1-2 ms (EPSP/IPSP: 10 250 ms), asynchronnímu vzniku a oproti postsynaptickým potenciál·m i men²í plo²e membrány, která p°íslu²né zm¥n¥ v rozmíst¥ní náboje podléhá. [5]
Pro komplexn¥j²í p°edstavu o tom, jak EEG vzniká, si je t°eba uv¥domit i nezanedbatelný vliv vzájemného ovliv¬ování neuron·. Ne vºdy se na základ¥ p°enosu vzruchu skrze synapsi musí následující neuron aktivovat a sám podlehnout depolarizaci (vyvolat dal²í ak£ní potenciál). V závislosti na konkrétním mediátorovém systému m·ºe dojít ke vzniku inhibi£ního postsynaptického potenciálu, kdy dochází naopak k hyperpolarizaci. V jiných p°ípadech m·ºe být neuron stimulován podprahov¥, m·ºe docházet k sumaci jednotlivých vzruch·. [2]
2
Vezmou-li se v potaz vý²e zmín¥né informace spole£n¥ s faktem, ºe se pod 1 mm
skalpu v korové
vrstv¥ nachází cca 100000 neuron·, kde kaºdý je pokryt tisícem aº statisícem synapsí, dochází k jistému druhu sumace jak na úrovni samotného neuronu, tak k superpozici na úrovni celého sloupce bun¥k pod elektrodou. Zárove¬ je mozková k·ra (v níº obsaºené neurony p°ispívají do signálu nejvy²²í m¥rou, nebo´ neurony z hlub²ích struktur se na povrchu projeví zanedbateln¥) zvrásn¥ná do závit·, tudíº zaznamenání dipól· elektrodou není v ur£itých místech moºné kv·li jejich vyru²ení. Dochází tak k obrovskému zhu²t¥ní informace, které p°ispívá k obtíºné interpretaci EEG jako takového.
1.3
Základní projevy mozkové aktivity, vlny v EEG
P°estoºe je EEG obecn¥ stochastické, vyskytují se v n¥m kvazisinusové rytmy, mající zdroj v rytmické aktivit¥ ur£itých thalamických jader (hluboké subkortikální struktury), které synchronn¥ ovliv¬ují dal²í skupiny korových bun¥k. Výsledný signál se tak m·ºe jevit jako spontánní nap¥´ová uktuace. [4, 5] Na základ¥ vý²e zmín¥né rytmicity je EEG £len¥no do n¥kolika kategorií v závislosti nejen na frekvenci pozorovaných vln, ale i na jejich amplitud¥ a lokalizaci. P°i záznamu snímaného ze skalpu se rozsah amplitud pohybuje od 10 do 150
μV
[5] .
4
Frekvence vln, které jsou relevantní vzhledem ke klinické praxi, spadají do intervalu 0.5 50 Hz. [5, 8] Jejich základní d¥lení je následující:
delta vlny: < 3.5 Hz
theta vlny: 3.5 7.5 Hz
alfa vlny: 8 13 Hz
beta vlny: > 13 Hz (14 22 Hz)
1.3.1 Delta vlny Vlny o nízké frekvenci, spadající do delta pásma, se za fyziologických podmínek vyskytují pouze u novorozenc·. U dosp¥lých pak jen b¥hem hlubokého spánku. Výskyt v ostatních p°ípadech se povaºuje za patologický. P°edpokládá se, ºe p·vodcem t¥chto vln jsou £ist¥ neurony z mozkové k·ry, které nejsou nijak ovlivn¥ny hlub²ími centry. [5]
1.3.2 Theta vlny Theta pásmo se p·vodn¥ spole£n¥ s deltou °adilo do jedné skupiny pomalých vln. P°edpokládá se v²ak zdroj v thalamu, proto se této pozd¥ji zavedené kategorii p°i°adil název theta. Ve v¥t²í mí°e jsou vlny p°ítomny b¥hem d¥tství. U dosp¥lých je jejich výskyt op¥t podmín¥n ospalostí a spánkem. [5] Podle [4] se v²ak mohou objevit i b¥hem stresu a vzru²ení. Zdroj [4] zárove¬ uvádí typickou lokalizaci p°edev²ím ve frontální a temporální oblasti.
1.3.3 Alfa vlny Vlny alfa jsou brány jako jedny z nejrytmi£t¥j²ích a p°evládají v okcipitální a parietální krajin¥. [4, 5] Lze je pozorovat v bd¥lém stavu relaxace, p°edev²ím p°i zav°ených o£ích. P°i otev°ených o£í je p°ítomnost alfa podmín¥na silnou relaxací a nekoncentrací, nebo´ se p°edpokládá, ºe jakákoliv mentální aktivita v£etn¥ p°ijímání sv¥telných stimul· blokuje alfa aktivitu. Je zárove¬ nejvíce variabilní, p°edev²ím s v¥kem,
2
glykémií, t¥lesnou teplotou a parciálním tlakem CO . Jakmile tyto fyziologické parametry klesají, klesá i frekvence alfa vln.
1.3.4 Beta vlny Beta aktivita je dominantní p°edev²ím nad frontálním a centrálním regionem mozkové k·ry. [4, 5] Je standardn¥ p°ítomná u kaºdého dosp¥lého £lov¥ka v bd¥lém stavu. Oproti alfa pásmu má krom¥ vy²²í frekvence i podstatn¥ niº²í amplitudu. [4] Její aktivita lze snadno utlumit prost°ednictvím omamných látek a r·zných sedativ (nap°. zavedením barbiturát·). [5, 8]
5
Frekven£ní
Amplituda
pásmo [Hz]
[μV]
0.5 - 3.5
100 - 200
frontáln¥, Delta
Theta
3.5 - 7.5
5 - 10
Alfa
8 - 13
20 - 80
Beta
13 - 22
1 - 5
Podmín¥nost
Lokalizace
výskytu
Vzhled
bd¥ní, únava,
(okcipitáln¥
(b¥ºn¥ u
u d¥tí)
novorozenc·) bd¥ní, únava,
frontáln¥, temporáln¥
vzru²ení, stres, (b¥ºn¥ u d¥tí)
okcipitáln¥,
relaxovaný stav,
parietáln¥
zav°ené o£i
soust°ed¥nost,
frontáln¥, precentráln¥
standardní pozornost
Tabulka 1.1: Srovnání EEG vln [4, 9, 10]
1.4
Metodika EEG
M¥°it EEG lze mnoha zp·soby vzájemn¥ se odli²ujícími mírou invaze, typem elektrod, po£tem elektrod £i jejich zapojením. V klinice je nejb¥ºn¥j²ím zp·sobem snímání EEG z povrchu hlavy prost°ednictvím speciální £epi£ky s elektrodami, p°edev²ím kv·li své neinvazivnosti. Tento p°ístup je v²ak op°eden mnoha komplikacemi spo£ívajícími v útlumu, mnoºství artefakt· a velkému zhu²t¥ní informace získáváme pouze jakýsi souhrn d¥ní v celém sloupci tkán¥ pod elektrodou, kde m·ºe je²t¥ v souvislosti s gyri kací k·ry docházet k vzájemnému vyru²ení jednotlivých dipól·. [11] Alternativou m·ºe být ECoG (elektrokortikogra e), kdy se mozková aktivita snímá p°ímo z k·ry. Tato metoda tudíº pat°í do skupiny intrakraniálního EEG, kam obecn¥ spadají invazivní p°ístupy k m¥°ení EEG nejen z povrchu kortexu, ale nap°íklad i z hlub²ích center mozku pomocí mikroelektrod. P°i intrakraniálním EEG se nemusíme potýkat s nevýhodami spo£ívajícími v mnoºství vrstev (jak vrstev neuron·, jejichº signály se sumují, tak dal²ích struktur mezi mozkem a elektrodou, které mají r·znou vodivost cerebrospinální tekutina, lebka, k·ºe skalpu s vlasy). Útlum t¥mito vrstvami (lebka, skalp) se týká p°edev²ím vysokých frekvencí (> 40 Hz) o nízkém nap¥tí, které jsou tímto tém¥° kompletn¥ utlumeny. [5] Kv·li své invazivit¥ se v²ak z pochopitelných d·vod· p°i b¥ºném vy²et°ení neprovádí.
1.4.1 M¥°ení povrchového EEG Standardn¥ se elektrody umis´ují vºdy do stejné vzdálenosti od referen£ních bod· nasion/inion v rovin¥ sagitální (p°edozadní) a levý/pravý preaurikulární bod v rovin¥ frontální. V obou rovinách jsou elektrody rozloºeny tak, aby byly v pomyslné linii vzájemn¥ vzdáleny 10, 20, 20, 20, 20, 10 % její celkové délky. Této elektrodové kon guraci se proto °íká systém 10/20 a je pouºívána nej£ast¥ji. [12]
6
Obrázek 1.3: Rozmíst¥ní elektrod standardizovaného 10/20 systému, [12]
Ozna£ení elektrod je realizováno pomocí písmen a £íslic, kde písmena ur£ují polohu v sagitální rovin¥, zatímco £ísla ur£ují lateralitu. Lichá £ísla odpovídají levé hemisfé°e, sudá potom pravé. (4) Pokud se v názvu elektrody místo £ísla objevuje
z, znamená to nepárovou vertexovou elektrodu. [12]
Pomocí elektrod jsme schopni získat unipolární nebo bipolární svody, kde kaºdý kanál je tvo°en dvojicí elektrody explorativní a referen£ní, které jsou p°ivedeny na dva vstupy diferen£ního zesilova£e. V p°ípad¥ unipolárního zapojení se explora£ní elektrody zapojují proti jedné spole£né referen£ní elektrod¥. Ta m·ºe být nap°íklad tvo°ena propojenými aurikulárními (u²ními) elektrodami [12] nebo average reference elektrodou, která vznikla spojením v²ech ostatních svod· p°es odpory stejné hodnoty do jednoho. [5] Výhodou tohoto zapojení je v¥t²í dynamika amplitud a fakt, ºe jednotlivé amplitudy jsou proporcionální potenciálové zm¥n¥, která je zp·sobila. Nevýhodou je v²ak riziko kontaminace referen£ní elektrody mozkovou aktivitou, která se poté dostane do v²ech svod·, £i hor²í lokalizace zdroje signálu neº u bipolárního zapojení. [5, 12, 13] Bipolární zapojení je zapojení postupné. Elektrody jsou propojeny do °ady tak, ºe jedna elektroda je sou£asn¥ zapojena k p°edchozí elektrod¥ (slouºící jako reference) a k elektrod¥ následující, kde slouºí jako explora£ní. [12] Kaºdý kanál je tedy zapojen mezi dvojici elektrod, jejichº diferen£ní nap¥tí je snímáno. [5] Výhodou je moºnost p°esné lokalizace loºiska, dobré zobrazení místních amplitudových rozdíl· a zárove¬ je odoln¥j²í na vznik artefakt·. Na druhou stranu tímto zapojením snímáme pouze relativní amplitudy a polarity. [5, 12, 13] Bipolární zapojení se m·ºe uºívat jak longitudináln¥, tak transverzáln¥.
M¥°ení EEG obecn¥ p°iná²í obrovskou variabilitu výsledk·. Nezanedbatelný vliv ²umu, jeho obtíºné odstran¥ní, relativn¥ nízké amplitudy m¥°eného signálu jiº byly zmi¬ovány. Av²ak pro práci s EEG signálem, a´ uº v roli léka°ského odborníka nebo inºenýra vyvíjejícího software, je komplikací i obrovská variabilita v nam¥°ených signálech. A to nejen mezi r·znými osobami, ale i v rámci n¥kolika m¥°ení na témºe subjektu. Výsledek m¥°ení není jako v klasických situacích z elektrotechnické praxe odvislý pouze od laboratorních podmínek, ale i od mentálního a zdravotního stavu pacienta. I za p°edpokladu,
7
ºe máme osobu neurologicky naprosto zdravou, je její EEG tak°ka nereálné znovu zm¥°it a °íct o n¥m, ºe bylo získáno za stejných podmínek. Únava, psychický stav, v¥k, soust°ed¥nost, mnoºství stimul· v okolí to v²e a mnoho dal²ího p°ímo ovliv¬uje výsledek m¥°ení. Zohledníme-li navíc laboratorní podmínky (teplota, p°ítomnost zdroje technických artefakt·, pohyb v okolí m¥°eného subjektu apod.) a moºnou nekorektnost v postupu obsluhujícího personálu (nanesené mnoºství vodivého gelu, ²patné usazení m¥°ící £epice), velmi £asto v rámci n¥kolika m¥°ení získáme °ádov¥ rozdílné hodnoty na téºe elektrod¥ u téhoº pacienta za zdánliv¥ stejných podmínek. Mezi dal²í d·sledky variabilit lze uvést i svým zp·sobem nep°esné £len¥ní EEG na jednotlivá frekven£ní pásma. Ty jsou totiº relativn¥ individuální jak nap°í£ populací, tak v¥kovými skupinami (nap°. se za£ínající pubertou se cca na p·l roku vrací theta rytmus i p°i bd¥losti).
1.5
Informace v EEG
S ohledem na vznik EEG ze synaptické a bun¥£né aktivity korových pyramidových bun¥k, která je v podstat¥ obrazem metabolismu mozkové tkán¥, m·ºeme °íct, ºe EEG je nep°ímým obrazem metabolických zm¥n nervové tkán¥. Sensitivita EEG k r·zným patologickým stav·m má obrovské uplatn¥ní v diagnostice. Neopomenutelným faktem je rychlost a nenáro£nost samotného m¥°ení vyuºitelné nap°íklad v rychlé diagnostice subdurálního nebo epidurálního hematomu, kdy tekutina tlumí signály p°icházející z kortexu. Dal²ím p°íkladem m·ºe být hypoxie £i ischemie, kdy nekrotické neurony ur£ité oblasti ztrácí svojí schopnost generovat korové potenciály, coº se projeví v EEG k°ivce v konkrétním svodu korespondujícím s místem patologického loºiska. EEG se také vyuºívá pro diagnostiku r·zných druh· epilepsií, £i jiných neurologických a psychiatrických chorob. [5] V souvislosti s ontogenezí EEG lze na základ¥ frekvence dominantních vln odhadovat stadium vývoje nervového systému plodu/dít¥te. Pomocí EEG jsou studovány spánkové cykly, spánkové deprivace a jejich d·sledky, evokované potenciály £i emo£ní reakce. Zna£né popularit¥ se EEG dostává i v p°ípad¥ biofeedbacku. [11]
V neposlední °ad¥ je t°eba zmínit £asto opomíjený, av²ak obecn¥ p°ítomný problém ve zkoumání EEG a p°i vývoji p°íslu²ného software slouºícího k jeho analýze. Tím je jistá bariéra mezi inºenýry a léka°i. P°estoºe je k dispozici mnoho dat, jsou £asto neohodnocené. Ke správné a spolehlivé klasi kaci EEG signálu je t°eba zku²eného neurologa a p°esto se hodnocení stejného záznamu dvou r·zných neurolog· leckdy li²í. [5] Léka°i a technici mají zárove¬ jiný profesionální slang, a p°estoºe se komunika£ní bariéra dnes uº relativn¥ snadno p°ekonává, pohled na p°ístup k problému je stále zásadn¥ odli²ný. Technik má málokdy cit pro to, co doktor £i klinická medicína pot°ebuje, a léka° naopak má £asto naprosto zkreslený odhad, co je reálné a smysluplné, nebo co m·ºe vést k relevantním výsledk·m. Snaha o vývoj softwar·, které doktor·m mají usnad¬ovat jejich práci, £asto naráºí na nepochopení ze strany léka°ských pracovník· a následné odsouzení namísto budoucí spolupráce a snahy o zlep²ení a posun technologií a výzkumu kup°edu.
8
2
EEG artefakty
Artefakt je v literatu°e popisován jako jakákoliv potenciálová odchylka v EEG mající extracerebrální p·vod. [16] P°i kaºdém m¥°ení EEG by m¥la být vyvinuta snaha o zaji²t¥ní takového prost°edí, ve kterém bude maximáln¥ eliminováno vn¥j²í ru²ení a tudíº moºnost vzniku exogenních artefakt·. To zahrnuje korektní umíst¥ní a upevn¥ní elektrod, nanesení dostate£ného mnoºství gelu, vhodná elektrická izolace, £i správné uzemn¥ní. P°i b¥ºném ambulantním m¥°ení je pom¥rn¥ reálné tyto zásady dodrºet a tak zmi¬ovanou skupinu artefakt· eliminovat. [14, 15] Obtíºn¥j²í je to v p°ípad¥ artefakt· endogenních, jejichº vzniku prakticky p°edcházet nelze, p°estoºe se p°i krátkodobém m¥°ení m·ºe subjekt snaºit nemrkat, nehýbat se, nemluvit. T¥ºko lze ale pacientovi nakázat, aby nedýchal, nepotil se, £i aby mu byla na pár minut pozastavena srde£ní £innost. Zcela jiná situace v²ak nastává p°i snímání dlouhodobého EEG, zahrnujícího i spánkové záznamy. Zde jsme schopni jen velmi omezen¥ kontrolovat technickou preciznost m¥°ení pacient se pohybuje a neomezuje se na bezartefaktové chování . Tyto záznamy budou tudíº pom¥rn¥ bohaté na r·znorodé artefakty technického a biologického p·vodu. Dle [16] je pro technika vypo°ádávání se s artefakty tém¥° nekone£ným a Sisyfovským úkolem, vyºadujícím zna£né zku²enosti, pomocí nichº se snaºí chybu v signálu nejd°íve rozpoznat, dále identi kovat její typ, p·vod a pokud moºno ji nakonec i odstranit. Vzhledem k mnoºství artefakt· a délce záznamu se následné manuální procházení signálu a ozna£ování artefakt· stává zdlouhavou a nep°íjemnou £inností. Snaha o zautomatizování této £innosti je tudíº velice na míst¥. Artefakty mohou být £len¥ny do dvou základních skupin fyziologické (biologické, endogenní), mající p·vod v m¥°eném subjektu, a technické (nefyziologické, exogenní) vznikající nap°íklad z elektrod lehce se posouvajících na pokoºce subjektu, ze ²patného kontaktu, vadného kabelu, zesilova£e, ltru, z nahrávacího nebo zobrazovacího za°ízení. Jistou podskupinou technických artefakt· jsou artefakty z vn¥j²ího prost°edí, kam lze za°adit sí´ový ²um, dal²í za°ízení napojená na pacienta, elektromagnetické £i elektrostatické signály. Zatímco první £ást technických artefakt· vychází striktn¥ z interního m¥°ícího za°ízení, druhá skupina vzniká extern¥. [17, 18]
2.1
Fyziologické artefakty
Detailn¥j²í úrove¬ rozd¥lení fyziologických artefakt· je zaloºena na fyzikálním principu jejich vzniku. V zásad¥ existují t°i kategorie pohybové (mechanické), zahrnující pohyby hlavy, t¥la, ale i skalpu nap°íklad v podob¥ pulsující artérie; bioelektrické, kam pat°í elektrická podstata svalové aktivity, o£ní pohyby, srde£ní aktivita, £innost potních ºláz; a nakonec skupina artefakt· vzniklých v d·sledku r·zné vodivosti jednotlivých vrstev tkán¥ pod m¥°ící elektrodou. [17] Druhou moºností, jak artefakty d¥lit, je na základ¥ orgánového systému, který za jejich vznik zodpovídá £i ke kterému se p°ímo pojí. astou nástrahou p°i vyhodnocování EEG je chybné rozpoznání a identi kování daného fyziologického
9
artefaktu. P°estoºe jsou v¥t²inou rozpoznatelné pomocí svého charakteristického vzhledu a umíst¥ní, na rozdíl od technických artefakt· vypadají mnohdy více p°irozen¥ a tak nejsou na první pohled vºdy patrné. Jediná spolehlivá cesta k identi kaci je ru£n¥ zaznamenávat momenty potenciálního výskytu artefaktu b¥hem záznamu. [17]
2.1.1 Okulární artefakty (o£ní pohyby, mrkání, elektroretinogram) Mrkání spole£n¥ s o£ními pohyby (nap°. laterálními pohyby bulb· do stran) jsou jedny z nej£ast¥ji se vyskytujících artefakt·. Lze je £áste£n¥ omezit zav°ením o£í, ne v²ak zcela eliminovat. Artefakt o£ního mrknutí je zp·soben elektrickým potenciálem vzniklým vertikálním pohybem bulbu. Standardn¥ má oko podobu dipólu, kde rohovka je v·£i retin¥ relativn¥ pozitivn¥ nabitá. [18] P°i mrknutí se pak kladný náboj korney pohybuje sm¥rem k elektrod¥ a následn¥ zp¥t. Nejvy²²í zm¥na potenciálu je zachycena na frontálních elektrodách nad o£ima Fp1 a Fp2, kde oproti normálnímu EEG (µV) dosahuje podstatn¥ vy²²ích amplitud (mV). Vertikální pohyb oka se tak v daných svodech projeví jako dol· sm¥°ující výchylka, která se díky svému vysokému výkonu v¥t²inou projeví i v ostatních svodech, av²ak s niº²í amplitudou a opa£nou polaritou. [17, 18] Zm¥°ený potenciál b¥hem mrknutí je p°itom úm¥rný úhlu pohledu. [15] P°i horizontálním pohybu bulb· vzniká artefakt stejným zp·sobem, av²ak výchylky jsou patrn¥j²í ve svodech F7 a F8, nebo´ jsou umíst¥ny relativn¥ lateráln¥ od o£í a pohyb kladn¥ nabité rohovky se tak d¥je v jejich sm¥ru. P°i pohledu do strany se kladné rohovky vºdy p°ibliºují k elektrod¥ na jedné stran¥, zatímco od kontralaterální elektrody se naopak oddalují. Výchylky ve svodech F7 a F8 tak budou mít vºdy opa£nou polaritu (viz obr. 2.1).
Obrázek 2.1: Mrknutí a vertikální o£ní pohyby: 1 - mrknutí, 2 - otev°ení o£í, 3 - zav°ení o£í, 4 sakkadické o£ní pohyby (pohyby v horizontálním sm¥ru). [17]
10
Pomoc p°i rozli²ení mrkání od normální mozkové aktivity mohou poskytnout elektrody umíst¥né pod a nad okem (EOG - elektrookulogram). Pokud bude mít daný úsek p·vod v mozku, polarita bude stejná v obou kanálech. V opa£ném p°ípad¥ bude mít výchylka ve svodu umíst¥ném nad okem opa£ný sm¥r neº ve svodu pod ním. [15, 18] Tohoto se vyuºívá p°edev²ím proto, ºe ne vºdy je zcela patrný rozdíl mezi okulárním artefaktem a p°ítomností pomalých delta/theta vln p°i únav¥. [15, 16] Je t°eba zmínit, ºe o£ní pohyby a z nich plynoucí artefakty se nevyskytují pouze v bd¥lém stavu, ale také b¥hem REM (rapid eye movement) fáze spánku. Dosud zmi¬ované okulární artefakty zárove¬ nemusí být vºdy zp·sobeny jen relativním pohybem nabitého bulbu v·£i elektrod¥, p°estoºe se to dlouhou dobu p°edpokládalo. Pohyb o£ního ví£ka (svalová aktivita) je schopen vytvo°it podobný artefakt. V literatu°e je dokonce zmínka o tom, ºe i po úplném odstran¥ní oka (v£etn¥ rohovky a sítnice tvo°ící dipól) se objevují nízkoamplitudové artefakty pravd¥podobn¥ vycházející ze zbytkové membrány uloºené hluboko v orbit¥. [17] Rychlé kmitání o£ních ví£ek ( utter) m·ºe být p°ítomno u napjatého a úzkostného pacienta, p°i£emº jeho oboustranný frontální výskyt m·ºe vést k zám¥n¥ tohoto artefaktu s patologickou alfa frekvencí (viz obr. 2.2). Ke stejné situaci m·ºe dojít i v p°ípad¥ nystagmu. [16]
Obrázek 2.2: O£ní kmitání zaznamenané elektrodami Fp1 a Fp2 p°ipomínající patologické vlny alfa. [16]
Dal²ím typem okulárního artefaktu je výskyt elektroretinogramu v EEG záznamu. ERG je normální nízkonap¥´ová fyziologická odezva sítnice na sv¥telné stimuly, která ale v rámci EEG m·ºe být zam¥n¥na za patologii ve frontální oblasti. [18] Podobné projevy má i fotomyoklonická odpov¥¤, která leºí na pomezí okulárních a svalových artefakt·, nebo´ jejím p·vodem jsou zá²kuby m. frontalis vyvolané sv¥telnými záblesky. [16, 18]
Obrázek 2.3: P°ítomnost elektroretinogramu v EEG, otev°ené o£i. [16]
11
O£ní pohyby v EEG obecn¥ tedy mohou být rozpoznány na základ¥ jejich výrazn¥j²í manifestace ve frontálních oblastech, charakteristickém tvaru a symetrie. Pravidlo o symetrii není platné pouze v p°ípadech sníºené pohyblivosti jednoho oka, absence oka nebo destrukce sítnice, nesymetrického rozmíst¥ní elektrod £i defektu os frontale. [17]
2.1.2 Svalové artefakty Svalové artefakty jsou jedny z v·bec nejsnáze rozpoznatelných díky své vysoké frekvenci (udávána vy²²í neº 70 Hz), ale naopak velmi obtíºn¥ odstranitelných. Vznikají kv·li elektrické aktivit¥ svalových kontrakcí a lze jim snadno p°edcházet p°i b¥ºném EEG m¥°ení, kdyº je pacient vzh·ru, p°i v¥domí a dbá na to, aby byl relaxován, m¥l povolené £elisti, nehýbal se a byl obecn¥ v klidu. [15, 17] Odstra¬ování svalových artefakt· vysokofrekven£ní ltrací není doporu£ováno, nebo´ kv·li své nedostate£né efektivit¥ m·ºe výsledek ltrace p°ipomínat výskyt hrot· mozkového p·vodu, snadno zam¥nitelný nap°íklad s epileptiformní aktivitou (znázorn¥no na obrázku 2.4). [16]
Obrázek 2.4: Svalové artefakty, 1 - souvislá svalová kontrakce (pouºit ltr - odstran¥ní frekvencí vy²²ích neº 70 Hz), 2 - plynulé pokra£ování záznamu 1, od ltrování frekvencí vy²²ích neº 15 Hz, 3 - krátká zatnutí zub· (ºvýkání), [17]
Obecn¥ mohou být zp·sobeny polykáním, mimikou, ºvýkáním, mluvou, sáním £i ²kytáním. Amplituda EMG artefaktu je pak proporcionální stupni svalové kontrakce. [15] Jejich výskyt pozorujeme p°edev²ím v temporálních svodech, dále poté na frontopolárních elektrodách.
12
2.1.3 Intraorální artefakty Intraorální artefakty mohou být povaºovány za okrajovou podkategorii svalových artefakt·, které nemusí mít vºdy p·vod ve svalové aktivit¥, nicmén¥ jsou jí v¥t²inou provázeny. Oproti standardnímu EMG obsahují významn¥ niº²í frekvence a za jejich primární zdroj je povaºován pohyb jazyka. Jazyk se, stejn¥ jako oko, chová podobn¥ jako dipól s relativn¥ kladn¥j²í ²pi£kou oproti ko°enu. výkání je tak mimo p°ítomnosti EMG z m. temporalis doprovázeno i pomalými glosokinetickými pohyby jazyka. [18] (Pozn.: Mezi intraorální artefakty spadají i drobné a málo £asté výboje vzniklé vzájemným pohybem r·zných kov· tvo°ících zubní výpln¥. (13) Na základ¥ jejich vzhledu v²ak pat°í do skupiny technických artefakt·.)
2.1.4 Pohybové artefakty Pohybové artefakty vznikají z pohybu hlavy, t¥la nebo elektrod a kabel·. Jejich záznam je provád¥n zdravotníkem p°i m¥°ení prost°ednictvím vizuální kontroly, zárove¬ lze poºádat m¥°ený subjekt, aby se nehýbal. Relativn¥ b¥ºným typem artefaktu je i tremor u parkinsonik· leºící v pásmu 4 7 Hz. [16]
2.1.5 Kardiovaskulární artefakty Zde existují dva základní typy artefakt vycházející z elektrické £innosti srdce a artefakt mající p·vod v jeho mechanické £innosti. Prvnímu p°ípadu odpovídá p°ítomnost prvk· EKG signálu v EEG, druhý naopak tepennému pulsu. P°estoºe se EKG aktivita ke skalpu dostává pouze v utlumené form¥, tudíº má v¥t²inou p°íli² nízkou amplitudu, aby mohla být v·bec zaznamenána, u ur£itých t¥lesných konstitucí (nadváha, krat²í krk) k útlumu dochází mén¥ a elektrická aktivita srdce je jako artefakt pozorována p°edev²ím ve svodech z posteriorních £ástí hlavy. Men²í artefakty obsahují pouze R kmit QRS komplexu, p°i vy²²í penetranci se pak mohou objevit i v¥t²í £ásti elektrokardiogramu. R vlna je nej£ast¥ji pozorována na svodech umíst¥ných na skalpu vlevo vzadu jako ostrá kladná výchylka, na kontralaterální stran¥ má artefakt pak niº²í amplitudu s opa£nou polaritou. To lze vysv¥tlit tím, ºe srde£ní vektor p·sobící R kmit je kladný v diagonálním sm¥ru zprava doleva a zep°edu dozadu. [17] Díky své pravidelnosti je EKG artefakt pom¥rn¥ snadno rozpoznatelný, problém v²ak m·ºe nastat p°i r·zných patologiích, kdy srde£ní rytmus není pravidelný. Iregularita EKG artefakt· je n¥kdy dále zp·sobena fyziologickým dýcháním, kdy se s nádechem a výdechem m¥ní poloha srdce vzhledem k hlav¥ a mírn¥ i srde£ní frekvence. [16] Pozn. P°i nádechu vzniká v hrudní dutin¥ podtlak, dochází ke zvý²enému ºilnímu návratu a tím ke zvý²ení srde£ní frekvence. M·ºe poté dojít k zám¥n¥ t¥chto p·vodem EKG hrot· za epileptiformní aktivitu. [15] Stejn¥ jako se u okulárních artefakt· získávalo EOG pro dodate£né nalezení artefakt·, zde se paraleln¥ s EEG snímá i EKG. [15] Kontaminaci elektroencefalogramu elektrickou £inností srdce prakticky nelze zabránit. Jen málokdy je zp·sobena nevhodným umíst¥ním elektrody £i jinou odstranitelnou p°í£inou. [17]
13
Obrázek 2.5: EKG artefakt - záznam EKG, EOG a jeho projevy v EEG, (R hroty £erven¥), patrný i okulární artefakt v podob¥ pomalých vln kopírujících EOG. [19]
Artefakt vycházející z pulsní £innosti tepny pod elektrodou se v EEG projevuje jako kolísavé zm¥ny amplitudy o frekvenci odpovídající tepové. Pulsní vlny jsou d·sledkem periodických zm¥n elektrického kontaktu mezi skalpem a elektrodou, v jejíº blízkosti (pod ní) je uloºena arterie. Vzhledem k anatomii, k jejich vzniku dochází p°edev²ím ve frontálních a temporálních svodech. [17]
Obrázek 2.6: Pulsní artefakt v F4, srde£ní arytmie. [16]
Na rozdíl od EKG se vyskytuje zpravidla pouze v jednom svodu a lze ho snadno odstranit p°esunem elektrody. etnost t¥chto pulsních vln koreluje s p°ípadným EKG artefaktem, nebo´ mají stejný p·vod. Vzhledem k pomalému charakteru vln m·ºe být zam¥n¥n s delta aktivitou.
14
2.1.6 Koºní potenciály, elektrodermální artefakty Existují dva hlavní artefakty mající p·vod v koºních zm¥nách. Pocení a takzvaná koºní sympatická/galvanická odpov¥¤ (sympathetic skin response SSR, galvanic skin re ex GSR). [17] Pocení zp·sobuje pomalé vlny trvající kolem 2 sekund a zárove¬ velmi pomalé kolísání základní linie (baseline). To je zp·sobeno zm¥nami impedance k·ºe kv·li produkci potu obsahujícímu £etné mnoºství iont·. Tento typ artefaktu je zárove¬ více neº jiný závislý na chemických vlastnostech materiálu, ze kterého je vyrobena elektroda. Vyskytuje se zpravidla ve více svodech najednou a lze mu p°edcházet pouºitím klimatizace, v¥trák·, optimální teplotou v laborato°i, odma²t¥ním a vysu²ením pokoºky. Je t°eba dát ale pozor, ºe zmín¥ná elektrická za°ízení sniºující teplotu v místnosti vytvá°ejí také artefakty (viz dále Technické artefakty). P°ítomnost tohoto artefaktu je zpravidla dob°e odhalitelná, p°ípadn¥ neovliv¬uje p°íli² okolní informaci v signálu. Je t°eba ale ohlídat, zda tyto pomalé vlny a kolísání základní linie nejsou zárove¬ provázeny zpomalením theta aktivity a sníºením amplitud alfa a beta pásma. To by pak mohlo nazna£ovat hypoglykémii, která je na druhou stranu ale velmi snadno zjistitelná z krve. [16, 17]
Obrázek 2.7: Artefakt pocení. [20]
Druhý a mén¥ £astý koºní artefakt SSR/GSR je zp·soben sympatickou vegetativní odpov¥dí potních ºlázek v k·ºi. Cholinergní sympatická nervová vlákna reagují na senzorický £i psychický stimul a jejich aktivita vyvolá sekreci potních ºlázek. Tímto stimulem m·ºe být nap°íklad ne£ekané tlesknutí. Samotný artefakt se pak v EEG signálu projevuje jako pomalé vlny o frekvenci 1 2 Hz, s relativn¥ vy²²í amplitudou, trvající 1 2 s. V¥t²inou mají aº t°i fáze li²ící se tvarem pr·b¥hu a polaritou. [17]
15
Obrázek 2.8: Sympatická odezva apokrinních ºlázek v k·ºi na tlesknutí. [17]
SSR mohou být paraleln¥ snímány i z jiné £ásti t¥la neº z hlavy, nap°. z dlan¥, £ehoº se také vyuºívá pro porovnání záznam· a následné moºnosti ur£it, zda se skute£n¥ jedná o artefakt. [16] Elektrodermální artefakty jsou £ast¥j²í ve frontálních krajinách díky vy²²í plo²né koncentraci ºlázek.
2.2
Technické artefakty
Technické neboli exogenní artefakty, objevující se v EEG signálech, zahrnují ²iroké spektrum moºností jejich vzniku. Na rozdíl od fyziologických artefakt· je jim v literatu°e v¥nováno mnohem mén¥ prostoru, av²ak nikoliv mén¥ pozornosti. Není v²ak moºné detailn¥ popsat morfologii a zp·sob vzniku kaºdého technického artefaktu, nebo´ jejich p°ítomnost m·ºe mít nes£etné mnoºství p°í£in nap°íklad v p°ístrojích, které se v¥t²inou vzájemn¥ li²í technickými parametry, na rozdíl od artefakt· pocházejících z lidského t¥la, majících vºdy stejný fyziologický základ. Rozli²ujeme artefakty z vn¥j²ího prost°edí a artefakty mající p·vod v m¥°ícím a nahrávacím za°ízení. Nej£ast¥ji se setkáváme se sí´ovým ²umem, elektrickým ruchem z okolních p°ístroj· (výtah, klimatizace) a s elektrodovými artefakty. [14]
2.2.1 Vn¥j²í prost°edí, interference Nej£ast¥j²ím a tém¥° v²udyp°ítomným artefaktem nejen v EEG signálech je elektrická interference. Nedostate£ná izolace vodi£· zp·sobuje jejich náchylnost k ovlivn¥ní okolním elektromagnetickým polem
16
zp·sobeným proudem tekoucím v napájecích drátech £i okolních elektrických za°ízeních. Ve výsledku je pak EEG ovlivn¥no sí´ovým ²umem o frekvenci 50 Hz (a vy²²ími harmonickými). [15] I p°i správné izolaci se tomuto ru²ení nedá zcela vyhnout. Interferen£ní artefakty mohou vznikat jak z elektrostatické interference, pocházející nap°íklad z pohybu osoby v okolí nahrávacího za°ízení, t°ením a následným výbojem, tak z interference elektromagnetické zp·sobené silným proudem.
Obrázek 2.9: Interference, sí´ový ²um 50 Hz. ervený graf - p°ed odstran¥ním, modrý graf - po odstran¥ní. [19]
Jako dal²í ru²ení interferující s EEG lze uvést r·zné elektromagnetické signály radiové vysílání, televizní stanice, mobilní telefony, Wi-Fi. Nezanedbatelný vliv má i p°ítomnost kardiostimulátoru. Nejv¥t²í komplikace tyto artefakty zp·sobují hlavn¥ na jednotkách intenzivní pé£e, kde je p°ítomno velké mnoºství ru²ivých zdroj·. [15, 16, 17]
2.2.2 Elektrodové artefakty Jakýkoliv pohyb elektrod snímajících mozkovou aktivitu m·ºe vést ke zm¥n¥ kontaktu na rozhraní elektrody a k·ºe (prudká zm¥na impedance), projevující se jako úzký hrotový vzruch (electrode-pop, elektrodové praskání). [15] Ke ²patnému kontaktu majícímu v signálu podobný projev m·ºe samoz°ejm¥ docházet v rámci celého m¥°ícího za°ízení. V neposlední °ad¥ nesmí být opomenuta role vodivého gelu, který mohl b¥hem m¥°ení vyschnout.
17
Obrázek 2.10: Elektrodové praskání (elektrode-pop), patrné na obou svodech se vztahem k dané elektrod¥ (T3). [20]
P°eváºná v¥t²ina elektrodových artefakt· lze snadno rozpoznat, nebo´ se radikáln¥ li²í od d°íve zaznamenávané aktivity, nesplývají s jinými £ástmi signálu, ani je neovliv¬ují, a vyskytují se zpravidla v jednom svodu (v p°ípad¥ bipolárního zapojení ve svodech odvozených od jedné konkrétní elektrody). [17] P°estoºe je typickým projevem elektrodového artefaktu náhlý a strmý kmit v signálu, mohou se vyskytnout p°ípady, kdy má artefakt rytmickou aktivitu o r·zné frekvenci a m·ºe být tak zam¥n¥n s mozkovou £inností nazna£ující patologický stav. [16]
2.3
Známé metody detekce EEG artefakt·
V klinické praxi se dnes artefakty detekují stále ru£n¥, nebo´ metody pro automatickou detekci nejsou zatím p°íli² spolehlivé (p°ípadn¥ roz²í°ené), coº ve výsledku vede k obrovské £asové neefektivit¥. Literatura se £asto v¥nuje mnoha algoritm·m slouºícím k odstra¬ování artefakt·, zp·soby automatické detekce jsou v²ak probírány pouze okrajov¥. P°istupovat k moºné detekci artefakt· lze r·znými zp·soby jak v £asové, tak ve frekven£ní oblasti. Mezi základní metody pat°í relativn¥ jednoduché ltrování ur£itého frekven£ního pásma, amplitudové prahování, zkoumání pr·b¥hu korela£ní funkce EEG k°ivky se záznamem EMG, EKG £i EOG, shlukovací metody £i adaptivní segmentace. Drtivá v¥t²ina zp·sob· detekujících artefakty je v²ak zaloºena na principu prahování v £asové i ve frekven£ní oblasti. Vyuºívání metod automatické detekce v²ak v mnoha p°ípadech neznamená, ºe bychom se mohli zcela vyhnout manuálnímu ohodnocení záznamu. Spousta detek£ních algoritm· um¥lé inteligence pot°ebuje u£ící ohodnocené mnoºiny dat, které op¥t vyºadují zku²ené oko léka°ského odborníka. Migotina, Calapez a Rosa [21] ve své studii zabývající se detekcí artefakt· navrhli pln¥ automatizovanou metodu zaloºenou na prahování, p°i£emº jednotlivé limitní hodnoty byly získány pomocí analýzy popisných statistických parametr·, ve druhém p°ípad¥ pak analýzou histogramu. Prahy byly vypo£ítány pro dv¥ frekven£ní pásma, pomalé delta vlny (0 0.25 Hz) a rychlé gamma vlny (25 40 Hz). Po dodate£ném zavedení omezujících podmínek, souvisejících s délkou trvání události a p°íslu²ností k jednomu nebo druhému frekven£nímu pásmu, byla provedena detekce a klasi kace artefakt· do t°í skupin pomalé o£ní pohyby, svalová aktivita a pohyb t¥la. Metoda dokázala detekovat svalové kontrakce aº s 98 % správností; v²echny t°i typy artefakt· pak aº ze 76 %. Jiná práce zaloºená práv¥ na principu prahování je [24], kde bylo nade nováno n¥kolik parametr· speci ckých pro konkrétní typ artefaktu. Kdykoliv pak daný parametr v £ásti signálu p°ekro£il zvolený práh,
18
událost byla zvolena jako p°íslu²ný artefakt. Jako parametry byly nap°íklad zvoleny korela£ní koe cienty, spektrální výkon konkrétního pásma frekvencí £i maximální absolutní hodnoty v daném úseku. Práce se zam¥°ila zejména na o£ní artefakty, svalovou aktivitu, dýchání a elektrodové praskání. N¥které práce se naopak zam¥°ují na konkrétní typ artefaktu s vyuºitím více r·zných detek£ních metod. Jednou z nich je studie [25] provád¥ná na Západo£eské univerzit¥, kde byly testovány dv¥ jednoduché a nenáro£né metody slouºících k detekci o£ního mrkání. Testováno bylo amplitudové prahování a vzájemná korelace mezi úsekem EEG signálu a Gaussovské funkce, parametrizované tak, aby korespondovala s vlastnostmi artefaktu mrknutí. Korela£ní koe cient byl následn¥ op¥t porovnán se zvoleným prahem. Skupinou artefakt· zp·sobených £ist¥ pohyby hlavy se zabývá práce [22]. Jsou zde zahrnuty svalové kontrakce, pohyby svod·, elektrodové artefakty a okulární artefakty. Navrºená metoda pracuje se t°emi klasi kátory pro EEG signál, údaji z gyroskopu umíst¥ného na hlav¥ a jejich vzájemným vztahem. Autor uvádí, ºe je to v·bec první detek£ní metoda zam¥°ená na celou skupinu zmi¬ovaných artefakt·, na rozdíl od jiných algoritm·, soust°edících se na jednotlivé typy zvlá²´. Dal²ím p°ístupem ke studii a detekci artefakt· m·ºe být [26], který m¥l za cíl sestavit algoritmus napodobující uvaºování a rozhodování léka°ského odborníka p°i procházení a ohodnocování signálu. Byly stanoveny dv¥ podmínky, jejichº sou£asné spln¥ní m¥lo odpovídat p°ítomnosti artefaktu. Tyto podmínky jsou opa£ná fáze ve svodech (p°i bipolárním zapojení) obsahujících tutéº elektrodu, která má být za artefakt odpov¥dná, a neopakující se vzor. Pro zhodnocení obou podmínek bylo vyuºíváno vlastností korelace a kovariance. Mnoho jiných metod automatické detekce a analýzy je zaloºeno na neuronových sítích. P°íkladem m·ºe být práce [23], která kombinuje polynomiální neuronovou sí´ s rozhodovacím stromem a pro detekci artefakt· vyuºívá p°edev²ím frekven£ní oblast. astou nevýhodou t¥chto technik je v²ak nutnost velkého mnoºství ohodnocených u£ících dat pro správné nastavení jednotlivých parametr· a vah.
19
3
Praktická £ást: Metody automatické detekce artefakt·
Cílem praktické £ásti bylo provést m¥°ení EEG se simulací konkrétních artefakt·, zhodnotit jejich pozorovatelnost a projev a následn¥ navrhnout funkce, které by artefakty v signálu byly schopné detekovat.
3.1
Moºné p°ístupy k detekci
Na základ¥ dosavadního pozorování a re²er²e bylo moºné k detekci artefakt· p°istupovat r·znými zp·soby.
Jednou z moºností bylo vyuºít externí informaci získanou snímáním dal²ích fyziologických signál· krom¥ EEG a pomocí korelace se tak pokusit detekovat shodu a pr·nik dané aktivity (EMG, EKG, EOG) do elektroencefalogramu. Jelikoº p°i experimentu nebyl paraleln¥ snímán ºádný z uvedených signál·, nebyl tento p°ístup dále rozvád¥n a jeho studie a testování ponecháno na budoucí práce. Dal²ím nabízeným p°ístupem byl p°evod signálu z £asové do frekven£ní oblasti. Jak je mimo jiné vid¥t na obrázku 3.3, artefakty s obsahem ²irokého spektra vy²²ích frekvencí, jako jsou svalové a technické artefakty obecn¥, jsou velmi dob°e patrné ve spektrogramu v podob¥ svislých £ar. Jejich detekce je moºná nap°íklad pomocí porovnávání výkonové spektrální hustoty s daným prahem. Ten m·ºe být zvolen pevn¥, £i svoji hodnotu m¥nit adaptivn¥ na základ¥ výkonu po£ítaného pro okno obsahující dostate£nou £ást signálu v okolí zkoumaného segmentu. Budeme-li pracovat pouze s jedním °ádkem spektrogramu, který odpovídá £asovým zm¥nám konkrétní frekvence nap°í£ signálem, m·ºeme pouºívat mnoho dal²ích metod na bázi oken, adaptivní segmentace £i shlukování, které jsou vhodné p°edev²ím pro práci s jednorozm¥rným signálem, jakým standardn¥ bývá signál v £asové oblasti. Pro p°evod z £asové do frekven£ní oblasti slouºí Fourierova transformace, v p°ípad¥ digitálního signálu poté diskrétní Fourierova transformace. Vyjad°uje jednorozm¥rný signál jako váºený sou£et mnoha komplexních exponenciál, coº po p°evodu Eulerovým vztahem odpovídá sou£tu sinusovek a kosinusovek. [27] Uvaºujeme-li vstupní signálovou posloupnost
x(n), n = 0, 1, ..., N − 1,
diskrétní Fourierova trans-
formace je poté de nována takto:
N −1 X
X(k)=
2π
x(n)e−j N nk = DF T , k = 0, 1 , ..., N − 1
n=0 kde
X(k)
ozna£uje Fourierovo spektrum. [28]
V prost°edí MatLab je FT implementována algoritmem FFT (Fast Fourier Transform), který byl navrºen pro sníºení £asové náro£nosti Fourierovy transformace. Metody pracující v £asové oblasti vyuºívají primárn¥ zm¥ny hodnot statistických veli£in v pr·b¥hu signálu. Veli£iny, na základ¥ kterých je vhodné v p°ípad¥ EEG provád¥t segmentaci, jsou p°edev²ím st°ední hodnota, medián, rozptyl, ²ikmost a ²pi£atost.
20
σ2 =
Rozptyl
1 N
µ=
St°ední hodnota
1 N
PN
i=1
PN
i=1 (Xi PN
ikmost
skewness =
pi£atost
kurtosis =
Tabulka 3.1: P°ehled statistických veli£in:
N
- po£et prvk·,
Xi
Xi -
− µ)2
3 i=1 (Xi −µ) (N −1)s3
PN
4 i=1 (Xi −µ) 4 (N −1)s
hodnota i-tého prvku, s - standardní
odchylka. [29], [30]
V¥t²ina p°ístup· (nejen v této práci) je zaloºena na práci s okny, která p°edstavují úseky signálu zvolené délky. V rámci kaºdého okna, které se nap°í£ daty posouvá, je po£ítán ur£itý parametr charakterizující signál. P°i porovnávání hodnot parametr· t¥chto oken m·ºeme získat informaci, jak se daná veli£ina s £asem m¥ní, ale i jak jsou výpo£ty charakteristik pro men²í okna odli²ná od hodnot získaných z oken v¥t²í délky. Velikosti oken by m¥ly být velké natolik, aby byly schopny pojmout celou událost/artefakt. Pokud by okno bylo p°íli² malé, nemusí obsahovat dostatek informace pot°ebné pro relevantní výsledek. Uvaºujeme-li nap°íklad artefakt mrknutí dlouhý 300 vzork·, rozptyl vypo£ítaný z 300-samplového okna bude podstatn¥ odli²ný od rozptyl· z díl£ích 100-samplových oken. Na druhou stranu nem·ºe být okno ani p°íli² velké, nebo´ by nedokázalo rozli²it dv¥ blízké události. Zárove¬ by informace o velmi krátké události mohla být zkreslena £i potla£ena okolními hodnotami. Byly implementovány a testovány i funkce fungující na principu shlukových analýz. Konkrétn¥ byl pouºíván algoritmus k-means, který pro mnoºinu vstupních dat hledá takové vektory, aby vzdálenosti jednotlivých prvk· od t¥chto vektor· byly co nejmen²í.
X = {x1 , x2 , ..., xn }, která chceme rozd¥lit do shluk·, a po£et vektor· (shluk·) k . Zpo£átku jsou vektory µj , j = 1, 2...k inicializovány na náhodnou hodnotu a dále následuje Vstupem algoritmu jsou data
iterativní opakování klasi ka£ní a u£ící fáze. V prvním kroku jsou v²echna data rozd¥lena do skupin
y
ur£ených vektory na základ¥ minimální vzdá-
lenosti.
yi = argminkxi − µj k j=1,...,k Ve druhém u£ícím kroku následuje výpo£et nových hodnot vektor· jako st°edních hodnot prvk· v sou£asn¥ klasi kovaných shlucích. Tyto dva kroky se opakují tak dlouho, dokud alespo¬ jeden prvek
xi
není za°azen do jiné t°ídy, neº ve
které byl v p°edchozím kroku. [31] P°i detekci artefakt· by se jevilo logické zvolit
k = 2
s cílem rozd¥lit mnoºinu dat na artefakty a ne-
artefakty, není to v²ak obvykle ideální a je nutné zvolit v¥t²í po£et shluk·.
21
Obrázek 3.1: Výsledek algoritmu k-means pro jednorozm¥rná data. [31]
3.2
M¥°ení EEG
Samotné m¥°ení bylo provád¥no na kated°e kybernetiky VUT FEL. M¥°eným subjektem byl student muºského pohlaví ve v¥ku 22 let bez zji²t¥ného neurologického onemocn¥ní. Celkem bylo nato£eno 5 n¥kolikaminutových záznam·, p°i£emº dva byly vybrány pro následné zpracování v rámci této bakalá°ské práce. První se orientuje na fyziologické artefakty, ve druhém je pak náhodn¥ simulováno n¥kolik artefakt· technických. B¥hem kaºdého m¥°ení bylo dbáno na to, aby v kaºdém záznamu bylo dostate£né mnoºství úsek· (£i jeden úsek p°im¥°ené délky) bez artefakt·, slouºících jako reference. V p°ípad¥ m¥°ení fyziologických artefakt· bylo postupováno tak, aby výsledný záznam opakoval úseky obsahující pouze jeden konkrétní typ artefaktu opakující se v ur£itém intervalu, a dále úseky s výskytem n¥kolika r·zných artefakt· jdoucích po sob¥ v náhodném po°adí. Simulace technických artefakt· p°i druhém snímání EEG byla pak provád¥na náhodn¥. Oba záznamy jsou v pr·m¥ru kolem 10 minut dlouhé, m¥°ený subjekt sed¥l op°ený v k°esle, byl relaxovaný a dle pokyn· dohlíºejícího provád¥l krátkodobé £innosti vedoucí ke vzniku artefakt·. Ty pak byly paraleln¥ s m¥°ením ru£n¥ zaznamenávány do p°íslu²ného software prost°ednictvím zna£ek. Zárove¬ byl provád¥n i druhý záznam v podob¥ poznámek s £asovými údaji, které m¥ly nést informaci o jakékoliv £innosti, která mohla zp·sobit artefakt ve výsledném EEG. Artefakty, které byly simulovány, shrnuje tabulka 3.2.
Fyziologické artefakty (001.d) Technické artefakty (002.d)
svalová £innost (zatnutí zub·), glosokinetické artefakty (polykání, mluva la-la-la), krouºení o£ima, laterální o£ní pohyby (pohled do stran), mrkání manipulace se svodem, naru²ení kontaktu elektrody se skalpem, komunikace prost°ednictívm mobilní sít¥, zá°ivka, manipulace s m¥°ícím p°ístrojem, tlesknutí (elektrostatický výboj), Wi-Fi, p°iblíºení napájecího kabelu k elektrodám, pohyb v okolí m¥°eného subjektu Tabulka 3.2: Simulované artefakty
Pro m¥°ení byl pouºit p°ístroj zna£ky UNIMEDIS/BRAINSCOPE. Bylo pouºito unipolární (referen£ní) zapojení s 19 svody. Referenci odpovídala elektroda umíst¥na mezi svody Cz a Fz, tudíº oproti standardnímu 10/20 uspo°ádání obsahovala £epice jednu elektrodu navíc. Vzhledem k faktu, ºe jsou v²echny kanály m¥°eny oproti spole£né referenci, statistický rozptyl snímaných hodnot závisí na vzdálednosti konkrétního svodu od referen£ní elektrody. Zemnící elektroda byla propojena s levou nohou. Vzorkovací frekvence obou záznam· je 250 Hz.
22
3.3
P°edzpracování a primární analýza dat
Výstupem m¥°ení byly dva soubory v d-formátu, se kterým pracuje program WaveFinder, jehoº autorem je doc. Ing. Vladimír Kraj£a, CSc. Záznamy v n¥m byly pozd¥ji zobrazeny a znovu procházeny za cílem úprav a p°esn¥j²ího umíst¥ní zna£ek. Bylo ohodnoceno dodate£né mrkání, které nebylo zaznamenáno b¥hem m¥°ení, a dopln¥ny zna£ky k artefakt·m vzniklým spontánn¥, aniº by byly v¥dom¥ zp·sobeny m¥°eným subjektem. Fináln¥ upravený d- le byl exportován do formátu typického pro prost°edí MatLab k dal²ímu zpracování. K samotnému exportu byla pouºita funkce
load_easys.m,
která byla poskytnuta
vedoucím práce. Následná vizuální kontrola signálu v £asové i frekven£ní oblasti ukázala, ºe bohuºel ne v²echny simulované artefakty jsou viditelné. Jejich pozorovatelnost v na²ich datech je shrnuta v tabulce 3.3.
Technické artefakty Manipulace se svodem Manipulace s m¥°ícím p°ístrojem Poru²ení kontaktu elektrody Mobilní komunikace Zá°ivka Tlesknutí Wi-Fi Napájecí kabel v blízkosti elektrod Pohyb v okolí
Fyziologické artefakty
asová
Frekven£ní
asová
Frekven£ní
oblast
oblast
oblast Svalový artefakt
!
oblast
Polykání
#
#
Mluva
#
#
O£ní pohyby
!
#
!
#
! ! ! # ! ! # ! !
! ! ! # ! ! # ! #
(horizontální)
Mrkání
!
Tabulka 3.3: Pozorovatelnost artefakt·
Jednotlivé p°íklady artefakt· jsou znázorn¥ny na obrázcích 3.2 a 3.3. P°ípady, kdy daný typ artefaktu nemá patrný projev, nemusí být v²ak de nitivní. Nelze vylou£it, ºe trénovaný odborník by dané úseky dokázal identi kovat.
23
(a) Fyziologické artefakty, zleva doprava: svalový artefakt, mrknutí, laterální o£ní pohyb (svody F7, F8)
(b) Technické artefakty, zleva doprava: manipulace s m¥°ícím p°ístrojem, manipulace se svody, tlesknutí, zá°ivka, neznámý p·vod Obrázek 3.2: Vybrané artefakty, £asová oblast, zobrazeno v prost°edí WaveFinder
24
25
frequency [Hz]
frequency [Hz]
0 0
20
40
60
80
100
120
0 0
20
100
200
300 time [s]
400
500
100
200
Tlesknutí
Zářivka
300
400 time [s]
500
Manipulace s přístrojem
600
Porušení kontaktu
Napájecí kabel u elektrod
700
Obrázek 3.3: Artefakty, frekven£ní oblast (spektrogram), svod Fp1
(b) Technické artefakty, zelené ²ipky popsány, alové ²ipky - sí´ový ²um 50 Hz a jeho vy²²í harmonická 100 Hz
Manipulace se svodem
Spektrogram
(a) Fyziologické artefakty, zelené ²ipky - svalová £innost, alové ²ipky - sí´ový ²um 50 Hz a jeho vy²²í harmonická 100 Hz
800
0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0
0.1
0.2
0.3
0.4
60
40
0.5
0.6
0.7
0.8
80
100
120
Spektrogram
3.4
Návrhy detek£ních metod
Pro testování v²ech metod byly vyuºívány pouze vybrané svody levé hemisféry. Tyto kanály byly voleny podle toho, zda se v nich ur£itý artefakt manifestoval více neº v ostatních svodech, a zárove¬ bylo dbáno na to, aby pokryly v²echny hlavní oblasti skalpu. Výb¥r v²ak ve skute£nosti obsahoval p°edev²ím svody Fp1 a T3, nebo´ v ostatních se z hlediska artefakt· neukázala ºádná podstatná informace navíc. Na signál byl pouºit FIR ltr pro odstran¥ní sí´ového ²umu 50 Hz a jeho vy²²í harmonické 100 Hz. P°i konverzi dat z d-souboru do MatLabu bylo zárove¬ zji²t¥no vzájemné £asové posunutí oproti zobrazení ve WF. Tento oset byl korigován p°i£tením konstanty £asov¥ odpovídající 1.43 s. Korekce byla provád¥na p°edev²ím z d·vodu neodpovídajícího umíst¥ní zna£ek. Zobrazení se zárove¬ li²ila polaritou, která byla téº zkorigována.
3.4.1 Detekce vyuºívající spektrogram 3.4.1.1 artifactsSpectrogram.m Tato metoda je zaloºena na práci s maticí výkonových spektrálních hustot (PSD) tvo°ící spektrogram, která je získána pomocí MatLab funkce
spectrogram.m. Vstupními argumenty pro výpo£et spektrogramu
jsou velikost okna a jejich vzájemný p°ekryv. Vzhledem k tomu, ºe je tato detek£ní metoda orientována na nalezení vysokofrekven£ních artekt· (relativn¥ vzhledem k EEG signálu), m·ºe být volba délky okna pom¥rn¥ malá. Výhodou poté je relativn¥ p°esn¥j²í lokalizace hledaného artefaktu. ádky matice spektrogramu p°edstavují jednotlivé frekvence, zatímco sloupce odpovídají £asovým okn·m signálu. Na vstupu této metody je nutné zadat parametry pro výpo£et spektrogramu, hodnoty ohrani£ující frekven£ní pásmo, ve kterém se hledané artefakty nachází, a dále speci kovat limitní hodnotu spektrálního výkonu slouºící k samotné klasi kaci.
Single spectrogram row, 75 Hz 80
PSD
60 40 20 0 0
100
200
300 window
400
500
Obrázek 3.4: Samostatný °ádek spektrogramu pro frekvenci 75 Hz, svod T3. Lze p°edpokládat, ºe viditelné peaky odpovídají artefakt·m.
Zvolené frekven£ní pásmo, ve kterém budou artefakty hledány, p°edstavuje p°íslu²ný po£et °ádk· matice P (matice PSD ur£ující spektrogram). Tyto °ádky je nutné p°evést na jeden °ádek dv¥ma zp·soby: Jedním je vytvo°ení výsledného °ádku
r
druhým pak výb¥r maximálních hodnot z kaºdého sloupce.
26
r,
coº je provád¥no
zpr·m¥rováním celého pásma po sloupcích,
Mean, (stredni hodnota), 75 - 85 Hz
PSD
100
50
0 0
100
200
300 window
400
500
Max, (maximalni hodnota), 75 - 85 Hz
PSD
100
50
0 0
100
200
300 window
Obrázek 3.5: Porovnání p°evodu frekven£ního pásma do °ádku
Výsledný °ádek
r
400
r
500
pomocí st°ední a maximální hodnoty
je pak v cyklu procházen a jeho prvky porovnávány se zvoleným prahem
je hodnota PSD v daném prvku Problém nastává p°i volb¥
ri
Kmin .
(okn¥) v¥t²í neº
Kmin ,
Kmin . Jestliºe
je dané okno ozna£eno za artefakt.
P·vodn¥ byla tato minimální hodnota výkonové spektrální hustoty
odpovídající artefaktu ur£ována experimentáln¥. To se v²ak, vzhledem k jejím velmi odli²ným hodnotám v r·zných svodech a je²t¥ v¥t²ím rozdíl·m v rámci n¥kolika m¥°ení, ukázalo jako nep°íli² ²ikovné. Experimentální ur£ování vhodného prahu bylo £asov¥ náro£né a neefektivní. Nakonec byl proto zvolen výpo£et
Kmin
pomocí kvantilové funkce.
Kmin = quantile(r, p) Parametr
p
p°edstavuje p°avd¥podobnost, s jakou bude mít libovolný prvek z
r
niº²í hodnotu neº
Kmin .
p = P (ri ≤ Kmin ) Jinými slovy, je-li
p = 0.95,
Pravd¥podobnost
p je sice také nutné zadat
p°edpokládaná £etnost artefakt· v signálu je 5 %. na vstupu detek£ní metody, nicmén¥ je to veli£ina podstatn¥
p°edstaviteln¥j²í (p°edev²ím pro klinického pracovníka) a s informacemi, za jakých okolností byl EEG záznam po°ízen, i snáze odhadnutelná. Výstup celé detek£ní funkce je tedy závislý na volb¥ délky okna, frekven£ního pásma, zp·sobu, zda chceme transformaci do °ádku
r
provád¥t pomocí st°ední £i maximální hodnoty, a p°edpokládané pravd¥podob-
nosti výskytu artefakt·. Pro detekci byl pouºíván svod T3, velikost okna pro soubor fyziologických artefakt· byla defaultn¥ nastavena na 1 s, p°ekryv oken nulový, pravd¥podobnost
p se pohybovala mezi 0.93 - 0.95, zkoumané frekven£ní
pásmo 70 - 120 Hz.
27
Gra cký výstup detekce artefakt· v souboru 001 (fyziologické artefakty) je znázorn¥n na obrázku 3.6, porovnání pak provedeno v tabulce 3.4.
Svalove artefakty detekovane funkci: artifactsSpectrogram.m (varianta MEAN) 400 300
amplitude
200 100 0 -100 cista EEG aktivita automaticky detekovane artefakty referencni znacky artefaktu
-200 -300 60
65
70
75
80
85
90
time [s]
(a) Varianta MEAN Svalove artefakty detekovane funkci: artifactsSpectrogram.m (varianta MAX) 400 300
amplitude
200 100 0 -100 -200
cista EEG aktivita automaticky detekovane artefakty referencni znacky artefaktu
-300 65
70
75
80
85
90
time [s]
(b) Varianta MAX Obrázek 3.6: 001.d, Detekce svalových artefakt·, frekven£ní pásmo 70 - 90 Hz,
28
p = 0.94
95
Po£et správn¥ klasi kovaných svalových artefakt·
Po£et £istých úsek· EEG (cca 1 - 2 s) klasi kováných jako artefakt
Po£et ostatních detekovaných artefakt·
mean, 80 - 120 Hz,
15
1
2
100 %
mean, 80 - 120 Hz,
13
1
1
86.7 %
14
1
2
93.3 %
13
1
1
86.7 %
15
0
2
100 %
15
1
2
100 %
14
0
0
93.3 %
15
1
2
100 %
13
0
1
86.7 %
14
0
2
93.3 %
p = 0.94 p = 0.95 mean, 70 - 120 Hz, p = 0.94 mean, 70 - 120 Hz, p = 0.95 mean, 70 - 90 Hz, p = 0.94 max, 80 - 120 Hz, p = 0.94 max, 80 - 120 Hz, p = 0.95 max, 70 - 120 Hz, p = 0.94 max, 70 - 120 Hz, p = 0.95 max, 70 - 90 Hz, p = 0.94
Tabulka 3.4: Porovnání závislosti vstupních parametr· na výsledku metody
Úsp¥²nost
artifactsSpectrogram.m
P°estoºe je v tabuce uvedena úsp¥²nost detekce, nelze na jejím základ¥ detek£ní metody ani volbu parametr· objektivn¥ porovnávat. P°i hodnocení výsledk· detekce je t°eba vzít v úvahu i mnoºství úsek·, které jako artefakt byly klasi kovány, ale ve skute£nosti artefaktem nejsou. Tomu odpovídá t°etí sloupec tabulky 3.4. V ideálním p°ípad¥ by tyto hodnoty m¥ly být nulové a po£et správn¥ klasi kovaných artefakt· (zde nazvaný úsp¥²ností metody) 100 %. Dal²ím parametrem, který je t°eba zohlednit, je p°esnost detekce ve smyslu £asové lokalizace celého artefaktu. Jak je patrné na obrázku 3.6, pátý zobrazený artefakt je v kaºdém p°ípad¥ detekován z jiné £ásti, p°estoºe ob¥ verze jsou zde povaºovány za úsp¥²nou detekci. Nejp°esn¥j²í lokalizaci dle vizuální kontroly m¥la tato metoda p°i volb¥ následujících parametr·:
mean, 70 - 90 Hz, p = 0.94. Výsledek této metody p°i aplikaci na soubor technických artefakt· (002.d) nebylo moºné jednozna£n¥ zhodnotit. Narozdíl od svalových (fyziologických obecn¥) artefakt·, které mají v¥t²inou vliv na v²echny svody by´ s r·znou intenzitou, se n¥kdy technické artefakty manifestují pouze v jednom kanálu (viz obrázek 3.7). Dal²ím problémem je, ºe vzhled a projev technického artefaktu není dop°edu vºdy známý, proto i návrh vhodného frekven£ního pásma, ve kterém artefakty hledáme, je obtíºn¥j²í. Vzhledem k tomu, ºe importované referen£ní zna£ky ozna£ující pozice artefakt· byly vytvá°eny v aplikaci WF, která neumoºnuje p°idávání tag· ve vztahu pouze k jedné konkrétní elektrod¥, nebylo p°i vizuální kontrole výstupu detek£ní metody moºné de nitivn¥ ur£it, zda metoda úsek ozna£ený jako referen£ní artefakt skute£n¥ nena²la, £i zda se tento artefakt pouze v daném svodu nevyskytuje. Pro výpo£et spektrogramu bylo, vzhledem ke krátkému trvání elektrodových artefakt·, zvoleno 0.5 s okno. Artefakty byly pak, kv·li jejich r·znému charakteru, hledány ve dvou frekven£ních pásmech. Niº²ímu odpovídal rozsah 50 - 80 Hz, vy²²ímu pak 80 - 120 Hz. Tyto intervaly na sebe sice p°ímo navazují, ale p°i jejich slou£ení do jednoho pásma dojde k vzájemnému potla£ení informace a artefakty (okna) s niº²í hodnotou PSD se neprojeví/nebudou detekovány. Rozd¥lení na dv¥ pásma se ukázalo uºite£né, nebo´ se i zp°esnila lokalizace celých artefakt·, které byly multifazické a obsahovaly úseky spadající do r·zných frekven£ních pásem. Gra cké výstupy detekce zobrazeny na obrázku 3.8.
29
F3
500 0 -500 0
200
400
600
800
600
800
600
800
600
800
F7
500
amplitude
0 -500 0
200
400 P3
500 0 -500 0
200
400 T3
500 0 -500 0
200
400 time [s]
Obrázek 3.7: Porovnání n¥kolika svod· v souboru technických artefakt·. ipky ukazují p°íklady artefakt· mající odli²nou manifestaci v r·zných svodech.
30
100 300
200
50
200
0 -100
amplitude
0 amplitude
amplitude
100
-50 -100
-200
-150
-300
-200
100 0 -100 -200 -300 -400
185 186
187 188 189 time [s]
290
295 time [s]
300
758
760
762 time [s]
764
766
764
766
ciste EEG automaticky detekovane artefakty, 50 - 80 Hz automaticky detekovane artefakty, 80 - 120 Hz referencni znacky artefaktu
(a) T°i r·zné artefakty, p50−80Hz = 0.9, p80−120Hz = 0.95
100 200
50
100
0
300
0 -100
amplitude
amplitude
200
-50 -100
-200
-150
-300
-200
100 0 -100 -200 -300 -400
185
186
187 188 time [s]
189
290
295 time [s]
300
758
760
762 time [s]
ciste EEG automaticky detekovane artefakty, 50 - 80 Hz automaticky detekovane artefakty, 80 - 120 Hz referencni znacky artefaktu
(b) T°i r·zné artefakty, p50−80Hz = 0.95, p80−120Hz = 0.95 Obrázek 3.8: Technické artefakty, svod Fp1, dv¥ detek£ní pásma 50 - 80 Hz, 80 - 120 Hz
31
3.4.2 Metody pracující s okny 3.4.2.1 amp_thresholding.m Zobrazí-li se celý záznam EEG najednou v malém m¥°ítku (viz obrázek 3.9), jsou v n¥m patrné krátké úseky s výrazn¥ vy²²í amplitudou. Ty pravd¥podobn¥ odpovídají technickým artefakt·m, p°ípadn¥ výraznému mrkání. Proto se jako jeden p°ístup k artefaktové detekci nabízí práv¥ i jednoduché amplitudové prahování.
Fyziologicke artefakty, 001.D, svod Fp1 200 0
amplitude
-200 0
100
200
300
400
500
Technicke artefakty, 002.D, svod Fp1 500
0
-500 0
100
200
300
400
500
600
700
800
time [s]
Obrázek 3.9: Zhu²t¥né EEG záznamy
Tato metoda byla primárn¥ navrºena jako okrajová. Je sice za vhodné volby vstupních parametr· schopna nalézt amplitudov¥ odlehlá místa, detekuje v²ak pouze ²pi£ky t¥chto míst a ne artefakt jako úsek signálu. Jinými slovy by se dalo °íct, ºe tato metoda detekuje úseky artefakt·. Pro oba soubory (fyziologické i technické artefakty) byl jako vstup pouºit svod Fp1. B¥hem detekce fyziologických artefakt· je zvoleno okno dlouhé 10 s, které se v kaºdém cyklu posouvá ve sm¥ru £asové osy o 0.25 s. V kaºdém okn¥ je vypo£tena st°ední hodnota s hodnotou vy²²í neº
n = 3.
n × EX
EX
a následn¥ jeho kaºdý prvek
je ozna£en jako artefakt. Prahová konstanta byla experimentáln¥ zvolena
Bohuºel docházelo pom¥rn¥ £asto k fale²n¥ pozitivním nález·m, kdy byly detekovány ²pi£ky
b¥ºných EEG vln. Pro srovnání viz obrázek 3.10, kde jsou patrná detekovaná o£ní mrknutí i nesprávn¥ klasi kované £isté EEG. Zárove¬ nebylo moºné navrhnout vhodný p°ístup k hodnocení výstupu, nebo´ za p°edpokladu, ºe metoda je cílená na detekci o£ních artefakt·, bylo sporné, jakým zp·sobem hodnotit úseky metodou klasi kované jako artefakty, které ve skute£nosti sice neodpovídaly o£nímu mrknutí, ale reprezentovaly jiný typ artefaktu. P°esto je pokus o kvantitativní hodnocení zachycen v tabulce 3.5.
32
Po£et správn¥ detekovaných mrknutí
Po£et £istých úsek· EEG (cca 0.1 - 0.3 s)
klasi kovaných jako artefakt
Po£et ostatních detekovaných artefakt·
Úsp¥²nost detekce mrkání
win = 5 s, n = 3.5
54
24
15
81.8 %
win = 8 s, n = 2.9
59
67
27
89.4 %
win = 9 s, n = 2.9
60
60
41
90.9 %
win = 10 s, n = 3
60
55
27
90.9 %
Tabulka 3.5: Porovnání závislosti vstupních parametr· na výsledcích prahovací metody
amp_thresholding.m
pro soubor fyziologických artefakt· 001.d
V p°ípad¥ souboru technických artefakt· (viz obrázek 3.11) se ukázalo pouºití stejných parametr· jako u souboru 001 obdobn¥ vhodné:
win = 10 s, winshif t = 0.25 s, n = 3.
Na základ¥ výsledk· je moºné konstatovat, ºe se spí²e neº ²iroká skupina technických artefakt· da°ilo detekovat o£ní mrkání, pro coº se kanál Fp1 ukázal jako vhodnou volbou.
100 0 -100 -200 -300
485
490
495
500
505
510
50 0 -50 -100 536
538
540
542 time (s)
544
Obrázek 3.10: Srovnání správné (naho°e) a fale²né (dole) detekce. Svod Fp1,
winshif t = 0.25 s, n = 2.9.
33
001.d
546 win = 8 s,
548
amplitude
100
200 100
0
0
-100
-100 -200
amplitude
85
90
95
-200
100
100
400
0
200
-100
0
-200
-200 285
290
295
142
300
670
144
146
680
time (s)
148
690 time (s)
ciste EEG automaticky detekovane artefakty referencni znacka artefaktu: ocni mrkani referencni znacka artefaktu: technicky artefakt Obrázek 3.11: Výstup detekce v souboru technických artefakt·.
amp_thresholding.m, Svod Fp1,
win = 10 s, winshif t = 0.25 s, n = 3
3.4.2.2 win_BS.m Funkce
winB
win_BS.m
vyuºívá dv¥ okna r·zné velikosti - v¥t²í okno
je vypo£ítán rozptyl
varB ,
winB
a men²í okno
se kterým jsou následn¥ porovnávány rozptyly
souvajících se men²ích oken umíst¥ných v rámci
winB .
varS
winS .
V kaºdém
jednotlivých po-
Jsou-li porovnávané rozptyly výrazn¥ odli²né,
úsek reprezentovaný p°íslu²ným men²ím oknem je ozna£en za artefakt. Rozhodovací kritérium je ur£eno takto:
I : (varB − x · varB , varB + x · varB) Hodnota
x
je zadávána na vstupu funkce. Úsek
winS
je klasi kován jako artefakt tehdy, je-li spln¥na
následující podmínka:
varS ∈ /I Velikost v¥t²ího okna se pohybovala okolo 11 s, men²í bylo pak dlouhé 1 s. Velké okno se v kaºdém cyklu posouvalo o 0.25 aº 1 s,
winS
pak o 0.1 s. Prahová konstanta
x byla stanovena experimentáln¥ na x ∼ 1.2.
V p°ípad¥ fyziologických artefakt· v¥t²ina automaticky detekovaných úsek· odpovídala o£nímu mrkání. Pom¥r mezi správn¥ detekovaným o£ním mrkáním a fale²nou detekcí £istých úsek· v²ak nebyl zcela ideální, p°esto pro jisté aplikace stále p°ijatelný. Výsledky zaznamenány v tabulce 3.6. Pro gra cký výstup detekce viz obrázek 3.12.
34
700
winshiftB = 0.25 s, winshiftA = 0.1 s
Po£et správn¥ detekovaných mrknutí winB = 10 s, winS = 1 s, x = 1.15 winB = 12 s, winS = 1 s, x = 1.2 winB = 12 s, winS = 1.1 s, x = 1.3
Po£et £istých úsek· EEG (cca 1 - 2 s)
klasi kovaných jako artefakt
Po£et ostatních detekovaných artefakt·
Úsp¥²nost detekce mrkání
47
15
6
71.2 %
48
14
7
72.7 %
41
8
3
62.1 %
(a)
winshiftB = 0.5 s, winshiftA = 0.1 s
Po£et správn¥ detekovaných mrknutí winB = 10 s, winS = 1 s, x = 1.15 winB = 12 s, winS = 1 s, x = 1.2 winB = 12 s, winS = 1.1 s, x = 1.3
Po£et £istých úsek· EEG (cca 1 - 2 s)
klasi kovaných jako artefakt
Po£et ostatních detekovaných artefakt·
Úsp¥²nost detekce mrkání
50
15
10
75.8 %
50
14
10
75.8 %
41
6
6
62.1 %
(b) Tabulka 3.6: Porovnání závislosti vstupních parametr· na výsledcích metody fyziologických artefakt· 001.d
35
win_BS.m
pro soubor
100
amplitude
50 0 -50 -100 220
221
222
223
224
225
226
227
228
229
150
amplitude
100 50 0 -50 -100 -150 454
456
458
460 462 time (s)
Obrázek 3.12: Výstup detekce v souboru fyziologických artefakt·.
464
466
468
win_BS.m, Svod Fp1, winB = 12 s,
winS = 1 s, x = 1.2
V souboru technických artefakt· se da°ilo o£ní mrkání detekovat s cca 53 - 60% úsp¥²ností. Jakmile se vstupní parametry nastavily tak, aby se po£et detekovaných o£ních mrknutí zvý²il, spole£n¥ s ním p°íli² stoupal i po£et fale²ných detekcí (£istých úsek· automaticky klasi kovaných jako artefakt). Jejich po£et se pohyboval od 20 do 42 °ádov¥ 1 - 2 s dlouhých úsek·. Technické artefakty byly detekovány cca z 62 - 76 %, av²ak toto £íslo je orienta£ní, protoºe technické artefakty vzhledem k jejich vzhledu nelze jednozna£n¥ kvanti kovat. asto je sporné, zda ur£itý úsek signálu obsahuje jeden multifázický artefakt, £i více po sob¥ jdoucích artefakt·. Pom¥r automaticky detekovaných artefakt· v·£i referen£nímu ohodnocení je tak zaloºen na subjektivní klasi kaci. Vstupní parametry pro soubor 002.d, se kterými metoda vracela relativn¥ p°ijatelné výsledky, byly nastaveny následovn¥:
winB = 4...5 s, winS = 1 s, winshif tB = 0.25 s, winshif tS = 0.1 s, x = 0.9...1.
3.4.2.3 win_pair.m Tato metoda pracuje se dv¥ma paralelními okny
winA a winB , která jsou umíst¥na vedle sebe a spole£n¥
se posouvají podél £asové osy. Pro kaºdé okno je vypo£ítaný rozptyl a jsou-li rozptyly dostate£n¥ odli²né, okno s vy²²í hodnotou rozptylu je povaºováno za artefakt. Nastavitelné jsou jak velikosti kaºdého okna zvlá²´, tak jejich vzájemná vzdálenost (eventuáln¥ vzájemný p°ekryv).
36
Rozhodovací kritérium je navrºeno stejn¥ jako u p°edchozí metody. Je-li artefakt je ozna£eno
winA.
Prohodíme-li
A
za
B,
varA > varB + x · varB ,
artefaktu bude odpovídat
winB .
jako
Ve funkci jsou tudíº
kontrolována ob¥ kritéria zvlá²´. Výsledky obdrºené touto metodou v²ak nebyly p°íli² dobré. Funkce nedokáºe rozli²it dv¥ £asov¥ blízké události. P°edpokládáme-li znovu, ºe je funkce díky vyuºívanému statistickému rozptylu zam¥°ena na detekci amplitudových zm¥n, tudíº p°eváºn¥ o£ního mrkání, musíme zvolit okno tak ²iroké, aby pojalo dostate£ný úsek jednoho mrknutí. Pro p°íli² malá okna nebudou hodnoty rozptyl· vypovídající, a detekce tak nebude moºná. S rostoucí délkou okna v této metod¥ zárove¬ roste minimální vzdálenost dvou sousedních mrknutí, aby v·bec existovala ²ance na jejich detekci. Nep°íli² úsp¥²né výsledky t°ech skupin vstupních parametr· jsou zaznamenány v tabulce 3.7. Gra ckou demonstraci úsp¥²ných i neúsp¥²ných p°ípad· detekce je pak moºné vid¥t na obrázcích 3.13 a 3.14.
Po£et správn¥ detekovaných mrknutí winA = winB = 0.9 s, overlap = -0.4 s, x = 7.5 winA = winB = 0.8 s, overlap = -0.4 s, x = 8 winA = winB = 0.5 s, overlap = -0.3 s, x = 15
Po£et £istých úsek· EEG (cca 0.5 - 1 s)
klasi kovaných jako artefakt
Po£et ostatních detekovaných artefakt·
Úsp¥²nost detekce mrkání
41
19
9
62.1 %
40
26
11
60.6 %
28
38
11
42.4 %
Tabulka 3.7: Porovnání závislosti vstupních parametr· na výsledcích metody
win_pair.m
pro soubor
fyziologických artefakt· 001.d
100 ciste EEG detekovane artefakty reference ocniho mrkani
100
50 0
amplitude
50
-50 0 -100 -50
-150 -200
-100 -250 452
454
456
458 460 time (s)
462
464
470
Obrázek 3.13: Výstup detekce v souboru fyziologických artefakt·.
480
490 time (s)
500
510
win_pair.m, Svod Fp1, winA = winB
= 0.9 s, overlap = -0.4 s, x = 7.5
Pro soubor technických artefakt· bylo upraveno rozhodovací kritérium a význam parametru bylo ozna£eno za artefakt tehdy, pokud platilo
x.
Okno
A
varA/varB > x. Naopak spln¥ní podmínky varB/varA > 37
100
250
50
200
ciste EEG detekovane artefakty reference ocniho mrknuti reference technickeho artefaktu
amplitude
150 0 100 -50
50
-100
0 -50
-150 -100 -200 85
90
95 time (s)
100
105
-150
142
Obrázek 3.14: Výstup detekce v souboru technických artefakt·.
144
146 time (s)
148
win_pair2.m, Svod Fp1, winA = winB
= 1.1 s, win_distance = 0.2 s, x = 6
3.4.3 Detekce na principu shlukování Tento detek£ní p°ístup je zaloºen na shlukovacím algoritmu
k-means,
který byl popsán vý²e. Signál je
rozsegmentován do oken xní délky, pro která je vypo£ítán statistický parametr, p°i£emº okna se v kaºdém kroku posouvají pouze o zlomek své celkové délky de novaný jako
winshif t.
Vektor zvolených
statistických parametr· v oknech je dále podroben shlukovací analýze. Vzhledem k výskytu r·zných typ· artefakt· byl po£et shluk· stanoven na 3 aº 5. Experimentáln¥ bylo ov¥°eno, ºe shluk s nejvy²²ím po£tem prvk· odpovídá £istému EEG, artefakt·m pak odpovídají mén¥ po£etné shluky. Na obrázku 3.15 je zobrazen vývoj statistických veli£in v jednotlivých oknech pro soubor fyziologických artefakt·. P°edpokládalo se, ºe kaºdá z nich bude pravd¥podobn¥ vhodná na detekci jiného typu artefaktu, nebo´ jejich lokální maxima jsou v¥t²inou v r·zných £asových okamºicích. Pro detekci v souboru fyziologických artefakt· 001.d byla vyuºívána funkce artefakty 002.d poté funkce
clustering_tech.m.
38
clustering.m,
pro technické
kurtosis
15 10 5 0 0
100
200
300
400
500
600
700
windows, 1 window ~ 0.8 s s k e wn e s s
4 2 0 -2 0
200
400
600
800
1000
windows, 1 window ~ 0.5 s 4
va ria nce
2
x 10
1.5 1 0.5 0 0
100
200
300
400
500
600
700
800
900
windows, 1 window ~ 0.6 s 100
me a n
50 0 -50 -100 0
100
200
300
400
500
600
windows, 1 window ~ 0.7 s Obrázek 3.15: Vývoj statistických veli£in s £asem, 001.d, Fp1
39
700
800
3.4.3.1 kurtosis Pro parametr ²pi£atosti, po£ítaný v jednotlivých oknech, byly pouºity 4 shluky, p°i£emº 2 s nejniº²í £etností povaºovány za artefakt v p°ípad¥ fyziologického souboru, v p°ípad¥ technických artefakt· jsou za artefaktové brány 3 nejmen²í shluky. Výsledky bohuºel nebyly uspokojivé, nebo´ bylo detekováno malé mnoºství skute£ných artefakt· a relativn¥ dost úsek·, které artefaktem nebyly.
200
150 100
amplitude
100
50 0
0
-50 -100
-100 -150
-200
-200 164
166
168
170
172
174
176
178
180
182
454
456
458
time (s)
460
462
464
time (s) Clustering result
40
supposed artifacts normal signal
kurtosis
30
20
10
0
0
0.5
1
1.5
2
2.5
windows, 1 window ~ 0.8 s
x 10
Obrázek 3.16: Výsledek shlukovací metody s vyuºitím ²pi£atosti. Vlevo naho°e jsou znázorn¥ny fale²n¥ detekované úseky, vpravo naho°e £áste£n¥ detekovaný artefakt s referencí o£ního mrkání. Dolní graf znázor¬uje vypo£ítanou ²pi£atost pro jednotlivá okna signálu a výsledek shlukovací analýzy. Pouºité parametry:
window = 0.8 s, winshif t = 0.02 s.
Svod Fp1. 001.d
3.4.3.2 skewness P°i pouºití parametru ²ikmosti se nepoda°ilo nalézt shluk £i shluky, které by odpovídaly artefakt·m. Výsledky testování zde proto nejsou uvedeny.
3.4.3.3 variance Parametr statistického rozptylu se ukázal být relativn¥ vhodnou volbou, nebo´ pro soubor fyziologických artefakt· vznikal p°ijatelný pom¥r mezi mnoºstvím správn¥ detekovaných artefakt· a fale²nou detekcí. Byla pouºívána okna délky 0.5 - 1 s. V p°ípad¥ souboru 001.d byly zvoleny 3 shluky, p°i£emº dva nejmén¥ po£etné byly povaºovány za artefakty.
40
4
amplitude
150
150
100
100
50
50
0
0
-50
-50 -100
-100
-150
-150
-200 -200
240
245
250
255
260
452
454
456
458
time (s) 2
x 10
460
462
466
Clustering result
4
supposed artifacts normal signal
1.5
variance
464
time (s)
1 0.5 0
0
0.5
1
1.5
2
2.5
windows, 1 window ~ 0.5 s
x 10
Obrázek 3.17: Výsledek shlukovací metody s vyuºitím rozptylu. Vlevo naho°e patrná jak úsp¥²ná i neúsp¥²ná detekce, tak fale²n¥ detekovaný úsek. Vpravo naho°e správná detekce vzhledem k referenci. Dolní graf znázor¬uje vypo£ítaný rozptyl pro jednotlivá okna signálu a výsledek shlukovací analýzy. Pouºité parametry:
window = 0.5 s, winshif t = 0.02 s.
Po£et správn¥ detekovaných mrknutí
Po£et £istých úsek· EEG (cca 0.5 - 1 s)
klasi kovaných jako artefakt
Svod Fp1. 001.d
Po£et ostatních detekovaných artefakt·
Úsp¥²nost detekce mrkání
win = 1 s
40
3
3
60.6 %
win = 0.8 s
40
3
3
60.6 %
win = 0.6 s
46
8
3
69.7 %
win = 0.5 s
51
17
4
77.3 %
Tabulka 3.8: Porovnání závislosti vstupních parametr· na výsledcích
shlukovací metody
pro soubor
fyziologických artefakt· 001.d
Pro soubor technických artefakt· bylo zvoleno 5 shluk·, kde 4 nejmén¥ po£etné odpovídaly artefakt·m. Výsledek obsahoval prakticky nulové mnoºství fale²n¥ pozitivních detekcí, bylo detekováno p°es 75 % v²ech technických artefakt· s relativn¥ úsp¥²nou lokalizací za£átku a konce, p°i£emº p°eváºná v¥t²ina nedetekovaných artefakt· m¥la v testovaném svodu minimální projev.
41
4
600 normal signal detected artifacts eye-blink reference tech-artifact reference
400
400
300 200
200
100
200
0
0 0
-100
-200
-200
-200
-400
-300 80
85
90
95
100
105
664
666
time (s) 8
x 10
668
670
672
705
710
time (s)
715
720
725
730
time (s)
Clustering result
4
supposed artifacts normal signal
7
variance
6 5 4 3 2 1 0
0
0.5
1
1.5
2
2.5
3
3.5
4
windows, 1 window ~ 0.4 s
Obrázek 3.18: Výsledek shlukovací metody s vyuºitím rozptylu. Vlevo naho°e £áste£ná detekce o£ního mrkání. Naho°e uprost°ed správná detekce technického artefaktu a mén¥ manifestované nedetekované úseky. Vpravo naho°e správná detekce i segmentace technických artefakt·. Dolní graf znázor¬uje vypo£ítaný rozptyl pro jednotlivá okna signálu a výsledek shlukovací analýzy. Pouºité parametry:
window = 0.4 s, winshif t = 0.02 s.
Svod Fp1. 002.d
3.4.3.4 mean V p°ípad¥ vyuºití st°ední hodnoty jako sledovaného parametru v oknech byla detekována pouze výrazná o£ní mrknutí (s vysokou amplitudou). Byly testovány 4 shluky, kde jako artefaktová skupina byl povaºován nejmén¥ po£etný shluk. Výhodou bylo nulové mnoºství fale²ných detekcí. Pro umoºn¥ní detekce i mén¥ výrazných artefakt· v podob¥ men²ích výchylek by bylo nutné zvolit podstatn¥ v¥t²í mnoºství shluk·, kde poté nastává komplikace ur£ování, které skupiny jsou artefaktové a které nikoliv.
42
x 10
4
100
amplitude
0 -100 -200 -300 460
470
480
490
500
510
time (s) Clustering result 300 supposed artifacts normal signal
250
mean
200 150 100 50 0
0
0.5
1
1.5
2
2.5
windows, 1 window ~ 0.2 s
x 10
Obrázek 3.19: Výsledek shlukovací metody s vyuºitím st°ední hodnoty. Naho°e jsou znázorn¥ny správné detekce o£ního mrkání. Pro £ervenou k°ivku bylo zvoleno okno velikosti
0.05 s.
0.2 s
a pro alovou k°ivku
Dolní graf znázor¬uje vypo£ítanou st°ední hodnotu pro jednotlivá okna signálu a výsledek shlukovací analýzy. Svod Fp1. 001.d
Pro technické artefakty byla detekce úsp¥²n¥j²í, ov²em na úkor podstatn¥ v¥t²ího mnoºství fale²ných detekcí. Velikost okna byla experimentáln¥ zvolena na
0.4 s. Krat²í okno vracelo p°íli² velký po£et fale²ných
detekcí, v¥t²í okno naopak nalezlo pouze ty nejvýrazn¥j²í artefakty.
43
4
4
Výsledky, hodnocení
Jednotlivé detek£ní metody byly stru£n¥ hodnoceny v sekci 3.4, chyb¥lo v²ak vzájemné srovnání výhod a nevýhod, které se pokusí shrnout tato kapitola. Nejprve je pot°eba zvolit kritéria, na jejichº základ¥ budou funkce srovnávány. M·ºeme porovnávat schopnost detekovat v²echny artefakty £i jeden konkrétní, p°esnost lokalizace artefaktu, neboli jak dob°e byl artefakt ozna£en ve vztahu k jeho za£átku a konci, dále poté míru fale²ných detekcí £i £asovou náro£nost jednotlivých metod. Ve vztahu k prahovým konstantám by ideální metoda pracovala zp·sobem, který se sniºováním prah· sice zvy²uje £etnost fale²ných detekcí, ale p°edev²ím také po£et detekovaných artefakt·. To se sice v mnoha p°ípadech da°ilo, £asto ale primárn¥ pro fale²né detekce. Mnoho artefakt· zkrátka m¥lo takové parametry, ºe je nebylo moºné danými metodami detekovat i s velmi nízkým prahem a p°ítomností velkého mnoºství fale²n¥ detekovaných úsek·. Je vysoce nepravd¥podobné, ºe by jedna metoda m¥la prvenství ve v²ech zmín¥ných kategoriích, proto nelze sestavit jednozna£ný ºeb°í£ek dle úsp¥²nosti. Spolehliv¥ detekovat se da°ilo pouze t°i skupiny artefakt·: svalová aktivita, o£ní mrkání a technické artefakty.
Svalové artefakty Detekce svalových artefakt· metodou vyuºívající spektrogram se ukázala jako velice funk£ní. Úsp¥²nost detekce dosahovala aº 100 % za minimální p°ítomnosti fale²n¥ detekovaných úsek·. Svalové artefakty se zárove¬ neda°ilo detekovat ºádnou jinou metodou. Pouze kombinovaný artefakt zatnutí zub· a o£ního mrkání byl detekován i jinými metodami, které ho ale pravd¥podobn¥ ozna£ily pouze na základ¥ amplitudových zm¥n. Srovnání detekce tohoto kombinovaného artefaktu ve svodu Fp1 zobrazují obrázky 4.1 aº 4.4.
O£ní mrkání Mrkání bylo díky svým výrazným amplitudovým zm¥nám detekováno sice úsp¥²n¥, £asto ale na úkor velkého mnoºství fale²n¥ detekovaných £istých EEG úsek·. Konkrétní výsledky byly zaznamenány v tabulkách u popisu p°íslu²ných funkcí. Nelze v²ak jednozna£n¥ ur£it, která z metod byla nejúsp¥²n¥j²í, nebo´ záleºí na tom, zda je preferován co nejvy²²í po£et detekovaných mrknutí, £i naopak co nejmen²í po£et ²patn¥ detekovaných úsek·, které artefaktové nejsou. Srovnání detekce o£ního mrkání ve svodu Fp1 zobrazují obrázky 4.5 aº 4.8.
Technické artefakty Jednozna£né hodnocení úsp¥²nosti detekce technických artefakt· nebylo zcela moºné provést. Jednak, jak uº bylo popisováno vý²e, se elektrodové artefakty vyskytují v¥t²inou pouze v jednom svodu, tudíº referen£ní zna£ka m·ºe ukazovat na místo, kde se sice artefakt vyskytuje, ale ve zcela jiném kanálu. V takovém p°ípad¥ hodnotící bez léka°ských zku²eností nedokáºe ur£it, zda artefakt je p°ítomen a nebyl detekován, nebo zda zna£ka skute£n¥ odkazuje na jinou elektrodu. Druhým d·vodem n¥kolikrát v této práci zmi¬ovaným byla dlouhá skupina artefakt· (cca 150 s) v kone£né £ásti signálu, kde se v podstat¥ vyskytuje jeden artefakt za druhým, aniº by bylo zcela jednozna£né, kde první kon£í a druhý za£íná. Nelze ani s jistotou °íci, kolik artefaktových úsek· se v této £ásti signálu skute£n¥ vyskytuje, protoºe jejich segmentace je moºná n¥kolika zp·soby. Zárove¬ i kaºdá detek£ní metoda tento soubor technických artefakt· rozsegmentovala jinak. Tím spí²e bylo obtíºn¥j²í zvolit, která varianta je správn¥j²í. Z uvedených
44
d·vod· bylo hodnocení výstupu detekce technických artefakt· prozatím ponecháno na £ist¥ subjektivní úrovni. Výstupy detekce diskutované sekvence artefakt· jsou znázorn¥ny na obrázcích 4.9 aº 4.12.
45
artifactsSpectrogram.m
150 100
amplitude
50 0 -50 -100 -150
446
448
450
Obrázek 4.1:
452
454
456 time [s]
458
460
462
464
466
462
464
466
462
464
466
464
466
artifactsSpectrogram.m, win = 1 s, 70 - 90 Hz, p = 0.94 win BS.m
150 100
amplitude
50 0 -50 -100 -150
446
448
450
Obrázek 4.2:
452
454
456 time (s)
458
460
win_BS.m, winB = 12 s, winS = 1 s, x = 1.2 win pair.m
150 100
amplitude
50 0 -50 -100 -150
446
448
Obrázek 4.3:
450
452
454
456 time (s)
458
460
win_pair.m, winA = winB = 0.9 s, overlap = -0.4 s, x = 7.5 clustering.m (variance)
150 100
amplitude
50 0 -50 -100 -150
446
448
450
452
Obrázek 4.4:
454
456 time (s)
458
460
clustering.m, variance, win = 0.5 s
46
462
amp thresholding.m
150 100 50 amplitude
0 -50 -100 -150 -200 -250 -300
475
480
485
490
495
500
505
510
505
510
505
510
time (s)
Obrázek 4.5:
amp_thresholding.m, win = 8 s, n = 2.9 win BS.m
150 100 50 amplitude
0 -50 -100 -150 -200 -250 -300
475
480
485
490
495
500
time (s)
Obrázek 4.6:
win_BS.m, winB = 12 s, winS = 1 s, x = 1.2 win pair.m
150 100 50 amplitude
0 -50 -100 -150 -200 -250 -300
475
480
485
490
495
500
time (s)
Obrázek 4.7:
win_pair.m, winA = winB = 0.9 s, overlap = -0.4 s, x = 7.5 clustering.m (variance)
150 100 50 amplitude
0 -50 -100 -150 -200 -250 -300
475
480
485
490
495
500
time (s)
Obrázek 4.8:
clustering.m, variance, win = 0.5 s
47
505
510
artifactsSpectrogram.m
amplitude
500
0
-500 660
680
700
720
740
760
780
800
time [s]
Obrázek 4.9:
artifactsSpectrogram.m, win = 0.5 s, 50 - 80 Hz, 80 - 120 Hz, p = 0.95 amp thresholding.m
amplitude
500
0
-500 660
680
700
720
740
760
780
800
780
800
780
800
time (s)
Obrázek 4.10:
amp_thresholding.m, win = 10 s, n = 3 win BS.m
amplitude
500
0
-500 660
680
700
720
740
760
time (s)
Obrázek 4.11:
win_BS.m, winB = 4 s, winS = 1 s, x = 0.9 clustering tech.m (variance)
amplitude
500
0
-500 660
680
700
Obrázek 4.12:
720
time (s)
740
760
clustering_tech.m, variance, win = 0.4 s
48
asová náro£nost Jiné kritérium, na základ¥ kterého lze funkce srovnávat, je doba jejich b¥hu. Ta byla získána pomocí MatLab funkce
tic toc
a testování probíhalo na po£íta£i s 4-jádrovým procesorem Intel Core i5-3570K @
3.40GHz a 16 GB RAM. Srovnání ukazuje tabulka 4.1. Doba b¥hu by se dala v n¥kterých p°ípadech významn¥ zkrátit zvý²ením po£tu vzork·, o který se okna v kaºdém cyklu posouvají. To v²ak bude mít za d·sledek zmen²ení p°esnosti detekce nejen z hlediska správného nalezení za£átku a konce artefaktu, ale také se zvy²í pravd¥podobnost, ºe bude n¥který krátký artefakt p°esko£en. To zárove¬ souvisí se sniºováním míry fale²ných detekcí. Op¥t v²ak záleºí na ú£elu, s jakým je detek£ní metoda vyuºívána, na jehoº základ¥ je moºné se rozhodnout, kterým sm¥rem bude kompromis více posunut. Vzhledem k velikosti dat, které byly v rámci této práce analyzovány, nebyl aspekt £asové náro£nosti problémem. Z údaj· v tabulce 4.1 je v²ak z°ejmé, ºe n¥které metody budou nepraktické pro pouºití na dlouhodobých datech a v budoucnu je t°eba se zam¥°it na jejich optimalizaci.
49
step [Hz]
frq_from [Hz]
frq_to [Hz]
p
average time [s]
250
0.25
80
120
0.95
1.4197
250
0.25
70
90
0.94
1.4136
winshift [samples]
n
average time [s]
2000
62
2.9
0.0602
winB [samples]
winS [samples]
winshiftB [samples]
winshiftS [samples]
x
average time [s]
3000
250
62
25
1.2
7.0211
3000
250
125
25
1.2
3.4916
winA [samples]
winB [samples]
overlap [samples]
winshift [samples]
x
average time [s]
225
225
-100
12
7.5
0.6365
200
200
-100
12
8
0.6286
225
225
-100
25
7.5
0.3149
window [samples]
winshift [samples]
clusters
average time [s]
125
5
3
0.9449
125
12
3
0.4143
125
25
3
0.2259
window [samples] spectrogram window thresholding [samples]
win_BS
win_pair
clustering
(a) Fyziologické artefakty, 001.d, délka signálu = 145 305 vzork·
window [samples] spectrogram
win_pair
clustering
p
average time [s]
50
80
0.95
3.1505
80
120
0.95
3.1686
frq_from [Hz]
125
0.25
125
0.25
winshift [samples]
n
average time [s]
2500
62
3
0.1126
winB [samples]
winS [samples]
winshiftB [samples]
winshiftS [samples]
x
average time [s]
1000
250
62
25
0.9
3.2573
winA [samples]
winB [samples]
overlap [samples]
winshift [samples]
x
average time [s]
275
275
50
12
6
0.9687
275
275
50
25
6
0.4616
window [samples]
winshift [samples]
clusters
average time [s]
100
5
5
1.3541
100
12
5
0.5765
100
25
5
0.3421
window thresholding [samples] win_BS
frq_to [Hz]
step [Hz]
(b) Technické artefakty, 002.d, délka signálu = 208 450 vzork· Tabulka 4.1: Doba b¥hu jednotlivých funkcí
50
5
Záv¥r
Je diskutabilní, zda je v·bec moºné navrhnout ideální detek£ní metodu. Na jedné stran¥ by se za dokonalý detektor dalo povaºovat oko zku²eného neurologa, na stran¥ druhé výstup hodnocení téhoº signálu dv¥ma r·znými neurology v¥t²inou není totoºný. Nastala by tudíº situace, kdy bychom m¥li dva ideální detektory li²ící se výstupem, a museli bychom rozhodnout, který je ideáln¥j²í. U automatických metod provád¥ných po£íta£em je problém £asto velmi podobný. To, zda je metoda ideální £i ideáln¥j²í, závisí na konkrétní situaci a primárnímu ú£elu, za jakým jsme se automatickou detekci v·bec rozhodli vyuºít. Dokonalá metoda by m¥la být schopna detekovat v²echny artefakty (100 % sensitivita) a zárove¬ neozna£it jako artefakt ºádnou £ást £istého EEG (100 % speci cita). To je ov²em prakticky tém¥° nemoºné, je proto nutné se zamyslet, zda je výhodn¥j²í cílit výstup metod tak, aby byla co nejvy²²í senzitivita, nebo naopak speci cita. Snaºit se dosáhnout co nejvy²²í senzitivity, tudíº minimalizovat po£et fale²n¥ negativních výskyt· na úkor p°ítomnosti je²t¥ p°ijatelného mnoºství fale²n¥ pozitivních detekcí, se zdá na první pohled logicky výhodn¥j²í p°ístup. Velmi v²ak záleºí na tom, za jakým ú£elem je automatická detekce artefakt· provád¥na. Zda jsou úseky detekovány proto, aby byly následn¥ automaticky odstran¥ny a k nálnímu zpracování ²lo pouze EEG £ist¥ neuronového p·vodu, nebo zda výstupem mají být jen ozna£ené úseky v dlouhodobém záznamu, které mají klinika upozornit na p°ítomnost artefaktu a sníºit tak pravd¥podobnost zám¥ny s patologií. Ve druhém p°ípad¥ m·ºe p°íli² velké mnoºství fale²n¥ pozitivních nález· vést k £astým planým poplach·m a následnému sníºení pozornosti. Existují proto situace, kdy je výhodn¥j²í zam¥°it se na vy²²í speci citu a moci se tak na výsledky spolehnout, p°estoºe nejsou úplné z kvantitativního hlediska. V budoucí práci je nutné se zam¥°it hned na n¥kolik prvk·, které v této práci nebyly studovány, £i jim nebyla v¥nována dostate£ná pozornost. Jedním z nich je lep²í reprezentace dat, a to p°edev²ím ozna£ení artefakt·. V²echny detek£ní metody sice vrací dvousloupcovou matici, kde je v kaºdém °ádku zaznamenán za£átek a konec daného artefaktu, ale uº nedokáºí rozli²it, zda v jednom detekovaném úseku není skryto více artefakt·, které nap°íklad kv·li volb¥ velkého okna splynuly do jednoho. Zárove¬ tento typ výstupu nezohled¬uje vzájemn¥ se p°ekrývající artefakty. Mnohem v¥t²ím problémem v této práci v²ak byl nevhodný zp·sob reprezentace referen£ních pozic artefakt·, které byly v podob¥ zna£ek vztahujících se ke konkrétnímu £asovému okamºiku. Teoreticky jediným zp·sobem, jak ozna£it celý artefakt, bylo umístit zna£ku na jeho za£átek a konec. P°i blízkém výskytu artefakt·, které m¥ly mezi sebou mezery srovnatelné se svojí vlastní dobou trvání, by v²ak nebylo zcela triviální ur£it, co je artefaktový úsek a co £istý signál artefakty odd¥lující. I za p°edpokladu, ºe liché zna£ky odpovídají za£átk·m a sudé naopak konc·m, nastane problém v situaci p°ekrývajících se artefakt·. Zmín¥ný problém s reprezentací dat, která v této práci nebyla zvolena nejvhodn¥ji, m¥l za d·sledek p°edev²ím problematické a subjektivní hodnocení úsp¥²nosti a efektivity jednotlivých detek£ních metod. V ideálním p°ípad¥ by m¥la být kaºdá metoda hodnocena prost°ednictvím £ty°polní tabulky a následn¥ získané sensitivity a speci city. Skute£n¥ pozitivní výsledky by pak odpovídaly situacím, kdy metoda správn¥ detekovala artefakt, fale²n¥ pozitivní jsou úseky ozna£ené jako artefakty, a£koliv odpovídají £istému EEG, skute£n¥ negativní výsledky jsou pak neozna£ené úseky, kde se nevyskytuje artefakt a fale²n¥ negativní kategorie odpovídá nedetekovaných artefakt·m. V této práci bylo komplikované ur£it p°edev²ím po£et skute£n¥ negativních.
51
Z toho vyplývá nemoºnost výpo£tu a ur£ení speci city. Senzitivita ur£ena být mohla, v tabulkách u n¥kterých metod jí odpovídá sloupec úsp¥²nost , je na ni t°eba ale pohlíºet s rezervou, nebo´ i parametry nutné pro její výpo£et byly získávány manuáln¥ vizuální kontrolou výsledk·. Nelze tudíº zanedbat chybový lidský faktor, který nespo£ívá pouze v nep°esných po£tech, ale primárn¥ v subjektivním pohledu na to, jaká £ást artefaktu byla detekována (coº souvisí s jeho sporným za£átkem a jeho koncem), kolik procent jeho délky musí být ozna£eno, aby nález mohl být prohlá²en za skute£n¥ pozitivní, nebo nap°íklad jakým zp·sobem p°istupovat k multifazickým a vzájemn¥ se p°ekrývajícím artefakt·m. V neposlední °ad¥ je d·leºité rozhodnout, jakým zp·sobem bude v p°ípad¥ funkce zam¥°ené na konkrétní artefakt p°istupováno k detekci jiného artefaktu, zda jako k fale²né detekci £i tuto skute£nost zohlednit je²t¥ zcela jinak. Dal²ím podtématem, kterému je t°eba se v budoucnu v¥novat, je optimalizace ur£ování prahových konstant. P°estoºe byla v této práci vyvinuta snaha o to, aby ve²keré vstupní konstanty byly jednodu²e p°edstavitelné, a bylo je moºné alespo¬ °ádov¥ odhadnout, i drobné rozdíly hodnot vstupních argument· m¥ly velký efekt na výstup detek£ní metody. asto se tak manipulace s velikostí oken, jejich posunem a prahovou konstantou stává velmi zdlouhavou £inností zaloºenou na metod¥ pokus, omyl . Tomu bohuºel nelze tak úpln¥ p°edejít z d·vod·, které v této práci uº byly zmín¥ny, a to p°edev²ím kv·li velké variabilit¥ EEG nap°í£ jednotlivými svody, m¥°eními a nejvíce i mezi r·znými pacienty. Volbu t¥chto vstupních konstant lze v²ak usnadnit, p°ípadn¥ poloautomatizovat. Jednou z moºností je vytvo°it gra cké uºivatelské rozhraní, které bude zahrnovat soubor detek£ních metod s moºností jednoduché volby vstupních konstant a okamºitého p°epo£ítávání výsledk·. Poskytlo by tak plnohodnotný nástroj nejen pro detekci artefakt· pomocí n¥kolika metod najednou, jejich p°ípadné odstra¬ování, ale i pro pohodlné procházení signál·, ve kterých by byla viditelná okamºitá reakce na zm¥nu vstupních parametr·. Lze dokonce p°edpokládat, ºe vhodná úprava argument· detek£ní funkce by mohla vyústit v detekci ur£itého patologického jevu, nap°íklad epileptogenní aktivity. Jinou moºností je snaºit se pouze o poloautomatickou detekci a jednotlivé konstanty nutné pro správné provedení detekce automaticky upravovat v pr·b¥hu manuálního ohodnocování signálu. Program by nejprve provedl hrubý odhad vstupních parametr·, vypo£ítal výstup, který by posléze léka° za£al procházet a kontrolovat. Na základ¥ ru£n¥ ozna£ených fale²n¥ pozitivních, skute£n¥ pozitivních a fale²n¥ negativních detekcí, by se v reálném £ase p·vodní odhad prahové konstanty zp°es¬oval a výsledky pr·b¥ºn¥ aktualizovány. Takto by léka° nemusel procházet celý signál, ale pouze prvních pár minut, coº by vedlo k výrazné úspo°e £asu u detekce dlouhodobých záznam·. Tvorba GUI pro detekci artefakt· a analýzu EEG signálu tak jist¥ m·ºe být nám¥tem na navazující diplomovou práci. Záv¥rem lze °íci, ºe problematika automatické analýzy EEG v£etn¥ detekce artefakt· je velmi komplexní pojem zahrnující zp·sob reprezentace dat, variabilitu signálu i jeho subjektivního hodnocení, a nakonec detek£ní algoritmy jako takové. V budoucnu je nutné se v¥novat vhodn¥j²í reprezentaci dat, vytvo°ení pravidel pro hodnocení výsledk· a rozhodování o úsp¥²nosti detekce, optimalizaci jednotlivých metod pro pouºití na dlouhodobých datech, snaze o zp°ístupn¥ní detek£ních funkcí zdravotnickému personálu a v neposlední °ad¥ kontaktu s neurology a jinými léka°skými odborníky, bez jejichº spolupráce je vývoj brzd¥n.
52
Reference [1] Enderle, John D.:
Introduction to biomedical engineering. Burlington, Kidlington: Elsevier Academic
Press, 2012. 1252 s. ISBN 978-0-12-374979-6 [2] Myslive£ek, J.:
Základy neurov¥d. Praha: Triton, 2003. 346 s. ISBN 80-7254-234-6
[3] Kittnar, O.:
Léka°ská fyziologie. Praha: Grada, 2011. 790 s. ISBN 978-80-247-3068-4
[4] Hrazdíra, I.:
Léka°ská biofyzika a p°ístrojová technika. Brno: Neptun, 2001. 395 s. ISBN 80-902896-
1-4 [5] Webster, John G.:
Encyclopedia of medical devices and instrumentation. Vol. 3. Hoboken, New Jersey:
John Wiley and Sons, 2006. 598 s. ISBN 978-0-470-04068-3 [6] Obr:
Schéma
neuronu.
[online].
[cit.
2014-04-24]
.
Dostupné
z:
Dostupné
z:
http://medicalterminology4fun.com/wp-content/uploads/2013/09/Neuron1.png [7] Obr:
Ak£ní
potenciál.
[online].
[cit.
2014-04-24]
.
https://courses.washington.edu/psy222/actionpotential.jpeg [8] Sucholeiki, R.:
Normal EEG Waveforms. eMedicine, Instant access to the minds of medicine [online].
[cit. 2013-11-04]. Dostupné z: http://www.emedicine.com/neuro/topic275.htm [9] Miller, Richard A.:
Neural Feedback and Brainwave Training.
nwbotanicals.org [online]. [cit. 2014-
04-28]. Dostupné z: http://www.nwbotanicals.org/oak/newphysics/brainwave.htm [10] NeuroRehabilitation and Neuropsychological Services, P.C.:
Neurofeedback.
thebrainlabs.com.org
[online]. [cit. 2014-05-01]. Dostupné z: http://thebrainlabs.com/neurofeedback.shtml [11] Brain in a vat, a neuroscience research digest:
Method of the month: EEG. [online]. [cit. 2014-04-04].
Dostupné z: http://brainvat.wordpress.com/2007/09/04/method-of-the-month-eeg/ [12] Pokorný, J.:
Elektroencefalogra e.
[online prezentace]. VUT, FBMI, [cit. 2014-04-12]. Dostupné z:
http://fbmi.cvut.cz/ les/nodes/657/public/EEG.pdf [13] mejla, R.:
EEG 1. Textová verze p°edná²ky z p°edm¥tu BSG. [online]. VUT, FEL, [cit. 2014-04-
21]. Dostupné z: http://sami.fel.cvut.cz/bsg/BSG08.txt [14] Tong, S., Thakor, Nitish V.:
Quantitative EEG Analysis Methods and Clinical Applications. Boston:
Artech House, 2009. 421 s. ISBN 978-1-59693-204-3 [15] Sörnmo, L., Laguna, P.:
Bioelectrical signal processing in cardiac and neurological applications. Am-
sterdam, Boston: Elsevier Academic Press, 2005. 668 s. ISBN 0-12-437552-9 [16] Klass, Donald W.:
The Continuing Challenge of Artifacts in the EEG.
American Journal of EEG
Technology, 1995, 35: 239-269. [17] Fisch, B.:
Fisch and Spehlmann's EEG Primer: Basic Principles of Digital and Analog EEG.
3rd
edition. Elsevier, 1999. 642 s. ISBN 978-0-444-82148-5 [18] Tatum, William O., Husain, Atif M., Benbadis, Selim R.: Medical Publishing, 2008. 289 s. ISBN 978-1-933864-11-2
53
Handbook of EEG interpretation. DEMOS
[19] Correa, M. A. G., Leber, E. L.:
Noise removal from EEG signals in polysomnographic records applying
adaptive lters in cascade. Universidad Nacional de San Juan Argentina, 2011 Artifacts in EEG.
[20] Polusani, R.:
[online prezentace]. slideshare.net, [cit. 2014-05-03]. Dostupné z:
http://www.slideshare.net/ranjithpolusani/artifacts-in-eeg- nal
Automatic Artifacts Detection and Classi cation in Sleep EEG Signals Using Descriptive Statistics and Histogram Analysis: Comparison of Two Detectors. V: 2012
[21] Migotina, D., Calapez, A., Rosa, A.:
Spring Congress on Engineering and Technology. ISBN 978-1-4577-1964-6
Automatic detection of EEG artefacts arising from head movements using EEG and gyroscope signals. Applied Sciences in Biomedical and Communication Tech-
[22] O'Regan, S., Faul, S., Marnane, W.:
nologies (ISABEL), 2010
The Combined Technique for Detection of Artifacts in Clinical Electroencephalograms of Sleeping Newborns. IEEE Transaction on information technology in biomedicine,
[23] Schetinin, V., Schult, J.:
2004 [24] Durka, P. J., Klekowicz, H., Szelenberger, W.:
A Simple System for Detection of EEG Artifacts in
Polysomnographic Recordings. Biomedical Engineering, IEEE Transactions, 2003. 50.4: 526-528. [25] Va°eka, L., Br·ha, P., Mou£ek, R.:
Single Channel Eye-Blinking Artifacts Detection. Applied Electro-
nics (AE), 2013 International Conference on. IEEE, 2013. [26] Skupch, Ana M., Dollfuÿ, P., Fürbaÿ, F.:
Spatial correlation based artifact detection for automatic
seizure detection in EEG. 35th Annual International Conference of the IEEE EMBS, 2013 [27] Hlavá£, V.:
Fourierova transformace v 1D a 2D. [online prezentace]. VUT, FEL, [cit. 2014-05-04].
Dostupné z: http://cmp.felk.cvut.cz/ hlavac/TeachPresCz/11DigZprObr/12FourierTxCz.pdf [28] imák, B.:
Diskrétní a rychlá Fourierova transformace. [online prezentace]. VUT, FEL, [cit. 2014-
05-04]. Dostupné z: http://www.comtel.cz/ les/download.php?id=3362 [29]
Statistika
a
výpo£etní
technika.
cit.vfu.cz
[online].
[cit.
2014-05-05].
Dostupné
z:
http://cit.vfu.cz/statpotr/POTR/prednasky.htm [30]
Measures of Skewness and Kurtosis. Engineering Statistics Handbook [online]. [cit. 2014-05-05]. Dostupné z: http://www.itl.nist.gov/div898/handbook/eda/section3/eda35b.htm
[31] ochman, J.:
Cvi£ení z RPZ - Shlukování k-means. [online prezentace]. VUT, FEL, [cit. 2014-05-04].
Dostupné z: http://cmp.felk.cvut.cz/cmp/courses/recognition/Labs/kmeans/kmeans.pdf
54
P°ílohy Data 001 - ohodnoceno.D
p·vodní ohodnocená nam¥°ená data, soubor simulace fyziologických artefakt·
002 - ohodnoceno.D
p·vodní ohodnocená nam¥°ená data, soubor simulace technických artefakt·
001.mat
importovaný d- le 001 do MatLab formátu, obsaºená data jsou uº po ltraci sí´ového ²umu
002.mat
importovaný d- le 002 do MatLab formátu, obsaºená data jsou uº po ltraci sí´ového ²umu
tags_001.mat
exportované zna£ky artefakt· ze souboru 001.D, obsahuje vektor pozic jednotlivých zna£ek (v sekundách) a vektor typ· jednotlivých artefakt·
tags_002.mat
exportované zna£ky artefakt· ze souboru 002.D, obsahuje vektor pozic jednotlivých zna£ek (v sekundách) a vektor typ· jednotlivých artefakt·
55
Funkce, skripty
amp_thresholding.m
detek£ní metoda, viz text BP
artifacts_script.m
skript pro testování funkcí
artifactsSpectrogram.m
detek£ní metoda, viz text BP
clustering.m
detek£ní metoda, viz text BP
clustering_tech.m
detek£ní metoda, viz text BP
lter50Hz.m
funkce pro odstran¥ní sí´ového ²umu
load_easys.m
funkce pro import d- le do MatLabu
mySpectrogram.m
upravená MatLab funkce
spectrogram.m
pro vykreslení
spektrogramu
reference_plot.m
funkce vykreslující referen£ní zna£ky artefakt·
stats_trends.m
skript pro vykreslení trend· r·zných statistických veli£in v signálu
win_BS.m
detek£ní metoda, viz text BP
win_pair.m
detek£ní metoda, viz text BP
win_pair2.m
detek£ní metoda, viz text BP
56
Grafy (Ukázky výstup· detek£ních metod)
01. g
artifactsSpectrogram.m 001.d
T3
win = 1 s, 70 - 90 Hz, p = 0.94
02. g
artifactsSpectrogram.m 002.d
T3
win = 0.5 s, 50 - 80 Hz, 80 - 120 Hz, p = 0.95
03. g
amp_thresholding.m
001.d
Fp1
win = 8 s, winshift = 0.25 s, n = 2.9
04. g
amp_thresholding.m
002.d
Fp1
win = 10 s, winshift = 0.25 s, n = 3
05. g
win_BS.m
001.d
Fp1
winB = 12 s, winS = 1 s, winshiftB = 1 s, winshiftS = 0.1 s, x = 1.2
06. g
win_BS.m
002.d
Fp1
winB = 4 s, winS = 1 s, winshiftB = 0.25 s, winshiftS = 0.1 s, x = 0.9
07. g
win_pair.m
001.d
Fp1
winA = winB = 0.9 s, overlap = -0.4 s, winshift = 0.05 s, x = 7.5
08. g
win_pair2.m
002.d
Fp1
winA = winB = 1.1 s, overlap = 0.2 s, winshift = 0.05 s, x = 6
09. g
clustering.m
001.d
Fp1
variance, win = 0.5 s, winshift = 0.02 s, 3 shluky (2 nejmen²í ~ artefakty)
10. g
clustering_tech.m
002.d
Fp1
variance, win = 0.4 s, winshift = 0.02 s, 5 shluk· (4 nejmen²í ~ artefakty)
11. g
clustering.m
001.d
Fp1
mean, zelená: win = 0.05 s, winshift = 0.02 s; £ervená: win = 0.2 s, winshift = 0.02 s, 3 shluky (2 nejmen²í ~ artefakty)
12. g
clustering_tech.m
002.d
Fp1
mean, win = 0.4 s, winshift = 0.02 s, 3 shluky (2 nejmen²í ~ artefakty)
57
