INFORMATIKAI MÓDSZEREK AZ AGY ELEKTROMOS TEVÉKENYSÉGÉNEK VIZSGÁLATÁBAN

Informatika a felsőoktatásban 2008

Debrecen, 2008. augusztus 27-29.

INFORMATIKAI MÓDSZEREK AZ AGY ELEKTROMOS TEVÉKENYSÉGÉNEK VIZSGÁLATÁBAN INFORMATION TECHNOLOGY METHODS FOR ANALYZING BRAIN ACTIVITY

Végső Balázs, Nagy Zoltán, Kozmann György Pannon Egyetem, Információs Rendszerek Tanszék, Veszprém Összefoglaló A jelen cikkben bemutatott informatikai módszerek egy olyan rendszert vázolnak, melynek célja az agy elektromos tevékenysége révén feltérképezni annak működését. A vizsgálódás figyelmének középpontjában a plaszticitásnak nevezett jelenség áll. A stroke-on átesett betegek mindegyikénél megfigyelhető jelenség mélyreható tanulmányozása és megismerése új távlatokat nyithat a terápia és gyógyszer-kezelés terén, egyúttal gyógyszer-kutatási területen való használhatósága is jelentős. A forrástérképező rendszer hardver-eszközeinek bemutatása után tárgyalásra kerülnek azok a megjelenítési módok és informatikai módszerek, melyek az orvosokat segítik döntéshozatalukban. Szintén bemutatásra kerülnek egy modellezéses előkísérlet eredményei, melyek a rendszer várható pontosságára adnak becslést.

Kulcsszavak agy, EEG, inverz probléma, felszíni Laplace térkép, mérési pontosság

Abstract Methods of information technology presented in this article outline a system that is designed to infer the activity of the human brain through it’s electrical activity. The main objective of the research is the phenomenon called plasticity. Studying and understanding the effects of the mechanism observed on patients after a stroke incident can help develop new means of therapy and medication, and also can be of assistive or validating strength in drug-research. After presenting the devices required to perform the abovementioned brain mapping, the visualization and information technology methods helping doctors in their decision-making will be described. Results of a modeling experiment expressing the accuracy of the system are also briefly presented.

Keywords Brain, EEG, inverse problem, Surface Laplacian Map, measurement accuracy

1


1.


Bevezető, a mérések leírása

A stroke-on áteső betegek nagy számánál (több, mint 70%-nál) tapasztalható gyógyulási, funkcionális regenerálódási folyamat (agyi plaszticitás) megértéséhez szükséges elméleti hátteret kiegészítő agyi forrástérképező-, képalkotó modalitás létrehozása nagyban tudja segíteni az orvosokat ezen folyamat terápiás támogatását, felgyorsításában, ugyanakkor az erre hivatott gyógyszerek hatásának validálására is hatékonyan felhasználható. A feladat aktuális voltát az a tény adja, hogy az agyvérzés és az agyi infarktus a világ harmadik leghalálosabb betegsége, a Magyarországon évente regisztrált esetek száma is eléri a 35 ezret. A kezelés személyre szabásához, a gyógyulás felgyorsításához szükséges követéses típusú EEG vizsgálatok ára más képalkotókkal (fMRI, SPECT, PET) szemben jelentős költséghatékonyságot tesz lehetővé. A cikkben bemutatott kutatási eredmények egy NKFP projekt keretein belül jöttek létre, melynek az előző bekezdésben leírtaknál konkrétabb célja volt az elsődleges motoros agykérgen végbemenő plaszticitási jelenségek feltérképezése. A méréshez használt vizsgálati paradigma lehetővé teszi a stroke során sérült páciensek regenerációjának nyomon követését. 1.1.

A mérési eljárás

Amennyiben a sérülés a motoros kérget érinti, az ott elhaló terület nem képes ellátni a továbbiakban a feladatát, a hozzá kapcsolódó fiziológiai képességek megszűnnek. Ez egy átmeneti jelenség a pácienseknél, a felépülés során nagy arányban teljesen vagy részlegesen visszanyerik az elvesztett funkcionalitást. Ez a jelenség implikálja a felvetést, miszerint más agyterületek veszik át az elhalt terület képességeit, például az ellenoldali, sértetlen motoros agykéreg (Rossini, 2000). Ahhoz, hogy ezt a jelenséget kvantifikálni tudjuk, szükséges volt kialakítani egy olyan mérési protokollt, mely kellő pontossággal reprodukálható eredményeket ad, ezáltal lehetővé teszi a követéses vizsgálatokat. A finger-tapping paradigma megfelelő választásnak bizonyult. A betegeket az EEG sapka felhelyezése és annak a fejhez képest történő milliméter pontos bemérése után egy elektromos-, fény- és hangszigetelt szobába ültetik. A feladatuk mindössze annyi, hogy egy előre betanult, körülbelül 10 másodperces ismétlési periódussal rendelkező gomb-nyomást ismételgessenek – átlagosan 6-10 percig. 1.2.

A mérőrendszer, hardver-kiépítése, feladatai

A létrehozott rendszer méréstechnikailag egy meglehetősen bonyolult folyamatot képez, két mérés tökéletes illesztése szükséges a sikeres forrástérképezéshez. Az alábbi ábrán látható a folyamat, mely lehetővé teszi a bioelektromos források feltárását.

2



EEG mérés

Mérés, jelfeldolgozás

CT/MR felvételezés

Szegmentálás, geometria származtatása

Mért adatok geometriai illesztése

Forrás rekonstrukció

1. ábra: A forrástérképező rendszer főbb feladatai

A vizsgált rendszer az EEG mérésekből kiindulva, az inverz feladatot megoldva állapítja meg a fej belsejében lezajló elektromos aktivitást. A fejgeometria ismeretében ez az aktivitás számolható a fiziológiai folyamatok matematikai leírásán keresztül. A mérőrendszer hardver-felépítése a következő elemekből áll: elektromosan szigetelt mérőszoba, 128-csatornás BioSemi ActiveTwo EEG mérő-egység, ABC-kiosztású EEG mérősapka, kiegészítő EMG, EOG és gombnyomás-érzékelő csatornák, Zebris ultra-hangos elektróda lokalizációs eszköz. 2.

Informatikai eszközök

A rendszerben használt informatikai eszközök közös jellemzője, hogy az orvosok által definiált célokat szándékoznak minél egyszerűbben, számukra érthetőbben prezentálni. Természetesen ilyenkor a legnagyobb nehézséget a feladat megértésén túl annak algoritmizálása, megtervezése, majd pedig implementációja jelenti. Az alábbiakban kiemelt három metódus fizikai és informatikai jelenősségén túl minden esetben fontos eszköze az agyi aktivitás jellemzésének. 1.3.

Radiális áram-komponensek becslése

Az agyi források első és legegyszerűbb jellemzése azon a felvetésen alapszik, miszerint a források többsége az agy kolumnáris felépítéséből adódóan radiális irányban kelt áramokat. Ezeknek az áramoknak a hatását, az általuk keltett potenciálteret képes mérni az EEG. A módszert, aminek segítségével a skalpi EEG-ből képesek lehetünk visszaszámolni a kortikális radiális irányú áram-eloszlást, felszíni Laplace térképezésnek nevezik. Az eljárás egyszerű, azonban az orvosok számára is jelentősége van annak az információnak, amihez segítségével jutunk. Az alábbi ábra bemutatja a skalpi potenciáltérképet, majd a hozzá tartozó kortikális felszíni Laplace térképet.

3



2. ábra: Skalpi potenciál térkép (bal) és cortex-felszíni Lapalace térkép (jobb) – felülnézetből, a fejmodellen az orr a képek jobb oldala felé található

1.4.

Frekvencia-idő tartománybeli jellemzés

Az agyi aktivitás másik jellemzési módja a frekvencia-tartománybeli leírás. Az agy működése és az arra jellemző aktivitás különböző frekvencia-sávokra bontható. Ezek a sávok a jól ismert delta (1.5-4 Hz), theta (4-8 Hz), alfa (8-12 Hz) és beta (12-30 Hz) sávok. Az aktivitás szerinti sávba soroláson túl fontos még a kolumnák neuronjainak együttes működésének felismerése, melyet a szinkronizáció és deszinkronizáció jelenségével lehet leírni. Az informatikai eszközök amelyek ezek jellemzését segítik, azok a Short-Time Fourier Transform és a coherencia. Az előbbire egy példa, mely segítségével egy adott frekvenciasávban nyílik lehetőség a teljesítmény-eloszlás; valamint a domináns frekvencia-sáv vizualizációjára – a 3. ábrán látható.

3. ábra: Delta frekvencia-sávbeli teljesítmény-eloszlás (bal; a vörös szín magas aktivitást jelent, a kék alacsony aktivitást) és domináns frekvencia-sáv (jobb; a vörös szín magas frekvenciájú sávot jelöl, a kék szín alacsony frekvencia-sávot) ábrák egy páciensről, finger-tapping végrehajtása közben.

1.5.

Ekvivalens dipólus modellezés

A harmadik informatikailag támogatott eszköz az agyi geometria koncentrikus gömbhéjakból felépített egyszerűsített modelljét használja. Ez a modell lehetővé teszi a statisztikailag elkülöníthető (ICA – Independent Component Analysis) aktivitással bíró források feltárását nem csupán a cortexen, de az agy térrészén belül bárhol. Sűrűn használják ezt a módszert epilepsziás gócok vizualizálására, azonban jelen feladat szempontjából is egy jól használható eszköz. Az ekvivalens dipólus modell gyakorlatilag azt jelenti, hogy az

4



aktivitást több, független neurális forrásként képzeljük el, melyek – áramforrásként viselkedve a fejben található vezető rétegeken keresztülhaladva – a skalpon mérhető potenciál-eloszlást (EEG) hoznak létre. A valós, anatómiai képalkotóból származó képekből felépített 3-dimenziós geometriát használó módszerekkel szemben ezen modell használatával a számítási teljesítmény nagyban redukálható az analitikus EEG forward megoldás létezése miatt. Az ábrán látható a négy réteg konduktivitási értéke (c1, c2, c3, c4) és rádiusza (r1, r2, r3, r4).

r 1 ,r 2 ,r 3 ,r 4

L1

L3 ROI(L 1 )

L2

c 1 ,c 2 ,c 3 ,c 4

4. ábra: A modell, valamint a modellparaméterek szemléltetése

A forward probléma az agyi neuronális aktivitás hatását írja le, azaz a skalpon mérhető potenciál-eloszlást (EEG) az agyi források áramsűrűségének, az agy geometriájának és vezetőképességének ismeretében. Ez a mechanizmus leírható a Maxwell-egyenletek kvázistacionárius közelítésével, a Poisson-egyenlettel: (Plonsey, 1969) ()=-I s ,  térrészben, a következő Neumann határfeltétellel: ()n=0,   felületen, ahol  a konduktivitási tenzor, amely leírja az egyes térrészek vezetőképességét, I s pedig az agy belsejében található ekvivalens dipólus források által reprezentált áramsűrűség. A Neumann határfeltétel azt írja le, hogy a skalpi áramnak nem lehet normális irányú (  határfelületre nézve radiális) komponense. Az egyenletet -re megoldva kapjuk a fejben, mint térfogati vezetőben, valamint annak felületén a források által keltett potenciál-eloszlást. Ahhoz, hogy meg tudjuk állapítani az agyban végbemenő elektromos aktivációk pontos helyzetét, erősségét és irányultságát, az előbbiekben ismertetett forward feladat ellenkezőjét kell végrehajtanunk. Az inverz feladat tehát a skalpi potenciál-eloszlás ismeretében határozza meg az agyi áramsűrűséget, illetve az azt reprezentáló ekvivalens dipólusok paramétereit. Ez a feladat nagymértékben ill-posed, tehát nem egyértelmű a megoldása, optimum-kereséssel oldható meg.

5


3.


Előkísérlet a pontossági becslésekhez

Egy ilyen rendszer hatékonysága az elérhető felbontás függvénye, ezért fontos megvizsgálni azokat a hatásokat, amik befolyásolják azt. Az előkísérletben megvizsgáltuk ezen legfontosabb paramétereket, amik: -

az agyat reprezentáló geometriát leíró paraméterek

-

az agy vezetőképességét leíró paraméterek

-

az EEG felvétel során keletkező zaj mértéke

-

az elektróda-felhelyezéskor rendszerbe jutó hiba mértéke.

A tanulmány célja volt megállapítani, hogy a paraméterek milyen mértékű hibája mellett hozható létre olyan rendszer, mely képes a fent nevezett feladat megfelelően pontos ellátására. Az egyes modellparaméterek megváltozásának hatásának vizsgálata közben nyilvánvalóvá vált, hogy az anatómiai adottságokat reprezentáló térbeli vezetőmodell kifejezetten érzékeny a skálázás-szerű hibákra, már akár az azt reprezentáló gömbhéjak rádiuszának 1 mm-es hibás meghatározása a forrásbecslés hibáját 2 mm fölé helyezi. Megállapíthattuk, hogy a rendszer nem ennyire érzékeny a konduktivitási értékek téves megállapítására, akár 10%-os hibát megengedhetünk, és még 2 mm alatt marad a lokalizációs hiba. A módszer zaj-érzékenysége hasonló képet mutat: míg az EEG felvétel zajos volta annyira nem nehezíti az inverz megoldást, az elektródák 1 mm-nél nagyobb félrepozícionálása már akár lehetetlenné is teheti a forrástérképezést. Irodalomjegyzék [1]

R. Plonsey (1969) Bioelectric Phenomena. McGraw-Hill, New York.

[2]

R. Kavanagh, T. M. Darcey, D. Lehmann, D. H. Fender (1978) Evaluation of Methods for Three-Dimensional Localization of Electrical Sources in the Human Brain. IEEE Trans Biomed Eng, 25: 421-429.

[3]

Rossini P.M, Pauri F (2000) Neuromagnetic integrated methods tracking human brain mechanisms of sensorimotor areas 'plastic' reorganisation. Brain Research Reviews, Volume 33, Number 2, September 2000, pp. 131-154(24).

6

INFORMATIKAI MÓDSZEREK AZ AGY ELEKTROMOS TEVÉKENYSÉGÉNEK VIZSGÁLATÁBAN

Recommend Documents