Processing of EEG Data Marek Penhaker Konference IT4Innovations, Ostrava 21. 10. 2013
Podstata biologických signálů • Signál – nosič informace • Biosignál – signál, který je generovaný živým organismem
Rozdělení biosignálů podle matematických kritérií (dělení podle Cohena) • Deterministický – Periodický (sinusový, komplexní) – Neperiodický (kvaziperiodický, přechodový) • Stochastický – Stacionární (ergodický, neergodický) (stat. parametry se nemění v čase) – Nestacionární (speciální)
Elektroencefalografie a její přínos Elektroencefalografie • • • •
neinvazivní diagnostická metoda snímáme bioelektrické potenciály vznikající při činnosti mozku výsledný záznam nazýváme elektroencefalogram vhodná pro zjištění mozkových onemocnění jako epilepsie, poruchy spánku aj.
Výhody • • • •
neinvazivnost nízká cena jednoduchá obsluha dobré časové rozlišení
Nevýhody •
pouze 2D zobrazovací technika – signál ze skalpu, nikoliv z hlubších struktur jako u SPECT, MRI apod.
Použití EEG •
Při výzkumu a diagnostice funkce mozku.
•
Krátkodobá ambulantní vyšetření (20 – 30 minut), ale i dlouhodobé záznamy (celodenní, např. u epilepsie, spánku apod.).
•
EEG vyšetření často doplněno záznamem dalších signálů: EKG, EMG, EOG ventilace, saturace krve kyslíkem, pohyby hrudníku, videozáznam a další
•
Vyšetření řady chorob a poškození CNS: - epilepsie - poruchy spánku - mozková encefalitidita (zánět mozku) - poranění mozku, krvácení do mozku - mozková mrtvice, demence - Alzheimerova nemoc
•
http://www.psychowalkman.cz/products/neuroset-junior/
Použití EEG při terapii ve formě EEG biofeedbacku.
Příklad EEG signálu 19 EEG kanálů
http://www.stefajir.cz/index.php?q=eeg-vysetreni
Klinicky významné frekvenční pásma Elektrická aktivita mozku vykazuje rytmickou aktivitu o různé frekvenci: DELTA
3 Hz a méně
hluboký spánek, v bdělosti patologické
THETA
3 - 8 Hz
kreativita, usínání
ALPHA
8 - 13 Hz
relaxace, zavřené oči
BETA
14 Hz a více
koncentrace, logicko-analytické myšlení, neklid
Grafoelementy Ostře časově omezené projevy výrazně se lišící od „pozadí“ - základní frekvence
- K complex
- lambda/POSTS
- small sharp spikes
- MU vlna
- Wicket spikes
Artefakty Elektrický potenciál mozku má na povrchu lebky napětí jen několik desítek mikrovoltů (µV), tudíž elektronické zesilovače v elektroencefalografu musí být velmi výkonné. Velká výkonnost zesilovačů -> vznik artefaktů. Artefakty jsou dvojího druhu: technické a biologické Technické: • síťové napětí 50Hz (objevuje se v EEG křivce při velkých kožních odporech pod elektrodami nebo při nedokonalém uzemnění pacienta či EEG přístroje) • nedostatečně vlhké elektrody • porušené nebo oxidované elektrody (jsou zdrojem výbojů) • polámané drátky v kabelech elektrod
Artefakty Biologické: •
oční artefakt - pohyb víček a bulbů, který se propaguje hlavně do frontálních elektrod. Akt otevření a zavření očí je díky těmto artefaktům dobře patrný – informuje o tom, zda pacient má nebo nemá otevřené oči.
•
svalové artefakty (např. ze svalů hlavy, krku apod., časté např. u novorozenců)
•
změna kožního galvanického potenciálu
•
pocení, dýchání, z ekg
Komplikace při zpracování EEG velký počet kanálů, vysoké vzorkovací frekvence
Komplikace při zpracování EEG Artefakty komplikují automatizované hodnocení dat
(záznamy emočních událostí)
Komplikace při zpracování EEG - o pacientech často nemáme žádné dodatečné informace - bez lékaře je mnohdy nemožné data správně interpretovat
Nslt
(Bohnice, spánkový záznam, délka záznamu 300s)
Komplikace při zpracování EEG Neúplná data - některé kanály občas chybí - stejné kanály nelze mezi různými záznamy porovnat
(novorozenecké záznamy)
Úvod do počítačového zpracování EEG Motivace - velké objemy EEG dat (celodenní záznamy apod.). Cíle – data vhodně předzpracovat, k detailnímu posouzení předložit pouze “zajímavé” části záznamu – cílem není nahradit zkušené oko neurologa, ale usnadnit mu práci. Prostředky – výpočetní technika, metody kvantitativního EEG, zpracování signálů, rozpoznávání, metody umělé inteligence.
Úvod do počítačového zpracování EEG
EEG, ECG, EOG, EMG, PNG
Segmentace
Především: FFT / waveletové koeficienty, problémově orientované příznaky
Extrakce příznaků
Klasifikátor 1 Klasifikátor 2
Klasifikátor N
Kombinace klasifikátorů
Visualizace
(učící se klasifikátory / metody bez učení) Optimalizace
Různé typy klasifikátorů: lineární modely, neuronové sítě, pravděpodobnostní modely, nejbližší soused, shlukování.
Vážený průměr, Bagging, Boosting, Shaferův přístup, Fuzzy Integral
Vizualizace ve všech fázích procesu
Odstranění rušení z rozvodné sítě (50/60Hz) výsledky filtrace ve frekvenční oblasti a) před filtrací (FP1-GND)
b) po filtraci (FP1-GND)
Typ filtru: Notch filtr
Odstranění rušení z rozvodné sítě (50/60Hz) zobrazení filtrace v časové oblasti
a) EEG signál před filtrací
b) EEG signál po filtraci
Odstranění kolísání izolinie
Příklad detekce pohybových artefaktů • pomocí histogramu je možné automaticky určit mez pro detekci artefaktů (červená přímka na obrázku). • hodnoty v signálu přesahující tuto mez považujeme za artefakty.
Segmentace signálu Segmentace = rozdělení signálu na úseky
Druhy segmentace • konstantní segmentace • adaptivní segmentace Účel segmentace • EEG signál nelze zpracovávat celý najednou • EEG signál je obecně nestacionární – segmentací obdržíme po částech stacionární úseky signály, které lze lépe popsat metodami UI
Segmentace signálu (konstantní délka segmentů)
0.1 s
0.5 s
1s
5s
10 s Jak volit délku segmentů pro segmentaci?
Adaptivní segmentace signálu Požadovaná segmentace:
Metoda dvou oken:
Adaptivní segmentace signálu vstupní signál
amplitudové změny
frekvenční změny
prahování, hledání maxim
výsledek segmentace
[Krajča V., Biomed Comput., 28 (1991)]
Adaptivní segmentace signálu
Klasifikace Klasifikace: matematická metoda, kdy vstupní objekty X(i) jsou rozřazovány do tříd podle podobnosti I. Metody klasifikace bez učitele: podoba (a často ani počet tříd) není známa.
Představitelé: shluková analýza, SOM, Kohonenovy mapy atd. II. Metody klasifikace s učitelem – nutným doplňkovým vstupem klasifikátoru je tzv. trénovací množina – množina ukázek objektů jednotlivých klasifikačních tříd. Představitelé: k-NN klasifikátor, neuronové sítě, rozhodovací stromy atd.
Klasifikace epileptického EEG 1. krok - segmentace (rozdělení signálu na úseky konstatní délky)
Klasifikace epileptického EEG 2. krok - výpočet příznaků (pro každý segment vypočítáme množinu příznaků) příznak 1
příznak 2
1
0,43
7,51
2
0,84
38,13
segment
segment č. 1 => { 0,43 ; 7,51 } segment č. 2 => { 0,84 ; 38,13 }
Klasifikace epileptického EEG 3. krok - vytvoření trénovací množiny (trénovací množina = množina “vzorových” segmentů pro jednotlivé klasifikační třídy)
Pro náš problém pouze 2 třídy: - normální aktivita – třída 1
- epileptická aktivita – třída 2
Klasifikace epileptického EEG 4. krok - klasifikace (nalézt pro každý segment původního signálu co nejpodobnější segment trénovací množiny a přiřadit mu tak třídu)
Zobrazení - normální EEG černě, epileptické červeně
Klasifikace spánkového EEG 1. 2. 3. 4. 5. 6.
Wake (bdělost) REM (Rapid Eye Movements) // sny NREM1 (usínání) NREM2 (lehký spánek) NREM3 (hluboký spánek) NREM4 (nejhlubší spánek)
Hypnogram:
Porovnání spánkových fází (EEG: C3-GND, C4-GND)
Spektrogram dlouhodobého EEG signálu Beta waves (13-30Hz)
freq. (10Hz/div)
Alpha waves (8-12Hz)
Delta waves (0.1-3Hz) Theta waves (4-7Hz)
time (15min/div)
Analýza spektrogramu spánkového EEG
(Josef Rieger, 2006)
hodnoceno lékařem
hodnoceno ručně dle spektrogramu
Metody vizualizace •
metody vizualizace umožňují nahlížet na signál diametrálně odlišným způsobem v porovnání s analýzou signálu v časové oblasti
•
často jsou data transformována (např. pomocí integrálních transformací FFT,..) do jiné oblasti, ve které je hledaná informace mnohem lépe viditelná.
Spektrální, koherentní a korelační analýza spektrogramy
2D mapování
koherence
korelace
Spektrální, koherentní a korelační analýza spektrogramy
2D mapování
koherence
korelace
Spektrální, koherentní a korelační analýza spektrogramy
2D mapování
koherence
korelace
Spektrogram dlouhodobého EEG signálu • • • •
spektrogram spánkového EEG délky 8.5 hodiny patrná periodická struktura typická pro lidský spánek analýza spánkových stádií možná analýza poruch spánku apod.
2D a 3D spektrogram
frekvence
čas
čas
frekvence
2D spektrogram: audio-visuální stimulace
0:30-2:40 2:40-6:00 6:00-8:00 8:00-10:00 10:00-12:00 12:00-14:00 14:00-16:00 16:00-18:00 18:00-20:00 20:00-21:00 21:00-22:00 22:00-23:00 23:00-24:00 24:00-25:00 25:00-27:00 27:00-31:58 31:58-33:00 33:00-34:00 34:00-37:00 37:00-37:20 37:20
12Hz 8Hz 7Hz 6Hz 5Hz 4.5Hz 4Hz 3.5Hz 3Hz 2.5Hz 2Hz 4Hz 6Hz 7Hz 8Hz od 8Hz do 1.5Hz 1.5Hz 4Hz 8Hz pozvolna od 8Hz do 12Hz probuzeni
http://www.mind-unlimited.eu/EN_events.php
2D spektrogram: více elektrod
2D mapování 00:00 - 00:09 00:10 - 00:19
00:20 - 00:29 00:30 - 00:39
00:40 - 00:49 00:50 - 00:59 01:00 - 01:09 01:10 - 01:19 01:20 - 01:29 01:30 - 01:38
3D mapování
• výsledek analýzy zobrazíme barevnou modulací na modelu hlavy • získáme topografickou představu o distribuci mapované veličiny (např. rozložení celkového výkonu v daném frekvenčním pásmu)
EEG Biofeedback
• • • •
klinický biofeedback léčení fóbií omezení stresu sledování pozornosti
Technická realizace měření současné zázemí • Hardwarové a SW zajištění sběru dat
•
– Měření bioelektrických signálů ± 250mV s rozlišením 30 nV – Frekvenční rozsah do 40kHz při 24 bitovém vzorkování – Vstupně výstupní synchronizace měření – Až 128 synchronních monopolárních záznamů současně – Pasivní i aktivní elektrody pro měření Předzpracování a vizualizace výsledků – Filtrace pásmovými a úzko pásmovými filtry v reálném čase – Kalibrace a impedanční kontrola vodivého spojení – Práce v MATLAB, Simulink, LabView – DC korekce, odstranění driftů, převzorkování
cortechsolutions.com reinholdbehringer.blogspot.com
Závěr a zhodnocení zpracování EEG
Možnosti automatické analýzy: • • • • •
filtrace signálu segmentace výpočet příznaků shlukování vizualizační techniky (spektrogram, koherence, mapování)
Co se nedaří provádět zcela automaticky: •
klasifikace do tříd
Proč se nedaří plně automatická klasifikace? • • • •
nebývá k dispozici kvalitní trénovaní množina (EEG databáze) artefakty – komplikují klasifikaci počítačová reprezentace znalostí a zkušeností lékařů je složitá velký počet kanálů a dlouhé signály vysoké časové nároky
Děkuji za pozornost
Kontakt:
[email protected] Katedra kyberentiky a biomedicínského inženýrství VŠB-TU Ostrava, FEI 17.listopadu 15 708 33 Ostrava-Poruba
http://www.IT4I.cz http://bmeng.vsb.cz Lékařské diagnostické přístroje
