Выявление отклонений от нормы параметров мозговых волн человека

Автор работы: Пользователь скрыл имя, 20 Апреля 2013 в 13:01, аттестационная работа

Краткое описание

Электроэнцефалограмма – это временной график нейронных потенциалов – электри-ческих потенциалов, генерируемых нейронами, расположенными в коре головного мозга. Диполи, являющиеся источниками сигнала, создаются одиночными клетками. Мозг чело-века содержит порядка 100 миллиардов таких клеток, и, когда они действуют синхронно, происходит усиление сигнала. Поэтому, когда мы измеряем биологические потенциалы, мы видим результат синхронной деятельности совокупности клеток мозга, и эта син-хронная деятельность отображает процессы обработки информации, организацию и ди-намику того, что происходит внутри.

Содержание

ВВЕДЕНИЕ 2
КЛАССИФИКАЦИЯ АРТЕФАКТОВ 2
РИТМЫ ЭЭГ 3
МЕТОДЫ АНАЛИЗА ЭЭГ 4
АВТОКОРРЕЛЯЦИОННЫЙ АНАЛИЗ 4
ВЗАИМНО-КОРРЕЛЯЦИОННЫЙ АНАЛИЗ 4
АНАЛИЗ СПЕКТРА МОЩНОСТИ СИГНАЛА 5
ТРЕХМЕРНАЯ ЛОКАЛИЗАЦИЯ «ИСТОЧНИКОВ» ЭЛЕКТРИЧЕСКОЙ АКТИВНОСТИ. LORETA 5
ЦИФРОВОЙ АНАЛИЗ ЭЭГ (QEEG). Z-ОЦЕНКИ 6
MINI-Q 6
ПРИМЕНЕНИЯ В МЕДИЦИНСКОЙ ПРАКТИКЕ. NEUROFEEDBACK 6
ПРОВЕДЕННЫЕ ИССЛЕДОВАНИЯ 7
СПЕКТРАЛЬНЫЙ ПОДХОД 7
ЛИТЕРАТУРА 8

Скачать полностью (1.91 Мб) Сколько стоит заказать работу?
Прикрепленные файлы: 1 файл

Davidyuk.docx

— 1.94 Мб (Скачать документ)

Отношение амплитуд ритмов в левом и правом полушарии.

Применения  в медицинской практике. Neurofeedback

 

В настоящее время ЭЭГ  используется для диагностики эпилепсии, комы, энцефалопатии, смерти головного мозга, а также опухолей, инсультов и других очаговых расстройств.

Здесь также стоит отметить применение систем обратной связи по ЭЭГ (Neurofeedback) для коррекции психологических и психосоматических проблем. В таких системах ЭЭГ пациента анализируется в реальном времени: наблюдаются Z-оценки параметров, сильно отличающихся от нормы. Если оценка приближается к нулю (пациент старается этого достигнуть, например, выполняя какую-либо задачу, обычно вызывающую трудности), издается звуковой сигнал, либо показывается некоторое изображение, (возможны и другие варианты) оповещающее о достижении желаемого состояния. Так пациент сам для себя узнает, как войти в нормальный режим.

Проведенные исследования

Спектральный подход

Предлагается исследовать следующий метод анализа ЭЭГ: сигнал от каждого электрода разлагается в ряд Фурье

 
где коэффициенты , определяются по следующим формулам:

, ,

.

Величина  наносится на график в зависимости от частоты, причем для ЭЭГ больных людей соответствующая точка окрашивается в красный цвет, для ЭЭГ здоровых – в синий (рис.8). Далее выбирается критическая область как объединение поверхности, внутри которой находится достаточно много красных точек и относительно мало синих, и максимально допустимого числа точек внутри этой поверхности.

На рис.8 приведены результаты применения этого метода: красными точками отмечены спектральные амплитуды, полученные по ЭЭГ людей с болезнью Паркинсона (при построении графиков использовалось по шесть записей ЭЭГ больных и здоровых; см. листинг программы в приложении). Выберем  для электродов 7, 9, 11, 12, 13, 14, 15 и 16 следующую критическую область: полуполоса с левой и правой границами соответственно 4 и 8 Гц и с нижней границей 0.5, максимально возможное число спектральных точек внутри полуполосы примем равным 2. Ниже в таблице приведены оценки ошибок первого и второго рода для такой критической области.

Е

7

9

11

12

13

14

15

16

FN, %

50,0

40,9

25,0

11,4

9,1

6,8

6,8

6,8

FP, %

33,3

16,7

33,3

33,3

50,0

50,0

50,0

50,0


 

Видно, что величины ошибок второго рода довольно велики. Здесь, к сожалению, выводов никаких сделать нельзя, так как для оценки использовалось всего лишь 6 записей ЭЭГ людей с болезнью Паркинсона. Для оценки ошибки первого рода использовалось 44 записи ЭЭГ здоровых людей – здесь на 14, 15 и 16 датчиках уже достигается относительно малый процент ложного идентифицирования здорового человека как больного. Ясно, что ошибки можно уменьшить, выбирая более сложную поверхность.

Функции правдоподобия

В данном методе измерения  с 18 датчиков считаются 18-мерными, независимыми, нормально распределенными случайными величинами. Выбираются две ЭЭГ. Первая из них будет представлять группу ЭЭГ, полученных от здоровых людей, вторая – от больных. По этим представителям вычисляются матрицы ковариаций и составляется две функции правдоподобия. Далее, исследуемый пациент идентифицируется как здоровый, если отношение этих функций правдоподобия, вычисленное на данных ЭЭГ пациента, больше единицы. Ниже приведены две матрицы – в первой указаны оценки ошибок первого рода, во второй – второго рода. Столбцы и строки матриц соответствуют разным представителям. В листинге 3 приведена программа, осуществляющая построение этих матриц.

S\H

1

2

3

4

5

6

7

1

81,8

93,2

70,5

68,2

43,2

38,6

38,6

2

38,6

93,2

22,7

25,0

6,8

0,0

4,5

3

81,8

97,7

84,1

77,3

63,6

40,9

52,3

4

0,0

0,0

0,0

0,0

0,0

0,0

0,0

5

38,6

88,6

25,0

25,0

6,8

2,3

6,8


 

S\H

1

2

3

4

5

6

7

1

0,0

0,0

0,0

0,0

0,0

0,0

0,0

2

16,7

0,0

0,0

0,0

33,3

50,0

16,7

3

16,7

0,0

0,0

0,0

0,0

0,0

0,0

4

66,7

66,7

66,7

66,7

66,7

66,7

66,7

5

0,0

0,0

0,0

0,0

33,3

50,0

16.7


 

Видно, что пара представителей 7,1 дает достаточно низкие ошибки первого и второго рода. Здесь нужно помнить, что, как и в предыдущем случае, вычисление оценок ошибок второго рода проводилось всего лишь по 6 ЭЭГ.

 

Литература

    1. Медич Дж. Статистические оптимальные линейные оценки и управление / Пер. с англ., под ред. А. С. Шаталова. М.: Энергия, 1973.
    2. Behavioral Medicine Associates, Inc., Education Pages. Quantitative EEG and Neurotherapy Fact Sheet (http://www.qeeg.com/).
    3. Behavioral Medicine Associates, Inc., Education Pages. Neurotherapy (http://www.qeeg.com/).
    4. Selim R Benbadis, MD, Diego Rielo, MD (co). EEG Artifacts. eMedicine Neurology.
    5. Roy Sucholeiki, MB, BCh, MD. Normal EEG Variants. eMedicine Neurology.
    6. Robert W.  Thatcher, Ph.D., Carl J. Biver, Ph.D. and Duane M. North, MA. Z Tunes: Technical and Conceptual Foundations.
    7. Robert W.  Thatcher, Ph.D., Carl J. Biver, Ph.D. and Duane M. North, MA. Z Score EEG Biofeedback: Technical Foundations
    8. LORETA: comparisons to other tomographies (http://www.uzh.ch/keyinst/NewLORETA/ComparingLORETA/ComparingLORETA.htm)
    9. Гриндель. Методы математического анализа ЭЭГ.
    10. European Data Format: Standard texts (http://www.edfplus.info/specs/edftexts.html)
    11. BrainMaster Presentation Excerpts, by Thomas Collura

 


 


 
 

 


 

Приложение

Листинг 1. Программа для  нахождения оценок ошибок первого и  второго рода в предложенном спектральном методе

healthy={'data/healthy/ASHIN_data.txt',

'data/healthy/Fon-atlas_data.txt',

'data/healthy/Fon-avin_data.txt',

'data/healthy/fon-bajenov_data.txt',

'data/healthy/Fon-balaban_data.txt',

'data/healthy/Gavrilov_data.txt',

'data/healthy/Gliken_data.txt',

'data/healthy/Gorchakov-long_data.txt',

'data/healthy/Gorchakov1_data.txt',

'data/healthy/Gorchakov_data.txt',

'data/healthy/Grigorev_data.txt',

'data/healthy/Gunin_data.txt',

'data/healthy/Gusev_data.txt',

'data/healthy/Haritonova_data.txt',

'data/healthy/IVANOV1_data.txt',

'data/healthy/IVANOV2_data.txt',

'data/healthy/Ivanova_data.txt',

'data/healthy/Ivanov_data.txt',

'data/healthy/Jashin_data.txt',

'data/healthy/KILDUSHK_data.txt',

'data/healthy/Kiseleva_data.txt',

'data/healthy/Kozlova_data.txt',

'data/healthy/Kozlov_data.txt',

'data/healthy/Krlehsoev_data.txt',

'data/healthy/Lamkin_data.txt',

'data/healthy/Leonon_data.txt',

'data/healthy/Lilna_data.txt',

'data/healthy/Midzjanovskaja_data.txt',

'data/healthy/Ogurtcova-b_data.txt',

'data/healthy/Ogurtcova_data.txt',

'data/healthy/Ogurtcva-a_data.txt',

'data/healthy/Olferev_data.txt',

'data/healthy/OSTROVS1_data.txt',

'data/healthy/OSTROVS2_data.txt',

'data/healthy/Sazonov1_data.txt',

'data/healthy/Sazonov2_data.txt',

'data/healthy/Sazonov3_data.txt',

'data/healthy/Shonina_data.txt',

'data/healthy/Silaeva1_data.txt',

'data/healthy/Silaeva2_data.txt',

'data/healthy/Stepanuk1_data.txt',

'data/healthy/Stepanuk2_data.txt',

'data/healthy/Stepanuk3_data.txt',

'data/healthy/Voronov_data.txt'

};

 

sick={'data/sick/parkinson/CHERCHES_data.txt',

'data/sick/parkinson/ESMERZUE_data.txt',

'data/sick/parkinson/IABLONOV_data.txt',

'data/sick/parkinson/KUZNECOV_data.txt',

'data/sick/parkinson/LUCHNIKO_data.txt',

'data/sick/parkinson/PANSHIN_data.txt'};

                          %1      2      3

channel_indicators = [     0,     0,     0 ...                         

 ...%                      4      5      6

                           0,     0,     0 ...                         

 ...%                      7      8      9

                           1,     0,     1 ...                         

 ...%                     10     11     12                          

                           0,     1,     1 ...                                                    

 ...%                     13     14     15                          

                           1,     1,     1 ...                         

 ...%                     16     17     18                          

                           1,     0,     0         ];

 

                          %1      2      3

left_boundaries =    [     0,     0,     0 ...                         

 ...%                      4      5      6

                           0,     0,     0 ...                         

 ...%                      7      8      9

                           4,     0,     4 ...                         

 ...%                     10     11     12                          

                           0,     4,     4 ...                                                    

 ...%                     13     14     15                          

                           4,     4,     4 ...                         

 ...%                     16     17     18                          

                           4,     0,     0         ];                      

                      

right_boundaries =   [     0,     0,     0 ...                         

 ...%                      4      5      6

                           0,     0,     0 ...                         

 ...%                      7      8      9

                           8,     0,     8 ...                         

 ...%                     10     11     12                          

                           0,     8,     8 ...                                                    

 ...%                     13     14     15                          

                           8,     8,     8 ...                         

 ...%                     16     17     18                          

                           8,     0,     0         ];                                             

 

lower_boundaries =    [    0,     0,     0 ...                         

 ...%                      4      5      6

                           0,     0,     0 ...                         

 ...%                      7      8      9

                         0.5,     0,   0.5 ...                         

 ...%                     10     11     12                          

                           0,   0.5,   0.5 ...                                                    

 ...%                     13     14     15                          

                         0.5,   0.5,   0.5 ...                         

 ...%                     16     17     18                          

                         0.5,     0,     0         ];

                    

max_nums_of_hits =   [    0,     0,     0 ...                         

 ...%                      4      5      6

                           0,     0,     0 ...                         

 ...%                      7      8      9

Информация о работе Выявление отклонений от нормы параметров мозговых волн человека