BIOLOGICKÉ SIGNÁLY. Pokroky v EEG. doc. Ing. Vladimír Krajča, CSc. ČVUT FBMI, katedra biomedicínské techniky

Transkript

1 BIOLOGICKÉ SIGNÁLY Pokroky v EEG doc. Ing. Vladimír Krajča, CSc. ČVUT FBMI, katedra biomedicínské techniky Vladimir.Krajca@FBMI.CVUT.cz 1

2 Cíle kursu Proniknout do principů a praktického nasazení základních a pokročilých metod číslicového zpracování biologických signálů 2

3 Praktická práce biomedicínského inženýra v EEG/EMG laboratoři zahrnuje Zobrazení a analýzu reálných signálů v uživatelsky přístupné formě využitelné lékaři Tvorbu příslušného software Ve výzkumu lze užít i MATLAB 3

4 Co je k tomu potřeba umět a znát? 1. Načíst binární digitalizovaný biosignál znát formát dat (header, data) 2. Zobrazit signál graficky na displeji C++, Java, Matlab 3. Vybrat a realizovat vhodnou analytickou funkci Digital signal processing - Artificial Intelligence -Spectrum Analysis -Patter recognition Zobrazit výsledky opět graficky i numericky 4

5 Podklady ke studiu na webu password: signaly Obsah : e-learningové kurzy (zatím z roku 2011, 14 lekcí, 6 animací) Vybrané publikace z mezinárodních konferencí a časopisů Video-záznam EEG v laboratoři fakultní nemocnice Podmínky a termíny zkoušek (ale přihlášení v KOSu) e-learningové skriptum Mohylová J., Krajča V. Zpracování signálů v lékařství, Ostrava 2007 Animované příklady (některé v DOSu), Programy pro simulaci filtrů, brain mapping, cluster analysis Korespondenční úkoly a jejich odevzdávání atd. 5

6 Skripta k předmětu Krajča V., Mohylová J., Číslicové zpracování neurofyziologických signálů. ČVUT Praha,

7 Metody počítačové elektroencefalografie realizované v EEG laboratoři FN Na Bulovce ORIENTAČNÍ PŘEHLED 7

8 Osnova 1. Úvod co je to elektroencefalogram 2. Problémy vizuálního hodnocení 3. Výběr metod k řešení 4. Nasazení do praxe a přínosy metod 5. Publikace, učební texty 6. Témata diplomových prací 8

9 1. Co je to elektroencefalogram (EEG)? složitý elektrický biosignál, měří se elektrodami na povrchu lebky (µv) odráží elektrickou aktivitu činnosti mozku na rozdíl od strukturálních metod (CT) zobrazuje funkční projevy základní diagnostický nástroj pro léčbu epilepsie a analýzu spánku projevují se v něm stavy vědomí, poruchy mozkové činnosti, spánkové stavy, komatózní stavy, léze 9

10 1.a. Základní aktivita - vlny, grafoelementy Hlavní frekvenční pásma pro diagnózu Delta Hz - u dětí, hluboký spánek, nádory Theta 4-8 Hz - normální Alfa 8-13 Hz - při bdělém stavu, zavřené oči Beta Hz - normální, pozornost- neklid, bolesti Grafoelementy epileptické abnormality - hroty, komplexy hrot vlna hrot - přechodný jev, jasně odlišený od aktivity pozadí, šířka 70 msec, s špičatým vrcholem Artefakty Chyby v záznamu způsobené fyziologickými a vnějšími vlivy. Nutno odstranit, vyloučit ze zpracování. 10

11 1.b. Ukázky EEG grafů Epileptické hroty Amplitudový artefakt 11

12 2. Problémy vizuálního hodnocení - proč nasazovat počítače 1. Vizuální interpretace subjektivní více umění než věda - hodnocení zavisí na délce praxe, osobnosti učitele výchova odborníků obtížná (zrání až 5 let) namáhavé, vyžaduje stálou pozornost 2. Délka záznamu ambulantní záznam - 20 minut - nemusí se projevit epileptická aktivita nutnost dlouhodobého monitorování 24 hodin a více analýza spánku - 8 hodin = 864 m papíru 3. Archivace - DVD 4. Následné zpracování dat (změna montáží, filtrace, nelze u papírových ) 5. Nutnost numericky kvantifikace EEG 12

13 2.a. Cíle počítačové analýzy Podpora lékařova hodnocení Rozšíření jeho schopností poskytnutím objektivních dat Prezentace dat v názorném grafickém tvaru Rozlišení normální/abnormální aktivity Klasifikace záznamů Hodnocení trendů Redukce a archivace dat Kvantifikace - zjištění přesné hodnoty dominantní frekvence Zjištění a extrakce skryté informace nepostižitelné pouhým okem Usnadnění orientace v dlouhodobých záznamech - soustředění pozornosti na zajímavé úseky a přeskočení nezajímavé aktivity 13

14 Základní kroky DSP Převod signálu do počítače Načtení binárních dat Zobrazení dat v uživatelsky přístupné formě využitelné lékaři Analýza dat Zobrazení výsledků analýzy 14

15 3. Metody: Dlouhodobé x detailní zpracování Dlouhodobé EEG detekce významných událostí hledání významných grafoelementů sledování trendů klasifikace spánkových stavů detekce epileptických hrotů detekce záchvatů Detailní analýza topografické mapování výkonu frekvenčních pásem mapování lokální koherence posuv ve spektru rozklad na zdrojové a šumové složky analýza dipólů fázové spektrum - lokalizace epi ložiska 15

16 4. Přehled metod LORETA CORDANCE NEONATAL SLEEP ANALYSIS Photic driving 3D PROJECTION POWER SPECTRUM LOCAL COHERENCE PCA SEGMENT ATION ARTEFACT ELIMINATION PHASE MAPPING WAVE FINDER SPIKE DETECTION CSA BRAIN MAPPING PRINCIPAL COMPONENT ANALYSIS INDEPENDENT COMPONENT ANALYSIS SPECTRUM ANALYSIS LONG - TERM PROCESSING NEURAL NETWORKS DETAILED ANALYSIS PRE - PROCESSING DIGITAL FILTERING TRENDS REMOVING EEG SIGNAL

17 4.1. Spolupráce Cooperation with ČVUT and ÚPMD Cooperation with SZÚ Cooperation with Psychiatric Center LORETA CORDANCE Cooperation with Technical University Ostrava NEONATAL SLEEP ANALYSIS Photic driving 3D PROJECTION POWER SPECTRUM LOCAL COHERENCE PCA SEGMENT ATION ARTEFACT ELIMINATION PHASE MAPPING WAVE FINDER SPIKE DETECTION CSA BRAIN MAPPING PRINCIPAL COMPONENT ANALYSIS INDEPENDENT COMPONENT ANALYSIS SPECTRUM ANALYSIS Cooperation with Academy of Science LONG - TERM PROCESSING NEURAL NETWORKS DETAILED ANALYSIS PRE - PROCESSING DIGITAL FILTERING TRENDS REMOVING EEG SIGNAL 17

18 Příklady zpracování - filtrace signálu 18

19 Signál po filtraci FIR filtrem 19

20 Spektrální složky Signál + šum 50 Hz Filtrace Hz 20

21 5. Spektrální analýza Zjišťování frekvenčních složek EEG v úseku signálu ve všech EEG svodech/ v jenom kanálu Pro jednotlivé spektrální čáry i v EEG pásmech 21

22 Spektrální analýza EEG 1 kanál 22

23 Spektrální analýza 3D projekce - sférické splajny 23

24 6. Case report (případová studie): Mapování lokální koherence - informace neviditelná pouhým okem Lokální koherence indikátor vzájemné korelace (spolupráce) sousedních oblastí mozkové kůry ve frekvenční oblasti Interhemisferická koherence hraje významnou roli při analýze interhemisferální synchronizace Dá se využít i při kvantitativním hodnocení ložiskových lézí mozku, u veličin, které nejsou při vizuálním hodnocení zřetelné 24

25 Princip mapování amplitudy V Conversion of numbers into color scale a) b) V 1. iteration 2. iteration Topographic map Average from four neigbours The new points are included into computing c)... till the whole area is covered 25

26 Schéma lokální koherence (normalizované křížové spektrum) auto-spectrum G ( f ) x E X ( f ) X ( f ) Cross-spectrum (křížové, vzájemné) G ( f ) xy E X ( f ) Y ( f ) magnitude squared coherence (výkonová) COH xy G 2 xy G G x y amplitude coherence COH xy G G x xy G y 26

27 Příklady: Ischémie l.dx vpravo (EEG závěr: bez průkazných ložiskových změn) Frekvenční mapy - není zřetelná asymetrie Mapování lokální koherence - ložisko temporálně vpravo v souladu s CT 27

28 CMP - pravostranná hemiparéza (symptom vlevo) 28

29 7. Analýza/monitorování dlouhodobých EEG záznamů : CSA - spektrální kulisy CSA compressed spectral arrays Seřazení spektrálních křivek z 2 sec úseků jako kulisy v divadle Visualizace trendů a posuvu ve spektru u dlouhodobých záznamů a monitorování 29

30 7. Analýza dlouhých záznamů CSA: příklad - epileptický záchvat 30

31 8. Case study: Photic driving u pracovníků vystavených rtuťovým parám spolupráce s Doc. Urbanem, SZÚ Photic driving reakce EEG na fotostimulaci pro různé frekvence stroboskopu (vybudí se odezva pro harmonické složky stimulace). Cílem zjistit potenciál CSA pro indikaci PD u raných neurotoxických efektů u dělníků vystavených parám rtuti. Změny u PD ve srovnání s kontrolní skupinou ještě před klinickými obtížemi 31

32 CSAs in a person with well expressed photic driving Background activity Driving on the fundamental frequency Driving on the 1 st harmonic frequency Driving on the 2 nd harmonic frequency 32

33 Protokol generovaný počítačem Kvantitativní parametry 33

34 9. Analýza dlouhých záznamů: identifikace významných grafoelementů Hierarchický systém automatizovaného zpracovávání EEG segmentace extrakce příznaků automatická klasifikace visualizace a kvantifikace 34

35 Blokové schéma systému WF hierarchický systém IDENTIFIKACE SIGNIFIKANTNÍCH GRAFOELEMENTU VYMEZENÍ VÝZNAMNÝCH ČÁSTÍ EEG EXTRAKCE ZHUŠTĚNÉ INFORMACE SUMÁRNÍ INFORMACE STATISTIKA PRESENTACE VÝSLEDKŮ KLASICKÁ TEORIE MNOŽIN KLASIFIKACE SHLUKOVÁ ANALÝZA UĆÍCÍ SE KLASIFIKÁTOR TEORIE FUZZY MNOŽIN EXTRAKCE PŘÍZNAKŮ ADAPTIVNÍ SEGMENTACE 35

36 Vlastnosti systému Nástroj pro předzpracování velkých souborů dat (24 hod) Má lékaře upozornit, že se v signálu něco děje - lékař si závěr udělá sám Snaží se imitovat práci lékaře při hodnocení EEG Neklade si za cíl absolutní přesnost - pokud detekuje 10 % událostí, z nichž 5% jsou artefakty přesto je velká úspora času pro 24 hodinový záznam Schopný nasazení v klinické praxi (interface uživatelsky přístupný pro lékaře) Důraz na grafickou prezentaci výsledků Transparentní - kdykoliv je možné prohlížet originální signál a volit mezi prohlížením odvozených grafů - profilů a přeskakovat mezi vypočtenými charakteristikami a originálním záznamem. 36

37 Základ: Adaptivní segmentace na základě dvou spojených oken 1 dvě spojená okna hranice segmentu EEG není stacionární, je po částech stacionární. Pevné úseky nerespektují charakter signálu Proto - snaha rozdělit jej na úseky proměnné délky v závislosti na výskytu nestacionarit (EEG grafoelementů) Řešení: Adaptivní segmentace (Bodenstein a Praetorius, Krajča, Varri) : 2 míra rozdílu oken mez 3 lokální maximum 1. Po signálu kloužou dvě spojená okna 2. Z rozdílu charakteru signálu v obou oknech se určí odchylka od stacionarity. 3. Hranice segmentu je umístěna v místech lokálních maxim této odchylky 37

38 Příklad adaptivní segmentace jednoho kanálu EEG signál a hranice segmentů Amplitudová míra diference oken Frekvenční míra Celková míra diference a mez pro segmentaci 38

39 Příklad multikanálové adaptivní segmentace HRANICE SEGMENTU ČÍSLO TŘÍDY 39

40 Příklad barevné identifikace epileptických grafoelementů klasifikace pomocí shlukové analýzy 40

41 Extrakce příznaků klasifikace se má blížit vizuálnímu hodnocení lékaře proto - zvolena sada deseti příznaků popisujících frekvenční i časové parametry grafoelementů: variance amplitudy v segmentu rozdíl maximální positivní a minimální negativní hodnoty amplitudy v segmentu hodnoty amplitudy signálu v delta, theta, alfa, beta1 a beta2 frekvenčních pásmech maximální hodnota první derivace signálu v segmentu (úměrná sklonu křivky grafoelementu) maximální hodnota druhé derivace signálu v segmentu (úměrná špičatosti křivky) průměrná hodnota frekvence v segmentu. 41

42 Automatická klasifikace - metody on-line a off-line zpracování klasické i fuzzy Motivace - snaha odhalit strukturu, která může být skryta v datech, identifikovat EEG grafoelementy. Metody pro třídění detekovaných EEG grafoelementů do typových tříd: SHLUKOVÁ ANALÝZA hledá přirozenou strukturu dat (pokud existuje) učení bez učitele - žádná a priori informace o datech data v tomtéž shluku (třídě) jsou si v určitém smyslu bližší než data v různých shlucích příznakově orientovaná metoda klasifikace; příznaky - popisují daný klasifikovaný objekt neumožňuje on-line klasifikaci (nelze klasifikovat segmenty které teprve přijdou) 42

43 Automatická klasifikace - metody on-line a off-line zpracování klasické i fuzzy UČÍCÍ SE KLASIFIKÁTOR porovnává nový objekt s prototypem (identifikován učitelem ve fázi učení) problémy s objekty, na které systém nebyl naučen ve fázi učení lze použít shlukovou analýzu pro definici etalonů Metody klasické i pomocí neuronových sítí Oba typy metod mohou využívat KLASICKOU i FUZZY teorii množin 43

44 Princip algoritmu k-means (k-středů) 1a. Náhodně vybereme středy tříd - prototypy (mohou být přímo data) 1b. Vypočteme vzdálenosti všech objektů od každého středu 2. Objekt přiřadíme (klasifikujeme) do té třídy, k jejímuž středu má nejblíže 3. Přepočteme středy nových tříd - těžiště 4. Pokud jsme nedosáhli optima, vracíme se na bod 1b. Vypočteme vzdálenosti od středů. 44

45 Klasické množiny Klasické a fuzzy množiny neumožňují sdílení členství objektu v různých třídách objekt patří/nepatří do třídy (množiny) černobílý pohled Fuzzy (nezřetelné) množiny dovolí vícenásobné sdílení s různým stupněm členství X={ x 1, x 2,...x N }, je množina objektů. Klasická množina Fuzzy množina charakteristická funkce u A : X - > {0,1} zobecnění u A : X -> <0,1> 1, x k A i u Ai (x k ) = { u Ai (x k )=u ik fuzzy členství 0, x k A i 45

46 Fuzzy sets FUZZY TŘÍDĚNÍ KLASICKÉ (HARD) TŘÍDĚNÍ 70 JABLKA 30 VIŠNĚ OVOCNÉ MOŠTY 70 JABLKA? 30 VIŠNĚ JABLKA VIŠNĚ ŠVESTKY Třída 1 Třída 2 Třída JABLKA VIŠNĚ ŠVESTKY Třída 1 Třída 2 Třída proměnný stupeň členství v intervalu patří do třídy 1... nepatří smíšený objekt může patřit do různých tříd s různým stupněm členství smíšený objekt musí být zařazen do jedné z tříd 46

47 Automatická klasifikace EEG grafoelementů Motivace - snaha odhalit strukturu, která může být skryta v datech, identifikovat EEG grafoelementy. Metoda shluková analýza hledá přirozenou strukturu dat učení bez učitele - žádná a priori informace o datech data v tomtéž shluku (třídě) jsou si v určitém smyslu bližší než data v různých shlucích příznakově orientovaná metoda klasifikace; příznaky - popisují daný klasifikovaný objekt 47

48 Příklad klasifikace klasické Klasická třída č.5. Klasická třída č. 6 obsahující objekty typu třídy 5 (řádek 7). 48

49 Zhuštěná sumární informace Typické, reprezentativní segmenty (nejblíže těžišti) a jejich procentuální zastoupení - multikanálová sumární informace Časový profil ukazuje členství segmentu ve třídě v průběhu času Třídy seřazeny podle velikosti amplitudy Barva - indikuje třídu segmentu v originálním EEG záznamu 49

50 Strukturální schématický popis EEG časový profil záznamu Lékař má k dispozici efektivní nástroj, umožňující pomocí kursoru vybrat příslušnou část originálního záznamu a pokračovat v prohlížení. Buďto v časové oblasti EEG, nebo ve schematickém diagramu. K tomu může zobrazit sumární multikanálovou informaci o typu EEG aktivity 50

51 Srovnání s dalšími metodami - CSA - metoda zhuštěných spektrálních kulis - informace pouze ve frekvenční oblasti-ztrácíme tvar grafoelementů 51

52 Příklad detekce spánkových stavů novorozence pomocí vyhlazení časových profilů (120 min záznamu) VISUAL EVALUATION AWAKE QUIET SLEEP ACTIVE SLEEP QUIET SLEEP ACTIVE SLEEP QSLEEP AWAKE 52

53 Vybrané publikace v časopisech s impakt faktorem - 53