Processing of EEG Data Marek Penhaker Konference IT4Innovations, Ostrava

Transkript

1 Processing of EEG Data Marek Penhaker Konference IT4Innovations, Ostrava

2 Podstata biologických signálů Signál nosič informace Biosignál signál, který je generovaný živým organismem

3 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)

4 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.

5 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 Použití EEG při terapii ve formě EEG biofeedbacku.

6 Příklad EEG signálu 19 EEG kanálů

7 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

8 Grafoelementy Ostře časově omezené projevy výrazně se lišící od pozadí - základní frekvence - lambda/posts - MU vlna - K complex - small sharp spikes - Wicket spikes

9 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

10 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

11 Komplikace při zpracování EEG velký počet kanálů, vysoké vzorkovací frekvence

12 Komplikace při zpracování EEG Artefakty komplikují automatizované hodnocení dat (záznamy emočních událostí)

13 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)

14 Komplikace při zpracování EEG Neúplná data - některé kanály občas chybí - stejné kanály nelze mezi různými záznamy porovnat (novorozenecké záznamy)

15 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.

16 Úvod do počítačového zpracování EEG Segmentace EEG, ECG, EOG, EMG, PNG Extrakce příznaků Především: FFT / waveletové koeficienty, problémově orientované příznaky Klasifikátor 1 Klasifikátor 2 Klasifikátor N Optimalizace (učící se klasifikátory / metody bez učení) Různé typy klasifikátorů: lineární modely, neuronové sítě, pravděpodobnostní modely, nejbližší soused, shlukování. Kombinace klasifikátorů Vážený průměr, Bagging, Boosting, Shaferův přístup, Fuzzy Integral Visualizace Vizualizace ve všech fázích procesu

17 Odstranění rušení z rozvodné sítě (50/60Hz) výsledky filtrace ve frekvenční oblasti a) před filtrací (FP1-GND) Typ filtru: Notch filtr b) po filtraci (FP1-GND)

18 Odstranění rušení z rozvodné sítě (50/60Hz) zobrazení filtrace v časové oblasti a) EEG signál před filtrací b) EEG signál po filtraci

19 Odstranění kolísání izolinie

20 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.

21 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

22 Segmentace signálu (konstantní délka segmentů) 0.1 s 0.5 s 1 s 5 s 10 s Jak volit délku segmentů pro segmentaci?

23 Adaptivní segmentace signálu Požadovaná segmentace: Metoda dvou oken:

24 Adaptivní segmentace signálu vstupní signál amplitudové změny frekvenční změny prahování, hledání maxim výsledek segmentace [Krajča V., Biomed Comput., 28 (1991)]

25 Adaptivní segmentace signálu

26 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.

27 Klasifikace epileptického EEG 1. krok - segmentace (rozdělení signálu na úseky konstatní délky)

28 Klasifikace epileptického EEG 2. krok - výpočet příznaků (pro každý segment vypočítáme množinu příznaků) segment příznak 1 příznak 2 1 0,43 7,51 2 0,84 38,13 segment č. 1 => { 0,43 ; 7,51 } segment č. 2 => { 0,84 ; 38,13 }

29 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

30 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

31 Klasifikace spánkového EEG 1. Wake (bdělost) 2. REM (Rapid Eye Movements) // sny 3. NREM1 (usínání) 4. NREM2 (lehký spánek) 5. NREM3 (hluboký spánek) 6. NREM4 (nejhlubší spánek) Hypnogram:

32 Porovnání spánkových fází (EEG: C3-GND, C4-GND)

33 freq. (10Hz/div) Spektrogram dlouhodobého EEG signálu Beta waves (13-30Hz) Alpha waves (8-12Hz) Delta waves (0.1-3Hz) Theta waves (4-7Hz) time (15min/div)

34 Analýza spektrogramu spánkového EEG hodnoceno lékařem hodnoceno ručně dle spektrogramu (Josef Rieger, 2006)

35 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.

36 Spektrální, koherentní a korelační analýza spektrogramy 2D mapování koherence korelace

37 Spektrální, koherentní a korelační analýza spektrogramy 2D mapování koherence korelace

38 Spektrální, koherentní a korelační analýza spektrogramy 2D mapování koherence korelace

39 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.

40 2D a 3D spektrogram frekvence čas čas frekvence

41 2D spektrogram: audio-visuální stimulace 0:30-2:40 12Hz 2:40-6:00 8Hz 6:00-8:00 7Hz 8:00-10:00 6Hz 10:00-12:00 5Hz 12:00-14:00 4.5Hz 14:00-16:00 4Hz 16:00-18:00 3.5Hz 18:00-20:00 3Hz 20:00-21:00 2.5Hz 21:00-22:00 2Hz 22:00-23:00 4Hz 23:00-24:00 6Hz 24:00-25:00 7Hz 25:00-27:00 8Hz 27:00-31:58 od 8Hz do 1.5Hz 31:58-33:00 1.5Hz 33:00-34:00 4Hz 34:00-37:00 8Hz 37:00-37:20 pozvolna od 8Hz do 12Hz 37:20 probuzeni

42 2D spektrogram: více elektrod

43 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

44 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)

45

46 EEG Biofeedback klinický biofeedback léčení fóbií omezení stresu sledování pozornosti

47 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 reinholdbehringer.blogspot.com cortechsolutions.com

48 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

49 Děkuji za pozornost Kontakt: Katedra kyberentiky a biomedicínského inženýrství VŠB-TU Ostrava, FEI 17.listopadu Ostrava-Poruba Lékařské diagnostické přístroje