В данном материале приведен обзор количественных методов анализа ЭЭГ на примере возможностей программы Нейрон-Спектр.NET производства компании Нейрософт.
Родоначальником электроэнцефалографии считается немецкий врач Ханс Бергер, который в 1928 году впервые зарегистрировал электрическую активность головного мозга человека.
В современной клинической практике метод ЭЭГ широко применяется для оценки функционального состояния головного мозга при таких заболеваниях, как:
- эпилепсия,
- энцефалопатия,
- болезнь Альцгеймера,
- опухоли головного мозга,
- черепно-мозговая травма,
- нарушения сна,
- психические расстройства.
Современные компьютерные комплексы для регистрации и анализа ЭЭГ содержат большой набор математических методов обсчета и анализа сигнала ЭЭГ.
Количественная ЭЭГ
Начиная с 90-х годов прошлого столетия с развитием компьютерной техники в ЭЭГ постоянно появляются различные методы компьютерной обработки и анализа ЭЭГ-сигналов. Многие из них в настоящее время широко применяются, другие являются более экзотическими и применяются только исследователями. Цифровое представление ЭЭГ в том или ином виде и стали называть количественной ЭЭГ. В данном материале я постараюсь рассказать о доступных в настоящее время видах математического анализа ЭЭГ-сигналов.
Цифровая фильтрация
Прежде всего для качественной обработки данных ЭЭГ сигнал необходимо отфильтровать в заданной полосе частот. В соответствии с Рекомендациями экспертного совета по нейрофизиологии Российской противоэпилептической лиги по проведению рутинной ЭЭГ сигнал ЭЭГ должен быть отфильтрован в полосе от 0.5 до 70 Гц. Именно в этой полосе частот лежит основной полезный сигнал ЭЭГ. Для фильтрации применяются цифровые фильтры:
- Фильтр верхних частот (ФВЧ) - помогает отфильтровать паразитные медленноволновые колебания, справиться с постоянной составляющей на ЭЭГ. Иногда для анализа сверхмедленной ЭЭГ-активности данный фильтр отключают или устанавливают в значения близкие к 0 Гц. Диапазон установки ФВЧ от 0.01 до 10 Гц.
- Фильтр нижних частот (ФНЧ) - помогает отфильтровать быстрые частоты, которые не нужно видеть на ЭЭГ. Раньше этот фильтр традиционно устанавливался в значение 35 Гц, но в современных рекомендациях прописано значение 70 Гц. Это связано с тем, что ФНЧ на 35 Гц может существенно снижать амплитуду спайков и острых волн, частота которых может превышать 35 Гц. При желании просмотреть и проанализировать более высокие частоты этот фильтр можно отключить или установить более высокие значения. Диапазон установки ФНЧ от 15 до 500 Гц (например, для просмотра высокочастотных осцилляций на инвазивной ЭЭГ).
- Режекторный фильтр - предназначен для подавления синфазной помехи от питающей сети (50 или 60 Гц в зависимости от страны). Обычно применяется рекурсивный фильтр, но его недостаток состоит в том, что он просто напросто вырезает частоты около 50 Гц из сигнала, и если в этой частотной области будет находиться полезный сигнал (например, спайки и острые волны), то он тоже подвергнется режекции. В современных компьютерных программах помимо рекурсивного применяется так называемый адаптивный режекторный фильтр, который вырезает из сигнала только чистую синусоиду 50 Гц, не повреждая полезный сигнал. Это преимущество особенно полезно при регистрации вызванных потенциалов мозга.
- Полосовой фильтр - такие фильтры могут применяться дополнительно для того, чтобы отфильтровать сигнал в заданной полосе частот. Например, с помощью такого фильтра можно отфильтровать только альфа-диапазон от 8 до 14 Гц.
Амплитудно-частотные характеристики (АЧХ) фильтров
Качество работы цифрового фильтра определяется его АЧХ. Фильтр физически не может обеспечить стопроцентное резкое подавление, обычно это подавление нарастает плавно. Например, ФНЧ на 35 Гц не абсолютно подавит частоту 36 Гц, а лишь немного снизит амплитуду волн такой частоты. Частота 37 Гц будет подавлена этим фильтром еще больше и так далее. Начиная с какой то частоты подавление фильтра будет полным. Это крутизна фильтра или крутизна АЧХ. Чем круче АЧХ, тем более эффективен фильтр в своей полосе частот:
Эпохи анализа
Запись ЭЭГ обычно довольно сложно провести без различных артефактов. Обычно артефакты исключаются из анализа. Для анализа ЭЭГ-сигнала предварительно отбираются стабильные участки записи - так называемые эпохи анализа. В современных программах обработки и анализа ЭЭГ применяется два типа анализа:
- Экспресс-анализ - предназначен для быстрого анализа без необходимости выделения эпох. Как правило, применяется при онлайн-анализе во время регистрации ЭЭГ, при анализе видимой на экране части ЭЭГ-кривых или при анализе выделенного фрагмента ЭЭГ.
- Анализ эпох - требует предварительного выделения эпох анализа. Результаты анализа всех эпох усредняются либо по всей записи либо отдельно по функциональным пробам.
Длительность эпохи по умолчанию 5 секунд, но она может быть задана индивидуально.
Амплитудный анализ ЭЭГ
Это один из первых видов анализа ЭЭГ. Раньше, в эпоху докомпьютерной ЭЭГ, чтобы точно измерить амплитуду волн ЭЭГ, кривые распечатывали на миллиметровой бумаге. Теперь все расчеты делает компьютер. Существует два варианта измерения амплитуды ЭЭГ-сигнала:
- пик-пик;
- изолиния-пик.
В настоящее время применяется в основном первый вариант - измерение амплитуды от пика до пика.
Результаты расчета амплитуд ЭЭГ-сигнала могут быть разделены по ритмам волн и представлены в виде табличной информации, в виде диаграмм или топографических карт. Существует несколько инструментов для амплитудного анализа. Например, можно просто просмотреть числовые значения по каждой кривой ЭЭГ в любой момент времени:
Или просчитать параметры выделенного участка любой ЭЭГ-кривой:
Для отслеживания изменения амплитуды ЭЭГ во времени, начиная от заданного момента, используется амплитудная развертка:
Чтобы рассчитать средние, максимальные амплитуды ритмов, межполушарную асимметрию по амплитуде, используется специальное окно амплитудного анализа:
Наглядно представить табличные данные можно с помощью диаграмм:
Также данные можно представить в виде топографических карт, по которым можно наглядно оценить распределение амплитуд по скальпу:
Спектральный анализ ЭЭГ
Вторым по частоте использования при анализе ЭЭГ является спектральный анализ. С помощью преобразования Фурье сигнал ЭЭГ переводится из временной в частотную область. На графиках мощности спектра можно видеть, какие частоты доминируют в сигнале.
Кроме графиков в спектральном анализе также можно использовать табличные результаты анализа, в которых по графикам мощности рассчитываются (в том числе и по ритмам):
- максимальная мощность - рассчитывается, как пик графика спектра в заданном частотном диапазоне;
- средняя мощность - усредненная мощность спектра в заданном частотном диапазоне;
- полная мощность - площадь под графиком спектра в заданном частотном диапазоне;
- индекс ритма - отношение площади под графиком спектра в частотном диапазоне ритма к общей площади под графиком спектра в полосе пропускания;
- доминирующая частота - частота, в которой график спектра достигает пика в заданном частотном диапазоне;
- средняя частота - частота, разбивающая площадь под графиком спектра в заданном частотном диапазоне на две равные половины;
- межполушарная асимметрия - разница средней мощности спектра между соответствующими отведениями левого и правого полушарий;
- дисперсия - показывает отношение максимальной мощности ритма к полной мощности ритма в процентах и характеризует степень выраженности доминирующей частоты ритма. Например, для альфа-ритма есть работы, показывающие зависимость функционального состояния головного мозга от уровня его дисперсии. Так, в работах С. В. Росмана приводятся нормы дисперсии альфа-ритма для здоровых людей и для людей с различной степенью выраженности органических поражений головного мозга;
Каждый их этих расчетных параметров можно вывести на топографические карты:
Топографическое картирование
Давайте подробнее рассмотрим инструмент топографического картирования. Чтобы эффективно им пользоваться, необходимо четко представлять, как он работает и какие данные мы видим на карте.
Итак, для примера давайте рассмотрим топографическую карту полной мощности спектра для альфа ритма. В первую очередь для построения карты нам необходимо рассчитать полную мощность спектра в альфа-диапазоне по каждому отведению. Затем, зная расположение электродов на голове (по международной системе "10-20%"), мы можем методом интерполяции рассчитать значения мощности альфа-диапазона в каждой точке на голове. После этого, применив палитру цветов, в которой каждому значению мощности соответствует определенный цвет, мы можем построить цветную карту мощности.
Вот пример топографической карты мощности альфа-ритма с выведенными значениями под каждым электродом:
Цветовая палитра может быть задана произвольно по усмотрению пользователя, например:
Из представленной карты четко видно, что индекс альфа-ритма достигает максимальных значений (до 81,2 %) в затылочных отведениях.
Полученную топографическую карту можно представить как в двумерном, так и в трехмерном виде:
Корреляционный анализ ЭЭГ
Существует две основные формы корреляционного анализа ЭЭГ:
- автокорреляционный анализ - показывает степень соответствия сигнала ЭЭГ самому себе с течением времени. Применяется расчет автокорреляционной функции сигнала со сдвигом по времени.
- кросскорреляционный анализ - показывает соответствие сигналов двух разных отведений друг другу.
В норме ЭЭГ-активность здорового человека должна быть гармонизирована и в некоторой степени единообразна. Если есть структуры, генерирующие резко отличающийся по форме сигнал, они могут быть патологическими.
Выбирая пары ЭЭГ-отведений для расчета функции кросскорреляции, можно обнаружить область головного мозга, активность от которой слабо связана с остальными по форме.
Когерентный анализ ЭЭГ
Очень похож на корреляционный анализ с тем лишь отличаем, что сравнивается не форма исходного ЭЭГ-сигнала, а рассчитанные графики спектров по каждому отведению.
Периодометрический анализ ЭЭГ
В ходе периодометрического анализа рассчитываются амплитуда и полупериод каждой волны ЭЭГ-кривой. В результате могут анализироваться:
- максимальные амплитуды волн;
- средние амплитуды волн;
- индексы ритмов волн;
- средние частоты ритмов волн;
- представленность ритмов.
Для расчета индекса ритма берется отношение количества зарегистрированных волн, попадающих в частотный диапазон данного ритма, к общему количеству зарегистрированных на анализируемом участке волн. Средняя частота ритма вычисляется усреднением средней частоты всех зарегистрированных волн данного ритма. Представленность ритма рассчитывается, как отношение количества секунд в анализируемом фрагменте записи, за которые данный ритм зафиксирован, к общему количеству секунд.
Результаты анализа могут быть представлены в виде таблицы, топографических карт или диаграмм:
Сравнительный анализ ЭЭГ
Иногда требуется сравнить два участка записи ЭЭГ между собой с помощью количественных характеристик. В этом случае можно воспользоваться сравнительным анализом. Например, таким образом можно сравнить фоновую активность ЭЭГ с закрытыми глазами с пробой открывания глаз:
Из результатов сравнения видно, что амплитуда альфа-ритма при открывании глаз снизилась на 44,2%, а индекс на 77,7%, что свидетельствует о депрессии ритма при открывании глаз.
С помощью такого инструмента можно сравнить графики спектров, топографические карты и диаграммы как по обоим полушариям, так и по каждому полушарию в отдельности. Также есть возможность сравнить ЭЭГ-активность в каждом частотном диапазоне по проведенным функциональным пробам:
Из данного сравнения видно, что максимальные средние амплитуды на ЭЭГ (обозначены на картах красным цветом) фиксируются в дельта диапазоне в лобных отведениях при открывании и закрывании глаз. Разумеется, это артефакт окулограммы.
Анализ независимых компонентов
Одним из современных математических методов удаления артефактов является метод независимых компонент (Independent Component Analysis (ICA)). Этот инструмент позволяет выделить и удалить с кривых ЭЭГ артефакты любого типа. Для эффективной работы данного алгоритма должно быть зарегистрировано достаточное количество ЭЭГ-отведений и артефакт должен по своей форме и структуре отличаться от остальных зарегистрированных сигналов.
В теории, если разместить в одной комнате N чтецов, каждый из которых будет читать свое собственное стихотворение и не менее N микрофонов, каждый из которых будет записывать смесь звуков от всех чтецов, то с помощью метода независимых компонент из совокупности записей с микрофонов можно выделить звуковые дорожки каждого чтеца в отдельности (независимые компоненты). Если перенести эту модель на ЭЭГ, то мы имеем неизвестное количество источников электрической активности в головном мозге (чтецы) и известное количество ЭЭГ-электродов (микрофоны). Если предположить, что количество источников не превышает количество электродов, то мы можем выделить независимый сигнал каждого из источников, в том числе артефактного. Еще одним преимуществом данного метода является возможность выкинуть один или несколько выделенных независимых сигналов и сложить оставшиеся сигналы в исходную смесь, лишенную сигналов выброшенных источников. Таким образом, метод независимых компонент при некоторых допущениях применим для удаления любых видов артефактов.
Исключив выделенный независимый компонент с ЭОГ-артефактом из ICA-композиции, мы получим тот же самый ЭЭГ сигнал, но уже очищенный от артефакта.
Примечание: Применять данный метод для удаления артефактов, тем не менее, нужно с осторожностью, так как он применим к ЭЭГ только с определенными допущениями и в некоторых случаях при неправильном использовании может привести к искажению исходного ЭЭГ-сигнала.
Тренды ЭЭГ
При анализе коротких ЭЭГ-обследований достаточно легко просмотреть все кривые и провести их анализ. Однако при длительных обследованиях просмотр и анализ нативных кривых ЭЭГ может занимать довольно продолжительное время. Для быстрого просмотра количественных показателей длительной ЭЭГ записи применяются тренды ЭЭГ. Тренды представляют собой результаты расчета определенного параметра, представленные во времени за довольно длительный промежуток.
Например, тренды индексов ритмов волн отображают изменение частотного состава сигнала во времени. Каждый тренд отображает индекс своего ритма. Индекс ритма рассчитывается, как отношение площади под графиком спектра в частотном диапазоне этого ритма к общей площади под графиком спектра во всем диапазоне ритмов волн. Индекс ритма выводится в процентах. На панели информации выводятся индексы ритмов волн для текущей позиции на тренде.
Тренд средней амплитуды ЭЭГ отображает рассчитанную среднюю амплитуду волн ЭЭГ по заданным отведениям (по умолчанию – все видимые отведения монтажа). Данный тренд также называют «огибающей». На панели информации показана текущая средняя амплитуда волн ЭЭГ в данный момент времени. С помощью элементов управления можно изменить шкалу / масштаб тренда, а также задать уровень значений амплитуды, при котором они будут подсвечиваться красным цветом.
Разработаны специализированные программы для расчета и отображения трендов различных показателей ЭЭГ:
При использовании ЭЭГ в палатах интенсивной терапии для оценки функционального состояния ЦНС часто используется тренд амплитудно-интегрированной ЭЭГ:
Вейвлет-анализ
При просмотре ЭЭГ на экране в виде кривых мы видим амплитудно-временное представление сигналов головного мозга обследуемого. Такое представление данных не всегда является наилучшим. Зачастую полезная информация скрыта в частотной области сигнала. Для получения информации о частотной составляющей сигнала служит преобразование Фурье. В результате преобразования Фурье заданного во временной области сигнала получается его спектральное представление. Однако преобразование Фурье говорит лишь о том, каково содержание каждой частоты в сигнале, а в какой момент времени доминирует та или иная частота, остается неизвестным. Для локализации во времени спектральных компонентов сигнала как раз и служит вейвлет-преобразование, которое позволяет получить частотно-временное представление сигнала.
Преобразование Стоквелла
Кроме вейвлет-анализа для частотно-временного преобразования ЭЭГ-кривых может использоваться преобразование Стоквелла:
Инструменты автоматического поиска на ЭЭГ
Кроме инструментов для количественного анализа ЭЭГ важную роль в современных программах обработки ЭЭГ играют алгоритмы автоматического поиска различных феноменов:
- артефактов записи;
- эпизодов "вспышка-подавление".
Программы для количественного анализа ЭЭГ
Благодаря тому, что ЭЭГ теперь может быть представлена в виде набора цифр (количественная ЭЭГ), можно сравнить ЭЭГ-записи разных людей. Можно также создать базы данных параметров ЭЭГ, включающие как здоровых людей, так и пациентов с различными нарушениями. Таким образом можно будет сравнить любую запись ЭЭГ (вернее ее количественное представление) с такими базами и сделать вывод о нормальности или ненормальности данной ЭЭГ, а затем скорректировать ЭЭГ методами нейромодуляции (БОС, ТМС, tDCS и др.).
Разработки в этом направлении продолжаются в настоящее время, но некоторые коммерческие пакеты программ для подобного сравнения уже существуют.
iSyncBrain
Южнокорейская система для сравнения количественной ЭЭГ с нормативной базой предлагает web-интерфейс, личный кабинет и возможность загрузки своих ЭЭГ-записей для расчета их количественных показателей и их сравнения с нормативными значениями.
Epilog PreOpp
Бельгийская система для количественного анализа ЭЭГ и сравнения результатов с нормативной базой данных.
QEEG Pro
Нидерландская система для обработки ЭЭГ через web-интерфейс.
NeuroGuide
Американская система с широким функционалом по обработке и анализу ЭЭГ:
HBIdb
Нормативная база HBIdb была создана швейцарскими исследователями под научным руководством профессора Юрия Дмитриевича Кропотова из Института мозга человека г. Санкт-Петербург.
BrainLoc
Российский программный продукт предназначен для трехмерной локализации источников патологической активности в головном мозге по ЭЭГ:
Brainsys-bank
Отечественный программный продукт, предназначенный для сопоставления спектральных параметров ЭЭГ (абсолютная мощность, относительная мощность, когерентность и пр.) с нейрометрическим банком ЭЭГ-данных.
Для сравнения с нейрометрическим банком вычисляются спектральные параметры ЭЭГ и затем преобразуются к нормальному распределению Гаусса. Нейрометрический банк получен из нормативной базы ЭЭГ здоровых лиц и содержат статистические характеристики: среднее и стандартное отклонение для данной группы определенного возраста и пола. Сопоставление с нормативными ЭЭГ-данными проводится при помощи «Z-критерия», в котором величина Z, определенная как степень отклонения от среднего по нормативной группе в единицах стандартного отклонения, не должна в норме превышать 2-3 S.D. Подобный анализ ЭЭГ, позволяющий сопоставить данные каждого пациента с его возрастной нормой и оценить степень и характер отклонений от нормативных данных, в значительной степени способствует правильной диагностике заболевания.
Известно, что ЭЭГ очень быстро меняется в детском возрасте, поэтому ЭЭГ-данные в банке сгруппированы с шагом в полгода для возраста от 3 до 17 лет. Взрослые сгруппированы с шагом 2.5 года от 18 до 80 лет.
Нормативная база ЭЭГ собрана сотрудниками НЦПЗ, МНИИ Психиатрии, РНИМУ им. Пирогова, Института высшей нервной деятельности и нейрофизиологии РАН и пр.
LORETA
Программа LORETA - low-resolution brain electromagnetic tomography широко применяется в научных исследованиях:
BESA
Немецкий пакет программ широкого назначения для для обработки и анализа ЭЭГ:
Все перечисленные программы являются платными и приобретаются отдельно от оборудования для ЭЭГ-регистрации. Передача в них данных ЭЭГ обычно осуществляется через формат EDF (European Data Format). Из некоторых ЭЭГ-программ экспорт в эти программные пакеты осуществляется автоматически.
AIT Encevis EpiSource
Encevis - пакет программ от Австрийского института технологий для математического анализа ЭЭГ в своем составе имеет инструмент для трехмерной локализации источников биоэлектрической активности головного мозга по ЭЭГ-сигналу:
Автоматическая генерация заключений
После того, как проведен анализ записанной ЭЭГ документальным его результатом должен стать протокол обследования. Современные программы ЭЭГ подготавливают протокол обследования автоматически по заранее созданному шаблону. В протокол могут быть скопированы любые результаты анализа (текст, таблицы, диаграммы, топографические карты):
Заключение
С помощью современных методов математической обработки и анализа ЭЭГ данный метод исследования становится все более информативным, открываются новые области его применения.
Литература
- "Компьютерная электрофизиология и функциональная диагностика" Кулаичев Алексей Павлович, 2019
