Analýza epileptických EEG signál·

Transkript

eské vysoké u£ení technické v Praze
Fakulta elektrotechnická
Katedra kybernetiky
Bakalá°ská práce
Analýza epileptických EEG signál·
Tomá² Kaiser
Vedoucí práce:
Ing. Václav Gerla
Studijní program: Elektrotechnika a informatika
Obor: Kybernetika a m¥°ení
iv
Pod¥kování
Na tomto míst¥ bych rád pod¥koval vedoucímu bakalá°ské práce Ing. Václavu Gerlovi za
ochotu, trp¥livost a p°ínosné konzultace, které mi pomohly p°i vypracování této práce.
Abstract
The thesis is aimed at drawing up a suitable set of symptoms that corresponds with a
mathematical description of an epileptic EEG signal. Solution is based on already proposed
algorithms for signal segmentation, feature extraction and methods of cluster analysis. Problem was solved by several programs - preprocessing, segmenatation, features computation
and cluster analysis was performed by Matlab envoirement, especially PSGlab toolbox. Classication and feature selection was executed by Weka. Test set of 30 best matching features
has been selected on non-clinical well classied dataset. This set of features was tested on
epilepsy data and results of cluster analysis were visualized.
Abstrakt
Tato práce si klade za cíl sestavení vhodné sady p°íznak·, které umoº¬í matematický popis
epileptického EEG signálu. P°i °e²ení byly vyuºity jiº navrºené algoritmy pro segmentaci
signálu, výpo£et a selekci p°íznak·, klasikaci a metody provád¥jící shlukovou analýzu v
programech Matlab a Weka. Nejprve je rozvedena problematika záznamu EEG a typických
epileptických projev·, na základ¥ kterých byly navrhovány nové p°íznaky. Tyto p°íznaky byly
nejprve ov¥°eny na neklinickém ohodnoceném záznamu. P°i provedení selekce byla nalezena
sada 30 p°íznak·, která byla otestována na epileptických datech. Následn¥ byla provedena
vizualizace výsledk· shlukové analýzy.
vi
Obsah
1 Úvod
1
2 Mozek & centrální nervová soustava
2
2.1
Mozkové vlny
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
3
2.1.1
Delta . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
3
2.1.2
Theta
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
4
2.1.3
Alfa
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
4
2.1.4
Beta
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
4
2.1.5
Gama
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
4
3 Epilepsie
5
4 EEG
8
4.1
Vznik a význam EEG . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
8
4.2
Záznam EEG
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
9
4.3
Metodika EEG vy²et°ení . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
10
4.4
Charakteristika EEG signálu . . . . . . . . . . . . . . . . . . . . . . . . . . .
11
4.4.1
Popis EEG signálu
11
4.4.2
Artefakty v EEG
4.5
. . . . . . . . . . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . . . . . . . . . . .
12
Projevy epilepsie v EEG . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
12
4.5.1
. . . . . . . . . . . . . . . . . . . . . . . .
13
. . . . . . . . . . . . . . . . . . . . . . . . .
13
Epileptické grafoelementy
4.5.1.1
Hroty (Spikes)
4.5.1.2
Ostré vlny (Sharp waves)
4.5.1.3
Spike-wave complexes (SWC)
4.5.1.4
Generalized paroxysmal fast activity (GPFA)
. . . . . . . .
13
4.5.1.5
Polyspikes (Multiple spikes) . . . . . . . . . . . . . . . . . .
13
. . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . .
5 Zpracování EEG signálu
5.1
5.3
13
14
P°edzpracování signálu . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
5.1.1
5.2
13
Filtrace a p°evzorkování
14
. . . . . . . . . . . . . . . . . . . . . . . . .
14
Segmentace signálu . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
15
5.2.1
Konstantní segmentace . . . . . . . . . . . . . . . . . . . . . . . . . .
15
5.2.2
Adaptivní segmentace
Vyhodnocení p°íznak·
5.3.1
. . . . . . . . . . . . . . . . . . . . . . . . . .
15
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
16
Metody pro získaní p°íznak· . . . . . . . . . . . . . . . . . . . . . . .
17
5.3.1.1
17
P°íznaky zaloºené na statistické analýze
vii
. . . . . . . . . . .
OBSAH
viii
5.3.2
5.3.1.2
P°íznaky odvozené od tvaru grafolementu
5.3.1.3
Fraktální dimenze
5.3.1.4
Hjorthovy parametry . . . . . . . . . . . . . . . . . . . . . .
19
5.3.1.5
Frekven£ní analýza . . . . . . . . . . . . . . . . . . . . . . .
19
5.3.1.6
Entropie . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
20
5.3.1.7
Krátkodobá energie . . . . . . . . . . . . . . . . . . . . . . .
20
5.3.1.8
Nelineární energetický operátor (NEO) . . . . . . . . . . . .
20
Navrºené p°íznaky
5.3.2.1
5.3.3
. . . . . . . . . .
18
. . . . . . . . . . . . . . . . . . . . . . .
18
. . . . . . . . . . . . . . . . . . . . . . . . . . . .
21
Upravené p°evzaté p°íznaky . . . . . . . . . . . . . . . . . .
21
P°evzaté p°íznaky . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
22
5.4
Rozpoznávání . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
24
5.5
Shlukování . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
24
5.5.1
Hierarchické shlukování . . . . . . . . . . . . . . . . . . . . . . . . . .
25
5.5.2
Nehierarchické shlukování
. . . . . . . . . . . . . . . . . . . . . . . .
26
5.5.3
Metriky
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
27
5.5.3.1
Eukleidovská metrika . . . . . . . . . . . . . . . . . . . . . .
27
5.5.3.2
City-Block (Manhattan)[34] . . . . . . . . . . . . . . . . . .
27
5.5.3.3
eby²evova metrika
5.5.3.4
Minkowského metrika
5.5.4
5.6
. . . . . . . . . . . . . . . . . . . . . .
28
. . . . . . . . . . . . . . . . . . . . .
28
5.5.3.5
Hammingova metrika . . . . . . . . . . . . . . . . . . . . . .
28
5.5.3.6
Cosine similarity
. . . . . . . . . . . . . . . . . . . . . . . .
28
K-means (MacQueen·v algoritmus) . . . . . . . . . . . . . . . . . . .
29
Klasikace s u£ením . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
29
5.6.1
KNN - klasikátor podle K-nejbliº²ích soused· . . . . . . . . . . . . .
29
5.6.2
Bayes·v klasikátor . . . . . . . . . . . . . . . . . . . . . . . . . . . .
30
5.6.2.1
30
Klasika£ní algoritmus . . . . . . . . . . . . . . . . . . . . .
6 Praktická £ást
6.1
31
Návrh parametr· zpracování na ohodnoceném
neepileptickém EEG záznamu
. . . . . . . . . . . . . . . . . . . . . . . . . .
32
6.1.1
Filtrace & p°evzorkování . . . . . . . . . . . . . . . . . . . . . . . . .
32
6.1.2
Segmentace
32
Konstantní
. . . . . . . . . . . . . . . . . . . . . . . . . . .
32
6.1.2.2
Adaptivní . . . . . . . . . . . . . . . . . . . . . . . . . . . .
32
6.1.3
Selekce p°íznak·
. . . . . . . . . . . . . . . . . . . . . . . . . . . . .
39
6.1.4
Shlukování . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
40
6.1.4.1
Konstantní segmentace . . . . . . . . . . . . . . . . . . . . .
40
6.1.4.2
40
6.1.4.3
Výsledek shlukování
6.1.5
6.2
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
6.1.2.1
. . . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . . . .
40
Klasikace . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
47
6.1.5.1
47
Porovnání klasikátor· . . . . . . . . . . . . . . . . . . . . .
Zpracování ohodnoceného epileptického EEG záznamu
. . . . . . . . . . . .
49
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
49
6.2.1
Segmentace
6.2.2
Selekce p°íznak·
6.2.3
Shlukování . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
49
6.2.4
Klasikace . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
50
. . . . . . . . . . . . . . . . . . . . . . . . . . . . .
49
OBSAH
6.3
ix
Zpracování neohodnoceného epileptického
EEG záznamu . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
58
6.3.1
Segmentace
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
58
6.3.2
Shlukování . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
58
7 Záv¥r
63
A Ukázky výpo£tu n¥kterých nov¥ p°idaných p°íznak·
68
B Obsah p°iloºeného CD
69
Seznam obrázk·
2.1
Neuron [12]
5.1
Selekce p°íznak·
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
16
5.2
Ukázka výstupu hierarchického algoritmu . . . . . . . . . . . . . . . . . . . .
26
5.3
Jednotková vzdálenost objekt· od st°edu podle r·zných metrik . . . . . . . .
28
5.4
Ukázka výstupu K-means . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
30
6.1
0) b¥ºná aktivita, 1) mrknutí, 2) svalový artefakt a 3) zav°ené o£i, relaxace .
32
6.2
Ukázka ltrace 50 Hz a p°evzorkování z 250 na 128 vzork·/s
. . . . . . . . .
33
6.3
Ukázka konstatní segmentace po 1 a 3 sekundách
. . . . . . . . . . . . . . .
33
6.4
Ukázka vlivu délky okna p°i adaptivní segmentaci . . . . . . . . . . . . . . .
35
6.5
Ukázka vlivu velikosti posunu okna p°i adaptivní segmentaci
6.6
Ukázka vlivu nastavení vah
6.7
Porovnání adaptivní segmentace signálu se signálem rozd¥leným podle
ohodnocení
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
kA
a
kF
3
. . . . . . . . .
36
. . . . . . . . . . . . . . . . . . . . . . .
37
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
38
6.8
Vliv délky segmentu na výsledek shlukování (po£ty shluk·: 4, 5 a 5) . . . . .
41
6.9
Segmentace po 1s (po£ty shluk·: 4, 7 a 10) . . . . . . . . . . . . . . . . . . .
42
6.10 Roz°azení segment· do shluk· (po£ty shluk·: 4, 7 a 10) . . . . . . . . . . . .
43
6.11 Adaptivní segmentace (po£ty shluk·: 4, 7 a 10)
. . . . . . . . . . . . . . . .
44
6.12 Pouºití Cityblock, cosinové a euklediánské metriky (po£et shluk·: 6) . . . . .
45
6.13 Pouºití r·zných sad p°íznak· - V²echny, TOP30, nov¥ p°idané
(po£et shluk·: 5)
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
46
6.14 0) b¥ºná aktivita a 1) epileptická aktivita . . . . . . . . . . . . . . . . . . . .
49
6.15 Porovnání adaptivní segmentace (p°ed a po úprav¥) se segmentací signálu
podle ohodnocení . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
6.16 Vliv délky segmentu na výsledek shlukování (po£et shluk·: 2)
6.17 Segmentace po 3s (po£ty shluk·: 2, 3 a 5)
51
. . . . . . . .
52
. . . . . . . . . . . . . . . . . . .
53
6.18 Roz°azení 3s segment· do shluk· (po£ty shluk·: 2, 3 a 5) . . . . . . . . . . .
54
6.19 Adaptivní segmentace (po£ty shluk·: 2, 3 a 5) . . . . . . . . . . . . . . . . .
55
(po£et shluk·: 5)
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
6.21 Vliv minimální délky segmentu p°i adapt. segm. (po£et shluk·: 3)
56
. . . . . .
59
6.22 Porovnání konstantní (5s a 10s) a adaptivní segmentace (po£et shluk·: 3) . .
60
(po£et shluk·: 3; konst. segm: 3s) . . . . . . . . . . . . . . . . . . . . . . . .
x
61
SEZNAM OBRÁZK
xi
6.24 Ukázka shluk· vzniklých p°i adaptivní segmentaci s min. délkou
segmentu 1.5s a 0.5s (po£et shluk·: 3)
B.1
Obsah p°iloºeného CD
. . . . . . . . . . . . . . . . . . . . .
62
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
69
Seznam tabulek
5.1
P°ehled navrºených p°íznak· . . . . . . . . . . . . . . . . . . . . . . . . . . .
21
5.2
Základní p°íznaky na základ¥ statistické analýzy . . . . . . . . . . . . . . . .
22
5.3
P°íznaky zaloºené na analýze intervalu
5.4
P°íznaky zaloºené na první a druhé derivaci
. . . . . . . . . . . . . . . . . .
22
5.5
Hjorthovy parametry . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
22
5.6
P°íznaky z absolutního EEG spektra - pr·m¥rná hodnota pro dané frekven£ní
pásmo
5.7
. . . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
22
23
P°íznaky z relativního EEG spektra - pr·m¥rná hodnota pro dané frekven£ní
pásmo
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
23
5.8
P°íznaky z EEG spektra - klinicky významné pom¥ry . . . . . . . . . . . . .
23
5.9
Dal²í p°íznaky z EEG spektra . . . . . . . . . . . . . . . . . . . . . . . . . .
23
5.10 P°íznaky odvozené od entropie . . . . . . . . . . . . . . . . . . . . . . . . . .
23
5.11 Nelineární energetický operátor
. . . . . . . . . . . . . . . . . . . . . . . . .
23
6.1
Testovaní parametr· adaptivní segmentace (tu£n¥ - optimální výsledek) . . .
34
6.2
Porovnání výsledk· klasikace . . . . . . . . . . . . . . . . . . . . . . . . . .
48
6.3
Zám¥na matic (Confusion table) . . . . . . . . . . . . . . . . . . . . . . . . .
48
6.4
Úprava parametr· adaptivní segmentace
. . . . . . . . . . . . . . . . . . . .
49
6.5
Porovnání výsledk· klasikace . . . . . . . . . . . . . . . . . . . . . . . . . .
57
6.6
Zám¥na matic (Confusion table) . . . . . . . . . . . . . . . . . . . . . . . . .
57
6.7
Doba zpracování 30 minut EEG záznamu . . . . . . . . . . . . . . . . . . . .
58
xii
Kapitola 1
Úvod
Epilepsie, známá téº jako padoucnice, suºuje milióny lidí po celém sv¥t¥. Touto nemocí
trpí jak malé d¥ti, tak dosp¥lí. asto se projeví aº v dosp¥losti, bez p°edchozího varování.
Na konci p°edminulého století byl objeven elektroencefalograf a s jeho pomocí byla poprvé
pozorována elektrická aktivita mozku. Léka°·m se tak dostal do rukou mocný nástroj, který
dokáºe gracky zachytit zm¥ny v £innosti neuron·. Léka°i podle svých zku²eností záznam
vyhodnotí a navrhnou p°ípadnou lé£bu. Postupn¥ se vývoj posouvá ke stále p°esn¥j²ímu
zpracování dat, které získáváme z EEG. Rozvoj moderních diagnostických p°ístroj· umoº¬uje po°ízení mnoºství záznam·, které je nutné zpracovat. Jejich vyhodnocování zabírá léka°·m stále více £asu. Dlouhodobým cílem je poskytnout léka°·m záznam s vyzna£enými
podez°elými segmenty.
Tato práce se zam¥°uje na sestavení sady p°íznak· vystihujících charakter epileptických
segment· v EEG záznamu. Tyto p°íznaky poslouºí k ozna£ení epileptických událostí pomocí
shlukové analýzy. Za tímto ú£elem bylo pot°eba nastudovat problematiku epileptického EEG
a zp·soby jeho zpracování.
K ohodnocení záznam· a konverzi formátu dat byl pouºit program WaveFinder. EEG
záznamy byly zpracovány pomocí PSGlab toolbox v prost°edí programu Matlab. Klasikace
byla provedena programem Weka.
1
Kapitola 2
Mozek & centrální nervová soustava
Nervový systém £lov¥ka tvo°í p°ibliºn¥
1010
neuron·, z nichº je v¥t²ina soust°ed¥na v
mozku. Typický neuron (viz. obrázek 2.1) se skládá ze somatu, axonu a dendrit·. Axon
je dlouhé vlákno vycházející z t¥la neuronu. Na konci je rozv¥tvené, aby se mohlo napojit
na krátké výb¥ºky (dendrity) ostatních neuron·. Vytvá°í tak soustavu pro p°enos signálu.
Vzruch se v soustav¥ neuron· ²í°í p°es dendrity do t¥la neuronu pomocí slabých elektrických
impuls·. Ve chvíli, kdy sou£et potenciál· t¥chto impuls· p°ekro£í ur£itou hodnotu, neuron
vy²le signál do axonu, na který jsou napojeny dendrity dal²ích neuron· a proces se opakuje.
Aby byl p°enos impulsu po dlouhém axonu co nejrychlej²í, je axon obalen Schwannovými
bu¬kami. Rotací bun¥k okolo axonu a jejich zhu²t¥ním vzniká u mnoha neuron· nevodivý
myelin, tvo°ící zevní lipoproteinovou pochvu axonemy. Myelinová pochva je p°ibliºn¥ v 1,5
mm intervalech p°eru²ována Ranvierovými zá°ezy. P°i pr·b¥hu signálu axonem se proudy
uzavírají p°es Ranvierovy zá°ezy, £ímº nedochází k jejich rozptylu do okolí a proces p°edání
signálu dal²ímu neuronu se významn¥ urychlí.
Útvar, který umoº¬uje spojení axonu jednoho neuronu a dendritu nebo somatu druhého
neuronu, se nazývá synapse. Nejd·leºit¥j²ími £ástmi synapse, které zprost°edkovávají p°enos
signálu, jsou synaptická ²t¥rbina, presynaptická a postsynaptická membrána. Synaptická ²t¥rbina je ²iroká 10-40 nm a funguje jako izolant mezi jednotlivými neurony. Elektrický impuls,
který dosáhne presynaptické membrány, uvolní do synaptické ²t¥rbiny neurotransmiter. Ten
difunduje k postsynaptické membrán¥ a vybudí dal²í zm¥nu potenciálu, která je p°ená²ena
dále.
Tuto schopnost potenciálových zm¥n mají pouze nervové a svalové bu¬ky. Je dána jejich
schopností m¥nit permeabilitu a tím i vodivost svých membrán, která vede ke zm¥nám jejich
normálního (klidového) potenciálu na potenciál ak£ní. Klidový potenciál vzniká spojením
obou stran membrány ºivých bun¥k a dosahuje 60-100 nV. Tento klidový potenciál je výsledkem nerovnom¥rného rozloºení iont· uvnit° a vn¥ bu¬ky. Zjednodu²en¥ lze °íci, ºe ionty
sodíku (Na) jsou nep°etrºit¥ pumpovány ven z bu¬ky, ionty draslíku (K) naopak do bu¬ky.
Díky malé propustnosti membrány v podstat¥ nedochází k samovolné zp¥tné difúzi iont·.
Ak£ní potenciál za£íná v axonovém hrbolku. Zde je nejniº²í prahový potenciál, na jehoº
hodnotu musí klesnout klidový potenciál, aby do²lo k depolarizaci a tím zm¥n¥ potenciálu
membrány. Depolarizace membrány je zp·sobena zvý²ením prostupnosti pro sodíkové ionty,
které nyní mohou voln¥ proudit do bu¬ky. Ak£ní potenciál postupuje po nemyelinizovaném
vlákn¥ jako lokální zóna depolarizace. V p°ípad¥ myelinizovaných vláken (axon) procházejí
2
KAPITOLA 2. MOZEK & CENTRÁLNÍ NERVOVÁ SOUSTAVA
3
Obrázek 2.1: Neuron [12]
proudové smy£ky mezi Ranvierovými zá°ezy a ²í°ení ak£ního potenciálu je p°ibliºn¥ 20x
rychlej²í [25].
2.1 Mozkové vlny
Nam¥°ené signály lze obecn¥ rozli²it na základ¥ jejich tvaru, frekvence, amplitudy a prostorového umíst¥ní elektrody. K dal²ím d·leºitým parametr·m pat°í v¥k, stav bd¥losti pacienta a pouºité zapojení elektrod, na základ¥ kterých je moºné posoudit p°ípadné abnormality.
Podle frekvence lze mozkové vlny rozd¥lit na pásma odpovídající mozkové £innosti (delta,
theta, alfa, beta a gamma). V EEG záznamu bd¥lého dosp¥lého £lov¥ka se nachází vlny
s frekvencí nad 7.5 Hz - alfa vlny. Vlny s niº²í frekvencí se b¥ºn¥ vyskytují u d¥tí nebo
spících dosp¥lých [25]. Frekvence dominantních mozkových vln u bd¥lého £lov¥ka se totiº
m¥ní s v¥kem. P°i soust°ed¥ní jsou tyto vlny nahrazeny aktivitou s nízkou amplitudou bez
dominantní frekvence.
2.1.1 Delta
Nejniº²í frekvence (niº²í neº 3.5 Hz) spadají do pásma delta vln. Jedná se o nejpomalej²í
vlny a vlny s nejv¥t²í amplitudou. Delta vlny se objevují nap°íklad v hlubokém spánku (fáze
3 a 4 NREM), tranzu a jsou dominantní u d¥tí do 1 roku.
KAPITOLA 2. MOZEK & CENTRÁLNÍ NERVOVÁ SOUSTAVA
4
2.1.2 Theta
Theta vlny mají frekvence od 3.5 do 7.5 Hz a zahrnují mnoho synchronn¥ vyst°elujících
neuron· [19]. Projevují se nap°íklad b¥hem sn¥ní, meditace i b¥hem spánku. Obvykle bývájí
spojovány s u£ením a pam¥tí. U epileptik· se £asto objevují hroty o této frekvenci.
2.1.3 Alfa
Alfa vlny mají frekvence od 8 do 12 Hz s amplitudou 50 - 100
µV
a tvo°í nejvýrazn¥j²í
sloºku EEG u bd¥lé dosp¥lé osoby leºící v klidu se zav°enýma o£ima a nesoust°ed¥né na °e²ení
problém·. Tyto vlny jsou nejvýrazn¥j²í v týlním laloku. Podobné vlny byly pozorovány i u
dal²ích sav£ích druh· [25]. N¥kdy bývají ozna£ovány jako Bergerovy vlny podle objevitele
EEG, Hanse Bergera [19].
2.1.4 Beta
Beta vlny mají frekvence od 13 do 30 Hz. Vyskytují se v situaci, kdy je mozek zatíºen
p°emý²lením a podobn¥ náro£nou £inností. Beta vlny jsou spojovány se svalovou kontrakcí
b¥hem isotonického pohybu [19].
2.1.5 Gama
Gama vlnám odpovídají frekvence nad 30 Hz, bývají spojovány s vnímáním a v¥domím.
N¥kte°í v¥dci je v²ak zahrnují mezi beta vlny [19].
Kapitola 3
Epilepsie
Epilepsie je neurologické onemocn¥ní mozku, které m·ºe být vrozené (primární epilepsie) nebo získané (sekundární epilepsie). V p°ípad¥ primární epilepsie se jedná o nep°íznivé
vlivy v pr·b¥hu nitrod¥loºního vývoje, p°ípadn¥ d¥di£né syndromy. Mezi p°í£iny sekundární epilepsie se °adí úrazy páte°e, nádory, cévní malformace a infekce (larválni toxokaroza,
neurocysticerkoza). Projevuje se opakovaným výskytem epileptických záchvat·. Epileptický
záchvat je vyvolán náhle vzniklou nerovnováhou mezi excita£ními (stimulujícími) a inhibi£ními (tlumícími) systémy v mozku. Takto vzniklá nerovnováha vede k p°evaze stimulujících
mechanism· a projevuje se záchvatem. Existuje n¥kolik druh· epilepsie a epileptických záchvat·, které se li²í p°i£inou, pr·b¥hem i lé£bou.
Epilepsii m·ºeme klasikovat na základ¥ r·zných hledisek. Nej£ast¥ji je uvád¥no d¥lení
na základ¥ klinického obrazu záchvat·, nebo klasikace podle oblastí mozku, kde záchvaty
vznikají, jak se ²í°í a jak velkou £ást mozku zabírají.
Záchvaty dále d¥líme na klinické a subklinické. Klinický záchvat se m·ºe projevovat poruchou v¥domí, pohyblivosti, citlivosti, zm¥nami ve smyslovém vnímaní a pozm¥n¥nými psychickými projevy. Subklinický záchvat tyto klinické p°íznaky neobsahuje, dá se rozpoznat
pouze na EEG, kde se projeví zm¥n¥nou aktivitou.
Dále m·ºeme záchvaty d¥lit z hlediska p·vodu vzniku na symptomatické a idiopatické.
Symptomatické záchvaty vznikají v d·sledku strukturálního po²kození centrálního nervového systému. U idiopatických záchvat· nelze rozpoznat po²kození nebo p·vod vzniku ani
v sou£asnosti dostupnými diagnostickýmí metodami.
Rozeznáváme celou °adu r·zných epilepsií li²ících se vznikem, trváním i pr·b¥hem záchvat·. Základní mezinárodní klasikace d¥lí epileptické záchvaty na 1. parciální, 2. generalizované, 3. skupinu neklasikovatelných epilepsií.
Parciální, neboli £áste£né, lokalizované se dále rozd¥lují podle toho, zda je doprovází
zm¥na v¥domí, £i nikoliv. Jednoduché parciální záchvaty zm¥nou v¥domí doprovázeny nejsou.
Projevují se motorickými (pohybovými), somatosenzorickými (smyslovými), vegetativními
(týkající se vnit°ních orgán·) nebo psychickými p°íznaky. Motorické záchvaty provází zá²kuby,
k°e£e aº p°echodná obrna postiºených svalových skupin. Senzitivní ataky se projevují záchvatovitými pocity brn¥ní £i mraven£ení postiºených £ástí t¥la. Senzorické záchvaty jsou velmi
variabilní a jejich p°íznaky se odvíjí od polohy ohniska, epileptického loºiska.
Nap°íklad p°ítomnost ohniska v £ásti mozku, které má na starosti zrakové vjemy, zp·sobuje zrakové halucinace, poruchy periferního vid¥ní, p°ípadn¥ výpadky zrakového pole aº
5
KAPITOLA 3. EPILEPSIE
6
slepotu. Lokalizace ohniska v jiném míst¥ m·ºe vést k sluchovým nebo £ichovým halucinacím,
chuóvým vjem·m, závratím, pocit·m rotace, záchvat·m siln¥ emotivního chování.
Psychické projevy mohou vést k r·zným stav·m derealizace a depersonalizace, nap°íklad
iluze jiº proºitého, vid¥ného, sly²eného nebo naopak pocity prvního proºitku t¥chto vjem·.
Parciálnímu typu záchvatu v¥t²inou p°edchází tzv. aura. Aura bývá proºívána s individuálními rozdíly, ale na jejím základ¥ nemocný pozná blíºící se záchvat. asto se projevuje
jako sloºité psychické vjemy, nervozita, záblesky p°ed o£ima nebo poruchy vid¥ní.
Parciální záchvaty doprovázené poruchou v¥domí se nazývají komplexní. Mohou navazovat na parciální záchvat jednoduchý, v tom p°ípad¥ k poru²e v¥domí dochází pozvolna, £ast¥ji
je v²ak porucha v¥domí vyjád°ena jiº na po£átku záchvatu. Pacienti mají vºdy na prob¥hlý
záchvat amnezii, nepamatují si jej. V¥t²inou se jedná jen o sekundy aº minuty, málokdy se
objevuje del²í trvání. V pr·b¥hu záchvatu nereagují adekvátn¥ na podn¥ty z okolí.
Op¥t se objevuje závislost pr·b¥hu záchvatu na lokalizaci epileptického ohniska. Typickými projevy jsou automatické pohyby jako mlaskání, polykání i sloºit¥j²í úkony. T¥lesné
projevy mohou být doprovázeny i emocemi, smíchem, strachem aº agresivním chováním.
Jindy se objevují nezvyklé pohybové úkony p°ipomínající nap°íklad plavání, nebo jízdu
na kole.
Generalizované epileptické záchvaty jsou jiº od po£átku provázeny poruchou v¥domí a
oboustrannými pohybovými projevy. Dle pohybových projev· se d¥lí na: 1. tonické, 2. klonické, 3. tonicko klonické, 4. atonické, 5. absence.
Tonické záchvaty jsou charakterizovány rozlehlou svalovou kontrakcí, k°e£í. K primárn¥
postiºeným skupinám sval· pat°í svalstvo trupu, stehen a paºí. K°e£e mohou být doprovázeny
i dechovými pauzami. V²e zpravidla odeznívá b¥hem desítek vte°in.
Klonické záchvaty se p°esn¥ji nazývají myoklonické, kde myoklonus znamená svalový
zá²kub. Tyto zá²kuby jsou mimovolní. P·vod zá²kubu m·ºe být epileptický, jindy nemusí
mít s epilepsií nic spole£ného, k jejich odli²ení nám slouºí vy²et°ení EEG.
Nej£ast¥j²í formou generalizovaných epileptických záchvat· jsou tonicko klonické. Období n¥kolika hodin aº dn· p°ed vznikem záchvatu se nazývá prodromální stadium. Jedná se
o bolesti hlavy, zm¥ny nálady, nervozitu, p°ecitliv¥lost, vzn¥tlivost apod. Dále m·ºe následovat aura. Vlastní záchvat se projevuje nejd°íve náhlou ztrátou v¥domí a pádem, zm¥nou
postavení o£ních bulb· a ztrátou reakce zornice na osvit. Následuje tonická k°e£ ve²kerého
svalstva. Jelikoº v t¥le p°evaºují extenzorové (natahova£e, napína£e) skupiny nad exory
(ohýba£e), tak má nemocný nataºené kon£etiny a hlavu s páte°í v záklonu. Této poloze se
°íká opsitotonus.
Postiºeno je také dechové svalstvo, kde v po£áte£ní fázi m·ºe k°e£ vyvolat silný výdech
doprovázený charakteristickým výk°ikem. Následuje zástava dýchaní a zmodrání obli£eje.
K°e£í bývají postiºeny i ºvýkací svaly, to vede k poran¥ní rt· a jazyka.
Postupn¥ se rozvíjí fáze klonická. P°i ní se objevují zá²kuby, postiºeny jsou svalové skupiny
na obou stranách t¥la ve stejnou chvíli. Intenzita zá²kub· se zv¥t²uje, jejich frekvence se
sniºuje. P°i uvoln¥ní sv¥ra£· mo£ového m¥chý°e a kone£níku dochází k pomo£ení a pokálení.
V poslední fázi odeznívají ve²keré projevy k°e£í a zá²kub· a normalizuje se dýchání.
Porucha v¥domí p°echází v hluboký spánek. Po probuzení p°etrvává zmatenost, nemocný
proºívá úpornou bolest hlavy a rozlehlou nelokalizovatelnou bolest sval·.
KAPITOLA 3. EPILEPSIE
7
Atonické záchvaty jsou provázeny ztrátou svalového nap¥tí, ochabnutím sval·. M·ºe jít
jen o ur£itou skupinu sval·, nap°íklad ochabnutí svalstva ²íje se projeví poklesem hlavy, nebo
je postiºení celkové a v tom p°ípad¥ dochází k náhlým pád·m. Vzhledem k okamºité ztrát¥
v¥domí a velmi rychlému za£átku záchvatu hrozí velké nebezpe£í úraz·. Navíc se tento typ
záchvatu nej£ast¥ji vyskytuje u d¥tí.
Absence je téº typem epileptického záchvatu charakteristická pro d¥tský v¥k. Trvá jen
5 aº 10 vte°in. Dít¥ se strnule zahledí, p°eru²í £innost (hru, psaní, £tení. . . ), ve které po
odezn¥ní záchvatu, aniº by si tento výpadek uv¥domilo, pokra£uje. V pr·b¥hu záchvatu
jedinec nereaguje na oslovení. M·ºe být p°ítomna zm¥na barvy v obli£eji, pokles hlavy,
sto£ení o£í sm¥rem vzh·ru. P°edm¥ty drºené v ruce vypadávají na zem.
Za neklasikovatelné epileptické záchvaty jsou povaºovány takové záchvaty, u kterých
není moºné za°azení do n¥které ze skupin dle daných kriterií nebo o nich nemáme k dipozici
dostatek údaj·.
Velmi závaºným stavem je tzv. status epilepticus. Tímto pojmem je ozna£ováno nakupení
epileptických záchvat·. Jednotlivé záchvaty trvají 2 aº 3 minuty, navzájem na sebe navazují
bez p°echodného návratu v¥domí. To celé trvá déle neº 30 minut. Jde o velmi závaºný, ºivot
ohroºující stav. Vyºaduje okamºitou lé£bu a hospitalizaci. Status epilepticus m·ºe vzniknout
jako první projev epileptického onemocn¥ní, £ast¥ji se v²ak objevuje aº v jeho pr·b¥hu, kdy
nejvýznamn¥j²ím vyvolávajícím £initelem je vynechání lé£by.
Záchvaty jsou zp·sobeny abnormální elektrickou aktivitou v mozku. V¥t²ina záchvat·
trvá 30s aº 2 minuty a nezp·sobují zran¥ní. Jestliºe trvá déle neº 5 minut nebo se jedná o
sérii n¥kolika záchvat·, pak je nutné vyhledat léka°e (více [15], [16], [7] a [6]).
Kapitola 4
EEG
4.1 Vznik a význam EEG
Epileptologii lze rozd¥lit na dv¥ období: p°ed a po p°íchodu EEG.
Základní elektrická aktivita byla poprvé popsána jiº v 19. století u neanestezovaných zví°at. Jako první si elektrických signál· probíhajících nervovou soustavou v²imli Carlo Matteucci (1811 - 1868) s Emilem Du Bois-Reymond (1818-1896) a denovali tak základní koncept neurofyziologie. V roce 1875 se angli£anovi Richardu Catonovi poda°ilo získat první
záznamy mozkové aktivity králík· a opic. Zjistil, ºe m¥°ení je ovlivn¥no spánkem, nedostatkem kyslíku, anestezií a vymizí aº se smrtí [29].
Fritsch (1838 - 1927) a Hitzig (1838 - 1907) objevili moºnost elektrické stimulace mozkové
k·ry. Vasili Yakovlevich Danilevsky (1852 - 1939) se v¥noval fyziologii mozku, zkoumal jeho
reakci na elektrickou stimulaci a spontánní elektrickou aktivitu ve zví°ecích mozcích. Napoleon Cybulski (1854 - 1919) pomocí EEG dokázal vyvolat epileptický záchvat u psa pomocí
elektrické stimulace. Kaufman p°i²el s my²lenkou spojení abnormální elektrické aktivity a
epileptických záchvat·.
Jako první lidské EEG zaznamenal v roce 1924 n¥mecký fyziolog a psychiatr Hans Berger
(18731941), který se za£al lidskému EEG v¥novat od roku 1920. Nejprve doufal v nalezení
spojitosti mezi fyziologií mozku a psychikou, to se mu nepoda°ilo. Tak se zam¥°il na výzkum
elektrické aktivity mozku. V roce 1929 publikoval zprávu, ve které p°edstavil n¥kolikaminutové záznamy EEG spolu s objevem alfa a beta vln. V následujících letech se v¥noval
výzkumu spánkových v°etének a studiu poruch mozku, mezi které pat°ila i epilepsie. Hans
Berger také zavedl pojem elektroencefalograf
1
. Av²ak jeho výzkumy nebyly zpo£átku brány
p°íli² váºn¥ [38].
První EEG práce zam¥°ené na epileptické projevy a první demonstrace epileptických
²pi£ek byly p°edloºeny Fischerem a Lowenbachem. V Anglii se pr·kopníkem klinické elektroencefalograe stal W. Gray Walter. Objevil loºiska pomalé mozkové aktivity (delta vlny),
coº zahájilo nebývalý klinický zájem o diagnostiku mozkových abnormalit. Práce na lidských
EEG za£ala na Harvardu v Bostonu a University of Iowa v roce 1930. Studie o epileptických záchvatech zpracovaná Fredricem Gibbsem byla hlavní prací o EEG této doby. Gibbs
1 elektroencephalograf - elektro
sledovaná veli£ina, encephalo
8
okolí hlavy a graf
záznam
KAPITOLA 4. EEG
9
a Lennox pouºili my²lenku Fischera zaloºenou na jeho studiích o picrotoxinu a jeho vlivu na
kortikální EEG zví°at a epileptologii £lov¥ka.
Hans Berger ukázal n¥kolik p°íklad· paroxyzmálních EEG výboj· v p°ípad¥ p°edpokládaného útoku petit mal a b¥hem fokálního motorického záchvatu u pacienta s obecnou
obrnou.
Americká EEG spole£nost byla zaloºena v roce 1947 a první mezinárodní EEG Kongres
se konal v Londýn¥.
Zatímco dopad studií o EEG zve°ejn¥ných v N¥mecku byl omezen na Berlín, Japonsko
získalo pozornost prácí Motokawa, výzkumníka EEG rytm·.
B¥hem roku 1950 se práce o EEG roz²í°ili na mnoho r·zných míst. Chirurgický zákrok
pro odstran¥ní epileptického loºiska se stal populárním a kniha s názvem Epilepsie a funk£ní
anatomie lidského mozku (Penled a Jasper) byla zve°ejn¥na. B¥hem této doby byly vynalezeny mikroelektrody. M¥ly pr·m¥ry men²í neº 3
µm a byly vyrobeny z kov· (nap°. wolfram)
nebo ze skla napln¥ného elektrolytem (nap°. chloridem draselným).
Hloubková elektroencefalograe £lov¥ka byla poprvé získána s implantovanou intracerebrální elektrodou podle Mayera a Hayne (1948). Vynález technologie intracelulární mikroelektrody byl revolucí pro tuto metodu
Analýza EEG signál· za£ala jiº od po£átku EEG m¥°ení. Berger s pomocí Dietch (1932)
aplikoval Fourierovu analýzu na EEG pro sekvence, coº se rychle rozvinulo b¥hem roku 1950.
Analýza poruch spánku pomocí EEG za£ala roku 1950 prací Kleitmana na univerzit¥ v
Chicagu. V roce 1960 se za£alo s analýzou EEG u p°ed£asné narozených d¥tí.
Vy²et°ování evokovaných potenciál· (EPS), a to zejména vizuálních EPS, tak jak se b¥ºn¥
pouºívají pro sledování du²evních onemocn¥ní, se rozvinulo v roce 1970.
Historie EEG byla nep°etrºitý proces, který za£al v raném 13.století a p°inesl kaºdodenní
vývoj klinických, experimentálních, a výpo£etních studií pro objevování, rozpoznávání, diagnózu a lé£bu obrovského po£tu neurologických a fyziologických abnormalit mozku i ve
zbytku centrálního nervového systému (CNS) lidských bytostí.
V sou£asné dob¥ jsou zaznamenány EEG invazivn¥ a neinvazivn¥ pomocí pln¥ po£íta£ových systém·. EEG p°ístroje jsou vybaveny mnoha nástroji pro zpracování signálu, jemnými
a p°esnými m¥°icími elektrodami, a dostatekem pam¥ti pro dlouhodobý (n¥kolikahodinový)
záznam.
EEG nebo MEG (Magnetoencephalogram) p°ístroje mohou být integrovány s dal²ími
neuroimaging systémy, jako je funk£ní magnetická rezonance (fMRI). Velmi jemné jehly typu
elektrody lze pouºít také pro záznam EEG z pr·b¥hu k·ry ( electrocortiogram), a zabránit
útlumu a nelineárním efekt·m vyvolaných lebkou [46].
4.2 Záznam EEG
Elektroencefalogram (EEG) je neinvazivní medicínská metoda slouºící ke sledování aktivity mozku. Neurony mezi sebou komunikují pomocí synaptických vzruch· mezi dendrity.
Synaptické vzruchy se ²í°í pomocí proud¥ní nabitých iont·, £ímº vzniká v jejich okolí slabý
elektrický potenciál. Zm¥ny potenciál· jednotlivých neuron· v blízkém okolí se s£ítají a
KAPITOLA 4. EEG
10
vzniká signál, který je obrazem £innosti velkých shluk· neuron·. Signál je pak moºné zachytit na povrchu hlavy, ale i tak je výrazn¥ zeslaben v d·sledku pr·chodu skrz n¥kolik vrstev
hlavy (mozková k·ra, lebka, skalp) [46].
K po°ízení EEG záznamu slouºí elektroencefalograf, jehoº sou£ástí jsou elektrody snímající elektrické potenciály s velmi nízkou amplitudou (v °ádu desítek
µV).
Tyto signály je
pot°eba zesílit, av²ak s nízkou amplitudou je nutné brát v úvahu problém ru²ení ostatními
elektrickými p°ístroji. K omezení vlivu ru²ení se pouºívá diferenciální zapojení vstupního
zesilova£e, který má dva vstupy - invertující a neinvertující. Diferenciální zesilova£ pracuje
tak, ºe zesiluje rozdíl potenciál· mezi vstupy. P°edpokládá se, ºe cestou od elektrod se na
signál naindukuje stejn¥ velké ru²ivé nap¥tí, které se pak po vzájemném ode£tení neprojeví
na výstupu zesilova£e.
EEG se pouºívá p°i diagnostice poruch centrální nervové soustavy - kóma, spánkových
poruch, onemocn¥ní epilepsií a r·zných forem po²kození mozku (nap°. úrazy hlavy). V n¥kterých zemích se pouºívá k denici mozkové smrti. Electrokortikogram (ECoG) je ozna£ení
záznam· získávaných z elektrod umíst¥ných na povrchu mozkové k·ry. S elektrickým polem
vzniká sou£asn¥ i magnetické pole, které je m¥°itelné electromyogramem [3].
4.3 Metodika EEG vy²et°ení
P°i vy²et°ení se pouºívá standardní rozmíst¥ní elektrod (jasper) - vºdy ve stejné vzdálenosti od referen£ních bod· v sagitální a koronální rovin¥. Na skalp se umisúje 19 snímacích
elektrod, které jsou rozloºeny podle systému 10/20 (rozmíst¥ní elektrod d¥lí kaºdou pomyslnou linii v pom¥ru 10-20-20-20-20-10 %). Z tohoto po£tu je 8 párových a 3 nepárové. Ozna£ují
se písmenem a £íslicí podle umíst¥ní:
F
- frontální (£elní)
Fp
- frontopolární
C
- centrální (st°ední)
Z
- vertexové - nepárové
P
- parietální (temenní)
T
- temporální (spánkový)
lichá £ísla
- levá hemisféra
O
- okcipitální (týlní)
sudá £ísla
- pravá hemisféra
Bioelektrická aktivita je zaznamenávána pomocí svodu, který je tvo°en dv¥ma elektrodami p°ipojenými na samostatné vstupy diferen£ního zesilova£e jednoho EEG kanálu. Podle
zp·sobu uspo°ádání pouºitých svod· rozli²ujeme n¥kolik druh· zapojení[42].
Referen£ní zapojení (unipolární)
- snímací elektrody jsou zapojeny proti spole£né refe-
ren£ní elektrod¥ (inaktivní). Podle volby referen£ní elektrody lze rozli²it dal²í zapojení.
Bipolární zapojení
- elektrody jsou zapojeny do °ady za sebou (elektroda je sou£asn¥ p°i-
pojena na vstup 2 p°edchozího a vstup 1 následujícího kanálu). Toto zapojení umoº¬uje
nap°. p°esnou lokalizaci loºiska.
Zdrojové zapojení
- pro kaºdou elektrodu je vypo£tena zvlá²tní reference. Díky tomu je
moºné potla£it aktivitu pozadí a tím zvýraznit loºiskové maximum.
KAPITOLA 4. EEG
11
Vy²et°ení pomocí elektroencefalografu je neinvazivní a bezbolestné. P°i po°izování EEG
záznamu pacient sedí nebo leºí, malé d¥ti mohou sed¥t na klín¥. Vodivé spojení mezi skalpem
a elektrodami zaji²úje gel s obsahem NaCl nebo KCl [4]. Mezi standardní sou£ásti vy²et°ení
EEG pat°í i reakce aktivity na ur£ité podn¥ty:
•
Zav°ení a otev°ení o£í
•
Hyperventilace
•
Fotostimulace
•
Spánková deprivace
Video EEG
2
P°edstavuje tém¥° nep°etrºité dlouhodobé, nej£ast¥ji týdenní, epileptologické
vy²et°ení, p°i kterém probíhá sou£asn¥ záznam EEG aktivity a pacientova chování na videu.
B¥hem vy²et°ení se mohou objevit skryté epileptické záchvaty, které se odehrávají b¥hem
noci, a proto unikaly pozornosti. Pokud má pacient mén¥ £asté záchvaty, pak je nutné záchvat
vyprovokovat nap°. vysazením lék· [18].
4.4 Charakteristika EEG signálu
4.4.1 Popis EEG signálu
Grafoelementy
jsou nejjedno²²í komponenty p°i rozloºení nam¥°ené k°ivky.
Základní aktivita
p°edstavuje p°evaºující registrovanou aktivitu v ur£itém míst¥ po v¥t-
²inu doby.
Tranzienty
jsou nápadn¥ vystupující grafoelementy ze základní aktivity. Vyskytují se bu¤
jednotliv¥ nebo v komplexech (dva a více grafoelement· dohromady).
Morfologie
je rozli²ení na základ¥ tvaru (monomorfní vs. polymorfní - jedno nebo mnoho-
tvarý).
Výskyt v prostoru
Výskyt v £ase
Synchronie
Symetrie
rozli²ení na základ¥ zasaºené oblasti.
- kontinuální, epizodická, paroxysmální (záchvatovitý) nebo periodický výskyt.
p°edstavuje sou£asný výskyt ur£ité aktivity.
odpovídá výskytu podobných grafoelement· symetricky na obou polovinách hlavy.
2 Hyperventilace je zrychlené a prohloubené dýchání. Dochází k vy²²ímu p°íjmu vzduchu, neº kolik organismus pot°ebuje.
KAPITOLA 4. EEG
12
4.4.2 Artefakty v EEG
P°i hodnocení EEG záznamu je nutné odli²it artefatky, coº jsou grafoelementy, které
nejsou zp·sobeny £inností mozku.
•
Artefakty z prost°edí
•
Síóvý artefakt
Artefakty z p°ístroje
Elektrodový artefakt
Solný m·stek
Substrak£ní artefakt
3
•
Artefakty z pacienta
EKG artefakt
EKG artefakt z kardiostimulátoru
Pulsový artefakt
Svalový artefakt
O£ní artefakty
Artefakt z pocení
4.5 Projevy epilepsie v EEG
EEG pat°í mezi b¥ºné nástroje pouºívané p°i diagnostikování epilepsie a jiných mozkových poruch. N¥které záchvaty totiº mohou mít i neepileptickou p°í£inu. U lidí s epilepsií
se £asto objevují nepravidelnosti v elektrické aktivit¥ mozku, p°estoºe v danou chvíli neproºívají epileptický záchvat. P°esto tato metoda není neomylná. V n¥kterých p°ípadech se
abnormality v aktivit¥ nevyskytují ani po prob¥hlém záchvatu, to m·ºe být zp·sobeno tím,
ºe tato aktivita probíhá p°íli² hluboko uvnit° mozku, a proto se na EEG záznamu neprojevuje. Vyskytují se i p°ípady, kdy se objevuje neobvyklá aktivita mozku u zdravých jedinc·
[5].
Prom¥nlivost projev· epileptických záchvat· v EEG £iní potíºe p°i automatickém zpracování, i zku²ený neurolog mívá potíºe p°i ur£ování epileptických událostí [24].
Mezi epileptickými záchvaty se objevují výboje, které se projevují jako ost°e vypadající
vlny. Podle doby trvání se d¥lí na hroty (spikes; 20-70 ms) a ostré vlny (70-200 ms). asto
je obtíºné rozli²it, zda probíhající EEG aktivita znamená klinický, subklinický záchvat nebo
se jedná o zesílení aktivity mezi dv¥ma záchvaty [24]. Ost°e vypadající vlny jsou ozna£eny
za epileptické, pokud:
•
Vystupují z okolního záznamu
•
Objevují se s charakteristickým rozloºením na skalpu
•
Vyskytují se vícekrát b¥hem záznamu
•
Nespl¬ují kritéria pro jiný, normální, EEG artefakt (nap°. vertexové vlny)
Záznam b¥hem spánku nebo ospalosti je citliv¥j²í na výskyt epileptíckých artefakt·.
Epileptické výboje jsou £ast¥j²í v NREM fázi spánku. Mohou se vyskytnout i v p°ípad¥, kdy
pacient netrpí epileptickými záchvaty [47].
3 Zp·sobeno gelem mezi elektrodou a skalpem [4]
KAPITOLA 4. EEG
Náhlá zm¥na frekvence
13
Po£átek záchvatu doprovází zm¥na frekvence, objeví se rytmus,
který za£ne dominovat záznamu. Jeho frekvence se £asto pohybuje v okolí frekvence
rytmu alfa. M·ºe a nemusí obsahovat hroty, s rostoucí frekvencí má amplituda tendenci
klesat.
Náhlý pokles amplitudy
P°i electrodekrementálních záchvatech dochází zpo£átku k po-
klesu amplitudy a zrychlení frekvence. Pozd¥ji m·ºe dojít ke zvy²ování amplitudy p°i
klesající frekvenci. Iktální rytmus brzy za£ne dominovat - podobn¥ jako v p°ípad¥ náhlé zm¥ny frekvence. Electrodekrementální záchvaty se vyskytují v EEG záznamu p°i
k°e£ích u d¥tí s Westovým syndromem.
Náhlý nár·st amplitudy
Dochází k nár·stu amplitudy, jako p°íklad lze uvést záchvat
petit mal s hroty o frekvenci 3 Hz.
4.5.1 Epileptické grafoelementy
4.5.1.1
Hroty (Spikes)
Jedná se o p°echodný grafoelement, který vystupuje z b¥ºné aktivity. Vyzna£uje se ostrým
²pi£atým vrcholem s dobou trvání 20-70 ms. Hroty s nízkou amplitudou, blíºící se amplitud¥
pozadí, mají krat²í dobu trvání. Hroty jsou snadno rozpoznatelné podle charakteristického
tvaru a nár·stu amplitudy [24]. Po hrotu následuje pomalá vlna (slow wave), která vytvá°í
dojem naru²ení b¥ºné aktivity [2].
4.5.1.2
Ostré vlny (Sharp waves)
Ostré vlny se velmi podobají hrot·m, li²í se v délce trvání, která £iní 70-200 ms.
4.5.1.3
Spike-wave complexes (SWC)
Komplex p°edstavuje série n¥kolika hrot·, po kterých následuje pomalá vlna. Pomalé
vlny obvykle následují po hrotech, a proto musí délka trvání p°ekro£it 3 s, aby byl element
ozna£et jako SWC. SWC se podle frekvence d¥lí na 3 Hz SWC a pomalé SWC (slow SWC).
3 Hz SWC
slow SWC
4.5.1.4
- frekvence se pohybuje v rozmezí 2,5 - 4 Hz, elementy mají pravidelný tvar.
- frekvence se pohybuje pod 2,5 Hz a elementy mají nepravidelný tvar.
Generalized paroxysmal fast activity (GPFA)
Jedná se o aktivitu, která je charakteristická sérií rychlých výboj· (10 Hz). Na konci
se krátce objeví aktivita s vysokou amplitudou, po které následuje elektrodekrement. Tento
4
pr·b¥h bývá spojován s tonickými záchvaty .
4.5.1.5
Polyspikes (Multiple spikes)
Polyspikes p°edstavují mnohonásobn¥ se opakující hroty s frekvencí 20 Hz.
4 Za£íná jako velký záchvat, ale pak nenásledují zá²kuby
Kapitola 5
Zpracování EEG signálu
Postup p°i zpracování EEG signálu je moºné rozd¥lit do n¥kolika krok·:
•
p°edzpracování signálu
ltrace
p°evzorkování
segmentace
•
Vyhodnocení p°íznak·
•
Rozpoznávání (klasikace / shlukování)
•
vizualizace
5.1 P°edzpracování signálu
Cílem p°edzpracování je p°iprava nam¥°eného signálu pro dal²í zpracování. Spo£ívá v
odstran¥ní neºádoucích sloºek a deformací signálu. Pouºité metody závisí nejen na druhu
vstupních dat, ale i na kvalit¥ jejich záznamu a dal²ím p°edpokládaném zpracování. K t¥mto
metodám pat°í ltrace signálu, odstran¥ní pohybu základní linie (baseline wandering), segmentace a dal²í.
5.1.1 Filtrace a p°evzorkování
Filtrace
umoº¬uje odstran¥ní parazitní ru²ivé sloºky. M·ºe probíhat jak b¥hem záznamu,
tak pozd¥ji. V p°ípad¥ EEG signálu se jedná o 50 Hz z napájecí sít¥, ale je moºný výskyt
ru²ení i od okolních p°ístroj·, apod. Ru²ení z elektrické sít¥ lze odstranit notch ltrem.
Vzhledem k tomu, ºe se v EEG záznamu vyskytují pouze frekvence do 50 Hz, bývá pouºíván
i ltr typu dolní propust.
P°evzorkováním
lze dosáhnout úspory £asu v dal²ích krocích a sníºení nárok· na pam¥´
p°i zpracování dlouhodobých záznam·.
14
KAPITOLA 5. ZPRACOVÁNÍ EEG SIGNÁLU
15
5.2 Segmentace signálu
Segmentace signálu slouºí k rozd¥lení signálu na krat²í úseky (segmenty), tak aby bylo
moºné signály dále zpracovat - najít podobné úseky, odstranit p°ípadné artefakty. Ideální
segmentace rychle a p°esn¥ ozna£í poºadované £ásti signálu. Tomuto pojetí se blíºí pe£livé
ohodnocení celého záznamu £lov¥kem (p°ípadn¥ s pomocí £lov¥ka), jedná se v²ak o £asov¥
náro£né °e²ení. Navíc v p°ípad¥ EEG klade mimojiné zna£né nároky na kvalikaci posuzovatele.
5.2.1 Konstantní segmentace
EEG signál je moºné konstantní segmantací rozd¥lit na úseky o shodné délce. Délky t¥chto
úsek· závisí na druhu EEG signálu, celkové dob¥ záznamu a délce hledaných artefakt·. Na
základ¥ empirického pozorování se úseky od ur£ité délky jeví jako kvazi-stacionární [27].
P°i konstatní segmentaci není brán v potaz pr·b¥h zpracovávaného signálu. Pak je velmi
pravd¥podobné, ºe se v jednom úseku vyskytnou zna£n¥ odli²né £ásti signálu. Proto je vhodn¥j²í pro n¥které aplikace pouºít adaptivní segmentaci.
5.2.2 Adaptivní segmentace
slouºí k rozd¥lení signálu na úseky o prom¥nných délkách.
Pouºitý algoritmus vyuºivá dvou za sebou jdoucích oken, které postupn¥ prochází celým
signálem. P°i kaºdém posunu jsou v obou oknech spo£ítány charakteristiky ohrani£ených
úsek·. Tyto charakteristiky jsou následn¥ porovnány. Pokud se odli²ují více neºli je nastavená
mez, pak dojde k rozd¥lení úseku v míst¥ nejv¥t²í odli²nosti [27].
Jsou dána okna W1 a W2 o shodné délce WL, potom lze celkovou míru odli²nosti signálu
ohrani£eného v oknech ur£it na základ¥ rovnice 5.1:
G = kA |AW 1 − AW 2 | + kF |FW 1 − FW 2 |
Parametry
kA
a
kF
(5.1)
p°edstavují váhy, které je t°eba nastavit tak, aby algoritmus podával
optimální výsledek pro analyzovaný signál.
AW
v rovnici 5.1 odpovídá sum¥ absolutních
hodnot amplitud:
AW =
W
L
X
|xi |
(5.2)
i=1
a
FW
p°edstavuje sou£et zm¥n amplitudy za dobu okna:
FW =
W
L
X
i=1
|xi − xi−1 |.
(5.3)
16
5.3 Vyhodnocení p°íznak·
Cílem je získat co nejúpln¥j²í popis zpracovávaného signálu, aby m¥l klasikátor k dispozici dostate£né mnoºství informace pro správnou klasikaci. P°i výb¥ru p°íznak· dochází ke
st°etu n¥kolika vzájemn¥ protich·dných poºadavk·:
1
•
velké mnoºství p°íznak· za ú£elem p°esného popisu signálu
•
malé mnoºství p°íznak· kv·li výpo£etní a pam¥óvá náro£nosti
•
rychlost klasikace
Z toho plyne pot°eba najít kompromis mezi správností klasikace a nároky na její pr·b¥h.
Tohoto kompromisu lze dosáhnout mimojiné výb¥rem vhodných p°íznak·. Postup pro ur£ení
optimální mnoºiny p°íznak· nelze jednozna£n¥ formulovat. Není moºné obecn¥ ur£it d·leºité
p°íznaky popisující daný úsek signálu [36].
M·ºe nastat p°ípad, kdy je p°íznak· nadbytek, a následná klasikace je pak zdlouhavá.
Postup, kdy jsou ze souboru p°íznaku odebírany ty nejmén¥ separabilní vzhledem ke klasika£ním t°ídám se nazývá
selekce p°íznak·. Zatímco p°i extrakci p°íznak· je pouºit jiný
p°ístup - skupina p°íznak· je vyjád°ena jedním p°íznakem.
Po£áte£ní volba p°íznak· závisí na zku²enostech p°i vizuálním hodnocení signálu £lov¥kem, fyzikálním rozboru problému a náro£nosti ur£ení hodnoty p°íznaku v signálu. P°i
výb¥ru p°íznak· platí n¥která kritéria, podle kterých se lze rozhodovat:
Obrázek 5.1: Selekce p°íznak·
P°íznaky s minimálním rozptylem uvnit° t°ídy
Pokud je pro r·zné p°íznaky stejná
vzdálenost mezi dv¥ma t°ídami, pak jsou t°ídy lépe rozli²itelné pro ten p°íznak, jehoº
hodnoty mají men²í rozptyl (viz. obrázek 5.1).
1 P°itom platí, ºe rostoucí mnoºství p°íznak· nezaru£uje zvy²ování p°esnosti, n¥kdy nastává opak [36] nastane p°eu£ení.
17
P°íznaky s maximální vzdáleností mezi t°ídami
T°ídy jsou lépe rozli²itelné pro ta-
kové p°íznaky, které mají maximální vzdálenost mezi t°ídami (viz. obrázek 5.1).
Vzájemn¥ nekorelované p°íznaky
Jestliºe je moºné hodnoty jednoho p°íznaku odvodit
z hodnot jiného p°íznaku, pak pouºití obou t¥chto p°íznak· nep°iná²í dal²í informaci
pro klasikaci oproti pouºití pouze jednoho z nich, p°itom je jedno kterého.
P°íznaky nezávislé na deformacích signálu
V n¥kterých situacích je odstran¥ní defor-
mací signálu b¥hem p°edzpracování nemoºné nebo p°íli² náro£né. Pak je pot°eba zvolit
takové p°íznaky, které nejsou touto deformací ovlivn¥ny. N¥kdy je moºné volbou p°íznak· celé p°edzpracování eliminovat a tím zjednodu²it celé zpracování signálu, p°estoºe jsou algoritmy p°edzpracování snadno realizovatelné.
5.3.1 Metody pro získaní p°íznak·
Epilepsie se v EEG záznamu projevuje r·znými zp·soby v závislosti na jejím typu. P°esto
mají epileptické události v EEG záznamu n¥které charakteristické parametry, ke kterým pat°í
nap°íklad ostré hroty (viz. £ást 4.5.1). Pro tyto elementy je obecn¥ typický nár·st energie a
vysoká frekvence. S prodluºující se dobou hrotu se jeho energie koncentruje v oblasti niº²ích
frekvencí, coº jej £iní h·°e odli²itelným od b¥ºné mozkové aktivity. Soubor p°íznak· bylo
nutné roz²í°it, aby pokrýval i tyto grafoelementy.
Sou£ástí PSGlabu je obsáhlý soubor p°íznak·. N¥které z t¥chto p°íznak· jsem p°evzal
a doplnil o vlastní sadu p°íznak·, za ú£elem p°esn¥j²ího popisu epileptického EEG. V této
kapitole uvádím stru£ný p°ehled metod pro výpo£et pouºitých p°íznak·. N¥které p°íznaky
p°evzaté z PSGlabu, jsem upravil a za°adil do souboru vyhodnocovaných p°íznak·. Následn¥
jsem otestoval vliv úpravy na rozloºení hodnot [32].
5.3.1.1
P°íznaky zaloºené na statistické analýze
Zaznamenaný EEG signál p°edstavuje soubor
n
diskrétních hodnot
xi (i ∈< 1, n >).
Na
základ¥ této skute£nosti je moºné provést statistickou analýzu a ur£it statistické parametry
jednotlivých segment· signálu. P°íznaky odpovídající statistickým parametr·m jednotlivých
úsek· jsou sou£ástí PSGlabu [26], jejich p°ehled je v tabulce 5.3.3.
St°ední hodnota
St°ední hodnota je mírou polohy. Po£ítá se jako suma sou£inu na-
m¥°ené hodnoty s pravd¥podobností jejího výskytu.
µ=
X
xi p i
(5.4)
i
Rozptyl a sm¥rodatná (standardní) odchylka
Rozptyl (5.5) charakterizuje vari-
abilitu rozd¥lení náhodných hodnot okolo jejich st°ední hodnoty. Sm¥rodatná odchylka je
denována jako odmocnina rozptylu.
σ2 =
X
i
[xi − µ]2 pi
(5.5)
Koecient ²ikmosti (Skewness)
18
je charakteristika náhodného rozd¥lení popisující
jeho nesymetrii. Kladná hodnota znamená, ºe napravo od st°ední hodnoty se nachází odlehlej²í hodnoty a pro zápornou hodnotu naopak [17].
E(X − µ)3
s=
σ3
Koecient ²pi£atosti (Kurtosis)
(5.6)
je charakteristika porovnávající rozd¥lení náhodné
veli£iny s normálním rozd¥lením pravd¥podobnosti. Kladná ²pi£atost znamená, ºe k°ivka
hustoty je ²pi£at¥j²í neº u normálního rozd¥lení. Pro záporné hodnoty ²pi£atosti je pak
k°ivka hustoty plo²²í a rozd¥lení je tedy rovnom¥rn¥j²í[10].
k=
Modus
E(X − µ)4
σ4
(5.7)
Modus je taková hodnota, která se v souboru dat vyskytuje nej£ast¥ji a s nej-
v¥t²í pravd¥podobností. P°itom modus nemusí být ur£en jednozna£n¥ - m·ºe se vyskytnout
více hodnot se stejnou maximální £etností [14].
Medián
5.3.1.2
Medián je hodnota, která d¥lí soubor dat na dv¥ stejn¥ po£etné skupiny [13].
P°íznaky odvozené od tvaru grafolementu
Výraznou charakteristikou epileptických grafoelement· jsou hroty, které lze charakterizovat jako ²pi£ky signálu. Nejprve je pot°eba vyhledat lokální extrémy v rámci posuzovaného
segmentu. Lokální extrémy lze obecn¥ denovat jako body, kde dochází ke zm¥n¥ monotonie
funkce. Tato zm¥na nastává v bodech, kde je první derivace rovna nule. EEG záznam je
diskrétní signál, a proto m·ºe nastat situace, kdy v míst¥ odpovídající nulové první derivaci
nelze p°i°adit odm¥°enou hodnotu. Lokální extrémy pak lze ozna£it jako místa, kde se m¥ní
znaménko první derivace.
P°íznak charakterizující po£et lokálních extrému normalizovaný vzhledem k délce segmentu je sou£ástí p°evzatého souboru p°íznak· (MIN MAX NUMBER v tabulce 5.3.3).
P°idal jsem jednodu²²í verzi p°íznaku, kdy není brána v potaz délka segmentu (MIN MAX
NUMBER2 v tabulce 5.3.2.1), tento p°íznak dopl¬uje p·vodní tím, ºe rozli²í segmenty se
stejným pom¥rem po£tu lokálních extrém·/délka segmentu.
Jako dal²í p°íznak jsem zvolil po£et lokálních extrém·, které p°esahují prahovou hodnotu
odvozenou od maximální amplitudy zkoumaného segmentu (PEAKS v tabulce 5.3.2.1).
5.3.1.3
Fraktální dimenze
Fraktál lze denovat jako objekt, který je sob¥podobný. To znamená, ºe je p°i pohledu na
objekt není moºné ur£it jeho m¥°ítko, je invariantní v·£i zm¥n¥ m¥°ítka. P°esná matematická
denice dosud nebyla objevena. V¥t²ina fraktál· se na první pohled jeví sloºit¥, p°estoºe
19
vychází z jednoduchého algoritmu. Studiem fraktál· a nepravidelných objekt· se zabývá
fraktální geometrie. Jedná se o relativn¥ mladý matematický obor.
Strukturu objektu lze charakterizovat na základ¥ dimenze. Existuje n¥kolik r·zných
druh· dimenzí (Hausdorfova dimenze, topologická dimenze, informa£ní dimenze atd.), p°itom
r·zné dimenze mohou dávat r·zné výsledky pro shodný objekt. Na základ¥ pom¥ru hodnot
topologické a Hausdorovy-Besicovichovy dimenze Mandelbrot "denoval"v roce 1977 fraktál [31, 48].
V¥t²ina algoritm· slouºících k výpo£tu fraktální dimenze je £asov¥ náro£ná, jednou z
výjimek je Katz·v algoritmus (p°íznak FRACTAL DIM v 5.3.2.1), který je rychlý a efektivní
pro malé dimenze.
Velikost fraktální dimenze podle Katze je vyjád°ena rovnicí 5.10, kde
k°ivky p°edstavující pr·b¥h (viz. rovnice 5.8) a
L
vyjad°uje délku
d odpovídá nejdel²ímu z úsek·, které propo-
jují první bod k°ivky a ostaními body záznamu (viz. rovnice 5.8) [44].
L = sum(dist(i, i))
d = max(dist(1, i))
log(L)
Dk =
log(d)
5.3.1.4
(5.8)
(5.9)
(5.10)
Hjorthovy parametry
Hjorthovy parametry (5.11, 5.12 a 5.13) byly p·vodn¥ vyvinuty pro online analýzu EEG,
jsou výhodné z d·vodu výpo£etní nenáro£nosti.Jsou denovány s pomocí spektrálních moment· (m0 ,
m2
a
m4 )
(více [28], [23] nebo [21]).
Aktivita (Activity)
-
m0
je spektrální moment 0. °ádu, standardní odchylka signálu
H1 = m0
Mobilita (Mobility)
-
m2
(5.11)
p°edstavuje spektrální moment 2. °ádu a standardní odchylku
první derivace signálu
H2 =
Sloºitost (Complexity)
-
m4
m2
m0
(5.12)
odpovídá spektrálnímu momentu 4. °ádu a standardní od-
chylku druhé derivace signálu
H3 =
5.3.1.5
m4
m0
(5.13)
Frekven£ní analýza
Jedním ze základních nástroj· p°i analýze EEG je Fourierova transformace. Jejím ú£elem
je p°evedení signál· do frekven£ní oblasti. Pro diskrétní signály je pouºívána diskrétní Fourierova transformace (DFT). Jedním z nejefektivn¥j²ích algoritm· pro její výpo£et je FFT rychlá Fourierova transformace (více [27], [8]).
5.3.1.6
20
Entropie
Entropie popisuje míru neur£itosti, pokud klesá, pak roste celková informace a opa£n¥.
Spektrální entropie
Jedná se o výpo£et entropie z odhadu výkonnové spektrální hustoty
(normalizované vzhledem k frekven£nímu pásmu)
0,1-40 Hz.
Nf
Pf
zkoumaného segmentu pro frekvence
odpovídá po£tu frekve£ních sloºek [45].
HN =
Shannonova entropie
−1 X
P(f ) (x) log(p(f ) (x))
log Nf f
(5.14)
Vzorec 5.15 vyuºívá odhad hustoty pravd¥podobnosti na základ¥
histogramu [27].
HSH = −
n
X
Ph (si ) ln(Ph (si ))
(5.15)
i=1
5.3.1.7
Krátkodobá energie
Krátkodobá energie (p°íznak SH ENERGY v 5.3.2.1) (resp. krátkodobá intenzita) je
pouºívána p°i detekci °e£ové aktivity. Tato metoda je kv·li druhé mocnicn¥ (5.16) citlivá na
velké zm¥ny amplitudy, proto bývá £asto nahrazena krátkodobou intenzitou (5.17; p°íznak
SH INT v 5.3.2.1). Vzorky signálu p°edstavuje
okénko (Hammingovo, pravoúhlé atd.)
w(n),
xi .
B¥ºnou sou£ásti vzorc· je i váhovací
které nastavuje váhy jednotlivým vzork·m v
rámci segmentu (více [20] nebo [43]).
E=
X
(xi wn−i )2
(5.16)
i
M=
X
|xi wn−i |
(5.17)
i
5.3.1.8
Nelineární energetický operátor (NEO)
Nelineární energetický operátor udává odhad energie lineárního oscilátoru, p°itom zvýraz¬uje vysokofrekven£ní £ásti [39]. K výpo£tu je pouºita verze pro diskrétní signál (5.18).
N(k) = x2(k) − x( k − 1)x( k + 1)
(5.18)
21
5.3.2 Navrºené p°íznaky
Nové p°íznaky jsem vybíral na základ¥ popisu typických pr·b¥h· epileptických záchvat·
v EEG (4.5.1).
5.3.2.1
Upravené p°evzaté p°íznaky
Název p°íznaku
Popis p°íznaku
1
PEAKS
Po£et lokálních extrém· p°esahujících prahovou hodnotu
2
FRACTAL DIM
Fraktální dimenze
3
MIN DIFF
Minimum první derivace signálu
4
STD DIFF
Standardní odchylka první derivace signálu
5
MIN DIFF2
Minimum druhé derivace signálu
6
STD DIFF2
Standardní odchylka druhé derivace signálu
7
INFL POINTS
Po£et inexních bod·
8
INFL POINTS2
Po£et inexních bod· v pom¥ru k délce segmentu
9
SH ENERGY
Krátkodobá energie s Hammingový oknem
10
SH ENERGY2
Krátkodobá energie bez váh. okna
11
SH INT
Krátkodobá intenzita s Hammingovým oknem
12
SH INT2
Krátkodobá intenzita bez váh. okna
13
FFT ABS sSWC
0,1 - 2,5 Hz
14
FFT ABS SWC
2,3 - 4,3 Hz
15
FFT ABS GPFA
9 - 11 Hz
16
FFT ABS PS
18 - 22 Hz
17
FFT REL sSWC
0,1 - 2,5 Hz
18
FFT REL SWC
2,3 - 4,3 Hz
19
FFT REL GPFA
9 - 11 Hz
20
FFT REL PS
18 - 22 Hz
21
MIN MAX NUMBER2
Po£et lokálních extrému bez vlivu délky segmentu
Tabulka 5.1: P°ehled navrºených p°íznak·
22
5.3.3 P°evzaté p°íznaky
Ozna£ení p°íznaku
Popis p°íznaku
1
MEAN
Pr·m¥rná hodnota
2
STD
Standardní odchylka
3
MAX VALUE
Maximální výchylka
4
MIN VALUE
Minimální výchylka
5
SKEWNESS
Koecient ²ikmosti
6
KURTOSIS
Koecient ²pi£atosti
7
MEDIAN
Medián
Tabulka 5.2: Základní p°íznaky na základ¥ statistické analýzy
Ozna£ení p°íznaku
Popis p°íznaku
8
LINE LENGTH
Délka trajektorie signálu vztaºená k délce segmentu
9
MEAN VV AMPL
Pr·m¥rná amplituda ²pi£ka-²pi£ka
10
VAR VV AMPL
Rozpytl amplitudy ²pi£ka-²pi£ka
11
MEAN VV TIME
Pr·m¥rná doba mezi ²pi£kami
12
VAR VV TIME
Rozptyl doby mezi ²pi£kami
13
MEAN VV SLOPE
Pr·m¥rná sm¥rnice
14
VAR VV SLOPE
Rozptyl sm¥rnice
15
ZERO CROSSING
Po£et pr·chod· nulou
16
MIN MAX NUMBER
Po£et lokálních extrém·
17
COEFF OF VARIATION
18
AMPL RANGE
Amplituda ²pi£ka-²pi£ka
Tabulka 5.3: P°íznaky zaloºené na analýze intervalu
Název p°íznaku
19
20
21
22
st
1 DIFF MEAN
1st DIFF MAX
2nd DIFF MEAN
2nd DIFF MAX
Popis p°íznaku
St°ední hodnota první derivace signálu
Maximum první derivace signálu
St°ední hodnota druhé derivace signálu
Maximum druhé derivace signálu
Tabulka 5.4: P°íznaky zaloºené na první a druhé derivaci
Název p°íznaku
Popis p°íznaku
23
HJORTH 2
Druhý Hjorth·v parametr (mobilita)
24
HJORTH 3
T°etí Hjorth·v parametr (komplexita)
Tabulka 5.5: Hjorthovy parametry
Název p°íznaku
Popis p°íznaku
25
FFT ABS DELTA
0.1 - 3 Hz
26
FFT ABS THETA
3 - 7 Hz
27
FFT ABS ALPHA
7 - 12 Hz
28
FFT ABS BETA
12 - 30 Hz
29
FFT ABS GAMMA
30 - 40 Hz
30
FFT ABS WHOLE
0.1 - 40 Hz
23
Tabulka 5.6: P°íznaky z absolutního EEG spektra - pr·m¥rná hodnota pro dané frekven£ní
pásmo
Název p°íznaku
Popis p°íznaku
31
FFT REL DELTA
0.1 - 3 Hz
32
FFT REL THETA
3 - 7 Hz
33
FFT REL ALPHA
7 - 12 Hz
34
FFT REL BETA
12 - 30 Hz
35
FFT REL GAMMA
30 - 40 Hz
Tabulka 5.7: P°íznaky z relativního EEG spektra - pr·m¥rná hodnota pro dané frekven£ní
pásmo
Název p°íznaku
Popis p°íznaku
36
FFT DT RATIO
ABS DELTA / ABS THETA
37
FFT DA RATIO
ABS DELTA / ABS ALPHA
38
FFT TA RATIO
ABS THETA / ABS ALPHA
39
FFT DTA RATIO
(ABS DELTA + ABS THETA) / ABS ALPHA
Tabulka 5.8: P°íznaky z EEG spektra - klinicky významné pom¥ry
Název p°íznaku
40
FFT SEF95
41
FFT SP-ROLL OF
Popis p°íznaku
Tabulka 5.9: Dal²í p°íznaky z EEG spektra
Název p°íznaku
Popis p°íznaku
42
ENTROPY SPECTRAL
Spektrální entromie
43
ENTROPY SHANNON
Shannonova entropie
Tabulka 5.10: P°íznaky odvozené od entropie
44
Název p°íznaku
Popis p°íznaku
NONLIN ENERGY
Pr·m¥rná nelineární energie
Tabulka 5.11: Nelineární energetický operátor
24
5.4 Rozpoznávání
Rozpoznávání spo£ívá v roz°azení objekt· do t°íd. Výsledkem tohoto procesu je ur£ité zobecn¥ní zkoumaného systému. Objekt je z pohledu tohoto systému zobrazen pomocí vektoru
p°íznak·, proto bývá ozna£ován jako obraz [36].
Klasikátor je stroj (nebo program), který zobrazuje mnoºinu vektor· p°íznak· na mnoºinu identikátor· t°íd na základ¥ rozhodovacího pravidla. Klasikátory je moºné podle
zp·sobu nastavení rozhodovacího pravidla rozd¥lit na:
shlukovou analýzu
- nastavení rozhodovacího pravidla probíhá na základ¥ analýzy pro-
blému p°ed klasikací
klasikaci na základ¥ u£ení
2
- rozhodovacího pravidlo je nastaveno podle objekt· se zná-
mým za°azením do t°íd.
5.5 Shlukování
Shlukování (clustering) je metoda seskupující analyzovaná data (signály) do shluk· (cluster·) podle jejich podobnosti. P°itom se jednotlivé shluky vzájemn¥ co nejvíce odli²ují. Jedná
se tedy o formu klasikace, kdy je spojena fáze u£ení s fází klasika£ní. Klasikátor za°azuje
p°edm¥ty do skupin bez p°edchozí znalosti charakteristik klasika£ních t°íd, jedná se tedy o
"u£ení bez u£itele"(unsupervised training).
Shluky m·ºeme denovat r·znými zp·soby, krom¥ podobnosti je moºné objekty seskupovat na základ¥ jejich hustoty výskytu v dané oblasti. Shluk je tvo°en oblastí s vysokou hustotou výskytu objekt·, od ostatních shluk· je odd¥lován oblastmi s nízkou hustotou výskytu
objekt·. Takové shluky lze denovat s pomocí metriky, na základ¥ vzájemných vzdáleností
mezi klasikovanými objekty. Vzájemné vzdálenosti objekt· v rámci shodného shluku jsou
men²í neº vzdálenost dvou objekt· z rozdílných shluk· [32].
V p°ípad¥ shlukování je pot°eba zvolit vhodný postup pro ur£ování míry podobnosti
objekt·:
Metriky
vycházejí z r·zných denic vzdáleností. Mezi metrikou a vzdáleností je obdobný
vztah jako mezi funkcí a funk£ní hodnotou.
Koecient korelace
not z intervalu
ur£uje míru lineární závislosti porovnávaných p°íznak·. Nabývá hod-
< −1; 1 >,
krajní body vyjad°ují lineární závislost p°íznak·. Lineární
vztah neexistuje, pokud se koecient rovná nule [9].
Koecient asociace
se pouºívá, pokud p°íznaky nabývají binárních hodnot [1].
Krom¥ ur£ení míry podobnosti dvou objekt· je pot°eba posoudit míru podobnosti objekt·
v rámci shluku, mohou být pouºity nap°íklad jako kritérium rozkladu.
2 trénovací mnoºina - mnoºina objekt·, podle které se klasikátor u£í
25
Metoda nejbliº²ího souseda (Nearest-neighbour, Single linkage)
Vzdálenost dvou
shluk· (s1 a
mezi
s2 ) odpovídá nejkrat²í vzdálenosti (vzdálenost je denována metrikou d())
objekty (o1 a o2 ) obou shluk·. P°i pouºití této metody se mohou tvo°it protáhlé
shluky, pokud se mezi dv¥ma vzdálenými objekty vyskytují dal²í objekty.
DN N (s1 , s2 ) = min d(o1 , o2 )
(5.19)
Metoda k-nejbliº²ích soused· (K-Nearest neighbour)
Vzdálenost dvou shluk· je de-
nována sou£tem
k
nejkrat²ích vzdáleností mezi objekty obou shluk·. Tato metoda
£áste£n¥ potla£uje tvorbu protáhlých shluk·.
k
X
DKN N (s1 , s2 ) = min
d(o1 , o2 )
Metoda nejvzdálen¥j²ího souseda (Complete linkage)
(5.20)
Vzdálenost dvou shluk· odpo-
vídá vzdálenosti nejodlehle²ích objekt· z obou shluk·. Metoda nejvzdálen¥j²ího souseda potla£uje tvorbu protáhlých shluk·, vytvá°í men²i, kompaktní a dob°e ohrani£ené
shluky. Metodu je moºné zobecnit pouºitím
k
nejvzdálen¥j²ích bod· obou shluk·.
DF N (s1 , s2 ) = max d(o1 , o2 )
DF N k (s1 , s2 ) = max
Centroidní metoda (Centroid linkage)
k
X
d(o1 , o2 )
(5.21)
(5.22)
Vzdálenost dvou shluk· odpovídá vzdálenosti
nejodlehle²ích objekt· z obou shluk·. Metoda nejvzdálen¥j²ího souseda potla£uje tvorbu
protáhlých shluk·, vytvá°í men²i, kompaktní a dob°e ohrani£ené shluky. Metodu je
moºné zobecnit pouºitím
k
nejvzdálen¥j²ích bod· obou shluk·.
DF N (s1 , s2 ) = max d(o1 , o2 )
DF N k (s1 , s2 ) = max
k
X
d(o1 , o2 )
(5.23)
(5.24)
Metody shlukování je moºné rozd¥lit podle výsledku na hierarchické a nehierarchické. Hierarchické metody °adí shluky do hierarchické struktury na základ¥ podobnosti. Tyto struktury lze gracky vyjád°it pomocí stromu (dendogramu). Nehierarchické metody vytvá°ejí
pouze skupiny objekt·, aniº by vyjad°ovaly jejich vzájemné vztahy.
Výsledek shlukování je ovlivn¥n nejen pouºitým shlukovacím algoritmem, ale i zvolenou
sadou p°íznak·. Shluková analýza by m¥la slouºit jako podklad pro vytvá°ení hypotéz nap°.
o moºné klasikaci segment· signálu.
5.5.1 Hierarchické shlukování
Na základ¥ p°ístupu k vytvá°ení hierarchických struktur lze tyto algoritmy rozd¥lit na
aglomerativní a divizní. Aglomerativní metody za£ínají od jednotlivých objekt·, které postupn¥ seskupují do shluk·, dokud nevznikne jedna mnoºina obsahující v²echny objekty.
Divizní algoritmy vycházejí z jedné mnoºiny, kterou v jednotlivých krocích d¥lí do shluk·,
dokud ji nerozd¥lí na samostatné objekty.
26
2
Nevýhodou hiearchických algoritm· je zna£ná £asová náro£nost (O(n ) pro n objekt·) a
snaha o dosaºení lokáln¥ nejlep²ího °e²ení v kaºdém kroku, bez ohledu na celkový výsledek. V
p°ípad¥ aglomerativního algoritmu nelze shluky znovu rozd¥lit a p°i divizním je nelze spojit
[35]. Navíc tyto algoritmy bývají citlivé na odchylky a ²um [22].
Algoritmus aglomerativního hierarchického shlukování:
1. Kaºdý objekt je za°azen do vlastního shluku, takºe p°i N objektech vznikne N shluk·
2. Najde nejbliº²í (nejpodobn¥j²í) pár shluk· a a spojí je do jednoho, tím o jedna klesne
po£et shluk·.
3. P°epo£ítá vzdálenosti (podobnosti) mezi nov¥ vzniklým shlukem a ostatními shluky.
3
4. Opakování krok· 2 a 3, dokud nevznikne pouze jeden shluk o velikosti N.
Obrázek 5.2: Ukázka výstupu hierarchického algoritmu
5.5.2 Nehierarchické shlukování
Nehierarchické shlukovací algoritmy jsou pouºívany k rozd¥lení mnoºiny objekt· do shluk·
p°i spln¥ní podmínek na kvalitu rozkladu a bez zji²óvání hierachického uspo°ádání. Po£áte£ní rozklad je ur£en bu¤ náhodným p°i°azením objekt· do shluk· nebo na základ¥ výsledk·
rychlé hierarchické metody. Hierachické algoritmy se d¥lí na metody s konstantím po£tem
shluk· a na metody s prom¥nným po£tem shluk·.
Metody s prom¥nným po£tem shluk· provádí b¥hem shlukování pr·b¥ºné sdruºování
nebo rozd¥lování shluk·. Pokud je vzdálenost dvou shluk· po provedení itera£ního kroku
men²í neº slu£ovací parametr, dojde ke slou£ení. A naopak, jestliºe je vzdálenost shluk·
3 Probíhá na základ¥ porovnání vzdáleností mezi prvky r·zných shluk·. Lze jej provést podle r·zných kritérií - nap°. nejbliº²ího souseda (single-linkage), nejvzdálen¥j²ího souseda (complete-linkage) nebo pr·m¥rné
vzdálenosti (average-linkage).
27
v¥t²í neº rozd¥lovací parametr, dojde k rozd¥lení. Tyto parametry mohou být konstantní
nebo se mohou b¥hem shlukování m¥nit.
V p°ípad¥ metod s konstantním po£tem shluk· prob¥hne rozklad na shluky pouze p°i
spu²t¥ní algoritmu. Dále probíhá pouze p°esouvání objekt· mezi shluky za ú£elem nalezení
optimálního rozkladu, který odpovídá extrému kritéria kvality rozkladu.
Kritérium kvality rozkladu m·ºe záviset na n¥které (n¥kterých) z t¥chto vlastností: podobnosti objekt· ve shluku, míry separace shluk·, rovnom¥rnost rozloºení objekt· uvnit°
shluku nebo rovnom¥rnost rozloºení objekt· do shluk·. Volba kritéria se li²í na základ¥ cíl·
shlukování a struktury analyzovaných dat.
Nehierarchické metody dále d¥líme na:
Optimaliza£ní metody
Na základ¥ minimalizace (maximalizace) kritéria rozkladu pomocí
postupného p°e°azování objekt· mezi shluky se snaºí dosáhnout ideálního rozd¥lení do
shluk·.
Analýza mod·
vytvá°í shluky v místech lokálních maxim hustoty pravd¥podobnosti výskytu
objekt· v n-rozm¥rném prostoru p°íznak·. na základ¥ analýzy hustoty pravd¥podob-
4
nosti jejich výskytu.
5.5.3 Metriky
Jedná se patrn¥ o nej£ast¥j²í postup p°i ur£ování podobnosti objekt·. Metriky vyjad°ují
vzdálenost objekt·
o1
a
o2
na základ¥ jim p°íslu²ících vektor· p°íznak·
x1
a
x2 .
Pomocí
trojúhelníkové nerovnosti je moºné rozd¥lit metriky na pravé (spl¬ují) a semimetriky (nespl¬ují).
Spole£nou nevýhodou metrik je problematické porovnávání p°íznak· s odli²ným fyzikálním rozm¥rem. Dochází pak ke zvy²ování vlivu korelovaných veli£in. Tento problém je moºné
°e²it normalizací nebo nastavením vah jednotlivým p°íznak·m.
5.5.3.1
Eukleidovská metrika
ρE (o1 , o2 ) =
v
u n
uX
t (x
1i
− x2i )2
(5.25)
i=1
5.5.3.2
City-Block (Manhattan)[34]
ρC B(o1 , o2 ) =
n
X
|x1i − x2i |
(5.26)
i=1
4 Modus - hodnota
xm
náhodné veli£iny
x,
v níº nabývá hustota pravd¥podobnosti lokálního maxima
5.5.3.3
28
eby²evova metrika
ρC (o1 , o2 ) = max |x1i − x2i |
∀i
5.5.3.4
(5.27)
Minkowského metrika
Zobec¬uje eukleidovskou (p = 2) a City-Block (p = 1) metriku, eby²evova metrika
odpovídá její limit¥ pro
p→∞
ρM (o1 , o2 ) =
v
u n
uX
p
t
(x
1i
− x2i )p
(5.28)
i=1
5.5.3.5
Hammingova metrika
vyjad°uje po£et hodnot, ve kterých se dva vektory li²í [11].
P ro x1 = (1, 2, 3, 4, 5, 4) a x1 = (4, 2, 6, 4, 7, 4) : ρH (o1 , o2 ) = 3
5.5.3.6
(5.29)
Cosine similarity
Tato metrika hledá kosinus úhlu mezi vektory p°íznak· [40]: -1 - p°esn¥ opa£né, 0 nezávislé, 1 - identické
ρcos (o1 , o2 ) = cos(θ) =
x1 ∗ x2
|x1 ||x2 |
Obrázek 5.3: Jednotková vzdálenost objekt· od st°edu podle r·zných metrik
(5.30)
29
5.5.4 K-means (MacQueen·v algoritmus)
K-means je iterativní nehierachický algoritmus, který roz°azuje data do K shluk· na
základ¥ optimiza£ního kritéria 5.31. Objekt je p°i°azen do toho shluku, jehoº centroid (st°ed,
t¥ºi²t¥ shluku) je nejblíºe.
P°i spu²t¥ní je pot°eba zadat poºadovaný po£et shluk·. Pokud není p°edem znám, pak se
na základ¥ n¥kolika testovacích shlukování s r·zn¥ nastavenými po£ty shluk· zvolí optimální
po£et (nap°íklad podle vzdáleností uvnit° a mezi shluky). S nar·stajícím po£tem shluk·
roste riziko p°eu£ení. B¥hem iterací dochází k posunu centroid· tak, aby bylo dosaºeno minimálních rozdíl· uvnit° shluk· [35]. Poloha centroid· je ur£ována na základ¥ geometrického
pr·m¥ru vzdáleností od prvk· shluku. Algoritmus nalezne °e²ení ve chvíli, kdy se p°estane
m¥nit poloha centroid·.
K-means je jednoduchý a rychlý algoritmus, proto jej lze pouºít na velké objemy dat. Nevýhodou tohoto algoritmu je závislost °e²ení na volb¥ po£áte£ních centroid·, kdy m·ºe najít
pouze lokální optimum, p°estoºe algoritmus v kone£ném po£tu krok· konverguje k n¥jakému
°e²ení. Tento problém lze omezit opakovaným spu²t¥ním s r·zn¥ umíst¥nými centroidy (více
[35], [37] a [22]).
min(
n
k X
X
|xji − cj |2 )
(5.31)
j=1 i=1
1. Náhodné umíst¥ní K bod· (centroid·) do prostoru reprezentovaného objekty, na kterých je provád¥no shlukování. Tyto body p°edstavují po£áte£ní st°edy shluk·.
2. P°i°azení kaºdého objektu k nejbliº²ímu st°edu
3. Po p°i°azení p°epo£ítá pozice st°ed· (geometrický pr·m¥r)
4. Opakování krok· 2 a 3, dokud se m¥ní pozice st°ed·. To zp·sobuje rozd¥lení objekt·
do shluk·.
5.6 Klasikace s u£ením
5.6.1 KNN - klasikátor podle K-nejbliº²ích soused·
Klasikátor KNN (K-nearest neighbor) pat°í k nejjednodu²²ím metodám strojového u£ení.
Klasikace probíhá na základ¥ p°íslu²nosti okolních objekt· do t°íd. Zpracovávaný objekt je
p°i°azen do té t°ídy, kam pat°í v¥t²ina objekt· z jeho okolí. Parametr
k
je p°irozené £íslo,
které denuje po£et okolních bod·, podle nichº bude probíhat klasikace. V p°ípad¥ 2 klasika£ních t°íd je nutné zvolit
k
liché, aby nedo²lo k patové situaci, kdy není moºné zkoumaný
objekt za°adit. U více klasika£ních t°íd m·ºe být situace s volbou
k
sloºit¥j²í. Klasikátor
vyuºívá trénovací mnoºinu obsahující objekty a jim p°i°azené t°ídy.
Mezi nevýhody KNN pat°í vysoká pam¥óvá náro£nost, pomalé rozhodování a závislost
na metrice, z £ehoº plyne poºadavek na normalizaci p°íznak· [33].
30
Obrázek 5.4: Ukázka výstupu K-means
5.6.2 Bayes·v klasikátor
Metody bayesovské klasikace vycházejí z Bayesovy v¥ty o podmín¥ných pravd¥podobnostech. A£koliv se tedy jedná o metody pravd¥podobnostní, jsou intenzivn¥ studovány v
souvislosti se strojovým u£ením a uplat¬ují se rovn¥º v systémech pro data mining.
5.6.2.1
Klasika£ní algoritmus
Bayes·v klasikátor °e²í klasikaci vektor· s do n t°íd, kde jsou t°ídy ozna£eny
Apriorní pravd¥podobnosti
s
p°ijde do t°ídy
cn .
P (c1 ), P (c2 ), ..., P (cn )
c1 , c2 , ..., cn .
udávají s jakou pravd¥podobností vektor
Jsou p°edem známy a platí pro n¥ následující vztah:
n
X
P (cn ) = 1.
(5.32)
i=1
P°edpokládejme, ºe krom¥ apriorních pravd¥podobností
mín¥né hustoty pravd¥podobnosti
t°íd. Pak platí, ºe vektor p°íznak·
P (cn )
známe je²t¥ v²echny pod-
p(s|cn ) udávající rozloºení hodnot s uvnit° jednotlivých
s pat°í do t°ídy s identikátorem cn s pravd¥podobností:
P (s|cn )P (cn )
P (s)
(5.33)
P (s|cn )P (cn ).
(5.34)
c∗ = arg max P (cn |s)
(5.35)
P (cn |s) =
P (s) =
n
X
i=1
n
Pravd¥podobnosti
P (cn |s)
nazýváme aposteriorními pravd¥podobnostmi a výraz 5.33 Ba-
yesovým vztahem. Klasikátor za°azuje vektor p°íznak· do té t°ídy, pro kterou vychází
maximální aposteriorní pravd¥podobnost 5.35. Trénování bayesova klasikátoru spo£ívá ve
výpo£tu parametr· normálního rozd¥lení.
Kapitola 6
Praktická £ást
Zabýval jsem se návrhem souboru p°íznak· vhodných pro klasikaci epileptického EEG
záznamu. Ke spln¥ní tohoto úkolu jsem pouºil prost°edí Matlab roz²í°ené o PSGlab toolbox,
EEGlab, WaveFinder a Weka. Ve své práci jsem pracoval s klinickými i neklinickými daty.
Neklinická data byla po°ízena na mé osob¥ v Gerstnerov¥ laborato°i. Pomocí programu WafeFinder jsem data p°evedl do formátu vhodném pro prost°edí Matlab a vypracoval ohodnocení
pro klasikaci t¥chto záznam·. V Matlabu jsem ke zpracování dat pouºíval PSGlab toolbox,
kde byl signál odltrován, p°evzorkován, rozd¥len na segmenty a byly vypo£teny navrºené
p°íznaky. Takto upravený záznam byl uloºen do formátu vhodném pro zpracování v programu Weka, ve kterém prob¥hla klasikace a vyhledání nejvhodn¥j²ích p°íznak·. Shluková
anaýza byla provedena pomocí PSGlab toolboxu.
Ve své práci jsem nejprve navrhl vhodné parametry jednotlivých krok· na základ¥ ohodnoceného neklinického záznamu, který obsahuje známé artefakty (mrkání, zatnutí a relaxa£ní
£ást). V tomto kroku jsem vyuºíval znalosti významu jednotlivých úsek· záznamu.
Dále byl zpracován krat²í záznam se z°eteln¥ viditelnými epileptickými záchvaty, který
bylo moºné snadno ohodnotit. Takto ohodnocený záznam jsem pouºil k ov¥°ení parametr·
navrºených p°i zpracování neklinického záznamu. Dlouhodobé záznamy jsem pouºil k dal²ímu
otestování.
K dispozici jsem m¥l r·zn¥ dlouhé záznamy neohodnocených epileptických klinických
dat. Díky tomu jsem se setkal s reálnými problémy p°i pokusech o jejich ohodnocení a zpracování. V¥t²ina t¥chto problém· úzce souvisí s n¥kolika hodinovou délkou t¥chto záznam·.
Pat°í sem mimojiné mnoºství artefakt· zp·sobených pohybem pacienta v pr·b¥hu m¥°ení.
Kvalitní ohodnocení takto dlouhého záznamu vyºaduje zna£né mnoºství £asu kvalikovaného a zku²eného neurologa. V neposlední °ad¥ je takto dlouhý záznam náro£ný na pam¥´
a výpo£etní zpracování.
V pr·b¥hu zpracování mé práce bylo nutné se nejprve seznámit s celým procesem zpracování a klasikace EEG záznam· na vlastních datech. P°itom jsem hledal optimální nastavení
jednotlivých krok·. Tento návrh jsem ov¥°il na ohodnoceném krátkodobém epileptickém záznamu a následn¥ i na neohodnoceném dloubodobém epileptickém záznamu. U dlouhodobého
záznamu jsem vzhledem k chyb¥jícímu ohodnocení provedl pouze shlukovou analýzu.
31
KAPITOLA 6. PRAKTICKÁ ÁST
32
6.1 Návrh parametr· zpracování na ohodnoceném
neepileptickém EEG záznamu
Pro ohodnocení záznamu bylo nutné zobrazit nam¥°ená data v programu WaveFinder.
Ohodnocení spo£ívalo v postupném pr·chodu celého záznamu, ozna£ení po£átku a konce grafoelement· a p°i°azení odpovídající t°ídy. Tento záznam obsahuje celkem £ty°i t°ídy (viz. 6.1).
Celková doba záznamu £iní 2 minuty, z toho druhá minuta p°ipadá na relaxaci(zav°ené o£i).
Délka mrknutí se pohybuje kolem 0,5 s a doba zatnutí zub· trvá p°ibliºn¥ 1,25 s.
Obrázek 6.1: 0) b¥ºná aktivita, 1) mrknutí, 2) svalový artefakt a 3) zav°ené o£i, relaxace
6.1.1 Filtrace & p°evzorkování
Pro sníºení výpo£etní a pam¥óvé náro£nosti p°i zpracování dlouhodobých dat je výhodné
pouºít p°evzorkování signálu. Pouºil jsem p°evzorkování z 250 vzork·/s na 128 vzork·/s.
P°itom nedo²lo k viditelnému zkreslení signálu (viz. obrázek 6.2).
Filtrací jsem pomocí pásmové zádrºe odstranil ru²ení zp·sobené síóvým nap¥tím 50 Hz.
Ostatní ru²ivé kmito£ty jsem neodltroval, nebo´ by mohlo dojít k odstran¥ní uºite£ného
signálu. Z grafu na obrázku 6.2 je vid¥t pokles ²umu.
6.1.2 Segmentace
6.1.2.1
Konstantní
Vyzkou²el jsem na signálu provést konstatní segmentaci p°i r·zných délkách úsek·. Nevýhodou tohoto postupu je d¥lení, které nebere v úvahu pr·b¥h signálu. Tím m·ºe dojít
k rozd¥lení jednoho grafoelementu do více úsek·. Dochází ke zvý²ení pravd¥podobnosti, ºe
r·zné £ásti grafoelementu budou klasikovány do r·zných t°íd. Tento postup bych volil pro
signály, kde dochází ke zm¥nám v pravidelných £asových intervalech.
6.1.2.2
Adaptivní
Pouºitý algoritmus (5.2.2) vychází z rovnice 6.1 a umoº¬uje ²iroké moºnosti nastavení.
Souhrn testovaných nastavení je obsaºen v tabulce 6.1. Nejprve zvolíme vhodnou délku
plovoucího okna. Vliv r·zných nastavení je zaznamenán v obrázku 6.4. Na základ¥ t¥chto
pr·b¥h· se jako nejvhodn¥j²í jeví délka okna 0.7 s, kdy vzniklé segmenty ohrani£ují grafoelementy a zárove¬ nedochází ke zbyte£nému d¥lení úsek·.
Po nastavení délky plovoucího okna bylo t°eba ur£it krok jeho posunu. P°íli² dlouhý
krok má za následek hrubou segmentaci, krátký krok vede ke zpomalování p°i zpracování
dlouhodobých záznam·. Sniºování délky posunu pod dobu posunu o 1 vzorek nemá praktický
Obrázek 6.2: Ukázka ltrace 50 Hz a p°evzorkování z 250 na 128 vzork·/s
Obrázek 6.3: Ukázka konstatní segmentace po 1 a 3 sekundách
33
34
p°ínos. Vliv délky posunu plovoucího okna lze pozorovat na obrázku 6.5, na kterém je vid¥t,
ºe posun po 0.01 s poskytuje uspokojivé výsledky.
G = kA |AW 1 − AW 2 | + kF |FW 1 − FW 2 |
Parametry
kA
a
kF
(6.1)
v rovnici 6.1 p°edstavují váhy, které ur£ijí, jak moc bude segmentace
záviset na amplitud¥ nebo frekvenci signálu. Na obrázku 6.6 je zaznamenán vliv r·zných
pom¥r· t¥chto vah.
Segmentaci podle navrºených parametr· porovnáme s ideálním stavem, který p°edstavují p°esn¥ odd¥lené významné grafoelementy. Toto srovnání je zachyceno na obrázku 6.7.
Na tomto obrázku je vid¥t, ºe p°i takto nastavené segmentaci dochází k £ast¥j²ímu d¥lení segment·. P°íli² £asté d¥lení vede ke zvy²ování výpo£etní náro£nosti b¥hem výpo£tu p°íznak·
pro klasikaci. Na druhou stranu je d·leºité, aby segmentace ozna£ila výrazné elementy i
za cenu vzniku "nadbyte£ných"segment·. Tyto segmenty jsou v ideálním p°ípad¥ b¥hem
klasikace za°azeny do stejné t°ídy.
Hodnota
Parametr
Zkoumání vlivu délky okna na výsledek segmentace (viz. obrázek 6.4)
Délka okna
0.1 s
0.7 s
0.5 s
Max. délka seg.
20 s
Min. délka seg.
0.2 s
kA
kA
0.8 s
kF
= 1 -
0.2 s
Posun okna
0.01 s
Zkoumání vlivu parametru
kA
na výsledek segmentace (viz. obrázek 6.5)
Délka okna
0.7 s
Max. délka seg.
20 s
Min. délka seg.
0.2 s
kA
kA
0.8 s
kF
= 1 -
Posun okna
0.2 s
0.01 s
Zkoumání vlivu parametru
kA
0.05 s
0.7 s
Max. délka seg.
20 s
Min. délka seg.
0.2 s
= 1 -
kA
kA
Posun okna
0.005 s
na výsledek segmentace (viz. obrázek 6.6)
Délka okna
kF
1.5 s
0.8 s
0.2 s
0.6 s
0.4 s
0.4 s
0.2 s
0.6 s
0.8 s
0.01 s
Tabulka 6.1: Testovaní parametr· adaptivní segmentace (tu£n¥ - optimální výsledek)
Obrázek 6.4: Ukázka vlivu délky okna p°i adaptivní segmentaci
35
Obrázek 6.5: Ukázka vlivu velikosti posunu okna p°i adaptivní segmentaci
36
Obrázek 6.6: Ukázka vlivu nastavení vah
37
kA
a
kF
Obrázek 6.7: Porovnání adaptivní segmentace signálu se signálem rozd¥leným podle
ohodnocení
38
39
6.1.3 Selekce p°íznak·
Výpo£et p°íznak· na základ¥ zvolené sady p°íznak· pro kaºdý segment signálu provedl
PSGlab toolbox. Následn¥ prob¥hla normalizace p°íznak·. Jejím cílem je zajistit stejný rozm¥r pro v²echny p°íznaky tak, aby byly porovnatelné
1
.
Takto upravené vektory p°íznak· byly spolu s ohodnocením uloºeny do formátu ARFF
programu Weka, který poskytuje prost°edí pro data mining. Nejprve jsem provedl selekci
p°íznak· pomocí k°íºové validace
2
, abych zjistlil, které p°íznaky nejlépe popisují zpracová-
vaný záznam. Selekci jsem provedl pro n¥kolik r·zn¥ segmentovaných záznam· - adaptivní
3
i konstatní (po 0,3; 0,5; 1, 3, 5 a 10 s). Z výsledk·
jsem vybral 30 nejlépe hodnocených
p°íznak· a utvo°il z nich novou sadu - TOP30. Vyskytuje se zde i n¥kolik nov¥ navrhnutých
p°íznak·.
4
Nejlep²í p°íznaky z celého souboru :
1) hjorth3
12) fractal dimension
2) var vv time
13) mean vv ampl
3) mean vv time
14) t rel gamma2
6) max value
7) hjorth2
8) t rel (theta1 3 - 5Hz)
9) t rel (theta 3 - 7Hz)
10) line length
11) min max number
15) t theta alpha ratio
16) min value
17) std di
18) t rel alpha2
(9.5 - 12Hz)
19) t rel SWC
(2.3 - 4.3Hz)
20) entropy log
1 normalizace je d·leºitá p°i pouºívání metrik (viz. 5.5.3)
2 Krosvalidace (cross validation) spo£ívá v rozd¥lení mnoºiny do
dojde k natrénování modelu na
22) t abs alpha2 (9.5 - 12Hz)
23) t rel beta (12 - 30Hz)
(35 - 40Hz)
4) inex points
5) 1st di mean
21) t rel delta2 (1.5 - 3Hz)
k−1
24) t rel theta2 (5 - 7Hz)
25) entropy shannon
26) inex points2
27) t rel beta2 (21 - 30Hz)
28) min max number2
29) t rel PS (18 - 22Hz)
30) median
k
podmnoºin. Pro kaºdou podmnoºinu
podmnoºinách a ta zbývající slouºí k ur£ení chyby. [41]
3 soubor s výsledky se nachází na p°iloºeném CD
4 tu£n¥ vyzna£ené p°íznaky pat°í mezi nov¥ p°idané
40
6.1.4 Shlukování
6.1.4.1
Konstantní segmentace
Provedl jsem shlukování pro r·zn¥ dlouhé segmenty (0.5, 0.7, 1, 2, 3, 5 a 10 sekund) do
5 6
4, 5, 7 a 10 shluk·
pro kaºdou ze zkoumaných délek segmentace.
Obrázek 6.8 zachycuje výsledky pro po£ty shluk·, v nichº vystupující trendy nejlépe
odpovídají ohodnocení. Lze pozorovat pokles rozlie²ení p°i rostoucí délce segment·. Pokud
délka segment· p°esahuje dobu trvání zm¥n m·ºe dojít k situaci, kdy z £ásti záznamu poznáme, ºe v daném míst¥ nastala n¥jaká událost. Nelze posoudit jestli jich bylo více, nebo
zda mezi nimi byla prodleva. Jedná se o d·sledek vzorkovacího teorému.
Toto poznání potvrzuje nutnost p°izp·sobení délek segment· konstantní segmentace poºadované aplikaci tak, aby byla schopná poskytnout poºadovanou p°esnost a p°itom neomezovala dal²í zpracování. Minimální délka segment· je mimojiné ovlivn¥ná i po£ítanými
p°íznaky, nebo´ n¥které pro velmi krátké úseky ztrácejí smysl a vypovídací hodnotu.
P°i pohledu na obrázek 6.9 zobrazující rozd¥lení segment· do shluk· je vid¥t, ºe v rámci
jednoho shluku se vyskytují i segmenty s výraznými krátkodobými odli²nostmi (nap°íklad
artefakt zp·sobený mrknutím). Toto je zp·sobeno tím, ºe v t¥chto p°ípadech mají v¥t²í vliv
p°íznaky, které se p°eváºn¥ zam¥°ují na vlastnosti celého posuzovaného úseku místo na jeho
lokální odchylky. Krom¥ zm¥ny pouºité sady p°íznak· se m·ºe zdát, ºe °e²ením je pouºití
více shluk·. To v²ak vede k nár·stu vlivu ²umu (viz. obrázek 6.10), coº není tak p°ekvapivé,
protoºe vý²e zmi¬ované mrknutí se z pohledu posuzovaného segmentu od ²umu p°íli² neli²í.
6.1.4.2
P°i shlukování po provedení adaptivní segmentace jsem experimentoval nejen s r·znými
po£ty shluk·, ale i s metrikami. Na obrázku 6.11 lze zachytit trendy, které odpovídají ohodnocení. P°i pouºití sedmi i deseti shluk· je moºné pozorovat £ásti, které odpovídají mrknutí
(t°ída 1). S rostoucím po£tem shluk· dochází k nár·stu citlivosti na ²um. Obrázek 6.10
dokazuje podobnost segment· v rámci jednoho shluku. Zkusil jsem pouºít rozdílné metriky,
podle 6.12 do²lo pouze k nepatrným zm¥nám. Nakonec jsem provedl shlukování pro dal²í
sady p°íznak· - nov¥ p°idaných a TOP30. Podle 6.13 dokáºe sada p°íznak· TOP30 zachytit
v²echny trendy a navíc dojde ke zrychlení zpracování.
6.1.4.3
Výsledek shlukování
Shlukové analýzy prob¥hly na datech ze v²ech snímacích elektrod dostupných pro dané
záznamy. Ve výsledcích se objevovaly trendy odpovídající ohodnocení. Nejmén¥ z°etelnou
t°ídou se ukázalo mrknutí (t°ída 1). Toto je patrn¥ d·sledekem toho, ºe mrknutí je krátký
d¥j a v segmentu pak p°edstavuje málo dominantní £ást. Dále jsem otestoval pouºití r·zných
metrik p°i shlukování, ale jejich vliv se výrazn¥ neprojevil. Nakonec jsem porovnal výsledky
shlukování pro r·zné sady p°íznak· (viz. obrázek 6.13).
5 Krom¥ segmentace po 5 a 10s, kdy jsem provedl shlukování do mén¥ shluk·.
6 Vzhledem k mnoºství jsou zbylé výsledky na p°iloºeném CD.
Obrázek 6.8: Vliv délky segmentu na výsledek shlukování (po£ty shluk·: 4, 5 a 5)
41
Obrázek 6.9: Segmentace po 1s (po£ty shluk·: 4, 7 a 10)
42
Obrázek 6.10: Roz°azení segment· do shluk· (po£ty shluk·: 4, 7 a 10)
43
Obrázek 6.11: Adaptivní segmentace (po£ty shluk·: 4, 7 a 10)
44
Obrázek 6.12: Pouºití Cityblock, cosinové a euklediánské metriky (po£et shluk·: 6)
45
Obrázek 6.13: Pouºití r·zných sad p°íznak· - V²echny, TOP30, nov¥ p°idané
(po£et shluk·: 5)
46
47
6.1.5 Klasikace
6.1.5.1
Porovnání klasikátor·
Provedl jsem klasikaci pomocí naivního Bayesova klasikátoru a NN (podle 5 soused·)
v programu Weka[30]. P°i testování jsem pouºil metodu k°íºové validace (cross-validation)
s rozd¥lením do 10 £ástí. Výsledky klasikace pro v²echny t°i sady p°íznak· jsou shrnuty v
tabulce 6.2. Pokud se p°i výb¥ru klasikátoru budeme rozhodovat podle rychlosti klasikace,
pak je jednozna£nou volbou Bayes·v klasikátor, p°estoºe dosahuje o málo niº²í p°esnosti.
Hodnoty správn¥ klasikovaných segment· se drºí kolem 90 %. Velký problém pro klasikátory p°edstavovala druhá t°ída odpovídající mrknutí, jak je vid¥t z tabulky zám¥n 6.3, tak
nebyla správn¥ klasikována p°i ºádném nastavení.
0,917
0,94
0,963
0,875
0,917
0,895
Specicita (pr·m¥r) (1-FP)
P°esnost (pr·m¥r)
Úplnost (pr·m¥r)
ROC (pr·m¥r)
39
6
2
0
0
1
2
3
0
0
0
0
0
1
0
12
0
2
2
59
0
0
0
3
Naivní Bayes
0
2
6
39
0
0
0
0
0
1
0,943
0,875
0,853
59
0
0
0
3
2
1
6
35
0
0
0
0
2
1
0
13
0
4
2
57
0
0
0
3
0
1
6
39
0
TOP30
Naivní Bayes
0
0
0
0
1
0
13
0
2
2
NN
59
0
0
0
3
5.5 s
2
1
6
35
0
0
0
0
2
1
0
13
0
4
2
57
0
0
0
3
0
3
6
38
0
0
0
0
0
1
0
11
0
3
2
NN
Nové p°íznaky
0.945
0.875
0.853
0.956
0.875
5 (12,5 %)
105 (87,5 %)
< 1s
59
0
0
0
3
0.929
0.9
0.86
0.958
0.9
12 (10 %)
108 (90 %)
4 s
NN
Nové p°íznaky
Naivní Bayes
Naivní Bayes
0.946
0.925
0.882
0.968
0.925
9 (7.5 %)
Tabulka 6.3: Zám¥na matic (Confusion table)
0
0,875
0,956
0,875
15 (12,5 %)
105 (87,5 %)
< 1 s
NN
111 (92,5 %)
TOP30
Naivní Bayes
Tabulka 6.2: Porovnání výsledk· klasikace
12
0
2
2
NN
V²echny p°íznaky
0,917
0,963
10 (8,333 %)
0,951
110 (91,667 %)
110 (91,667 %)
10 (8,333 %)
21 s
4 s
NN
V²echny p°íznaky
Naivní Bayes
Citlivost (pr·m¥r)
Nesprávn¥ klasikováno
Správn¥ klasikováno
Doba b¥hu
Parametr
48
49
6.2 Zpracování ohodnoceného epileptického EEG záznamu
Epileptický EEG záznam jsem ohodnotil stejným postupem, jako p°edchozí neepileptický
(viz. 6.1). Vzhledem k tomu, ºe mi chybí bliº²í zku²enosti s ohodnocováním epileptických
dat, tak jsem v záznamu rozli²oval pouze dv¥ t°ídy - epileptická a b¥ºná aktivita (viz. 6.14).
Záznam je p°ibliºn¥ osm minut dlouhý a vyskytuje se na n¥m osm událostí, které jsem
ohodnotil jako epileptické, délky epileptických údálostí se pohybují kolem 5 s.
Obrázek 6.14: 0) b¥ºná aktivita a 1) epileptická aktivita
6.2.1 Segmentace
Rozhodl jsem se otestovat nastavení adaptivní segmentace, které jsem nalezl p°i zpracování neepileptického záznamu. Podle obrázku 6.15 lze usuzovat, ºe navrºené parametry
adaptivní segmentace fungují uspokojiv¥. Události podez°elé z epilepsie jsou rozd¥leny na
n¥kolik úsek·, zatímco b¥ºná mozková £innost je rozloºena do dlouhých segment·. Mírného
vylep²ení bylo dosaºeno prodlouºením minimální délky úseku (viz. tabulky 6.4 a obrázek
6.15). Díky této zm¥n¥ vzniká mén¥ segment·.
Délka okna
Max. délka segm.
Min. délka segm.
kA
0,7 s
20 s
0,5 s
0,8
kF
= 1 -
kA
0,2
Posun okna
0,01
Tabulka 6.4: Úprava parametr· adaptivní segmentace
6.2.2 Selekce p°íznak·
Pomocí selekce p°íznak· v programu Weka jsem ur£il nejlep²í p°íznaky pro vyhodnocení
tohoto epileptického záznamu. Vzhledem k tomu, ºe v¥t²ina z nich je jiº obsaºena v sad¥
TOP30, tak jsem se rozhodl, ºe nebudu vytvá°et duplicitní sadu p°íznak·.
6.2.3 Shlukování
V rámci shlukování jsem se zam¥°il na porovnání r·zných sad p°íznak· (shrnující v²echny
p°íznaky, TOP30 a nov¥ p°idané). Zda je moºné, aby sada n¥kolika vybraných p°íznak· poskytla stejné výsledky. Dále byla provedena shluková analýza s r·zn¥ nastavenými parametry
pro konstantní i adaptivní segmentaci. Shlukování úsp¥²n¥ p°i°adilo segmenty odpovídající
epileptickým událostem do shodné t°ídy, díky tomu je moºné pozorovat trendy odpovídající
ohodnocení.
Podle 6.20 vede pouºití vhodn¥ zvolených men²ích sad p°iznak· k podobným výsledk·m,
jako pouºití v²ech p°íznak·, p°itom dochází k úspo°e výpo£etního £asu. Tento stav m·ºe být
50
zp·soben tím, ºe zbylé p°íznaky nedostate£n¥ popisují d·leºité parametry signálu pro danou
7
aplikaci. Nelze na jejich základ¥ rozli²it mezi r·znými t°ídami, p°ípadn¥ vzájemn¥ korelují .
6.2.4 Klasikace
V programu Weka jsem provedl klasikaci pomocí naivního Bayesova klasikátoru a klasikátoru podle nejbliº²ího souseda (k = 5). P°i testování jsem pouºil metodu k°íºové validace
(cross-validation) s rozd¥lením do 10 £ástí.
Výsledky klasikace pro v²echny t°i sady p°íznak· jsou shrnuty v tabulce 6.5. Tento p°ehled nazna£uje n¥kolik moºných strategií p°i výb¥ru vhodného klasikátoru a sady p°íznak·.
Pokud se budeme rozhodovat podle rychlosti klasikace, tak je jednozna£nou volbou Bayes·v
klasikátor. Ve v²ech p°ípadech se hodnoty správn¥ klasikovaných segment· drºí vyrovnan¥
vysoko p°es 90 %.
7 V p°ípad¥ n¥kolika korelujících p°íznak· sta£í vybrat jen jeden p°íznak z takové skupiny.
51
Obrázek 6.15: Porovnání adaptivní segmentace (p°ed a po úprav¥) se segmentací signálu
podle ohodnocení
Obrázek 6.16: Vliv délky segmentu na výsledek shlukování (po£et shluk·: 2)
52
Obrázek 6.17: Segmentace po 3s (po£ty shluk·: 2, 3 a 5)
53
Obrázek 6.18: Roz°azení 3s segment· do shluk· (po£ty shluk·: 2, 3 a 5)
54
Obrázek 6.19: Adaptivní segmentace (po£ty shluk·: 2, 3 a 5)
55
(po£et shluk·: 5)
56
0,867
0,984
0,984
0,979
0,978
0,978
0,937
Specicita (pr·m¥r) (1-FP)
P°esnost (pr·m¥r)
Úplnost (pr·m¥r)
ROC (pr·m¥r)
7
31
459
4
1
1
0
0
0,925
0,984
0,984
0,867
0,984
8 (1,6 %)
493 (98,4 %)
12 s
30
3
1
TOP30
3
450
0
32
16
1
Naivní Bayes
5
463
0
3
1
30
NN
NN
4
451
0
31
15
1
6
464
0
NN
29
2
1
0,941
0,962
0,969
0,891
0,962
19 (3,8 %)
482 (96,2 %)
2s
0,912
0,984
0,984
0,840
0,984
8 (1,6 %)
493 (98,4 %)
7 s
NN
Nové p°íznaky
Naivní Bayes
Nové p°íznaky
Naivní Bayes
Tabulka 6.6: Zám¥na matic (Confusion table)
5
465
0
NN
V²echny p°íznaky
Naivní Bayes
0,954
0,962
0,971
0,918
0,962
19 (3,8 %)
482 (96,2 %)
4 s
Naivní Bayes
TOP30
Tabulka 6.5: Porovnání výsledk· klasikace
0,925
0,984
0,978
Citlivost (pr·m¥r)
493 (98,40 %)
490 (97,80 %)
8 (1,60 %)
40 s
NN
8 s
Naivní Bayes
V²echny p°íznaky
11 (2,20 %)
Nesprávn¥ klasikováno
Správn¥ klasikováno
Doba b¥hu
Parametr
57
58
6.3 Zpracování neohodnoceného epileptického
EEG záznamu
T°etí zpracovávaný záznam p°edstavuje 30 minutový úsek z 8 hodinového epileptického
8
záznamu. Jedná se o d·sledek problém· vzniklých p°i konverzi . Vzhledem k tomu, ºe tento
záznam není ohodnocen, tak jsem provedl pouze shlukovou analýzu.
Na tomto záznamu jsem otestoval dobu zpracování p°i pouºití r·zných sad p°íznak·
(výsledky v tabulce 6.7). M¥°ení za£ínalo na shodných po£áte£ních datech p°i konstantní
segmentaci po 5 s. Proces zahrnoval výpo£et p°íznak·, jejich následnou normalizaci, uloºení
do datového formátu Weky a provedení shlukování do 3 shluk· pomocí algoritmu K-means.
Sada p°íznak·
V²echny
TOP30
Nov¥ p°idané
Doba zpracování
21 min
13,5 min
12 min
Tabulka 6.7: Doba zpracování 30 minut EEG záznamu
6.3.1 Segmentace
Rozhodl jsem se zjistit vliv minimální délky segmentu p°i adaptivní segmentaci na dobu
zpracování a výsledek shlukovací analýzy (viz. obrázek 6.21. Men²í minimální délka má za
následek v¥t²í fragmentaci.
6.3.2 Shlukování
Vzhledem k tomu, ºe tento epileptický EEG záznam neobsahoval ohodnocení, bylo moºné
provést pouze shlukovací analýzu. Provedl jsem shlukování s 3 a 5 shluky. Uº p°i rozd¥lení
do 3 shluk· se objevují trendy, které prostupují p°es v²echny elektrody, mohlo by se jednat o
generalizované záchvaty nebo podobnou mozkovou £innost, která probíhá na n¥kolika místech
zárove¬.
8 navíc se objevily problémy se záznamem n¥kterých elektrod a pro dokon£ení shlukování bylo pot°eba
odpojit elektrodu F7 v PSGlabu
Obrázek 6.21: Vliv minimální délky segmentu p°i adapt. segm. (po£et shluk·: 3)
59
60
Obrázek 6.22: Porovnání konstantní (5s a 10s) a adaptivní segmentace (po£et shluk·: 3)
(po£et shluk·: 3; konst. segm: 3s)
61
Obrázek 6.24: Ukázka shluk· vzniklých p°i adaptivní segmentaci s min. délkou
segmentu 1.5s a 0.5s (po£et shluk·: 3)
62
Kapitola 7
Záv¥r
Bude je²t¥ dlouho trvat, neº se poda°í vypracovat dokonalý postup lé£by, která by vedla
k uzdravení pacient· trpících epilepsií. Tohoto cíle nelze dosáhnout, pokud ji nebude moºné
spolehliv¥ diagnostikovat. Tato práce se snaºí navázat na jiº pouºívané postupy. Cílem je
zkrácení a zp°esn¥ní vyhodnocení epileptických EEG záznam· a celkové zlep²ení diagnostických výsledk·.
Po seznámení se s problematikou epileptických EEG záznam· a zp·sob· jejich zpracování
jsem navrhl sadu nových p°íznak·. Tyto p°íznaky jsem p°ipojil k jiº d°íve pouºívané sad¥.
Následn¥ byla tato roz²í°ená sada p°íznak· pouºita p°i shlukové analýze. Po provedení selekce
p°íznak· na neklinických datech jsem ur£il 30 nejlépe ohodnocených p°íznak· (TOP 30), z
nichº sedm p°íznak· pat°í mezi nov¥ navrºené: inex points, fractal dimension, std di, t
rel SWC (2.3 - 4.3Hz), inex points2, min max number2, t rel PS (18 - 22Hz).
Provedl jsem porovnání mezi sadou nov¥ navrºených p°íznak·, TOP30 a v²ech p°íznak·
na základ¥ shlukování a klasikace na ohodnocených i neohodnocených epileptických datech
o r·zných délkách. P°i srovnání výsledk· na ohodnocených epileptických datech jsem do²el
k moºnosti bezproblémového nahrazení celé sady pouºívaných p°íznak· pouze její £ástí TOP30. P°itom jsem pr·b¥ºn¥ pozoroval vliv segmentace signálu a r·zných po£t· shluk· p°i
shlukové analýze, ve které bylo moºné pozorovat trendy odpovídající expertnímu ohodnocení.
B¥hem klasikace se ukázalo, ºe klasikátory nedokáºi rozpoznat t°ídu odpovídající mrknutí
oka. Toto je patrn¥ zp·sobeno tím, ºe mrknutí je krátký d¥j (< 0,5s), který pouºité p°íznaky
nedokáºí dostate£n¥ reektovat.
Výsledkem práce je mnoºství zpracovaných a p°edzpracovaných dat epileptických EEG
signál·, na kterých by bylo moºné provád¥t dal²í zkoumání.
63
Literatura
asociace.
Dostupné z: <http://www.kmt.zcu.cz/person/Kohout/info_
soubory/exam4_soubory/e-learning/psych/data/Texty/Clanek/42.htm>.
[1] Míra
[2] Generalized Epilepsies on EEG.
Medscape reference.
2011.
emedicine.medscape.com/article/1140724-overview>.
Dostupné z: <http://
[3] EEG. Dostupné z: <http://vysetreni.vitalion.cz/eeg/>.
[4] Elektrické
vlastnosti
elektrod
pro
snímání
biopotenciál·.
Dostupné
z:
<http:
//www.fbmi.cvut.cz/esf-realizovane/nw.fbmi.cvut.cz/e/mereni-elektrod.
1953.pdf>.
[5] Seizures and Epilepsy: Hope Through Research.
NIH.
Kv¥ten 2012, publication no.
Dostupné z: <http://www.ninds.nih.gov/disorders/epilepsy/detail_
04-156.
epilepsy.htm>.
[6] Co
je
epilepsie?,
.
Dostupné
<http://www.spolecnost-e.cz/epilepsie/
z:
co-je-epilepsie/>.
[7] Epileptické
záchvaty,
.
Dostupné
z:
<http://gerstner.felk.cvut.cz/biolab/
X33BMI/referaty/2004_2005_ZS/E_zachvaty.ppt>.
[8] Základy frekven£ní analýzy signál·. Dostupné z: <http://www.rss.tul.cz/ftppub/
cms/10_zakl_freq_anal.pdf>.
[9] Korela£ní koecient.
3statistika.pdf>.
[10] Kurtosis.
Dostupné z: <http://is.muni.cz/el/1451/jaro2009/np015/
Dostupné
kurtosis.html>.
[11] Hamming
Distance.
z:
<http://www.mathworks.com/help/toolbox/stats/
Dostupné
z:
code/notes/part2.pdf>.
[12] Nervová
soustava.
Dostupné
<http://www.maths.manchester.ac.uk/~pas/
z:
21-nervova-soustava>.
[13] Median, .
html>.
<http://golgihoaparat.blog.cz/0903/
Dostupné z: <http://www.mathworks.com/help/techdoc/ref/median.
64
LITERATURA
[14] Modus,
65
.
Dostupné
<http://www.mathworks.com/help/techdoc/ref/mode.
z:
html>.
[15] Seizures, . Dostupné z: <http://www.nlm.nih.gov/medlineplus/seizures.html>.
[16] Epilepsie, . Dostupné z: <http://nemoci.vitalion.cz/epilepsie/>.
[17] Skewness.
Dostupné
z:
skewness.html>.
<http://www.mathworks.com/help/toolbox/stats/
EEG
monitorace.
Dostupné
z:
<http://www.homolka.cz/cs-CZ/
oddeleni/specializovana-centra/centrum-pro-epilepsie/pro-lekare/
video-eeg-monitorace.html>.
[18] Video
[19] Biology of Nonifectious Disease (Neurological Disorders - Seizures and Post-Seizure
Disorders).
Dostupné
z:
<http://biology.bard.edu/ferguson/course/bio114/
lectures_old_exams/Figures_for_Lecture_20.pdf>.
[20] Adamec, M.
Moderní rozpoznáva£e °e£ové aktivity.
Master's thesis, Vysoke uceni
technicke v Brne, 2008. Dostupné z: <http://www.vutbr.cz/www_base/zav_prace_
soubor_verejne.php?file_id=5788>.
[21] Barlow, J. S.
z:
The Electroencephalogram: Its Patterns and Origins.
1993.
Dostupné
<http://books.google.cz/books/about/The_Electroencephalogram.html?id=
LPN-xm_POfMC&redir_esc=y>.
[22] Bure², P. P°ibyl, O. Základní analytické metody M¥°ení a zpracování dat (MZD).
[23] Cecchin, T. et al. Seizure lateralization in scalp EEG using Hjorth parameters.
national Federation of Clinical Neurophysiology. 2010.
[24] Chang, B. S. Schomer, D. L. Niedermeyer, E.
Inter-
Epilepsy in Adults and the Elderly,
27. 2005.
[25] Ganong, W. F.
P°ehled léka°ské fyziologie.
Galén, 2005.
[26] Gerla, V. et al. PSGLab Matlab Toolbox for Polysomnographic Data Processing: De-
Proceedings of 10th International Conference
on Information Technology and Applications in Biomedicine. IEEE, 2010.
velopment and Practical Application. In
[27] Gerla, V.
Automated Analysis of Long-Term EEG Signals.
PhD thesis, The Czech
Technical University in Prague, 2012.
[28] Gudmundsson, S. Runarsson, T. P. Sigurdsson, S. Automatic Sleep Staging using
Proceedings of 2005
International Conference on Computational Intelligence for Modelling, Control and Automation, 2005. Dostupné z: <https://notendur.hi.is/steinng/cimca05.pdf>.
Support Vector Machines with Posterior Probability Estimates. In
[29] Haas,
L.
F.
Hans
Berger
electroencephalography.
(1873
-
1941),
Richard
Caton
(1842
-
1926),
Journal of Neurology, Neurosurgery & Psychiatry.
and
2003,
s. 9. Dostupné z: <http://www.ncbi.nlm.nih.gov/pmc/articles/PMC1738204/pdf/
v074p00009.pdf>.
LITERATURA
66
[30] Hall, M. et al.
[31] Hinner, M.
The WEKA Data Mining Software: An Update.
Dostupné z: <http://martin.hinner.
Jemný úvod do fraktál·, 1999.
info/math/Fraktaly/>.
[32] Hol£ík, J.
Analýza a klasikace signál·.
2009.
1992.
[33] Houdek, M. Svoboda, T. Procházka, T.
Klasikace podle nejbliº²ích soused· -
Nearest Neighbour Classication (k-NN), 2001. Dostupné z: <http://cmp.felk.cvut.
cz/cmp/courses/recognition/zapis_prednasky/zapis_01/4/rpz4.pdf>.
[34] Krowne, A. City-block metric. Dostupné z: <http://planetmath.org/encyclopedia/
CityBlockMetric.html>.
[35] Ku£era, J. Nehierarchicke metody slucovani. Dostupné z: <http://is.muni.cz/th/
172767/fi_b/5739129/web/web/nehiermet.html>.
[36] Ma°ík, V. t¥pánková, O. Laºanský, J.
Um¥lá inteligence (1).
Academia Praha,
1993.
K-Means Clustering.
Dostupné z: <http://home.dei.polimi.it/
matteucc/Clustering/tutorial_html/kmeans.html>.
[37] Matteucci, M.
[38] Millet, D.
The origins of EEG, erven 2002.
edu/nha/ishn/ab24-2002.htm>.
[39] Mukhopadhyay, S. Ray, G. C.
A New Interpretation of Nonlinear Energy Opera-
tor and Its Efcacy in Spike Detection.
ENGINEERING,. 1998, 45.
[40] Philip, S.
Cosine Similarity.
Dostupné z: <http://www.bri.ucla.
IEEE TRANSACTIONS ON BIOMEDICAL
Dostupné z: <http://mines.humanoriented.com/
classes/2010/fall/csci568/portfolio_exports/sphilip/cos.html>.
[41] Po²ík, P. Data Mining ást II. Hodnocení model·, prosinec 2005.
[42] Pokorný, J. Elektroencefalograe. Dostupné z: <http://fbmi.cvut.cz/files/nodes/
657/public/EEG.pdf>.
[43] Pospí²il, A. KLASIFIKACE AKUSTICKÝCH SIGNÁLÙ. Master's thesis, Výsoké u£ení
technické v Brn¥, 1009.
[44] Qin, D. EEG signal analysis for seizure detection. Master's thesis, Texas Tech University,
1996.
[45] Rautee, R. et al. Application of spectral entropy to EEG and facial EMG frequency
bands for the assessment of level of sedation in ICU. 2004.
[46] Sanei, S. Chambers, J.
EEG SIGNAL PROCESSING.
Processing, 2007.
[47] Shouse, M. N.
SEIZURES, 104.
John Wiley, 2006.
Centre of Digital Signal
LITERATURA
[48] Van£ura, J.
67
Fraktály - dimenze, 2006/2007.
webz.cz/fraktalydim.htm>.
Dostupné z: <http://www.fractals.
P°íloha A
Ukázky výpo£tu n¥kterých nov¥
p°idaných p°íznak·
Pomocný kód - 1. a 2. derivace
Fraktální dimenze
dpp = zeros(1, dsize - 1);
p1 = [data(1); 1];
d1 = diff(data);
d2 = diff(d1);
for i=2:dsize
h = dist([p1 [data(i); i]]);
dpp(i) = h(1,2);
end
Inexní body
points = psglab_crossing(d2)/dsize;
l = sum(sqrt(d1.^2+1));
D = log10(l)/log(max(dpp));
Peaks
th1 = 0.7*max(data);
th2 = 0.7*min(data);
test = find(d1(1:end-1).*d1(2:end) < 0);
value = test(data(test) >= th1 | data(test) <= th2);
Krátkodobá intenzita (bez váh. okna)
value = sum(abs(data)*hamming(length(data)));
Krátkodobá energie (s Hammingovým oknem)
value = sum(data.^2*hamming(length(data)));
68
P°íloha B
Obsah p°iloºeného CD
Obrázek B.1: Obsah p°iloºeného CD
69

Analýza epileptických EEG signál·

Transkript

Podobné dokumenty

Repertoár 2016 - 3 a půl promile

Repertoár 3 a půl promile

Lekce 1 a 2

Lekce 9 a 10