Обработка электроэнцефалограмм в частотной области (стр. 2 из 3)
- альфа-волны 8- 13 колебаний в сек 
- бета-волны 14-30 колебаний в секРисунок 1.1 – Волновые процессы ЭЭГ
Существование характерных ритмических процессов определяется спонтанной электрической активностью мозга, которая обусловлена суммарной активностью отдельных нейронов. Ритмы электроэнцефалограммы отличаются друг от друга по длительности, амплитуде и форме. Основные компоненты ЭЭГ здорового человека приведены в таблице 1.1. Разбиение на группы является более или менее произвольным, оно не соответствует каким-либо физиологическим категориям.
Таблица 1.1 - Основные компоненты электроэнцефалограммы
| Выравнивание в ячейке | Частот, Гц | Состояние человека, соответствующее данному ритму |
| α | 8-13 | Покой (глаза закрыты) |
| β | 14-30 | Интенсивная умственная или физическая работа |
| δ | 1-4 | Глубокий сон |
| ϑ | 4-8 | Поверхностный сон |
Альфа-ритм электроэнцефалограммы представляет собой ритмические колебания электрического потенциала с частотой в пределах 8-13 Гц и средней амплитудой 30-70 мкВ. Для временной зависимости соответствующих колебаний характерна амплитудная модуляция. Альфа-ритм выражен, преимущественно, в задних отделах мозга, при закрытых глазах, в состоянии относительного покоя, при максимально возможном расслаблении мышц. Он блокируется при световом раздражении, усилении внимания и умственных нагрузках. При проведении детального анализа структуры ЭЭГ иногда различают быстрые и медленные варианты альфа - ритма. Четко выраженные колебания на соответствующей частоте проявляются в теменно-затылочной области в возрасте 4-5 лет. В 13-15 лет формируется устойчивый альфа-ритм, выраженный во всех областях.
Бета-ритм – ритм ЭЭГ в диапазоне от 14 до 30 Гц с амплитудой 5-30 мкВ, присущий состоянию активного бодрствования. Сильнее всего он выражен в лобных областях, но при различных видах интенсивной деятельности резко усиливается и распространяется на другие области мозга. Амплитуда бета-ритма возрастает в ситуации внимания, при умственном напряжении или эмоциональном возбуждении.
Дельта-активность – компонента ЭЭГ, представляющая собой колебания электрического потенциала с частотой от 1 до 4 Гц с различными периодами, распределенными в случайном порядке. Дельта-ритм у здоровых людей обычно регистрируется во время глубокого сна. Низкоамплитудные (20–30 мкВ) колебания в этом диапазоне могут быть идентифицированы в сигнале ЭЭГ в состоянии покоя при некоторых формах стресса и длительной умственной работе.
Тета-ритм – ритм ЭЭГ на частоте 4-8 Гц с амплитудой 10-100 мкВ. Он проявляется во время неглубокого сна. Наиболее ярко соответствующая динамика выражена у детей. Эмоциональное напряжение и интенсивная умственная работа приводят к увеличению спектральной плотности мощности тета-волн и увеличению пространственной синхронизации между ними.
Мю-pитм. Частота 8-13 Гц, амплитуда до 50 мкВ. как видно мю-ритм, называемый также wicket (англ.), - аркообразный ритм, имеет параметры, совпадающие с параметрами нормального а-ритма, и отличается от него некоторыми физиологическими свойствами и топографией. Визуально регистрируемый мю-ритм наблюдается у относительно небольшого числа индивидуумов (5-15%) и регистрируется в роландической области, т.е. соответственно распределению в-ритма. Aктивируется мю-ритм во время умственной нагрузки и психического напряжения. Аналогично в-ритму, мю-ритм снижается (или в небольшом числе случаев нарастает) по амплитуде при двигательной активации или соматосенсорной стимуляции, в связи с чем его ещё называют «сензоримоторным ритмом» (PfurtschellerG., 1986).
Рисунок 1.1 – Периодограмма альфа-ритма
В программе исследуется альфа-ритм и так должна выглядеть нормальная периодограмма здорового человека
2 МЕТОД АНАЛИЗА ЭЭГ В ЧАСТОТНОЙ ОБЛАСТИ
Согласно теории обработки сигналов к спектрально-корреляционным методам относятся разложение сигнала в ряд Фурье, построение спектра мощности, спектральной плотности мощности, автокорреляционной и кросскорреляционной (взаимно корреляционной) функции и т.д. Электроэнцефалография - метод исследования головного мозга, основанный на регистрации его электрических потенциалов.
Электроэнцефалограмма (ЭЭГ) - сигнал, получаемый при регистрации электрической активности головного мозга.
Перед тем, как приступить к описанию методов, с помощью которых автоматизируется анализ ЭЭГ, необходимо сделать одно допущение. Все нижеперечисленные методы, согласно теории обработки сигналов, могут быть применимы для стационарных случайных процессов. Очевидно, что ЭЭГ таковым процессом не является. Обычно в таких случаях при анализе выбирают участки, которые условно можно считать стационарными или, иначе, квазистационарными, и длина которых достаточно велика для получения статистически разумных результатов.
Другой особенностью, выявленной при проведении экспериментов с некоторым достаточно большим количеством ЭЭГ, является то, что в данном случае оценка процесса является скорее качественной, чем количественной. По крайней мере, для электроэнцефалографии нет каких-либо нормативных таблиц основных параметров сигнала, как это имеет место в электромиографии или кардиографии, и каждая ЭЭГ может характеризоваться своей определенной совокупностью параметров. Эти параметры варьируются для разных ЭЭГ, которые при этом могут относиться к одному из классов патологии или быть в норме. Применение алгоритмов обработки стационарных сигналов для анализа ЭЭГ в данном случае можно считать переходом от одной формы отображения информации к другой, более удобной, компактной и информативной. Также стоит отметить, что широко используемые методы обработки ЭЭГ, в общем-то, не учитывают ее биологический генез, а рассматривают ее как некий колебательный процесс и, как следствие, получаемые таким образом результаты не всегда удовлетворяют пользователя. И тот факт, что ЭЭГ представляет собой интегральную оценку электрофизиологической деятельности миллиардов элементарных источников, к тому же отфильтрованной естественными костно-тканевыми распределенными фильтрами, позволяет сказать, что использование рядов Фурье, корреляционного анализа для обработки ЭЭГ можно рассматривать только как более удобное в некоторых случаях изображение той же ЭЭГ и не более.
Некоторые специалисты считают, что достаточно визуального просмотра ЭЭГ, тем не менее, большую популярность начинают завоевывать методы математической обработки и представления сигналов. Так как в электроэнцефалографии основными параметрами являются частота и амплитуда, то необходимо иметь методы оценки сигнала с помощью амплитудно-частотных характеристик. Наибольшее распространение получили методы вычисления спектра мощности сигнала и построение топокартограмм головного мозга с помощью цветового представления амплитуды. Для этого обычно используют преобразования Фурье или, адаптированное для спектрального анализа ЭЭГ, преобразование Berg. Рассмотрим основные алгоритмы определения спектра сигнала.
Первый и наиболее часто используемый способ – использование алгоритма быстрого преобразования Фурье (БПФ). В настоящее время существует множество программных пакетов, созданных специально для реализации алгоритмов БПФ. Но, как показывает практика, использование классического БПФ не всегда удовлетворяет пользователя. Во-первых, несмотря на разнообразие способов ускорения этого алгоритма (оптимизация по периоду анализа, перевод некоторых функций на язык ассемблера), работает он достаточно медленно. Во-вторых, преобразование Фурье обладает некоторыми особенностями, которые отчасти затрудняют согласование получаемых с его помощью данных с данными визуального анализа. Суть их заключается в том, что на ЭЭГ медленные колебания имеют большую амплитуду и длительность, чем высокочастотные. В связи с этим в спектре, построенном по классическому алгоритму Фурье, наблюдается диспропорциональное преобладание низких частот. Для обхождения этого разработано преобразование BERG, специально адаптированное к детектированию быстрых изменений в спектре ЭЭГ и выравнивающее его в зависимости от частоты.
Процедура вычисления преобразования BERG основывается на тех же принципах, что и преобразование Фурье, однако с тем отличием, что для каждой полосы спектра в исследуемой ЭЭГ эпоха анализа выбирается обратно пропорционально частоте и составляет T=16/f (c). Так, соответственно частота 2 Гц вычисляется за 8 с, 4 Гц - за 4 с, 6 Гц - за 2,6 с и т.д. Это преобразование дает результаты более соответствующие субъективным оценкам визуального анализа ЭЭГ при большей точности и надежности информации, и особенно пригодно для детектирования быстро меняющихся колебаний на ЭЭГ, что обеспечивается подчеркиванием более быстрых частот в спектре.
Оба эти алгоритма хороши в том случае, если нет необходимости в высокой скорости обработки процесса. В электроэнцефалографии, когда анализу подвергаются участки записи в несколько десятков секунд, а иногда и минут, они не всегда могут удовлетворять потребностям пользователя или будут требовать мощных и, естественно, дорогих вычислительных ресурсов. Поэтому возникает необходимость разработки более скоростного метода разложения и представления сигнала. Причем следует учитывать, что в данном случае не нужна сверхвысокая точность расчетов, поскольку все же математические методы оценки ЭЭГ дают скорее качественную, чем количественную оценку протекающим процессам. Учитывая эти особенности, здесь для анализа электроэнцефалографического сигнала представлен алгоритм, который можно назвать дискретным преобразованием Фурье с прореживанием по времени. Справедливость использования данного алгоритма объясняется следующим. Так как частоту дискретизации для ЭЭГ не рекомендуется выбирать меньше, чем 200 Гц, а диапазон значимых частот располагается в пределах от 1 до 25 Гц (верхняя частота низкочастотного бета-диапазона), то можно выполнить прореживание дискретного ЭЭГ-сигнала по времени и использовать для анализа каждую четвертую точку. Это равносильно тому, что частота дискретизации уменьшится до 50 Гц. Согласно теореме Котельникова–Шеннона при такой частоте дискретизации без искажения будет передана верхняя полоса в 25 Гц. Для некоторых алгоритмов представления ЭЭГ такое значение будет удовлетворять (в частности, для реализации картирования).