СТАТЬИ АРБИР
 

  2018

  Октябрь   
  Пн Вт Ср Чт Пт Сб Вс
1 2 3 4 5 6 7
8 9 10 11 12 13 14
15 16 17 18 19 20 21
22 23 24 25 26 27 28
29 30 31 1 2 3 4
   

  
Логин:
Пароль:
Забыли свой пароль?


Применение вейвлет-преобразований для анализа биомедицинских сигналов


ПРИМЕНЕНИЕ ВЕЙВЛЕТ-ПРЕОБРАЗОВАНИЙ ДЛЯ АНАЛИЗА БИОМЕДИЦИНСКИХ СИГНАЛОВ

Аннотация

В данной статье рассмотрены применение вейвлет анализа для обработки биомедицинских данных, таких, как ЭЭГ. Вейвлеты обладают рядом существенных преимуществ по сравнению с другими известными методами обработки нестационарных сигналов, например, преобразованием Фурье или визуальным анализом. В данной статье приведены результаты использования вейвлет-преобразования как средства оценки трансформаций основных ритмов ЭЭГ при переходе от состояния бодрствования к состоянию медленного сна.

Ключевые слова

Вейвлет-анализ, вейвлет-преобразование, обработка данных, ЭЭГ.

Вейвлет-анализ, в настоящее время, является наиболее перспективным методом обработки данных. Широкое применение этот метод получил в обработки различных биомедицинских нестационарных сигналов (томография, электрокардиография, электроэнцефалография). Вейвлеты представлены, как математические функции, которые способны анализировать различные частотные компоненты данных. Рассмотрим вейвлет-анализ данных на примере обработки данных ЭЭГ.

В настоящее время электроэнцефалография является основным неинвазивным методом записи и анализа функциональной активности мозга в норме или при различных патологических состояниях [1].

Вейвлеты обладают существенными преимуществами по сравнению с другими известными методами обработки нестационарных сигналов, например, таких как преобразование Фурье или визуального анализа. Основным недостатком традиционно применяемого в медицинской практике визуального анализа ЭЭГ является зависимость интерпретации информации, которую несет сложная картина биопотенциалов мозга, от уровня квалификации врача. Врач не всегда может однозначно поставить верный диагноз, а с применением компьютерных технологий принятие сложных решений будет обосновано не только опытом врача.

Для анализа биомедицинских сигналов ЭЭГ так же используют спектральный анализ, основанный на преобразовании Фурье. Он получил наибольшее распространение в медицине. Однако, этот метод может быть строго применен только для анализа стационарных сигналов, так как дает обобщенную информацию обо всех частотах, присутствующих в сигнале на всем промежутке времени анализа, тогда как ЭЭГ представляет собой нестационарный сигнал, характеристики которого меняются со временем. Недостаток этого метода - анализ Фурье не дает оценить частотно-временную структуру активности мозга в динамике, что является очень важным параметром. В то время, как вейвлет-преобразование дает возможность понять в какой момент времени появилась та или иная гармоника, а не только информацию о частотном спектре. Вейлет-преобразова- ние стало мощной альтернативой спектральному анализу во многих медицинских учреждениях, из-за хорошей приспособленности к нестационарным, изменяющимся во времени сигналам.

В данной статье приведены результаты использования вейвлет-преобразования как средства оценки трансформаций основных ритмов ЭЭГ при переходе от состояния бодрствования к состоянию медленного сна.

Исходные данные были получены в лаборатории Ростовского государственного медицинского университета на установке «Энцефалан-131-03 при регистрации биоэлектрической активности мозга у пациента, находящегося последовательно в состоянии бодрствования, дремоты и медленного сна. Электроды располагались по схеме 10 х 20.

Компьютерная обработка результатов съема ЭЭГ проводилась с помощью специализированного пакета расширения Wavelet-toolbox пакета прикладных программ Matlab на отрезках ЭЭГ длительностью 10 с.

в

Рис.1. Динамика ЭЭГ в отведении О1 - А1 в состоянии бодрствования (а), дремоты (б)

и сна (в)

Основным признаком засыпания при анализе ЭЭГ считается снижение частоты ритмов ЭЭГ. В состоянии спокойного бодрствования превалирует альфа-ритм частотой 8 - 13 Гц, переход к состоянию дремоты характеризуется снижением интенсивности биоэлектрической активности в области альфа-ритма и появлением тета-ритма частотой 4 - 8 Гц, в состоянии глубокого медленного сна преобладает дельта-ритм частотой 0,5 - 3 Гц. Так как альфа-ритм наиболее выражен в затылочных отведениях, то для оценки динамики ЭЭГ использовалось отведение О1 - А1 (рис. 1).

Результаты спектрального анализа, приведенные на рис. 2, показали, что в состоянии бодрствования на ЭЭГ присутствует хорошо выраженный альфа-ритм, а также низкочастотные колебания низкой интенсивности.

В процессе засыпания интенсивность альфа-ритма снижается и значительно возрастает медленно-волновая активность. В стадии медленного сна альфа-ритм отсутствует практически полностью. Наблюдается также спад медленно-волновой активности, сосредоточенной в частотном диапазоне дельта-ритма.

Аналогичные выводы об общих закономерностях частотного распределении биоэлектрической активности за время наблюдения можно сделать, анализируя результаты вейвлет-преобразования с использованием вейвлета Морле по приведенным на рис.3 скейлинграммам.

Кроме того, в отличие от спектрального анализа с применением преобразования Фурье вейвлет-анализ позволил выявить частотно-временную структуру, т.е. проанализировать динамику характерных ритмов ЭЭГ [3]. Из рис. 3 видно, что биоэлектрическая активность мозга представляет собой нестационарный процесс со значительными колебаниями интенсивности ЭЭГ за время наблюдения.

Например, на исходной ЭЭГ в состоянии бодрствование имеются два участка аномальной активности неустановленной природы. Выделить такие участки с помощью анализа Фурье не представляется возможным, так как спектр Фурье не показывает временное распределение ритмов ЭЭГ, тогда как на скейлинграмме (рис.3а) эти локальные 29781546418500308165546418500участки четко идентифицируются по интенсивности, частоте (на частотах соответствующих альфа ритму), продолжительности и времени возникновения.

Список литературы:

Методы исследования функционального состояния головного мозга // Brain Beat URL: www.brainbeat.ru/interesting/92-2011-02-18-15-02-07.html (дата обращения: 10.07.15).

Ламброу Т. Применение вейвлет-преобразования к обработке медицинских сигналов и изображений / Т. Ламброу, А. Линней, Р. Спеллер // Компьютерра. - 1998. - № 8.

Дремин И. Вейвлеты и их использование / И. Дремин, О. Иванов, В. Нечитайло // Успехи физических наук. - 2001. - Т. 171, № 5. c.465-561.


Кобылат А.О., Цыбрий И.К., Емин С.В. Донской государственный технический университет, Россия, г. Ростов-на-Дону





МОЙ АРБИТР. ПОДАЧА ДОКУМЕНТОВ В АРБИТРАЖНЫЕ СУДЫ
КАРТОТЕКА АРБИТРАЖНЫХ ДЕЛ
БАНК РЕШЕНИЙ АРБИТРАЖНЫХ СУДОВ
КАЛЕНДАРЬ СУДЕБНЫХ ЗАСЕДАНИЙ

ПОИСК ПО САЙТУ