logo-IBA logo-MU
© Institut biostatistiky a analýz
ZPRACOVÁNÍ A ANALÝZA BIOSIGNÁLŮ  V.
ELEKTROENCEFALOGRAM
ZPRACOVÁNÍ V ČASOVÉ OBLASTI

levy-panel-IBA-se-zavojem logo-IBA-transparent logo-MU
© Institut biostatistiky a analýz
þfrekvenční analýza
èstacionární analýza – testy stacionarity, FFT, neparametrické a parametrické metody
ènestacionární analýza – časový vývoj frekvenčního spektra, časově-frekvenční transformace, ….
þanalýza v časové oblasti
èdetekce grafoelementů - mimetické metody, korelační analýza, …
þmapování
èmetody zpracování obrazů - korekce neostrostí, analýza vzájemných souvislostí, lokalizace zdrojů,
modely, …
ANALÝZA EEG
POUŽÍVANÉ PROSTŘEDKY

levy-panel-IBA-se-zavojem logo-IBA-transparent logo-MU
© Institut biostatistiky a analýz
STACIONARITA
ADAPTIVNÍ SEGMENTACE
þMETODA TESTOVACÍHO A REFERENČNÍHO OKNA
* na začátek segmentu se umístí pevné referenční okno; v něm se určí charakteristiky signálu;
* po signálu klouže pohyblivé testovací okno a v něm se rovněž průběžně počítají charakteristiky;
* z rozdílu charakteru signálu v obou oknech se určí míra diference (odchylka od stacionarity)
* jakmile diference překročí mez, je indikována změna stacionarity signálu;
* přesná poloha hranice se určí z okolního průběhu;
* referenční okno se posune na začátek nového segmentu a pořád dokolečka;
TRokno

levy-panel-IBA-se-zavojem logo-IBA-transparent logo-MU
© Institut biostatistiky a analýz
þMETODA DVOU SPOJENÝCH OKEN
* po signálu kloužou dvě spojená okna
* z rozdílu charakteru signálu v obou oknech se určí míra diference (odchylka od stacionarity)
* hranice segmentu je v místě lokálního maxima míry diference; vliv nevýznamných fluktuací míry
diference je omezen minimální mezí pro segmentaci
Sokna
STACIONARITA
ADAPTIVNÍ SEGMENTACE

levy-panel-IBA-se-zavojem logo-IBA-transparent logo-MU
© Institut biostatistiky a analýz
þMÍRY DIFERENCE
þodhad střední hodnoty – Aw = Σ|xi|
þodhad střední frekvence - Fw = Σ|xi – xi-1| (předpoklad: průměrná diference ~ střední frekvenci)
þvážená kombinace obou hodnot
þodhad autokorelační funkce
STACIONARITA
ADAPTIVNÍ SEGMENTACE

levy-panel-IBA-se-zavojem logo-IBA-transparent logo-MU
© Institut biostatistiky a analýz
þMÍRY DIFERENCE
þ
þ
þ
þkde Rw je autokorelační funkce oken w1 a w2, ACFL je počet koeficientů AKF
þ
þ
þ
þkde Xt a Yt označují odhad spektrálního obsahu v oknech spočítaný pomocí DFT + vyhlazení
STACIONARITA
ADAPTIVNÍ SEGMENTACE

levy-panel-IBA-se-zavojem logo-IBA-transparent logo-MU
© Institut biostatistiky a analýz
NEZÁCHVATOVÉ  EEG
þmimetické metody (metody napodobující analýzu člověkem)
þ ß
þ výhradně v časové oblasti – měření dob trvání a velikostí jednotlivých vln, počet vln za jednotku
času, rytmus

levy-panel-IBA-se-zavojem logo-IBA-transparent logo-MU
© Institut biostatistiky a analýz
NEZÁCHVATOVÉ  EEG
DEKOMPOZICE VLN
þperiodová analýza – (historicky první)
þ- EEG se posuzuje jako posloupnost půlvln se začátky a konci v místech průchodu nulovou linií –
originál, 1. derivace, 2. derivace
ačkoliv je ignorována velikost signálu, je signál dostatečně přesně zakódován pomocí časových
intervalů
největší výhody:
jednoduchost kódování, přímý vztah mezi časovými mírami a způsobem analýzy člověkem
0cross

levy-panel-IBA-se-zavojem logo-IBA-transparent logo-MU
© Institut biostatistiky a analýz
þhistogramy časových intervalů
þdominantní frekvence ~ průměrný počet průchodů nulou v originálním signálu
þ„rychlá“ aktivita ve zbývajících histogramech; vztah mezi histogramy a frekvenčními spektry
þnevýhody:
þ citlivost na vf šum (EMG) – β a γ aktivita
þ absence přesného měření velikostí vln (? úroveň izolinie)
synteza
NEZÁCHVATOVÉ  EEG
DEKOMPOZICE VLN

levy-panel-IBA-se-zavojem logo-IBA-transparent logo-MU
© Institut biostatistiky a analýz
þanalýza (detekce) vrcholů
þdetekce extrémů + extrakce pravděpodobného šumu
þvelikost + doba mezi extrémy
þvyhodnocení: průměrná frekvence, průměrná amplituda v hlavních frekvenčních pásmech
synteza_vrcholu
NEZÁCHVATOVÉ  EEG
DEKOMPOZICE VLN

levy-panel-IBA-se-zavojem logo-IBA-transparent logo-MU
© Institut biostatistiky a analýz
þanalýza (detekce) vrcholů
þnapravuje:
þcitlivost na artefakty, nedostatek informace o úrovni signálu
þnenapravuje:
þoddělení společně existujících aktivit s různými frekvencemi (tj. jak detekovat pomalé složky při
existenci rychlých složek)
NEZÁCHVATOVÉ  EEG
DEKOMPOZICE VLN

levy-panel-IBA-se-zavojem logo-IBA-transparent logo-MU
© Institut biostatistiky a analýz
þanalýza period a vln
þměření dob mezi průchody nulou + měření „amplitud“ mezi vrcholy
problém superponovaných aktivit – úzkopásmové PP s pásmy základních frekvencí EEG
statistické vyhodnocení:
střední hodnota, variance frekvence, …
výhoda: kvantitativní data komplementární analýze prováděné lidmi
periody_amplitudy
NEZÁCHVATOVÉ  EEG
DEKOMPOZICE VLN

levy-panel-IBA-se-zavojem logo-IBA-transparent logo-MU
© Institut biostatistiky a analýz
þAUTOMATICKÁ DETEKCE HROTŮ A OSTRÝCH VLN (Spike&Sharp Wave – SSW) þ epilepsie - náhlý začátek a
konec úseků SSW nebo repetičních, rytmických úseků (3/s komplex vrchol/vlna).
!!! PROBLÉM !!! – co je to hrot ??
EEG hrot je: „… přechodová aktivita, kterou lze rozpoznat od pozadí, ve tvaru vrcholu a o trvání 20
÷ 70 ms. Hlavní složka je obecně záporná ve srovnání s ostatními segmenty. Velikost je proměnná.“
mereni_hrotu
NEZÁCHVATOVÉ  EEG

levy-panel-IBA-se-zavojem logo-IBA-transparent logo-MU
© Institut biostatistiky a analýz
þhroty mohou být monofázické, polyfázické; dominantní kritérium vychází ze strmosti – průměrný
maximální sklon: 8μV/ms
þvazba na pomalejší vlnu – úrovňové poměry se mění
þkontextová analýza ve více signálech paralelně
þepileptická stimulace – hyperventilace, fotostimulace, přechodné stavy vědomí, fáze spánku
þhodnocení lékaři – spíše konzervativní, vyloučit falešně pozitivní nálezy
NEZÁCHVATOVÉ  EEG

levy-panel-IBA-se-zavojem logo-IBA-transparent logo-MU
© Institut biostatistiky a analýz
þkorelace a souhlasná filtrace
þinverzní filtrace
þheuristické prohledávání
þdiskriminační analýza
ZÁCHVATOVÉ  EEG
METODY DETEKCE SSW

levy-panel-IBA-se-zavojem logo-IBA-transparent logo-MU
© Institut biostatistiky a analýz
þkorelace
þ výpočet korelačního koeficientu - velká proměnnost tvaru SSW Þ rozsáhlá množina vzorů – hodnota
prahu ?!?
þ
þsouhlasná filtrace (viz EKG)
ènení spektrální odlišení SSW a pozadí Þ sada souhlasných filtrů
è práh opět ve ô«ùó
korelace
ZÁCHVATOVÉ  EEG
KORELACE A SOUHLASNÁ FILTRACE

levy-panel-IBA-se-zavojem logo-IBA-transparent logo-MU
© Institut biostatistiky a analýz
þpředpoklad, že spontánní aktivita je modelována jako výstup AR filtru
è y(nT) = Σi=1L aiy(nT-iT) + e(nT)
èß
è
è
è inverzní autoregresivní filtr
ZÁCHVATOVÉ  EEG
INVERZNÍ FILTRACE

levy-panel-IBA-se-zavojem logo-IBA-transparent logo-MU
© Institut biostatistiky a analýz
þpodle předpokladu by EEG vyfiltrované filtrem s I(z) měl být stacionární. bílý, normální šum
èß
þ odchylky ve výstupu IARFod bělosti – přítomnost nestacionarity
neAR modely jsou citlivější na FP detekce, citlivost na FP obecně
ß
potřeba následného zpracování
šikovné nastavení prahů, koeficientů inverzních filtrů (úseky signálu pro učení)
inv_filtr
ZÁCHVATOVÉ  EEG
INVERZNÍ FILTRACE

levy-panel-IBA-se-zavojem logo-IBA-transparent logo-MU
© Institut biostatistiky a analýz
þopět mimetické metody vs. optimální metody
þ vyhledáváme útvary podle důležitých parametrů (trvání, křivost,…)
þ kritéria podle velikosti, trvání, křivosti
èpředpokládáme, že to, co chceme najít, lze v signálu snadno rozlišit od pozadí (což není vždy
pravda – např. delta aktivita ve spánku stav III, IV)
è
*
ZÁCHVATOVÉ  EEG
HEURISTICKÉ METODY

levy-panel-IBA-se-zavojem logo-IBA-transparent logo-MU
© Institut biostatistiky a analýz
þkřivost
è2. derivace – předtím filtrace (jaká?)
þ náhražky snadno spočitatelné – lineární aproximace
þ
þB, D v polovině mezi AC a CE
*
mereni_hrot
ZÁCHVATOVÉ  EEG
HEURISTICKÉ METODY

levy-panel-IBA-se-zavojem logo-IBA-transparent logo-MU
© Institut biostatistiky a analýz
þměření času
þ průchody nulou signálu a jeho derivací
þ snižování citlivosti derivací na šum (např. kvantování) – náhrada polynomy (např. nejmenší
čtverce 2. řád z 5 bodů)
þstrmost
þ totéž co křivost, práh ~ 2μV/ms
*
ZÁCHVATOVÉ  EEG
HEURISTICKÉ METODY

levy-panel-IBA-se-zavojem logo-IBA-transparent logo-MU
© Institut biostatistiky a analýz
þkombinace více parametrů zvyšuje spolehlivost
èdoba mezi dvěma extrémy (následnými);
èdoba mezi dvěma následnými inflexními body;
èvelikost extrému vzhledem k nulové izolinii;
èsklon – extrém 1. derivace (diference) v rostoucím, resp. klesajícím úseku
èkřivost – extrém 2. derivace (diference)
þdalší redundance – více svodů
*
ZÁCHVATOVÉ  EEG
HEURISTICKÉ METODY

levy-panel-IBA-se-zavojem logo-IBA-transparent logo-MU
© Institut biostatistiky a analýz
þnastavení parametrů – zkusmo
þnastavení prahů
èmaximalizace senzitivity (poměr správných detekcí k celkovému počtu) a specificity (poměr správně
nezachycených případů k celkovému počtu artefaktů);
èproměnné prahy
èdoplňková logická pravidla
*
ZÁCHVATOVÉ  EEG
HEURISTICKÉ METODY

levy-panel-IBA-se-zavojem logo-IBA-transparent logo-MU
© Institut biostatistiky a analýz
þprostředek pro zautomatizování výběru parametrů, prahů a vlastního rozpoznávání
èvýběr parametrů z vytvořené množiny;
ètransformace proměnných (parametrických, příznakových)
èdefinice a určení diskriminačních funkcí (hustota pravděpodobnosti, vzdálenost, podobnost, …)
*
ZÁCHVATOVÉ  EEG
DISKRIMINAČNÍ ANALÝZA