ELEKTROENCEFALOGRAMU ANALIZĖS METODU TYRIMAS

Transcription

1 Vilniaus universitetas Matematikos ir informatikos institutas L I E T U V A INFORMATIKA (9 P) ELEKTROENCEFALOGRAMU ANALIZĖS METODU TYRIMAS Andrius Vytautas Misiukas Misiūnas 216 m. spalis Moksline ataskaita MII-DS-9P-16-1 VU Matematikos ir informatikos institutas, Akademijos g. 4, Vilnius LT

2 Santrauka Šioje ataskaitoje aprašyta doktorantūros pirmųjų metų mokslinė veikla. Patobulintas ir įgyvendintas literatūroje jau buvęs aprašytas elektroencefalogramų pikų detekcijos algoritmas. Algoritmas atskiria EEG pikus nuo normalios smegenų foninės veiklos, veikia tiek asmeniniuose kompiuteriuose tiek ir paskirstytųjų skaičiavimų platformose su MPI protokolu. Taip pat sukurti metodai, leidžiantys išmatuoti tam tikras elektroencefalogramų charakteristikas, tokias kaip piko pakilimo bei nusileidimo statumai, aukštis, plotis pusaukštyje ir kitos. Šios charakteristikos yra tiriamos su hipoteze, kad jos gali būti statistiškai skirtingos tarp įvairių pacientų grupių. Preliminari analizė rodo, kad šios charakteristikos skiriasi tarp Rolando epilepsija sergančių ir turinčių smegenų pažeidimų pacientų. Taip pat pagal minėtus parametrus yra atpažįstamos kai kurios signalo dalys, kurios buvo neteisingai atpažintos kaip elektroencefalogramų pikai. Raktiniai žodžiai: EEG, elektroencefalogramos, EEG pikai, epilepsija MII-DS-9P

3 Turinys 1 Įvadas EEG ir jų taikymai diagnostikoje Tarptautinė 1-2 EEG sistma Normali CNS veikla EEG artefaktai EEG pikai Morfologiniai EEG piko požymiai EEG pikų aptikimo algoritmas Morfologinės operacijos Struktūriniai elementai Pikų atpažinimo algoritmas EEG pikų metrikos algoritmas EEG pikų metrikos Papildomas apdorojimas Rezultatai ir išvados Literatūros sarašas MII-DS-9P

4 1 Įvadas Šioje darbo dalyje bus aprašyti algoritmai ir medicininės savokos, kurių reikės suprasti pagrindinėje darbo dalyje aprašytiems darbams. Darbas yra atliekamas bendrai su Vaikų ligoninės, VšĮ VU ligoninės Santariškių klinikų filialo gydytojais neurologais. Taip pat aprašytas elektroencefalogramų (toliau - EEG) pikų detekcijos algoritmas ir jo veikimo pagrindai. Šiame skyriuje pateikiama medžiaga, kuri buvo referuota susipažįstant su disertacijos tema atliktais moksliniais tyrimais (aprašyti 1-ame disertacijos rengimo plano punkte). 1.1 EEG ir jų taikymai diagnostikoje Šiame darbo skyriuje bus aprašyti EEG signalai, jų svarba diagnozuojant epilepsija bei kitas CNS ligas, pasižyminčias EEG pikais, bus aprašyta normali ir nenormali smegenų veikla su pavyzdžiais. Taip pat bus aptarti dažniausiai pasitaikantys EEG artefaktai, kurie gali būti vizualiai panašūs į pikus, tačiau nėra skaičiuojami kaip pikai. Taip pat bus aptarti reikalavimai, keliami EEG pikams, pagal kuriuos minėti artefaktai yra pašalinami Tarptautinė 1-2 EEG sistma 1-2 sistema yra plačiausiai pasaulyje naudojama EEG nuskaitymo sistema. Šioje sistemoje paprastai naudojamas 21 EEG matavimo kanalas [SC7], kiekvienas matuoklis turi šiuo standartu nustatyta savo vieta. Ši sistema yra labai plačiai naudojama, nes turi nustatytus tvirtinimo prie paciento galvos taškus ir santykius tarp matavimo elektrodų, todėl elektrodai kiekvienam pacientui atsiduria virš apytiksliai tos pačios smegenų dalies. Tai yra ypač paranku medikams, netgi panaudojama ir šiame darbe: aptiktas pikas turi atsikartoti bent dviejuose kaimyniniuose elektroduose. Kurie elektrodai yra kaimyniniai, žinome iš standartinio 1-2 EEG sistemos išdėstymo. 1 pav. pateikiama standartinė EEG elektrodų išdėstymo schema 1-2 tarptautinėje EEG sistemoje. 1-2 sistema gali būti panaudojama įvairių CNS ligų diagnostikai ir gydymui, ne vien epilepsijos. Šiame darbe ieškomi EEG pikai būdinti epilepsijai ir Rolando epilepsijai, kuri yra vaikams būdinga epilepsijos forma, nuo kurios suaugus pasveikstama [Sam13]. Šiame darbe skaičiuojami smegenų ritmų galių santykiai gali būti naudingi diagnozuojant ir sekant vystymosi sutrikimų ir neurodegeneracinių ligų eiga [Sam13]. EEG matavimai gali būti atliekami tiek budrumo, tiek ir miego metu, pagrindiniai šių tipų EEG taikymai pateikiami 1 lentelėje Normali CNS veikla Normali smegenų veikla pasižymi smegenų ritmais, aprašytais 2 lentelėje. Priklausomai nuo paciento būsenos dažniausiai vyrauja kažkuris vienas smegenų ritmų. Tikslus MII-DS-9P

5 NASION Fp1 Fp2 F7 F3 Fz F4 F8 A1 T3 C3 Cz C4 T4 A2 T5 P3 Pz P4 T6 O1 O2 INION 1 pav.: Standartinis 1-2 tarptautinės EEG sistemos elektrodų išdėstymas [SC7]. Autorinių teisių nesaugoma iliustracija, paimta iš Wikimedia Commons [Com1]. kiekvieno ritmo dažnis gali priklausyti nuo daugelio veiksnių (budrumo lygio, amžiaus), tačiau gali keistis dėl kai kurių CNS sutrikimų, kaip pvz. sutrikęs vystymasis ar demencija [SC7]. Dėl šios priežasties įgyvendinto algoritmo ataskaitoje pateikiami smegenų ritmų galių santykiai. Kaip matome iš 2 miego metu dominuoja δ ir θ smegenų ritmai. EEG matavimas gali būti atliekamas tiek miego tiek budrumo būsenoje. Budrumo būsenos EEG yra atliekamas pacientui ramiai gulint ir užsimerkus, todėl tokiose EEG dominuoja α ritmas. Priežastis, dėl kurios EEG yra atliekama miego arba ramybės būsenoje yra ta, kad pacientui judant sukuriami EEG artefaktai, kurie neleidžia atlikti matavimų jais užterštose signalo vietose. Suaugusiems pacientams EEG matavimas dažniausiai yra atliekamas budrumo būsenoje, miego EEG pasitelkiamas mažiems vaikams, kurie negali išbūti ilgesnį laika ramybės būsenoje. Epilepsijos diagnostikos požiūrio prasme tiek miego tiek budrumo būsenos EEG turi vienoda vertę, tačiau skiriasi kai kurių EEG smegenų galių ritmų santykių normos. Šio darbo pagrindinis tikslas yra EEG pikų aptikimas, todėl smegenų ritmų galių reikšmė toliau nebus nagrinėjama. MII-DS-9P

6 1 lentelė: EEG panaudojimas medicinoje. EEG tipas Miego EEG Budrumo būsenos EEG Budrumo būsenos arba miego EEG Naudojimas diagnozavimui Autizmas, miego sutrikimai, esant priešinimuisi tyrimui budrumo būsenoje dėl mažo amžiaus Migrena, neaiškios etiologijos priepuoliai, encefalopatija, įvairios etiologijos komos, lokalūs smegenų pažeidimai Epilepsija, Rolando epilepsija, raidos regresas, neurodegeneracinės ligos. 2 lentelė: Smegenų aktyvumo ritmai Pavadinimas Dažnis Aprašymas α 8 13Hz Dominuoja atsipalaidavus, esant budrumo būsenoje, bet esant užmerktoms akims. β 13 3Hz Dominuoja budrumo būsenoje, atmerkus akis ir kreipiant dėmesį į išorinį pasaulį. γ 3 1Hz Tikslių duomenų nėra. δ.5 4Hz Dominuoja gilaus miego būsenoje arba pacientui esant nesamoningam. θ 4 8Hz Dominuoja miego arba gilios meditacijos būsenoje EEG artefaktai Normali smegenų veikla gali pasižymėti įvairios kilmės artefaktais, kurie vizualiai gali atrodyti panašūs į EEG pikus. Vienas iš tokio tipo artefaktų yra judesio artefaktai, dėl to yra stengiamasi EEG matavimus atlikti pacientui esant ramybės būsenoje, arba kai pacientas negali ilgesnį laika išbūti ramybės būsenoje - miegant. Kito tipo artefaktas yra greiti judesiai (pvz. akių mirkčiojimas) ir K-Kompleksai EEG gali būti sunkiau atpažįstami. Dėl šios priežasties jiems yra sugalvota sudėtingesnė atpažinimo metodika, vadinama aklu šaltinių atskyrimu (angl. Blind Source Separation) [VVPR + 12]. Šiame straipsnyje aprašoma idėja, kad turima EEG signala galima išskirstyti į šaltinius vėliau atpažįstant artefaktinius šaltinius. Šis metodas šiame darbo etape detaliau nagrinėjamas nebus, tačiau dėl jo teikiamų plačių galimybių bus nagrinėjamas vėlesniuose darbo etapuose. Trečio tipo artefaktai kyla dėl paciento širdies veikos. Kaip žinom širdis užtikrina kraujotaka dėl periodiškai susitraukiančio širdies raumens, kurio veiklos atspindžiai taip pat gali būti matomi EEG. Tačiau šio artefakto atskyrimas yra nesunkus dėl jo periodiškumo, be to dauguma encefalografų matuoja ir EKG, kuri kaip žinoma fiksuoja širdies aktyvuma. stebimas visose EEG yra neperiodinis smegenų aktyvumas. Ketvirtas artefaktas, Smegenų veikla nėra griežtai periodinė, smegenyse vyksta daugybė sudėtingų neperiodinių procesų, kurie šiuo metu neturi jokios medicininės vertės ir kartu su prietaiso matavimo paklaidomis yra suprantami kaip triukšmas. Egzistuoja keli būdai kaip pa- MII-DS-9P

7 šalinti nepageidaujamas neperiodines signalo komponentes, [VVPR + 12] siūlo bangelinį triukšmo šalinima (angl. Wavelet Denoising), nors egzistuoja ir kitų būdų, pavyzdžiui autokoreliacijos algoritmas [JM11]. Šioje darbo dalyje bus pritaikytas autkokoreliacijos algoritmas, kitoje darbo dalyje jo rezultatus planuojama palyginti su [VVPR + 12] siūlomu algoritmu EEG pikai Pagalba diagnozuojant EEG pikais ir iškrovomis pasižyminčias ligas bus pagrindinis šio darbo suprogramuoto įrankio tikslas. Ligos, galinčios sukelti EEG pikus yra epilepsija, Rolando epilepsija, įvairios etiologijos priepuoliai ir kitos rečiau sutinkamos ligos [SC7]. Tipiškų epilepsijos sukeltų EEG pikų pavyzdys matomas 2 paveiksle. Cz ( V) T6 ( V) T5 ( V) P4 ( V) P3 ( V) Pz ( V) O2 ( V) O1 ( V) C3 ( V) t (s) Fp1 ( V) F8 ( V) F7 ( V) F4 ( V) F3 ( V) Fz ( V) T4 ( V) T3 ( V) C4 ( V) Fp2 ( V) t (s) 2 pav.: EEG pikų pavyzdžiai. Grafike matomi 19 kanalų EEG 5 sekundžių atkarpa. Joje matomi trys pikai ties 1.7, 2.6 ir 3. sekundėmis. 2 paveiksle matomi trys pikai, atitinkantys EEG pikams keliamus reikalavimus. Tam, kad EEG pikas būtų užskaitytas, jis turi atsikartoti mažiausiai dviejuose kaimyniniuose kanaluose. Kaip matoma 2 pikai atsikartoja daugelyje kanalų tuo pačiu laiko momentu. Antras reikalavimas, keliamas EEG pikui yra, kad EEG pikas turi iškilti bent du kartus virš foninio smegenų aktyvumo. Reikėtų pažymėti, kad pikas gali turėti tiek teigima MII-DS-9P

8 A1 A2 a b S1 S2 SD 3 pav.: EEG piko morfologija. Piko dalis tarp S1 ir S2 yra pagrindinis EEG pikas, SD dalis - iškrova, kuri turi sekti kiekviena EEG pika. A1 žymi piko, o A2 - iškrovos amplitudę. tiek neigiama amplitudę. EEG piko morfologiniai reikalavimai bus aptarti vėlesniame šio darbo skyrelyje. 1.2 Morfologiniai EEG piko požymiai EEG pikui taip pat yra taikomi tam tikri morfologiniai reikalavimai [Sam13]. 3 pav. yra vaizduojamas schematinis EEG piko vaizdas. Viso piko trukmė (S1 + S2 + SD) neturėtų būti mažesnė negu 4ms ir neturėtų būti ilgesnė, negu 2ms. Piko amplitudė A1 visada turėtų būti didesnė už iškrovos amplitudę A2, be to tam pačiam pacientui šių amplitudžių santykis paprastai išlieka panašus [Sam13]: A1 const. (1) A2 Be to EEG piko pakilimo kampas visada turėtų būti didesnis už piko nusileidimo kampa ( a > b). 2 EEG pikų aptikimo algoritmas Šiame darbo skyriuje aprašoma dabartinė EEG pikų aptikimo algoritmo versija. Ši algoritmo versija iš esmės yra paremta [JBBS11] aprašytu algoritmu, tačiau turi tam tikrų pakeitimų ir patobulinimų, pagerinančių algoritmo patikimuma ir jautruma. 2.1 Morfologinės operacijos Darbe naudojamas algoritmas, aprašytas [JBBS11] straipsnyje remiasi morfologinių operacijų ir filtrų serija. Elementariausios morfologinės operacijos, naudojamos šiame darbe yra morfologinis susiaurinimas ir morfologinis išplėtimas. Tiriamas signalas yra aprašomas kaip laiko eilutė f(t). Struktūrinis elementas apibrėžtas kaip g(t) o jo atspindys g s (t) = g( t). D yra signalo f(t) apibrėžties sritis. Šiuo MII-DS-9P

9 atveju morfologinis susiaurinimas gali būti aprašytas kaip: (f g s )(t) = min{f(τ) g( (t τ))} (2) τ D Analogiškai morfologinis išplėtimas gali būti aprašomas kaip: (f g s )(t) = min{f(τ) + g( (t τ))} (3) τ D Pasinaudojus viršuje pateikiamais apibrėžimais galima apibrėžti morfologinio atidarymo ir morfologinio uždarymo operacijas. Morfologinis atidarymas: (f g)(t) = [(f g s ) g](t) (4) Analogiškai morfologinis uždarymas gali būti apibrėžiamas: (f g)(t) = [(f g s ) g](t) (5) Tačiau EEG pikai gali turėti tiek teigiama tiek neigiama amplitudes. Dėl to reikia apibrėžti papildomas morfologines operacijas, kurios išryškintų bet kurio ženklo amplitudės EEG pikus. Uždarymo-atidarymo operacija: CO(f(t)) = f(t) g 1 (t) g 2 (t) (6) Analogiškai atidarymo-uždarymo operacija gali būti apibrėžiama kaip: CO(f(t)) = f(t) g 1 (t) g 2 (t) (7) Atidarymo-uždarymo operacija pakelia vidutinę signalo reikšmę, o uždarymoatidarymo sumažina vidutinę signalo reikšmę labai panašiu dydžiu esant vienodiems struktūriniams elementams. Dėl to yra sukuriama kombinuota morfologinė operacija, kuri nufiltruoja foninį smegenų aktyvuma išryškindama pikus: OCCO(f(t)) = (OC(f(t)) + CO(f(t)))/2 (8) 4 paveiksle rodomas aprašytų filtrų veikimas. Kaip matome iš 4 paveikslo A dalies, OC filtras geriausiai išskiria EEG pikus, tačiau prasčiausiai apgaubia signalo artefaktus. CO signalas labiausiai sumažina artefaktus, tačiau prasčiau išskiria EEG pikus. Dėl to [JBBS11] pasirinko filtravima OCCO filtru. Atlikus analizę su realių pacientų duomenimis padaryta išvada, kad OCCO filtras yra tinkamiausias EEG pikų išskyrimui. Struktūrinis elementas yra parenkamas taip, kad netgi didelės amplitudės iškilimai virš signalo yra nufiltruojami. Taip yra dėl to, kad morfologinio filtravimo metu yra išryškinami tik trumpi išreikšti pikai, būdingi epilepsijai, šio morfologinių filtrų veikimo pavyzdžiai pateikiami vėlesniuose darbo skyriuose. MII-DS-9P

10 f ( V) f ( V) A) B) t (s) EEG Fp2 Kanalas OC CO OCCO t (s) Aptikimo riba Fp2 - OCCO 4 pav.: Morfologinių filtrų veikimas. A) dalyje vaizduojamas originalus EEG signalas ir jo filtravimas OC, CO ir kombinuotu OCCO filtrais. B) dalyje rodomas skirtumas tarp pradinio signalo ir OCCO filtru nufiltruoto signalo. MII-DS-9P

11 2.2 Struktūriniai elementai Struktūriniai elementai yra parinkti specialiai taip, kad padėtų atskirti foninį smegenų aktyvuma nuo EEG pikų. Foninį smegenų aktyvuma geriausiai aprašo parabolė: g i (t) = a i t 2 + b i, i = 1,2 (9) Smegenų ritmai gali būti bet kokio dažnio tarp.5hz ir 1Hz ir parabolių amplitudės dažniausiai skiriasi kiekvienai EEG atkarpai, kaip ir parametrai a ir b skiriasi kiekvienai EEG signalo atkarpai. Dėl to yra svarbu apibrėžti masyva W, kuris yra signalo arkų ilgių masyvas. Tokiu atveju parametrai a ir b gali būti apibrėžti kaip: b 1 = b 2 = median(abs(f)) (1) Parametras a 1 : Parametras a 2 : a 1 = median(abs(f)).5median(w ) a 2 = median(abs(f)) 1.5median(W ) Eksperimentų metu buvo nustatyta, kad optimalus struktūrinio elemento ilgis yra 2median(W ). (11) (12) 2.3 Pikų atpažinimo algoritmas Šis algoritmas yra patobulinta algoritmo, aprašyto [JBBS11] versija, aprašyta [MMJ15]. Įgyvendinus algoritma šiame darbe eksperimentais buvo nustatyta, kad optimali EEG signalo atkarpa analizei, kuriai dar tinka anksčiau aprašyti a i ir b i parametrai yra tarp 4 ir 6 sekundžių. EEG atkarpa nagrinėjama iteracijoje turi būti pakankamai ilga, kad joje būtų galima aptikti EEG pika ir nustatyti vyraujančius smegenų ritmus, tačiau turi būti pakankamai trumpa, kad šie vyraujantys ritmai daug nepasikeistų. Pasikeitus vyraujantiems smegenų ritmams, parametrai a i ir b i privalo būti įvertinti iš naujo siekiant kuo efektyviau atpažinti foninį smegenų aktyvuma. Kai parametrai parinkti netinkamai, smegenų foninis aktyvumas lieka nufiltruotas netinkamai, dėl ko pradedami detektuoti EEG pikai, kur jų nėra (mažėja algoritmo tikslumas) arba pradedama praleisti mažiau virš fono iškilusius pikus (mažėja algoritmo patikimumas). Antras argumentas dėl kurio buvo pasirinktas minėtas iteracinis signalo ilgis yra, kad laikui bėgant dėl prakaito ir kitų faktorių keičiasi pacientų galvos odos laidumas, dėl ko taip pat keičiasi struktūrinių elementų parametrai (ypač amplitudė), dėl ko šiuos parametrus būtina perskaičiuoti. Esant 4-6 sekundžių trukmės EEG signalo atkarpai lengviausia nufiltruoti minėtus artefaktus. Trečias argumentas, dėl kurio buvo pasirinktas būtent minėtas iteracijos periodas yra faktas, kad algoritmas turi sudėtinguma ne tik pagal viso signalo ilgį, bet ir pagal MII-DS-9P

12 analizuojamos signalo atkarpos ilgį. Todėl algoritmas veikia greičiau esant mažesnėms signalo atkarpoms. Analizuojamos signalo atkarpos negali būti mažinamos iki begalybės dėl jau minėtų priežasčių: signalo atkarpa privalo būti pakankamai ilga, kad joje būtų galima nustatyti vyraujančius smegenų ritmus ir iš jų išskirti EEG pikus. Kiekvienas pacientas pasižymi skirtingos morfologijos pikais, todėl tiksli detekcijos riba kiekvienam pacientui skiriasi. Dėl to darbe skaičiavimai yra atliekami su keliomis detekcijos ribomis paliekant gydytojui nuspręsti, kuris iš apskaičiuotų pikų kiekio yra tiksliausias. Ribos, nuo kurių yra aptinkami pikai yra apibrėžiamos kaip: L = d extrema(f) (13) Kur d yra skaičiai tarp 6 ir 12. Kai kurios (ypač žemesnės) detekcijos ribos vis tiek sugeneruoja nemaža netikrų EEG pikų skaičių, tačiau netikrus pikus galima atskirti pagal jiems taikomus reikalavimus: pikas turi būti bent dviejuose kaimyniniuose kanaluose (kas atmeta didžiaj a neteisingai aptiktų pikų dalį), taip pat yra patikrinami ir validuojami esminiai EEG piko morfologiniai reikalavimai. 3 EEG pikų metrikos algoritmas Šiame skyriuje aprašyti darbai, numatyti disertacijos rengimo plano 2.1, ir punktuose. Šie darbai yra būtini tam, kad atlikti vėliau plane numatytam empiriniam tyrimui bei kitiems darbams. 3.1 EEG pikų metrikos Tam, kad įvertinti pagrindines EEG piko metrikas, yra skaičiuojami keli tarpiniai parametrai. Mes nagrinėjame tokius parametrus kaip piko pakilimo ir nusieidimo greičiai ir plotis pusaukštyje, kurie bus apibrėžti vėliau. Tam, kad apibrėžti piko pakilimo ir nusileidimo greičius mums reikia signalo bazinės linijos, kuri yra naudojama apskaičiuoti piko maksimumui ir jo pusei. Bazinė linija yra apskaičiuojama vidurkinant signalo vertes prieš it po piko, imant trukmę, kuri yra lygi apie 5 % viso EEG piko trukmės tiek 5 % laiko prieš tiek po 2 % laiko piko paliekant tarpus prieš ir po piko siekiant, kad pats pikas neturėtų įtakos bazinės siganalo vertės nustatymui. Signalo bazinė linija nėra algoritmo išvesties parametras, bet figūruoja apskaičiuojant kitas metrikas. Minėti laiko tarpai yra parinkti eksperimentiniu būdu kaip duodantys geriausius rezultatus, per trumpi periodai lemia didelį triukšma rezultatuose, per ilgi periodai turi didelę rizika būti paveikti kitų greta esančių pikų, artefaktų ar natūraliai smegenyse pasitaikančių lėtų bangų. EEG pikas turi būti aptinkamas ir bent viename kaimyniniame kanale, dažniausiai stebimas keliuose kaimyniniuose kanaluose iškart, bet šiame tyrime mes nagrinėjame tik ta kanala, kuriame pikai yra stipriausi. Algoritmas automatiškai parenka analizei kanala, kuriame randama daugiausiai pikų, nes kanaluose, kur pikai yra silpnesni dalis jų yra nepaste- MII-DS-9P

13 Baseline before spike 2% Upslope 5% Downslope 2% Spike baseline Spike upslope and downslope Spike width Baseline after spike Signal noise 5 pav.: EEG piko ir jo parametrų schematinis atvaizdavimas. bima algoritmo. Piko maksimumas yra maksimali arba minimali vertė (-.5/+.5) sekundės intervale nuo detektuoto piko (pikai gali būti tiek teigiami tiek neigiami). Toks intervalas yra parinktas dėl to, kad piko greita banga gali būti iki.1 sekundės trukmės. Šie parametrai yra naudojami apskaičiuoti piko pločiui pusaukštyje. Pikų charakteristikos yra parodyti pav. 5. Plotis pusaukštyje yra pasirinktas dėl kelių priežasčių. Pirma jų yra tokia, kad piko pločio matavimas ties bazine linija yra netikslus: neįmanoma tiksliai nustatyti kur prasideda ir baigiasi pikas, nes piko pradžia yra susimaišiusi su matavimo aparatūros triukšmu ir normalia fonine smegenų veikla. Tai yra standartinė praktika kitose srityse, kur dirbama su triukšmingais signalais, pvz. žvaigždžių spektroskopijoje. Plotis pusaukštyje iš esmės neša ta pačia informacija kaip ir piko plotis, bet yra mažiau paveiktas įvairių triukšmų. Po to apskaičiuojami piko pakilimo ir nusileidimo greičiai. Jie apslaičiuojami atitinkamas piko dalis aproksimuojant tiesėmis mažiausių kvadratų būdu atitinkamai prieš ir po maksimalios piko reikšmės. Tiesė aproksimuojama neimant 2 % iki maksimalios vertės ir tiek pat atmetant iki piko apačios. 3.2 Papildomas apdorojimas Papildomų parametrų apskaičiavimas padėjo pagerinti pradinio algoritmo veikima. Kai kurie neteisingai teigiamai aptikti pikai yra atmetami validuojant parametrų reikšmes prieš medicininėje literatūroje pateikiamas reikšmingas tų parametrų reikšmes [SC7]. Šios reikšmės yra tokios: greitos bangs trukmė yra nuo 4 iki 1 ms, lėtos bangos nuo 8 iki 2 ms, piko pirmojo kampo absoliutinė vertė visada didesnė už antrojo, piko maksimumas turi būti bent du kartus aukštesnis už foninį triukšma. Pikas yra atmetamas jei yra vidutiniškai per daug nutolęs nuo bazinės linijos, taip yra daroma dėl to, kad tokiu atveju pikas yra aptiktas neteisingai arba yra paveiktas šalia esančių EEG darinių. Sukurtas algoritmas buvo ištestuotas ant 89 realių pacientų duomenų, žr. 7 pav. Sukurta papildoma pikų validacija atmeta apie 6-8 % neteisingai teigiamai aptiktų pikų (priklausomai nuo paciento) tokiu būdu padidinant algoritmo specifiškuma. Neteisingai teigiamai aptikti pikai sudaro nuo 1 iki 3 procentų priklausomai nuo detekcijos MII-DS-9P

14 U (µv) t (s) (a) U (uv) t (s) (b) 6 pav.: Teisingai aptiktų pikų pavyzdžiai (algoritmas [JBBS11, MMJ15]) EEG pikų metrikos algoritmas sėkmingai aptiko šių pikų parametrus [MMS16] MII-DS-9P

15 U (µv) t (s) (a) U (µv) t (s) (b) 7 pav.: Originalaus algoritmo neteisingai teigiamai aptiktų pikų pavyzdžiai (algoritmas [JBBS11, MMJ15]) Šie EEG pikai buvo atmesti išvestinių parametrų, gautų iš algoritmo [MMS16], apdorojimo metu MII-DS-9P

16 ribos, todėl specifiškumo pagerinimas leidžia nustatyti agresyvesnę detekcijos riba išlaikant nedidelį teigiamai neteisingai aptiktų pikų skaičių. Nuo 3 iki 5 % pikų, kurie yra aptikti teisingai yra atmetami papildomo apdorojimo metu dėl netinkamai apskaičiuotų pikų parametrų, dėl ko formaliai kalbant šiek tiek sumažėja algoritmo jautrumas, bet praktiškai tiek pikai dažniausiai būna paveikti artefaktų ar triukšmų, kas lemia, kad jie bet kuriuo atveju yra mažiau naudingi tolimesnei analizei. Taip pat reikėtų pastebėti, kad 6 (b) pav. lėta banga gali būti išskirta (tarp.5 ir.15 sekundžių), bet paprastai to padaryti neįmanoma. Lėta banga dažniausiai būna labai sunkiai išskiriama, paveikta foninės smegenų veiklos ir triukšmų, daugiau kaip 6 (a) pav. Lėtos bangos parametrai neša ta pačia medicininę informacija kaip ir piko greitos bangos parametrai, bet yra pamatuojami mažiau tiksliai todėl šiame darbe nėra nagrinėjami. 4 Rezultatai ir išvados Sukurta metodika ir programinė įranga EEG pikų parametrų įvertinimui (signalo bazinė linija, pikų kilimo ir nusileidimo greičiai, plotis ir aukštis. Taip pat buvo dar patobulintas anksčiau pristatytas algoritmas [JBBS11, MMJ15]. Tai pasiekiama anksčiau aprašytu papildomu pikų apdorojimu tokiu būdu patobulinant jau egzistavusia metodika ir programinę įranga, skirta EEG pikų aptikimui, minėti darbai aprašyti mokslinėje literatūroje [MMJ15, MMS16] ir pristatyti Lietuvos Matematikų Draugijos rengtose 56-ojoje ir 57-ojoje konferencijose. Literatūros sarašas [Com1] [JBBS11] [JM11] [MMJ15] [MMS16] Wikipedia Community. Electrode locations of international 1-2 system for eeg (electroencephalography) recording, International_1-2_system_for_EEG.svg. A. Juozapavičius, G. Bacevičius, D. Bugelskis, and R. Samaitienė. EEG analysis automatic spike detection. Nonlinear Analysis: Modelling and Control, 16(4): , 211. Algimantas Juozapavičius and Tadas Meškauskas. Vaizdų ir signalų analizė ir apdorojimas. TEV, 211. A. V. Misiukas Misiūnas, T. Meškauskas, and A. Juozapavičius. On the implementation and improvement of automatic EEG spike detection algorithm. Proc. of the Lithuanian Mathematical Society, 56(Ser. A):6 65, 215. A. V. Misiukas Misiūnas, T. Meškauskas, and R. Samaitienė. Derivative parameters of electroencephalograms and their measurement methods. Proc. MII-DS-9P

17 of the Lithuanian Mathematical Society, 57 [Teigiama recenzento išvada, maketuojamas], 216. [Sam13] [SC7] Rūta Samaitienė. Rolando epilepsija sergančių vaikų EEG pakitimų, miego bei elgesio sutrikimų ir klinikiniųcharakteristikų sasajos. Vilniaus universitetas, 213. Saeid Sanei and J. A. Chambers. EEG signal processing. John Willey & Sons, 27. [VVPR + 12] R. Romo Vázquez, H. Vélez-Pérez, R. Ranta, V. Louis Dorr, D. Maquin, and L. Maillard. Blind source separation, wavelet denoising and discriminant analysis for {EEG} artefacts and noise cancelling. Biomedical Signal Processing and Control, 7(4):389 4, 212. MII-DS-9P