автореферат диссертации по информатике, вычислительной технике и управлению, 05.13.16, диссертация на тему:Исследование и разработка автоматических методов выделения и классификации артефактов в цифровых электроэнцефалографических системах

ВВЕДЕНИЕ.

ГЛАВА 1. Техника и методика электроэнцефалографических исследований. Проблема обработки артефактов.

1.1. Сущность электроэнцефалографии.

1.2. Аппаратура для электроэнцефалографических исследований.

1.3. Принципы анализа ЭЭГ.

1.3.1. Характеристика ЭЭГ.

1.3.2. Качественное описание ЭЭГ.

1.4. Артефакты ЭЭГ и задача их обработки.

1.5. Анализ основных подходов к решению задачи.

1.6. Выводы.

Глава 2. Обзор методов обнаружения изменений свойств сигналов и динамических систем.

2.1. Формальная постановка задачи.

2.2. Выбор структуры и параметризации.

2.3. Выбор тестовых статистик.

2.4. Методы, принимающие решения по полной выборке и последовательный подход.

2.4.1. Методы, принимающие решение по полной выборке:.

2.4.2. Критерий качества алгоритмов.

2.4.3. Последовательный подход (обработка сигналов в реальном масштабе времени).

2.4.4. Критерии качества алгоритмов.

2.5. Возможные схемы обнаружения резкого изменения свойств сигналов.

2.5.1. Многомодельный метод.

2.5.2. Метод обобщенного отношения правдоподобия.

2.5.3. Алгоритм кумулятивных сумм.

2.6. Выводы.

Глава 3. Модификации алгоритма кумулятивных сумм.

3.1. Применение АКС при полной информации о векторе параметров 0.,.

3.2. Применение АКС при неполной информации о векторе параметров #(2-й вариант АКС).:.

3.3. Применение АКС при неполной информации о векторе параметров #(3-й вариант АКС).>.

3.4. Исследование алгоритмов кумулятивных сумм.].

3.5. Методы оптимизации алгоритма кумулятивных сум^.

3.5.1. Параметрические методы настройки.

3.5.2. Выборочные методы настройки.

3.5.3. Адаптивная настройка АКС.

3.6. Выводы.

глава 4. Использование алгоритма кумулятивных сумм для обнаружения разладок в сигналах, описываемых авторегрессионой моделью.

4.1. Основные определения.

4.2. Оценка параметров АР-модели.

4.3. Алгоритмы блочной обработки данных.

4.3.1. Алгоритм Юла-Уолкера.|.

4.3.2. Алгоритм Берга.1.

4.4. Выбор порядка модели.

4.5. Алгоритмы последовательной обработки данных.!.

4.5.1. Градиентные адаптивные авторегрессионные методы.

4.5.2. Рекурсивные авторегрессионные методы наименьших квадратов.

4.5.3. Оценивание параметров авторегрессии при помощи фильтра Калмана.

4.6. Применение алгоритма кумулятивных сумм для обнаружения разладок в сигналах, описываемых авторегрессионой моделью.

4.6.1. Одномерные АР-последовательности.

4.6.2. Многомерные АР-последовательности.

4.6.3. Применение АКС для одномерных АР-моделей.

4.7. Статистическое моделирование процедуры обнаружения разладки.

4.8. Выводы.

глава 5. Применение wavelet-преобразования в задачах классификации и адаптивной фильтрации.

5.1. Непрерывное wavelet-преобразование и анализ со многими разрешением.

5.1.1. Свойства CWT.

5.1.2. Примеры материнских wavelet-ов.

5.1.3. Примеры непрерывного wavelet-преобразования.

5.1.4. Дискретизация непрерывного wavelet-преобразования

5.2. Кратномасштабный анализ.

5.3. Представление функций при помощи вейвлетов.

5.4. Дискретное wavelet-преобразование.

5.4.1. Матричное описание DWT.

5.4.2. Описание DWT посредством блоков фильтров.

5.4.3. Гладкость базисных функций.

5.4.4. Методика расчета фильтров, позволяющих осуществить полное восстановление сигнала.

5.4.5. Продолжения сигналов, сохраняющие свойство полного восстановления.

5.5. Расчет wavelet -фильтров.

5.5.1. Критерии для расчета фильтров.

5.5.2. Расчет фильтров Добеши.

5.5.3. Расчет пары биортогональных фильтров.

5.6. Расчет wavelet-фильтра, минимизирующего энергию взаимной корреляционной функции.

5.7. Применение дискретного wavelet-преобразования.

5.7.1. Применение wavelet-преобразования для декорреляции сигнала.

5.7.2. Удаление шума из сигнала.

5.8. Адаптивные ортогональные преобразования.

5.8.1. Пакеты вейвлетов.

5.9. Схема адаптивной фильтрации сигналов с использованием wavelet-преобразования.

5.9.1. Пример адаптивной фильтрации.

5.10. Выводы.

Глава 6. Эксперименты по обнаружению, выделению, классификации и удалению артефактов с электроэнцефалографических сигналов.

6.1. Описание программного обеспечения.

6.2. Требования к программно-аппаратному комплексу.

6.3. Описание статистических данных.

6.4. Эксперименты по выделению артефактов на основе алгоритма кумулятивных сумм.

6.4.1. Результаты экспериментов.

6.5. Эксперименты по классификации артефактов на основе дискриминантного анализа.

6.5.1. Метод классификации на основе дискриминантного анализа.

6.5.2. Сокращение размерности пространства признаков. Пошаговый дискриминантный анализ.

6.5.3. Результаты экспериментов по классификации.

6.6. Выводы.

Актуальность темы. В современных медицинских исследованиях по-прежнему сохраняется большой интерес к методам анализа состояния головного мозга. Основным методом исследования и диагностики состояния работы центральной нервной системы является метод анализа биоэлектрической активности мозга - электроэнцефалография (ЭЭГ). Однако, энцефалограф как физический прибор регистрирует не только сигнал, исходящий от коры головного мозга, но и электрические сигналы внемозгового происхождения. Такие сигналы, а также искажения сигнала биоэлектрической активности мозга называются артефактами. Одной из важных задач, связанных с предварительной обработкой ЭЭГ-сигнала, является обнаружение, выделение и устранение артефактов, связанных как с нарушением работы аппаратуры, так и с функционированием исследуемого организма. Проблема обнаружения и устранения артефактов является весьма сложной в связи с тем, что источники возникновения последних очень разнообразны, а построение формальных моделей оказывается затруднительным. Это приводит к тому, что в большинстве цифровых ЭЭГ-систем используются интерактивные методы обнаружения и редактирования ЭЭГ, что требует больших затрат времени [23]. Решение задачи автоматического обнаружения и удаления артефактов позволяет решать задачу автоматического контроля стадий сна пациентов, и появляется возможность ранней диагностики нарушений работы мозга. В настоящее время не существует электроэнцефалографа с возможностью эффективного обнаружения и удаления артефактов с записей ЭЭГ-сигнала. Имеющееся программное обеспечение существующих систем не удовлетворяет требованиям решения практических задач.

Показано [17,48], что электроэнцефалограмма является нестационарным случайным процессом, тогда появление артефакта можно рассматривать как изменение статистических свойств процесса в некоторый момент времени. Исследованию этой проблемы в последнее десятилетие уделялось довольно большое внимание [46].

Так как проявление артефактов на сигнале ЭЭГ очень похоже на некоторые функциональные нарушения мозга, то для решения задачи выделения артефактных участков артефактов на записях ЭЭГ необходимо решать задачу классификации. Дальнейшее устранение артефактов с записей ЭЭГ можно решить с помощью адаптивной фильтрации электроэнцефалографического сигнала.

Представленная работа посвящена задаче автоматического выделения, классификации и устранения артефактов в цифровых электроэнцефалографических системах. Несмотря на то, что проблема исследуется достаточно давно, в настоящее интерес к исследованию и разработке подобных методов сильно возрос в связи со значительным ростом производительности вычислительных средств и недавно появившемуся математическому аппарату, так называемому "\vavelet-анализу". Он позволяет раскладывать сигнал по компактным, хорошо локализованным по времени и частоте, ортогональным базисам за линейное время. Этот аппарат позволяет описывать, в отличие от преобразования Фурье, нестационарные сигналы, и уже нашел применение во многих прикладных областях: от описания процессов турбулентности до геодезического анализа.

Цель и задачи работы. Целью работы является разработка методов автоматического выделения, классификации и устранения артефактов в цифровых электроэнцефалографических системах.

Для достижения этих целей в диссертации решались следующие задачи:

1. Разработка и исследование алгоритмов автоматического обнаружения изменения параметров модели сигнала применительно к задаче выделения артефактов в цифровых электроэнцефалографических системах.

2. Разработка способов классификации выявленных нарушений с целью определения типа артефакта.

3. Разработка способов устранения артефактов в ЭЭГ - сигналах.

4. Разработка программного обеспечения системы для автоматического выделения и устранения артефактов ЭЭГ на базе ПЭВМ.

5. Проведение экспериментальных исследований для разработанных алгоритмов в задачах выделения, классификации и удаления артефактов в цифровых электроэнцефалографических системах.

Методы исследования. В диссертационной работе использовался аппарат теории случайных процессов, теории цифровой обработки сигналов, теории распознавания образов.

Научную новизну работы составляет:

• Способ решения задачи автоматического обнаружения и выделения артефактов в цифровых электроэнцефалографических системах, на основе алгоритма кумулятивных сумм.

• Метод классификации артефактов, основанный на использовании дуауе1е1;-разложения ЭЭГ-сигнала.

• Метод вычисления '\уауе1е1>базиса, оптимального для классификации ЭЭГ-сигнала.

• Схема адаптивной фильтрации для удаления артефакта из электроэнцефалографического сигнала.

Практическая ценность работы заключается в следующем:

1. Разработаны конкретные алгоритмы выделения и классификации артефактов в цифровых электроэнцефалографических системах.

2. Разработан программный комплекс на ПЭВМ, обеспечивающий решение задач выделения, классификации и удаления артефактов.

3. Проведены экспериментальные исследования предложенных алгоритмов на реальных ЭЭГ-сигналах.

4. Разработанные методы можно применять для более широкого круга задач, в которых необходим анализ нестационарных сигналов.

Внедрение результатов работы. Работа выполнялась в рамках договора с Санкт-Петербургским Институтом Эволюционной Физиологии им. Сеченова Российской Академии Наук о научно-практическом сотрудничестве по теме "Изучение механизмов патологических состояний мозга, разработка и внедрение в клиническую и исследовательскую практику методов диагностики и лечения с использованием компьютерных технологий анализа биомедицинских данных", а также НИР БФ-43, выполняемой по заказу НИИ Радиоэлектронных средств прогнозирования чрезвычайных ситуаций ("Прогноз") при СПбГЭТУ. Работа была поддержана грантом РФФИ N98-01-00578. в 1998-1999 г.г., а также грантом для студентов, аспирантов и молодых ученых Санкт-Петербурга в категории "Кандидатский проект" за 1999 г. Разработанные программные средства и методические пособия использовались в учебном процессе при проведении лабораторных и курсовых работ по курсу "Системы цифровой обработки сигналов".

-11

Апробация работы. Основные положения и результаты диссертационной работы докладывались и обсуждались на научно-технических конференциях СПбГЭТУ в 1996-1999 гг.; на международной научно-практической конференции "измерительно-информационные технологии в охране здоровья METROMED 95". Санкт-Петербург, 1995; на международной конференции "SYMBYOSIS 95" Gliwice Польша 1995; на 1-й республиканской научно-практической конференции по функциональной диагностике, Москва, 1996 г.; на международной конференции "Biomedical Engineering and Medical Informatics" (ВЕМГ97), Gliwice Польша 1997; на международной научно-практической конференции "Измерительно-информационные технологии в охране здоровья METROMED - 99". Санкт-Петербург, 1999; на городском семинаре "Всплески (wavelets) и их приложения ".

Публикации по теме диссертации. Основные результаты диссертационной работы опубликованы в 9 печатных работах, из них 5 статей и 4 тезиса докладов на конференции.

6.6. Выводы.

Проведенное экспериментальное исследование показало работоспособность предложенных в работе принципов автоматического обнаружения и выделения артефактов. Исследование по обнаружению изменений ЭЭГ, проведенное на основе алгоритмов обнаружения разладки на основе алгоритма кумулятивных сумм показало, что алгоритм способен обнаружить и выделить все артефакты, появляющиеся на электроэнцефалографическом сигнале. Среднее запаздывание в обнаружении артефактов невелико и результаты работы алгоритма сходятся с полученными на этапе статистического моделирования.

Исследование процессов классификации артефактов показало, что метод дискриминантного анализа может с успехом применяться для классификации артефактов и результаты классификации согласовываются с результатами классификации, полученными с помощью алгоритма ГЕКОНАЛ. Хотя алгоритм ГЕКОНАЛ значительно сложнее чем алгоритм классификации при помощи дискриминантного анализа, результаты классификации они показали схожие, что еще раз указывает на то, что главное это признаковое представление объектов.

ЗАКЛЮЧЕНИЕ

Проведенные исследования позволили разработать новые подходы к решению проблем обнаружения, выделения, классификации и удаления артефактов с сигналов электроэнцефалограмм, показать возможности применения разработанных методов и алгоритмов в различных прикладных задачах.

Основные научные и практические результаты работы можно сформулировать следующим образом:

1. Разработаны и исследованы алгоритмы автоматического обнаружения изменения параметров модели сигнала применительно к задаче выделения артефактов в цифровых электроэнцефалографических системах.

2. Разработан способов классификации выявленных нарушений с целью определения типа артефакта.

3. Разработан способ устранения артефактов с сигнала.

4. Разработано программного обеспечения системы для автоматического выделения и устранения артефактов ЭЭГ на базе ПЭВМ.

5. Проведены экспериментальные исследования для разработанных алгоритмов в задачах выделения, классификации и удаления артефактов в цифровых электроэнцефалографических системах.

Дальнейшая работа может быть направлена на расширение количества классов исследуемых артефактов, повышение эффективности вычислительных процедур, создание законченной подсистемы выделения артефактов с целью комплектации ею имеющихся коммерческих цифровых ЭЭГ-систем.

1. Айвазян С.А., З.И. Бежаева, О.В. Староверов. Классификация многомерных наблюдений. М., "Статистика", 1974.

2. Алексеев A.A., А.Б. Кириллов. Теоретический анализ сигналов и распознавание радиоизлучений. С.-Петербург, ВАК, 1998.

3. Афифи А., Эйзен С. Статистический анализ. М. "Мир". 1982.

4. Бахвалов Н.С., Н.П. Жидков, Г.М. Кобельков. Численные методы. М.,"Наука",1987.

5. Берколайко М. 3., Новиков И. Я. О бесконечно гладких почти-всплесках с компактным носителем. Доклады РАН. 1992.-326, № 6, с. 935-938.

6. Боденштайн Г., Преториус Х.М. "Выделение признаков из электроэнцефалограммы методом адаптивной сегментации", ТИИЭР, 1977, Т.65, №5.

7. Бородкин Л.И., Моттль В.В. Алгоритм обнаружения моментов изменения параметров уравнения случайного процесса. Автоматика и телемеханика, № 6, 1976, с. 23-32.

8. Вапоник В.Н., А .Я. Червоненкис. Теория распознавания образов. М., "Наука", 1974.

9. Ю.Вассерман Е.Л., В.В. Геппенер, Д.А. Черниченко. Исследование метода обнаружения артефактов в ЭЭГ сигналах с использованием авторегрессионной модели. Известия ГЭТУ. Выпуск 500. с.89-95.

10. Горелик А.Л., В.А. Скрипкин. Методы распознования. М., "Высшая школа", 1977.

11. Демидович Б.П., И.А. Марон, Э.З. Шувалова. Численные методы анализа. М., Государственное издательство физико-математической литературы, 1963.

12. Деруссо П., Р. Рой, Ч. Клоуз. Пространство состояний в теории управления. М.,"Наука",1970.

13. Дэвис М.Х.А. Линейное оценивание и стохастическое управление. М.,"Наука",1984.

14. Жирмунская. Функциональная взаимозависимость больших полушарий мозга человека. Леннинград, НАУКА 1989.19.3акс Л. Статистическое оценивание. М.: Статистика, 1976.

15. Кравченко В. Ф., Рвачев В. А., Пустовойт В. И. Ортонормированные системы типа wavelet на основе атомарных функций. Доклады РАН. -1996.-351, № 1, с.16-18.

16. Леакссон Д., Веннбергер Д. "Машинный анализ ЭЭГ сигналов с использованием параметрических моделей", ТИИЭР, 1981, Т.69, № 4.

17. Левин Б.Р. Теоретические основы статистической радиотехники. М.,"Советское радио",1974.

18. Лемарье П.-Ж. Алгебра и анализ. 1991.-3, № 2, с.253-265.

19. Ливанов М.Н., Русинов B.C., Симонов П.В., и др. Диагностика и прогнозирование функционального состояния мозга человека. М.: Наука, 1988.

20. Макхол Д. "Линейное предсказание. Обзор", ТИИЭР, 1975, Т.63, № 4.

21. Марпл.-мл. С.Л. Цифрофой спектральный анализ и его приложения: Пер. с англ. -М.: Мир, 1990.

22. Назин A.B., A.C. Позняк. Адаптивный выбор вариантов. М.,"Наука",1986.

23. Немирко А.П. Цифровая обработка биологических сигналов. -М.: Наука, 1984.

24. Никифоров И.В. Последовательное обнаружение изменения свойств временных рядов . М. : Наука , 1983.

25. Новиков И. Я., Онделетты И. Мейрра оптимальный базис в С0,1. Математические заметки. - 1992. № 6, с. 935-938.

26. Обнаружение изменения свойств сигналов и динамических систем, (под ред. М. Бассвиль) М. : МИР , 1989.

27. Овсяник, Л. С. Коваленко, А. Н. Вовчинский, "Исследование временных и спектральных характеристик некоторых сигналов артефактов фоновой биэлектрической активности", М. Мед техника, 1984, № 4.

28. Первозванский A.A. Курс теории автоматического управления. М., "Наука",1986.

29. Петухов А. П. Периодические дискретные всплески. Алгебра и анализ. -1996.-8,№3, с. 151-183.

30. Ронкин М.А. "Функциональная диагностика нервных болезней" Москва 1982.

31. Сергеев Г.А., Павлова Л.П., Романенко А.Ф. Статистические методы исследования электроэнцефалограммы человека.- Л.: Наука, 1968.

32. Скопина М. А. О нормах полиномов по системам периодических всплесков в пространствах LAp(T). Математические заметки. 1996.В-59, № 5, с. 780-783.

33. Стрелков Н. А. Универсально оптимальные всплески. Математический сборник. 1997.В-188, jV? 1, с. 148-160.

34. Субботин Ю. Н., Черных Н. И. Базисы в пространствах аналитических и гармонических функций. Международная конференция покомплексному анализу и смежным вопросам (Нижний Новгород, 2-5 июня 1997 г.). Тезисы доклада. ННГУ, 1997, с. 72-73.

35. Терминологический словарь (словарь терминов, используемых в электроэнцефалографии) //Физиология человека. -1978. том 4, № 5. -с.939-954.

36. Уидроу Б., С. Стирнз. Адаптивная обработка сигналов. М. "Радио и связь" 1989.

37. Фарков Ю. А. Ортогональные всплески на локально компактных абелевых группах. Функциональный анализ и его приложения. 1997.В-3\,№>4,с. 86-88.

38. Фомин В.Н. Методы управления линейными дискретными объектами. Ленинград.,Издательство Ленинградского Университета, 1985.

39. Фомин В.Н. Реккурентное оценивание и адаптивная фильтрация. М.,"Наука",1984.

40. Чистяков В.П. Курс теории вероятностей. М.,"Наука", 1982.

41. Шметтерер Л. Введение в математическую статистику. М.,"Наука" Д 976.

42. Akay М., Wavelet Applications in Medicine, IEEE Spectrum, 1997, Vol. 34, No. 5, p. 50-56.

43. Alvarez Amador, P.A. Valdes Sosa.,"On the structure of EEG development", Electroencepha. & clinical neurophy. vol.73 № 1, 1989.

44. Antonini M., M. Barlaud, P. Mathieu, I. Daubechies, Image Coding Using Wavelet Transform, IEEE Transanctions on Image Processing, 1992, Vol.1, No. 2, p. 205-220.

45. Blanco S., S. Kochen, O. A. Rosso, P. Saldado, Applying Tome-Frequency Analysis to Seizure EEG Activity, IEEE Engineering in Medicine and Biology, 1997, Vol. 16, No. 1, p. 64-71.

46. Clarke L. P., M. Kallergi, W. Qian, H. D. Li, R. A. Clark, M. L. Sibiger, Tree-Structured non-linear Filter and Wavelet Transform for Microcalcification Segmentation in Digital Tammography, Cancer Letters, 1994, 77, p. 173-181.

47. Daubechies I., Ten lectures on wavelets, SIAM, Philadelphia, 1992.

48. Haagensen C. D., Diseases of the Breast, Third Edition, Saunders Company, 1986.54institute of Medicine, Report of a Study, Breast Cancer: Setting Priorities of Effectiveness in Research, National Academy Press, 1990.

49. Ivanov P. C., M. G. Rosenblum, C. K. Peng, J. Mietus, S. Havlin, E. Stanley, A. L. Goldberger, Scaling Behaviour of Heartbeat Intervals Obtained by Wavelet Based Time - Series Analysis Nature, 1996, Vol. 383, No. 26, p. 323-327.

50. McKenna N.M., T.F. McMullen, M.F. Shlesinger. The brain as a dynamic physical system. Neuroscince Vol. 60, No. 3, 1994, pp. 587-605.

51. Naohiro Ishii, Hideyuki Sugimoto. Computer classification of the EEG time series by Kullback information measure. INT.J.SYSTEMS SCI., 1980, vol ll,jV?6,p. 677-687.

52. Terrence D. Lagerlund & Frank W. Sharbrough, "Computer simulation of the generation of the electroencephalogram", Electroencepha. & clinical neurophysiology, vol.72, № 1 january 1989.

53. Vasserman E.L., V.V. Geppener, D.A. Chernichenko. METHODS OF ALLOCATION OF ARTIFACTS IN EEG-SIGNALS ON THE BASIS DYNAMIC MODELS. //BEMI'97. Internatoinal Workshop Biomedical