автореферат диссертации по информатике, вычислительной технике и управлению, 05.13.01, диссертация на тему:Научное обоснование выбора оптимального математического обеспечения для анализа биоэлектрической активности мозга в норме и патологии

СЕРЕЖЕНКО Николай Петрович

НАУЧНОЕ ОБОСНОВАНИЕ ВЫБОРА ОПТИМАЛЬНОГО МАТЕМАТИЧЕСКОГО ОБЕСПЕЧЕНИЯ ДЛЯ АНАЛИЗА БИОЭЛЕКТРИЧЕСКОЙ АКТИВНОСТИ МОЗГА В

НОРМЕ И ПАТОЛОГИИ

Специальность: 05.13.01 - Системный анализ, управление

и обработка информации (медицинские науки)

АВТОРЕФЕРАТ диссертации на соискание ученой степени кандидата медицинских наук

2 6 НОЯ 2009

Воронеж-2009

003484777

Работа выполнена в ГОУ ВПО «Воронежская государственная медицинская академия им. H.H. Бурденко» (ГОУ ВПО ВГМА им. H.H. Бурденко).

Научный руководитель: доктор медицинских наук

Семенов Сергей Николаевич

Официальные оппоненты: доктор медицинских наук, профессор

Луцкий Михаил Александрович;

доктор медицинских наук, профессор Нехаенко Наталья Евгеньевна

Ведущая организация: Научно-исследовательский институт нормальной физиологии им. П.К.Анохина РАМН

Защита состоится_декабря 2009 г. в_часов в конференц-зале на

заседании диссертационного совета Д 208.009.09 ГОУ ВПО «Воронежская государственная медицинская академия им. H.H. Бурденко» по адресу: 394030, г. Воронеж, ул. Студенческая, 10.

С диссертацией можно ознакомиться в библиотеке ГОУ ВПО «Воронежская государственная медицинская академия им. H.H. Бурденко».

Автореферат разослан « Ученый секретарь диссертационного совета

» ноября 2009 г.

#

Бурлачук В.Т.

ОБЩАЯ ХАРАКТЕРИСТКА РАБОТЫ

Актуальность проблемы. Исследование биоэлектрической активности головного мозга в виде традиционной скальповой электроэнцефалографии до настоящего времени остается информативным и относительно дешевым методом инструментальной диагностики состояния ЦНС в норме и различных патологических состояниях. Однако несмотря на многолетний опыт использования данной методики, проблема корректной трактовки результатов нейрофизиологического исследования и, в особенности, электроэнцефалограмм (ЭЭГ) является весьма актуальной. На практике встречаются ситуации, когда даже одна и та же биоэлектрическая активность, представленная в виде записи на бумаге, трактуется различными специалистами по-разному.

Обычный анализ ЭЭГ, осуществляемый на основании внешнего вида графиков, является весьма трудоемким и недостаточно объективным и точным. Поэтому актуальной является задача автоматизации процесса анализа ЭЭГ, выявления патологических паттернов и определения их количественных характеристик. Внедрение в практику цифровой записи сигналов с последующей их компьютерной обработкой позволяют сделать работу врача-нейрофизиолога более объективной. Кроме того, имеется целый ряд паттернов и графоэлементов электроэнцефалограмм, в отношении которых выработаны критерии их оценки.

Использование современных методов математического анализа позволяет существенно расширить диагностические возможности данного метода, и повысить точность получаемых результатов. Препятствием для их широкого внедрения стало разнообразие возможных методов анализа и сложность их реализации в медицинской практике, в частности, по причине жесткой привязки программного обеспечения к диагностическим устройствам. Это ограничивает диагностические возможности, поскольку исключает обработку сигналов, полученных с использованием аппаратуры других производителей.

Таким образом, актуальность настоящего исследования заключается в необходимости совершенствования существующих способов количественного анализа ЭЭГ у больных с поражением головного мозга различной этиологии с использованием современных методов математического анализа квазистационарного нелинейного сигнала и разработки аппартнезависимого программного обеспечения, реализующего указанный вычислительный аппарат с применением современных компьютерных технологий.

Цель исследования. Целью диссертационного исследования является научное обоснование, разработка, практическая реализация и клиническая апробация программного комплекса математического анализа электроэнцефалограмм в норме и при ряде патологических процессов.

Для достижения поставленной цели необходимо решить следующие задачи:

- изучить принципиальную возможность анализа ЭЭГ с помощью вейвлет-преобразования и убедиться в возможности выявления патологических паттернов ЭЭГ на вейвлет-спектре;

- изучить характеристики ритмических составляющих ЭЭГ в норме и при различных патологических процессах с использование избранных методик в завиеимослгог-возраста, пола и нозологической формы;

- определить параметры вейвлет-преобразования, наилучшим образом выявляющие характеристики ЭЭГ-сигналов; выявить степень влияния параметров преобразования, таких как выбор материнского вейвлета, значения масштабирующих коэффициентов, нормировка спектра, на качество распознавания;

- на основе полученных параметров построить оптимальный алгоритм выявления заданных патологических паттернов ЭЭГ, который позволит автоматизировать выделение характерных особенностей;

- провести анализ получаемой информации с использованием избранных методов математического анализа, выбрать оптимальный диагностический набор показателей и разработать комплекс программ, реализующий оптимальный набор средств математической обработки ЭЭГ;

- провести клиническую апробацию разработанного программного обеспечения при обследовании пациентов с различными поражениями головного мозга в условиях отделения функциональной диагностики.

Методы исследования. Для решения поставленных задач использованы функциональные методы исследований с автоматизированным расчетом показателей, методы системного анализа, математической статистики, спектрального анализа, метода дипольной многошаговой локализации источников патологической активности, вейвлет-анализа и фрактального анализа, программирования, кластерного анализа.

Научная новизна результатов исследования. В диссертации получены следующие результаты, характеризующиеся научной новизной:

разработан комплекс аппратнонезависимых программ, реализующих методы вейвлет-анализа, фрактального анализа и распознавания патологических паттернов с использованием признакового пространства и кластерного анализа;

усовершенствована методика фрактальной диагностики эпилепсии с применением методов корректировки сглаживания сигнала, изучено состояние энцефалоритмики с использованием указанного метода и разработаны нормативы для ее оценки при различных патологических состояниях (черепно-мозговая травма, нарушения мозгового кровообращения, синкопальные состояния, в том числе - при мультиорганной патологии). Выявлены особенности изменения фрактальной размерности ЭЭГ в зависимости от тяжести перенесенной черепно-мозговой травмы, вида инсульта.;

предложено использование линий уровня вейвлет-спектра для распознавания патологических паттернов ЭЭГ, что позволяет, вследствие значительно меньшего объема данных по сравнению с развернутым представлением вейвлет-спектра, существенно ускорить обработку информации, повысить наглядность отображения выявленных особенностей ЭЭГ, снизить требования к аппаратной части компьютерной системы,

используемой для диагностики.

Практическая значимость и реализация результатов работы.

Научные положения, выводы и рекомендации, изложенные в диссертации, могут служить основой оптимизации диагностического процесса в условиях соматических, психиатрических и неврологических стационаров. Выделены наиболее ' информативные математические критерии оценки изменения нейрофизиологических параметров, выявляемых при исследовании ЭЭГ. Получены новые данные об их зависимости от вида и тяжести некоторых патологических состояний. Применение разработанных компьютерных программ позволяет на практике реализовать методы вейвлет-анализа и теории фракталов, что обеспечивает более объективную и углубленную оценку состояния больных и рациональное использование имеющегося материально-технического потенциала лечебно-профилактических учреждений. Сформированная система распознавания при изменении набора признаков и весовых коэффициентов может быть использована для автоматического выделения различных патологических и физиологических паттернов, изучаемых при анализе ЭЭГ.

Разработанные в ходе выполнения диссертационного исследования программы, внедрены в практику работы МУЗ «Бобровская ЦРБ» и ГМУ «Курская областная клиническая больница», а также в учебный процесс кафедры программирования и информационных систем ГОУ ВПО ВГУ, кафедры технической кибернетики и автоматического регулирования ГОУ ВПО ВГУ и кафедры информационных систем ГОУ ВПО ВГМА им. Н.Н.Бурденко Росздрава.

Апробация работы. Материалы диссертации представлены, доложены и обсуждены на Международной научно-практической конференции «Кибернетика и технологии XXI» века, г. Воронеж, 2001 г.; Международной научно-техническая конференции и Российской научной школе молодых ученых и специалистов «Системные проблемы качества, математического моделирования, информационных и электронных технологий», Москва, 2003;

Девятой международной научно-методической конференции «Информатика: проблемы, методология, технологии», Воронеж, 12-13 февраля 2009 г.

Публикации. По теме диссертации опубликовано 9 научных работ в центральной и региональной печати, 3 из которых - в изданиях, рекомендованных перечнем ВАК, и в методических рекомендациях.

Структура и объем работы. Диссертация состоит из введения, пяти глав, заключения с обсуждением полученных результатов, выводов, предложений, списка литературы, приложений. Список используемой литературы содержит 209 источников, в т.ч. 61 отечественный и 148 зарубежных. Основное содержание работы изложено на 154 страницах машинописного текста. Диссертация иллюстрирована 10 таблицами, 42 рисунками.

ОСНОВНОЕ СОДЕРЖАНИЕ РАБОТЫ

Во введении обоснована актуальность темы диссертационной работы, сформулированы цель и задачи исследования, методы решения

сформулированных задач, указаны основные результаты исследования, определена их научная новизна и практическая значимость; приведены еведения -об-апребации и внедрении результатов работы.

В первой главе представлен обзор научной литературы по изучаемой проблеме. Проанализированы литературные данные о месте и роли ЭЭГ среди современных методов нейровизуализации, классические методики визуального и количественного анализа данного сигнала. Учитывая нелинейный квазистационарный характер ЭЭГ-сигнала, представлены сведения о способах математической обработки с использованием фрактального и вейвлет-анализа, теории распознавания образов. Охарактеризованы изменения биоэлектрической активности головного мозга при различных патологических состояниях (эпилепсия, черепно-мозговая травма и нарушения мозгового кровообращения).

На основании литературных данных формулируются выводы о целесообразности использования теории распознавания образов для объективизации визуальных оценок сигнала при автоматизации диагностического процесса, а также необходимости применения новых методов количественного анализа ЭЭГ для повышения качества обследования больных с поражением головного мозга различной этиологии.

Во второй главе представлен анализ материалов исследования и методы статистического анализа данных обследования пациентов с поражением головного мозга различной этиологии.

Объектом исследования являлись 695 больных и 100 здоровых лиц, обследовавшихся при прохождении профилактических осмотров для выработки нормативных показателей методики фрактального анализа, в возрасте от 2 до 70 лет, проходивших ЭЭГ в период с 1995 по 2009 гг. Общее число проанализированных записей составило 3186. В 1 группу вошли пациенты с эпилепсией, неуточненными синкопальными состояниями, последствиями черепно-мозговых травм и нарушений мозгового кровообращения (НМК). Количественная характеристика данной группы представлена в таблице 1.

Таблица 1

Нозологическая структура больных 1 группы _

Группа заболеваний Число больных Число записей ЭЭГ

Общее Взрослые Дети

Эпилепсия 143 72 71 (986)

идиопатическая 116 51 65 591

симптоматическая 27 21 6 395

Синкопальные состояния (неуточненные) 169 93 76 516

Последствия ЧМТ 234 94 140 (676)

сотрясение головного мозга 185 56 129 458

ушиб головного мозга 49 38 11 208

Состояние после НМК 149 124 25 (708)

преходящие НМ 62 37 25 221

ишемический инсульт 57 57 0 268

геморрагический инсульт 30 30 0 219

ВСЕГО 695 383 312 2886

Помимо электроэнцефалографического исследования все обследованные лица были осмотрены неврологом, педиатром или терапевтом (в зависимости от возрастной группы), а также профильными специалистами в зависимости от сопутствующей патологии. В качестве дополнительных методов использовались реоэнцефалография, исследования экстракраниального кровотока с использованием традиционного слепого доплеровского метода и дуплексного сканирования брахиоцефальных артерий, по показаниям использовались методы лучевой диагностики (традиционной, КТ и МРТ). Исследования проводились в условиях динамического наблюдения в процессе нахождения пациентов в стационаре и при повторных амбулаторных консультациях (не менее чем дважды для оценки динамики нейрофизиологических процессов на фоне лечения).

В подгруппу с синкопальными состояниями вошли пациенты, в анамнезе у которых отмечались эпизоды потери сознания, не сопровождавшиеся судорогами, а также отсутствовали указания на пеернесенные черепно-мозговые травмы.

Распределение обследованных лиц по возрастам представлено на рис. 1.

2-6 лет 6-12 12-15 15-18 18-24 24-40 40-60 старше лет лет лет года лет лет 60 лет

Рис. 1. Возрастная структура обследованной группы.

Для статистического анализа данных использовались статистические пакеты Statistica 6.0 фирмы StatSoft и S-PLUS 7.0 PROFESSIONAL фирмы MathSoft. В качестве методов анализа были использованы одномерный и многомерный дисперсионный анализ, как методы наиболее адекватные с математической точки зрения. Использовались дисперсионный анализ (ANOVA и MANOVA) с поправкой Даннетта, критерий Шеффе. При небольшом объеме выборок для углубленного анализа использовался метод бутстрепа с ресемплированием исходной выборки на популяцию в 100 000.

В результате анализа полученных данных выявлен полиморфизм изменений ЭЭГ при синкопальных состояниях, последствиях ЧМТ и нарушений мозгового кровообращения различного генеза и степени тяжести и фазность их в процессе динамического наблюдения. Наиболее выраженные изменения были характерны для пациентов с ЧМТ с формированием гематом и при геморрагических инсультах. В группе пациентов молодого возраста с преходящими нарушениями мозгового кровообращения выявлены

сопутствующие изменения со стороны височно-нижнечелюстного сустава, служившие первичной причиной обращения пациентов за помощью; установлено,"™ у 20% больных с дисфункцией височно-нижнечелюстного сустава отмечались клинические проявления преходящих нарушений кровообращения в вертебро-базиллярном бассейне, подтвержденные клинико-инструментальным обследованием, включая ЭЭГ, что может служить основанием выделения данной категории больных в группу риска по НМК.

При сравнительном анализе влияния глубокого сегментарного массажа по A.M. Аксеновой и применения препарата инстенон у больных с последствиями перинатального поражения нервной системы и синкопальными состояниями, выявлено выраженное влияние препарата инстенон на эфнцефалоритмику, требующее обязательного ЭЭГ-контроля для выявления возможных эпилептиморфных феноменов. В то же время проведение сегментарного массажа оказывало значительный положительный эффект на кровообращение в вертебро-базиллярном бассейне при отсутствии отрицательного эффекта на нейрофизиологические процессы.

Использование методов трехмерной локализации источников патологической активности при различной патологии подтвердило эффективность этого метода, однако результаты картирования совпадают с данными других методов нейровизуализации (КТ и МРТ) в 62,5% наблюдений. Причиной этого может быть несовпадение морфологического субстрата поражения мозга и источника патологической активности, а также несовершенство методик исследования ЭЭГ-сигнала, что требует совершенствования используемых способов анализа.

В третьей главе рассматривается использование признакового распознавания как элемента теории распознавания образов в качестве возможного подхода к автоматическому распознаванию паттернов «пик-волна» и «острая-медленная» волна с помощью оригинального алгоритма и компьютерная реализация последнего.

Разработанный алгоритм использует методику распознавания по признакам в сочетании с периодометрическим подходом к определению временных характеристик сигнала. Такой подход представляется наиболее адекватным, учитывая то, что для реализации, статистических методов распознавания необходима априорная информация о вероятностных характеристиках распознаваемых объектов, корректное представление которой в необходимом объеме отсутствует. Предложенный алгоритм основывается на описании объектов на языке априорного словаря признаков с последующей их классификацией как результата использования последовательной эвристической процедуры распознавания. В качестве указанных признаков используются длительности пиков и острых волн, их амплитуды, величины крутизны фронта и спада полупериодов, свойства симметричность и асимметричность анализируемых сигналов, а также острота пиковых участков. Учитываются статистические характеристики важнейших их признаков - амплитуд и периодов острых волн и пиков. Для улучшения качества распознавания

предусмотрено использования системы весовых коэффициентов признаков, причем возможна их коррекция по мере накопления дополнительной информации в процессе обработки ЭЭГ.

Процедура распознавания представляет собой последовательность этапов, состоящих в свою очередь из набора последовательных операций. В результате производится оценка как каждого из анализируемых признаков, так и всей их совокупности. Описанный алгоритм распознавания острых волн реализован в компьютерной программ, входными данными которой является файл, содержащий оцифрованную запись ЭЭГ. Алгоритм распознавания последовательно применяется для каждого из отведений. В ходе выполнения программы исходный массив данных разбивается на несколько частей, каждая из которых обрабатывается отдельно. В завершение работы на печать последовательно выводятся участки ЭЭГ с отмеченными распознанными графоэлементами, которые классифицированы как острые волны и пики.

Принципы распознавания, лежащие в основе рассматриваемого алгоритма основываются на классической постановке задачи распознавания,

когда вектор образар = (р,,р2.....р„), должен быть отнесен к одному из

классов а1 из множества М классов образов 0. = {со\,а2,...,т м), а формирование вектора образа осуществляется путем выделения п признаков рл, р2,..., р„, характеризующих каждый образ.

При распознавании двух структур (в рассматриваемом случае - острых волн и пиков) процедура сводится к разбиению всех возможных векторов образов на три класса: сщ- класс объектов, представляющих острые волны, а>2 " класс объектов, представляющих пики, и щ - класс объектов, отличных от выявляемых структур.

Основными признаками, характеризующими отличие острых волн и пиков от других паттернов и друг от друга являются уровни амплитуды, составляющие 75-120 мкВ и более для острых волн(признак р^ ) и 20-100 мкВ

и более для пиков(признак р^), значение периода колебания, для острых волн

и пиков соответственно составляющее 75-120 мс (р2,) и менее 75 мс {р2г),

острота пика (р3|), величины крутизны подъема (у04| ) и спада (р5]) каждого

полупериода и их примерное равенство друг другу (Ре, )> чт0 отражает

симметрию каждого полупериода.

На начальном этапе эксперт в диалоговом режиме вводит веса v, признаков, 1=1,2, ..., щ =6. Веса признаков р1г, 1=1,п2 =2, у,з =\2г =а (а -

любое число заданное разработчиком).

Процедура распознавания включает несколько этапов, каждый из которых в свою очередь реализуется рядом последовательных операций. Алгоритм распознавания острых волн реализуется отдельно для каждого отведения, как для положительных, так и для отрицательных полуволн, и может быть описан следующим образом.

Пусть реализация одного отведения ЭЭГ представлена в виде выборки X - {хьх2,—,хн) N отсчетов, где х, - численное значение ¿-того отсчета временного ряда, характеризующего амплитуду электрического сигнала (потенциал) в момент времени /, для рассматриваемого отведения ЭЭГ.

На первом этапе определяются номера всех отсчетов, соответствующие локальным экстремумам: тч , q\~\, 2, ..., С>|, в положительной полуплоскости

(максимумы), тд2, 2..... СЬ, в отрицательной полуплоскости

(минимумы). Это осуществляется по простому правилу: если два соседних с х/ отсчета меньше, т. е. и \х[\> 1х(+1| , 1=1,2,..., N. то X/ - экстремум. Для

каждого отсчета с номерами т„ , к=1, 2, предусмотрена переменная ,

Чк

характеризующая суммарный вес признаков для данного отсчета:

п>

=Х>;, , Ъь ={0,1}. /=1

Далее идет поиск отсчетов с максимальными амплитудами в положительной и отрицательной полуплоскостях, для чего определяются

номера, амплитуды которых >0 лежат в положительной полуплоскости и

я\

превышают заданное значениед^ и номера, амплитуды которых х~т <0 лежат

92

в отрицательной полуплоскости и по модулю превышают пороговое значениехо (х~п < х^).

Величина х<? может задаваться как фиксированное пороговое значение, либо может вычисляться для каждой конкретной реализации ЭЭГ. При последовательной процедуре определения х0 сначала определяется средняя амплитуда колебаний отдельно для положительных и отрицательных полуволн

I 1 Л/"

где xi. и х,~. - значения отсчетов соответственно в положительной и 'л 'л

отрицательной полуплоскости, у, =1,2,...,ЛГ+ и /2 = 1,2,...,ЛГ~ их номера соответственно, а Лг+ и N~ - их количество, i-N~ = N.

Вычисленные значения х* >0 и х~ <0 являются основой для определения пороговых величин и Хц, а именно

= тах{х+ , хт}, х~0 = т1п(х; ,-хт}, где хт - величина, принимаемая за нижнюю границу диапазона возможных значений амплитуд острых волн (обычно полагают хт «75 мкВ). Для экстремальных отсчетов

хтщ > 4, Ч\ = 1, 2.....Q|, <Xq, q2 = 1, 2,..., Q2,

превосходящих (по абсолютной величине) пороговые значения полагаем

ve4*=¿«I ' Vk=1'2>rfle ь,,=1.

На следующем этапе определяются значения полупериодов Г*^ и

всех колебаний. Если определенные значения полупериодов соответствуют характерным для острых волн (их период составляет 75-120 мс), то для данного отсчета с номером mq^ или mq^ полагаем

Ve4* = Ve4* + Ь2| ' V2, ' к=1'2' ГДе 62, =1-

Далее проверяются признаки /?3| - /?5|: острота пика, величины крутизны

подъемов Ф* , Ф~ и спадов ,5" (q¡ = 1,Q¡,i = 1,2) положительных и Я\ <72 Й\ <72

отрицательных полуволн.

Если определенные для данного отсчета с номером mq] или mq2

признаки соответствуют характерным для острых волн, а значения крутизны подъема и спада таковы, что каждый из полупериодов имеет форму близкую к симметричной, т. е. Ф*^ »S* >®m?2 ~ , то полагают соответственно

b¡ =1, i=3,4,5,6, и соответственно высчитывается суммарный вес

ve44 = ves4+¿VV k=l,2.

i=3

Если суммарный вес отсчета превышает пороговое значение (также введенное на начальном этапе экспертом), то выносится решение о наличии острой волны с максимумом в точке х* и минимумом в точке xmq2 ■

Аналогичная процедура реализуется при распознавании пиков.

Если вычисленные значения амплитуды и периода соответствуют характерным для пиков, то, соответственно, полагают =1 и b2l=\. Далее

вычисляется суммарный вес отсчета

2

ve4. = Hbi2 , k=l,2,

í=i

если он превышает пороговое значение vn (v t] ves m > vn), то выносится

Чк

решение о наличии пика с максимумом в точке или минимумом в точке %тчг "

Был проведен математический эксперимент с использованием аппарата теории вероятности и кластерного анализа для выбора оптимального набора и числа признаков, используемых в системе распознавания. Оптимальным оказалось сочетание использования амплитуды сигнала, характеристик остроты пика, переднего и заднего фронтов сигнала, периода сигнала и симметричности феномена. Программная реализация указанного алгоритма осуществлена с

использованием среды Borland Delphi 6.0, реализующая описанный алгоритм распознавания патологических паттернов в качестве массива входных данных использует -файл- текстового формата, содержащий оцифрованную !6-канальную запись ЭЭГ. Программа позволяет анализировать записи полученные с различной частотой дискретизации с использованием различных моделей электроэнцефалографов, что является важным ее достоинством по сравнению с «жестко встроенными» программами отдельных типов электроэнцефалографической аппаратуры. Главное окно программы

Программа дополнена блоком сглаживания для некоторого загрубления измерений временных параметров элементов ЭЭГ, что позволяет уменьшить ошибки распознавания, особенно при анализе потенциалов, записанных с высокой частотой дискретизации, приводящей к искажениям «традиционной» формы анализируемых графоэлементов. Упрощенная схема разработанного алгоритма распознавания в его программной реализации представлена на рис. 3.

Клинические испытания системы распознавания в сравнении с действиями врача-эксперта и коммерческими системами распознавания, входящими в состав электроэнцефалографов, выявили ее более высокую чувствительность и специфичность при распознавании патологических паттернов. Разработанная система может использоваться как один из вариантов количественных методов анализа как фоновых изменений ЭЭГ, так и контроля динамики при использовании различных фармакологических препаратов (в частности - противоэпюгептических). При изменении набора признаков и весовых коэффициентов возможно выделение с ее помощью патологических и физиологических паттернов, изучаемых при анализе ЭЭГ.

Рис. 3. Упрощенная схема алгоритма распознавания пиков и острых волн

В четвертой главе рассматриваются результаты использования вейвлет-анализа для распознавания патологических паттернов ЭЭГ. Изложены теоретические основы использования вейвлет-преобразования как метода анализа нелинейного квазистационарного сигнала. Преобразование Фурье, широко используемое для анализа сигналов, плохо работает при изменении параметров процесса во времени (нестационарность), поскольку дает усредненные коэффициенты для всего исследуемого образца. В отличие от преобразования Фурье, вейвлет-преобразование позволяет преодолеть этот недостаток. Поскольку базисные функции вейвлет-преобразования обладают свойством временной локализации, вейвлет-спектр сигнала позволяет выявлять не только частотные характеристики сигнала, но и их локализацию во времени, это обусловливает целесообразность вейвлет-преобразования для анализа ЭЭГ.

Для исследования записей ЭЭГ было создано программное обеспечение на основе математического пакета Ма^аЬ версии 6.5 фирмы МаЛБой. Программа имеет графический интерфейс, позволяющий выполнять следующие операции:

1. Выбирать файл для считывания сигнала для анализа.

2. Задавать параметры вейвлет-преобразования, такие как материнский вейвлет, интервал изменения масштабирующих коэффициентов и шаг их изменения.

3. Строить график сигнала и его вейвлет-спектр в виде спектрограммы с цветовым выделением значений коэффициентов.

4. Строить изолинии нормированного вейвлет-спектра. Задавать для изолиний интервал значений и шаг изменения.

5. Масштабировать график сигнала, изображение вейвлет-спектра и изолиний по оси времени на необходимый промежуток. Переключать графики, выбирая необходимый временной интервал.

Вид главного окна программы изображен на рис. 4а. (для вейвлет-спектра сигнала) и рис.4б (для линий уровня)

а) Вейвлет-спектр б) Линии уровня.

Рис 4. Интерфейс программы вейввлет-анализа патологических паттернов

Анализ патологических паттернов пик-волна показал, что вейвлет-спектр с использованием в качестве материнского вейвлета симлет-вейвлет степени 4 проявляет все особенности сигнала. Но визуально выделить на спектре именно те графические элементы, которые необходимо обнаружить на графике, представляется затруднительным. Построение линии уровня для вейвлет-спектра после выполнения нормировки вейвлет-спектра сигнала в ходе вычислительного эксперимента показало, что наиболее наглядный результат дает построение линий уровня на интервале 0,36 - 0,39. При этом тестирование метода на различных сигналах показывают, что патологический паттерн типа «пик» может быть выделен на скейлограмме вейвлет-спектра сигнала с достаточной степенью достоверности. Результаты построения приведены на рис. 5. Для выявления патологических паттернов типа «медленная волна» был использован вейвлет Revers Biorthogonal третьей степени

Графические элементы, соответствующие «медленным волнам», располагаются в интервале значений масштабирующего коэффициента а от 20 до 40-50 (рис.6). Так как частота «медленных волн» ниже, чем частота пиков, им соответствуют большие значения масштабирующего коэффициента.

к 1 z

• П УМ :.....-^Л-ЗО-^ж- 0 9 0 u •

Рис. 5. Линии уровня для Рис. 6. Линии уровня для

патологических паттернов типа «пик». патологических паттернов типа

«медленная волна».

В результате проведенного исследования установлена целесообразность использования скейлограмм вейвлет-спектра сигнала. Применение скейлограмм позволяет упростить процедуру распознавания и повысить наглядность результатов. С целью усовершенствования алгоритма произведен подбор параметров для линий уровня. Построение спектра сигнала с использованием различных вейвлетов показало, что выбор вейвлета оказывает некоторое влияние на качество распознавания патологических паттернов, причем разным паттернам соответствуют разные «подходящие» вейвлеты. В случае «пиков» оптимальным является выбор Symlet степени 4, для «медленных волн» - Revers Biorthogonal степени 3, для которых была показана высокая эффективность их использования для распознавания изучаемых патологических паттернов.

В пятой главе изложены основы теории фракталов и рассматриваются результаты использования оригинальной модификации метода фрактальной диагностики, предложенного В.М. Урицким и соавт. (1999). Разработанные нами алгоритм и программа реализует применение экспоненциального

сглаживания сигнала, что делает данный метод более гибким и информативным, раздельный анализ положительной, отрицательной и суммарной—составляющих огибающей кривой. Учитывая проведенную модификацию, было принято решение о выработке собственных нормативов, для чего было обследовано 100 здоровых лиц, проходивших плановые профилактические осмотры.

В основе алгоритма реализованного метода лежат следующие положения. Пусть дискретный сигнал задан на отрезке [0,Т] своими отсчетами хо,

х„_1, взятыми соответственно в моменты времени 0,Д,2Д.....(п -1)Д; полное

число отсчетов п-Т/Д . Массив этих чисел, вещественных или комплексных, является единственным источником сведений о спектральных свойствах сигнала *(/)■

Сопоставив такому сигналу некоторую математическую модель, можно воспользоваться разложением в ряд Фурье и найти соответствующие амплитудные коэффициенты. Совокупность этих коэффициентов образует спектр дискретного периодического сигнала.

Воспользуемся моделью в виде последовательности дельта-импульсов и сопоставим исходному колебанию х(1) его дискретное представление:

х(0 = Д2>*£(*-АД)

к- 0

Подставляя безразмерную переменную £ =?/Д, получим:

1 - ч 1 V-1

- Л=1 - ^ =

ЛД о *-о А 0 *=о

1\ Ы0 о

Используя фильтрующее свойство дельта-функции, имеем:

1 «-1

N 4=0

Последняя формула определяет последовательность коэффициентов, образующих дискретное преобразование Фурье (ДПФ) рассматриваемого сигнала. Как видно из данной формулы, чтобы вычислить ДПФ последовательности из N элементов, требуется выполнить Л^ операций с комплексными числами.

Выходом из положения является алгоритм быстрого преобразования Фурье (БПФ). Будем предполагать, и это существенно для метода БПФ, что число членов, т.е. отсчетов N = 2Р, где р - целое число.

Сглаживание в данной ситуации используются для преобразования временного ряда амплитуд сигнала ЭЭГ с удалением из него высокочастотных и низкочастотных колебаний вне зоны анализируемого диапазона.

Подбор метода сглаживания зависит от характера временного ряда и во многом носит эмпирический характер последовательного подбора. В рамках эксперимента проводился анализ использования линейного сглаживания по 3 и

5 точкам, квадратичного по 5 точкам и экспоненциального с использованием метода наименьших квадратов. Результаты вычислительного эксперимента показали преимущества экспоненциального сглаживания как наиболее гибкого метода преобразования данных.

Разработанная программа фрактального анализа позволяет проводить оценку спектральной' плотности мощности квадратичной огибающей амплитуды а-ритма и вычислять на ее основе коэффициенты спектрального индекса и фрактальной размерности. Данная программа разработана в среде Borland Delphi 5.0 с использованием библиотеки стандартных процедур и функций Microsoft Visual Fortran ISML Library.

Упрощенная блок-схема программы подготовки данных для фрактального анализа представлена на рисунке 7.

/W

\tlvi1

3

¡Л; № k> h-ft

<

I3Z

fKn-lJendinU«)

»g-2VWrt :

fr 2}*ЯГ(4ГВГ14*Г>'> à» 21 Jlfc4a(i]4^»gf«|*fl1 dk гЬсо^одГ^гмЛ d« 2); »^■»apJiWlargïTiliwI dK> 2J -<in(arg]4ap«n1 <Jv2J:

r«ül«1i;

м(ип1 div2t«tà. iafrfinl dv 2}м&

Рис. 7. Упрощенная схема алгоритма подготовки данных

С целью изучения изменения значений спектрального индекса и фрактальной размерности было обследовано 5 групп больных (695 человек в возрасте от 8 до 70 лет), проанализировано 1488 записей ЭЭГ. Результаты вычисления индекса спектральной плотности мощности и значения фрактальной размерности в норме и при различных патологических состояниях (табл.2).

Таблица 2

Значения спектральной плотности мощности и фрактальной размерности в

обследованных группах

Группа (п=число анализированных записей) Спектральный индекс Фрактальная размерность

Норма (п=300) 1,18+0,26 1,91±0,13

Эпилепсия (п=336) 0,3 5 ±0,18 2,33±0,09*

Синкопальные состояния (п=284) 0,66+0,31 2,17±0,16

Состояние после ЧМТ (п=300)

Сотрясение головного мозга (п=191) 0,91+0,21 2,05±0,11

Ушиб головного мозга (п=109) 0,47+0,29* 2,27+0,15*

Состояние после НМК (п=268)

ПНМК (п=64) 0,96±0,20 2,02±0,10

Ишемический инсульт (п=118) 0,86+0,23 2,07±0,12

Геморрагический инсульт (п=66) 0,41±0,22* 2,30±0,11*

Обозначения: * - статистически достоверные различия между клиническими группами и группой «Норма» (р<0,05)

Обследование больных с эпилепсией позволило выявить статистически значимые отличия параметров спектрального индекса и фрактальной размерности ЭЭГ по сравнению с группой здоровых волонтеров. При этом установлена тесная корреляционная зависимость между степенью выраженности изменений указанных параметров, длительностью заболевания и частотой эпилептических припадков.

В группе больных с синкопальными состояниями в динамическом наблюдении на протяжении 5 лет выявлены пациенты с развившейся клинической картиной эпилепсии. В отличие от остальных пациентов данной группы, у них отмечались стабильно измененные параметры спектрального индекса и фрактальной размерности, что позволяет предположить возможность выделения группы риска по развитию эпилепсии с применением данных показателей.

По результатам проведенного исследования выявлена зависимость между выраженностью изменений спектрального индекса и фрактальной размерности и степенью нарушений при геморрагических инсультах и ушибах головного мозга, что позволяет использовать динамику данных параметров в качестве дополнительных критериев степени тяжести и, возможно, прогноза для качества жизни пациентов.

Графическое представление спектральной плотности мощности у

больных разных групп приводится на рис.8.

Графики спектральной плотности мощности без нормирования (а) и после логарифмирования по оси У (б) испытуемого из группы «Норма»

гт 1 на -1С1 »1

! 1

1 мь-; 1 |

к.

0.006 ош' 0.125 250 375 0 500

Спектральный индекс» 1.1323 Фрактально! р ¡жирность- 1.5331 [^"цч^ТГ"^

5 го 083 1 11301 2

I

000 .125 0.250 от о 500,: Частот* гц !

|| Закрыть |

Графики спектральной плотности мощности без нормирования (в) и после логарифмирования по оси У (г) пациента из группы «Эпилепсия» в г

557« 6883 ^___________

Н 41810С

| 27873 8444 "

133366 3222 Ш

°

0.001 0.000 0.125 .250 0.375 0500 Частота. ги

Сппктрпльн А ихлнко 0.480В Фрпкгппьнпв пямпрнпгть- г?598 |[ Закрыть ]

24 744 тШа,........ ШШ1. .ЛОЩ

I 8.860 | 0918 1Т1 т

0.000 0.125 0250 375 0 500

[■ Зпкрцг. )

Графики спектральной плотности мощности без нормирования (д) и после логарифмирования по оси У (е) пациента из группы «Синкопальные состояния» с развившейся картиной эпилепсии

:трнП1.кьй иилокс 0.Ы1107 Фрцюапьноя рчзиориость» 2.г09Ь |^"закрыть || | Стшктрвпьиый индекс 0.58107 Фракшльнв* размерность" 2.21)85 Закрыть ^

Рис. 8. Графическое представление информации в программе фрактального

анализа

В заключении представлены основные результаты диссертационного исследования.

Основные результаты работы

1. Разработана система распознавания патологических паттернов ЭЭГ на основе теории распознавания образов как один из вариантов количественных методов анализа фоновых изменений и контроля динамики ЭЭГ. Выявлена более высокая чувствительность и специфичность разработанной системы по сравнению с существующими программными приложениями, что достигнуто благодаря выявлению оптимального набора признаков и их весовых коэффициентов.

2. Показана возможность распознавания патологических паттернов электроэнцефалограммы с использованием вейвлет-преобразования. Проведен подбор оптимальных вейвлетов для распознавания патологичесих паттернов. В случае «пиков» оптимальным является выбор Symlet степени 4, для «медленных волн» - Revers Biorthogonal степени 3.

3. Установлена целесообразность использования скейлограмм вейвлет-спектра сигнала, что позволяет упростить процедуру распознавания и повысить наглядность результатов. С целью усовершенствования алгоритма произведен подбор параметров для линий уровня вейвлет-спектра.

4. Разработана программа, реализующая систему фрактального анализа ЭЭГ. В ходе математического эксперимента выбран оптимальный метод сглаживания, как наиболее гибкий и дающий наибольшие диагностические возможности.

5. В группе пациентов молодого возраста с преходящими нарушениями мозгового кровообращения выявлены сопутствующие изменения со стороны височно-нижнечелюстного сустава, служившие первичной причиной обращения пациентов за помощью; установлено, что у 20% больных с дисфункцией височно-нижнечелюстного сустава отмечались клинические проявления преходящих нарушений кровообращения в вертебро-базиллярном бассейне, подтвержденные клинико-инструментальным обследованием, включая ЭЭГ, что может служить основанием выделения данной категории больных в группу риска по НМК.

6. Применение фрактального анализа ЭЭГ у больных с эпилепсией позволило выявить статистически значимые отличия параметров спектрального индекса и фрактальной размерности ЭЭГ по сравнению с здоровыми лицами. Установлена тесная корреляционная связь степени выраженности изменений указанных параметров, длительности заболевания и частоты эпилептических припадков. В группе больных с синкопальными состояниями в динамическом наблюдении на протяжении 5 лет выявлены пациенты с развившейся клинической картиной эпилепсии, у которых в отличие от остальных пациентов данной группы, отмечались стабильно измененные параметры спектрального индекса и фрактальной размерности, что позволяет предположить возможность применения данных показателей для выделения группы риска по развитию эпилепсии.

7. Фрактальный анализ ЭЭГ обеспечил выявление зависимости между выраженностью изменений спектрального индекса и фрактальной размерности

и степенью нарушений при геморрагических инсультах и ушибах головного мозга, что позволяет использовать динамику данных параметров в качестве дополнительных критериев степени тяжести и, возможно, прогноза для качества жизни пациентов.

Основные результаты диссертации опубликованы в следующих работах: Публикации в изданиях по перечню ВАК РФ

1. Боенко O.A. Неврологические аспекты синдрома дисфункции височно-нижнечелюстного сустава у детей и подростков./ Боенко O.A., Владимиров С.Ю., Губина JI.K., Леонов Д.А., Седенков H.A., Сереженко Н.П.// Системный анализ и управление в биомедицинских системах. - 2002. - Т. 1, № 2. - С.208-209.

2. Аксенова А.М. Сравнительная характеристика влияния глубокого мышечного массажа и- инстенона на организм детей с перинатальной патологией нервной системы./ Аксенова А.М, Балакирева Е.А„ Сереженко Н.П.// Лечебная физическая культура и массаж. - 2004. - № 5. - С. 11-14

3. Есауленко И.Э. Распознавание патологических паттернов электроэнцефалограмм с использованием вейвлет-анализа / И.Э. Есауленко, Н.П.Сереженко, С.Н. Семенов // Системный анализ и управление в биомедицинских системах. - 2009. - Т.8, №4. - С.855-857.

Статьи и материалы конференций

4. Голуб В. А. Автоматическое распознавание острых волн в электроэнцефалографии / Голуб В. А., Мачульская О.В., Сереженко Н.П.//С6. докладов международной научно-практической конференции «Кибернетика и технологии XXI» века. - Воронеж, 2000.- С.119-123

5. Голуб В.А. Автоматическое распознавание патологических паттернов в электроэнцефалографии / Голуб В. А., Мачульская О.В. Сереженко Н.П.//С6. докладов международной научно-практической конференции «Кибернетика и технологии XXI» века. - Воронеж, 2001. - С. 458-462

6. Чернов В. И. Информационные системы отделений функциональной диагностики: электроэнцефалографическое исследование. Комплексная оценка функционального состояния организма : метод, материалы для студентов III курса леч.н пед.фак.и курсантов ФУВ / Чернов В. И., Балиашвили Д.У., Иванов М.В., Мезенцев Е.В., Семенов С.Н., Сереженко Н.П. - Воронеж, 2002. - 22 с.

7. Голуб В.А. Компьютерное распознавание патологических паттернов в электроэнцефалографии / Голуб В.А., Мачульская О.В., Матвеева, О.В.Сереженко Н.П. //Международная научно-техническая конференция и Российская научная школа молодых ученых и специалистов «Системные проблемы качества, математического моделирования, информационных и электронных технологий». - Москва, 2003. - С.72-74

8. Голуб В.А. Выявление патологических паттернов ЭЭГ с помощью вейвлет-преобразования/ Голуб В.А., Козлова И.Н., Сереженко Н.П.// Вестник ВГУ, серия системный анализ и информационные технологии. - 2007. - №2. -С. 61-64.

9. Голуб В.А. Выявление патологических паттернов ЭЭГ с помощью вейвлет-преооразования / Голуб В.А., Козлова И.Н., Сереженко Н.П.// Информатика: проблемы, методология, технологии : Материалы 9-й международной научно-методической конференции, Воронеж, 12-13 февраля 2009 г., Т.1 - Воронеж, 2009. - С. 197-203.

Подписано в печать 12.11.2009 г. Формат 60 х 84/16 . Бумага офсетная. Усл. печ. л. 1,2 Тираж 100 экз. Заказ № 2886

Отпечатано в типографии Воронежский ЦНТИ - филиал ФГУ «Объединение «Росинформресурс» Минэнерго России 394730, г. Воронеж, пр. Революции, 30

ВВЕДЕНИЕ.

ГЛАВА 1. АКТУАЛЬНЫЕ ВОПРОСЫ НЕИНВАЗИВНОЙ

ЭЛЕКТРОФИЗИОЛОГИЧЕСКОЙ ДИАГНОСТИКИ СОСТОЯНИЯ ГОЛОВНОГО МОЗГА НА СОВРЕМЕННОМ ЭТАПЕ (ОБЗОР ЛИТЕРАТУРЫ).

1.1. Электроэнцефалография, ее место среди методов нейро-визуализации и изучения функционального состояния головного мозга в норме и патологии.

1.2. Классические методики визуального и количественного анализа ЭЭГ.

1.3. ЭЭГ и современные методики математического анализа сигнала.

1.4. Изменения ЭЭГ при некоторых патологических состояниях.

Выводы первой главы.

ГЛАВА 2. МЕТОДИЧЕСКОЕ ОБЕСПЕЧЕНИЕ КОМПЬЮТЕРНОГО АНАЛИЗА ЭЭГ И ДАННЫЕ ТРАДИЦИОННЫХ МЕТОДОВ ИЗУЧЕНИЯ НЕЙРОФИЗИОЛОГИЧЕСКОЙ АКТИВНОСТИ.

2.1. Характеристика обследованных групп и методики исследования

2.2. Методы статистического анализа данных.

2.3. Данные классического визуального и компьютерного анализа электроэнцефалограмм в группе больных с эпилепсией.

2.4. Данные классического визуального и компьютерного анализа электроэнцефалограмм в группе больных с синкопальными состояниями.

2.5. Данные классического визуального и компьютерного анализа электроэнцефалограмм в группе больных с черепно-мозговыми травмами в анамнезе.

2.6. Данные классического визуального и компьютерного анализа электроэнцефалограмм в группе больных с черепно-мозговыми травмами в анамнезе.

Выводы второй главы.

ГЛАВА 3. ИСПОЛЬЗОВАНИЕ ПРИЗНАКОВОГО РАСПОЗНАВАНИЯ В АВТОМАТИЧЕСКОЙ ДИАГНОСТИКЕ ПАТОЛОГИЧЕСКИХ

ПАТТЕРНОВ ЭЭГ.'.

3.1. Принципы компьютерной диагностики патологических паттернов ЭЭГ с использованием теории распознавания образов.

3.2 Использование аппарата теории вероятности и кластерного анализа для определения числа весовых коэффициентов признаков.

3.3 Программная реализация алгоритма и результаты ее испытания. 76 Выводы третьей главы.

ГЛАВА 4. ПРИМЕНЕНИЕ В ЕЙВ ЛЕТ-ПРЕОБРАЗОВАНИЯ ДЛЯ

ДИАГНОСТИКИ ПАТОЛОГИЧЕСКИХ ПАТТЕРНОВ ЭЭГ.

4.1. Основные характеристики вейвлет-преобразования.

4.2. Применение вейвлет-преобразования к анализу ЭЭГ.

4.3. Описание программного обеспечения.

4.4. Распознавание патологических паттернов типа «пик».

4.5 Распознавание патологических паттернов типа «медленная волна»

Выводы четвертой главы.

ГЛАВА 5 ПРИМЕНЕНИЕ ТЕОРИИ ФРАКТАЛОВ В ЭЛЕКТРОФИЗИОЛОГИЧЕСКОЙ ДИАГНОСТИКЕ НЕВРОЛОГИЧЕСКИХ ЗАБОЛЕВАНИЙ.

5.1. Основы теории фракталов и их применение в диагностики нейрофизиологических нарушений.

5.2. Фрактальная диагностика изменений ЭЭГ у больных эпилепсией

5.3. Принципы и математический аппарат фрактального анализа ЭЭГ

5.4. Программная реализация метода фрактального анализа электроэнцефалограмм.

5.5 Исследование влияния сглаживании на получаемые результаты. 124 5.6. Изменения спектрального индекса и фрактальной размерности у пациентов различных клинических групп.

Выводы пятой главы.

Актуальность проблемы. Исследование биоэлектрической активности головного мозга в виде традиционной скальповой электроэнцефалографии до настоящего времени остается информативным и относительно дешевым методом инструментальной диагностики состояния ЦНС в норме и различных патологических состояниях [23-25,40]. Однако, несмотря на многолетний опыт использования данной методики, проблема корректной трактовки результатов нейрофизиологического исследования и, в особенности, электроэнцефалограмм (ЭЭГ) является весьма актуальной. На практике встречаются ситуации, когда даже одна и та же биоэлектрическая активность, представленная в виде записи на бумаге, трактуется различными специалистами по-разному [13,14,24,25].

Внедрение в практику цифровой записи сигналов с последующей их компьютерной обработкой позволяют сделать работу врача-нейрофизиолога более* объективной. Кроме того, имеется* целый ряд паттернов1 и, графоэлементов электроэнцефалограмм; в отношении которых выработаны критерии их оценки [13,23-25].

Обычно анализ ЭЭГ осуществляется на основании внешнего вида графиков. Такой анализ является весьма трудоемким и недостаточно объективным и точным, особенно если обрабатывается запись ЭЭГ большой длительности, например выполненная в течение суток. Поэтому является актуальной задача автоматизации процесса анализа ЭЭГ, выявления) патологических паттернов и определения их численных характеристик.

Использование современных методов математического анализа позволяет существенно расширить как диагностические возможности данного метода, так и точность получаемых результатов. Неожиданным препятствием для их широкого внедрения стало как богатство возможных методов анализа, так и сложность их реализации в практической* медицинской практике, в частности — по причине жесткой привязки к использующимся аппаратно-программным комплексам. Таким образом, существенно сужаются диагностические возможности из-за невозможности обработки сигналов, полученных с использованием комплексов других производителей [13].

Исходя из вышеизложенного, актуальность настоящего исследования заключается в необходимости совершенствования существующих способов количественного анализа ЭЭГ у больных с поражением головного мозга различной этиологии с использованием современных методов математического анализа квазистационарного нелинейного сигнала и разработки аппаратнезависимого программного обеспечения, реализующего указанный вычислительный аппарат с применением современных компьютерных технологий.

Цель исследования. Научное обоснование, разработка, практическая реализация и клиническая апробация* программного комплекса математического анализа электроэнцефалограмм в норме' и при ряде патологических процессов.

Для достижения поставленной цели необходимо решить следующие основные задачи:

1. Изучить принципиальную возможность анализа ЭЭГ с помощью вейвлет-преобразования и убедиться в возможности выявления патологических паттернов ЭЭГ на вейвлет-спектре.

2. Изучить характеристики ритмических .составляющих ЭЭГ в норме и при различных патологических процессах с использование избранных методик в зависимости от возраста, пола и нозологической формы.

3. Определить параметры вейвлет-преобразования, наилучшим образом выявляющие характеристики ЭЭГ-сигналов; выявить степень влияния параметров преобразования, таких как выбор материнского вейвлета, значения масштабирующих коэффициентов, нормировка спектра, на качество распознавания.

4. На основе полученных параметров построить оптимальный алгоритм выявления заданных патологических паттернов ЭЭГ, который позволит автоматизировать выделение характерных особенностей;

5. Провести анализ получаемой информации с использованием избранных методов математического анализа, выбрать оптимальный диагностический набор показателей и разработать комплекс программ, реализующий оптимальный набор средств математической обработки ЭЭГ.

6. Провести клиническую апробацию разработанного программного обеспечения при обследовании пациентов с различными поражениями головного мозга в условиях отделения функциональной диагностики.

Методы исследования: Для решения поставленных задач использованы функциональные методы исследований с автоматизированным расчетом показателей, методы системного анализа, математической статистики, спектрального анализа, метода дипольной многошаговой локализации; источников, патологической активности, вейвлетт-анализа и фрактального анализа, программирования, кластерного анализа.

Научная новизна результатов исследования. В диссертации получены, следующие результаты, характеризующиеся научной новизной:

Разработан комплекс аппратнонезависимых программ, реализующих методы вейвлет-анализа, фрактального анализа и распознавания патологических паттернов с использованием признакового пространства1 и кластерного анализа.

Изучено* состояние энцефалоритмики с использованием методики фрактального анализа с разработкой, нормативов для ее оценки при различных, патологических ' состояний. Усовершенствована методика, фрактальной диагностики эпилепсии с. применением методов корректировки сглаживания сигнала. Проведено исследование фрактальных характеристик а-ритма при различных патологических состояниях (черепно-мозговая травма, нарушения мозгового кровообращения; синкопальные состояния; в том числе — при мультиорганиой патологии). Выявлены особенности изменения фрактальной размерности ЭЭГ в зависимости от тяжести перенесенной черепно-мозговой травмы, вида инсульта.

Предложено использовать линии уровня вейвлет-спектра для распознавания патологических паттернов ЭЭГ. Их применение, в силу значительно меньшего объема данных по сравнению с развернутым представлением вейвлет-спектра, позволяет ускорить обработку информации, повысить наглядность отображения выявленных особенностей ЭЭГ, снизить требования к аппаратной части компьютерной системы, используемой для диагностики.

Практическая значимость и реализация результатов работы. Научные положения, выводы и рекомендации, изложенные в диссертации, могут служить основой оптимизации диагностического процесса в- условиях соматических, психиатрических и неврологических стационаров. Выделены наиболее информативные математические критерии оценки изменения нейрофизиологических параметров, выявляемых при исследовании ЭЭГ. Получены новые данные об их зависимости от вида и тяжести некоторых патологических' состояний. Применение разработанных компьютерных программ позволяет на практике реализовать методы вейвлет-анализа и теории фракталов, что обеспечивает более объективную и углубленную оценку состояния больных и рациональное использование имеющегося материально-технического потенциала лечебно-профилактических учреждений. Сформированная система распознавания при изменении» набора признаков и весовых коэффициентов может быть использована для автоматического выделения различных патологических и физиологических паттернов, изучаемых при анализе ЭЭГ.

Разработанные в ходе выполнения диссертационного исследования программы, внедрены в практику работы двух стационаров Воронежской и Курской областей, а также в учебный процесс кафедр ВГУ и кафедры информационных систем ГОУ ВПО ВГМА им. Н.Н.Бурденко Росздрава.

Апробация работы. Материалы диссертации представлены, доложены и обсуждены на:

-Международной научно-практической конференции «Кибернетика и технологии XXI» века, г. Воронеж, 2001 г.

- Международной научно-техническая конференции и Российской научной школе молодых ученых и специалистов «Системные проблемы качества, математического моделирования, информационных и электронных технологий», Москва, 2003;

- Девятой международной научно-методической конференции Воронеж, 12-13 февраля 2009 г.

Публикации. Основное содержание диссертационной работы опубликовано в 8 научных работах в центральной и региональной печати, 2 из которых - в изданиях, рекомендованных перечнем ВАК, и в методических рекомендациях.

Структура- и объем работы. Диссертация состоит из введения, пятиглав, заключения с обсуждением полученных результатов, выводов, предложений, списка литературы, приложений. Список используемой литературы содержит 209 источников, в т.ч. 61 отечественных и 148 зарубежных авторов. Общий объем работы составляет XXX страниц машинописного текста. Диссертация иллюстрирована 10 таблицами, 42 рисунками.

Выводы пятой главы

1. С целью внедрения в практику разработана программа, реализующая систему фрактальной диагностики нарушений нейрофизиологических процессов у больных с различной неврологической патологией, обследовано 100 здоровых лиц в возрасте от 8 до 70 лет для выработки нормативов исследования.

2. В ходе математического эксперимента выбран оптимальный метод сглаживания (экспоненциальное* сглаживание), как наиболее гибкий и дающий наибольшие диагностические возможности.

3. Обследование больных с эпилепсией позволило выявить статистически значимые отличия параметров спектрального индекса и фрактальной размерности ЭЭГ по сравнению с группой здоровых волонтеров. При этом установлена тесная корреляционная зависимость между степенью выраженности изменений указанных параметров, длительностью заболевания и частотой эпилептических припадков.

4. В группе больных с синкопальными состояниями в динамическом наблюдении на протяжении 5 лет выявлены пациенты с развившейся клинической картиной эпилепсии. В отличие от остальных пациентов данной группы, у них отмечались стабильно измененные параметры спектрального индекса и фрактальной размерности, что позволяет предположить возможность выделения группы риска по развитию эпилепсии с применением данных показателей. Выявлена зависимость между выраженностью изменений спектрального индекса и фрактальной размерности и степенью нарушений при геморрагических инсультах и ушибах головного мозга, что позволяет использовать динамику данных параметров в качестве дополнительных критериев степени тяжести и, возможно, прогноза для качества жизни пациентов.

ЗАКЛЮЧЕНИЕ

В ходе проведенных исследований получены следующие основные результаты:

1. Разработана система распознавания патологических паттернов ЭЭГ на основе теории распознавания образов как один из вариантов количественных методов анализа фоновых изменений и контроля динамики ЭЭГ. Выявлена более высокая чувствительность и специфичность разработанной системы по сравнению с существующими программными приложениями, что достигнуто благодаря выявлению оптимального набора признаков и их весовых коэффициентов.

2. Показана возможность распознавания патологических паттернов электроэнцефалограммы с использованием вейвлет-преобразования. Проведен подбор оптимальных вейвлетов для» распознавания патологичесих паттернов. В случае «пиков» оптимальным является выбор Symlet степени 4, для «медленных волн» - Revers Biorthogonal степени 3.

3. Установлена целесообразность использования скейлограмм вейвлет-спектра сигнала, что позволяет упростить процедуру распознавания и повысить наглядность результатов. С целью усовершенствования алгоритма произведен подбор параметров для линий уровня вейвлет-спектра.

4. Разработана программа, реализующая систему фрактального анализа ЭЭГ. В ходе математического эксперимента выбран оптимальный метод сглаживания, как наиболее гибкий и дающий наибольшие диагностические возможности.

5. В группе пациентов молодого возраста с преходящими нарушениями мозгового кровообращения выявлены сопутствующие изменения со стороны височно-нижнечелюстного сустава, служившие первичной причиной обращения пациентов за помощью; установлено, что у 20% больных с дисфункцией височно-нижнечелюстного сустава отмечались клинические проявления преходящих нарушений кровообращения в вертебробазиллярном бассейне, подтвержденные клинико-инструментальным обследованием, включая ЭЭГ, что может служить основанием выделения данной категории больных в группу риска по НМК.

6. Применение фрактального анализа ЭЭГ у больных с эпилепсией позволило выявить статистически значимые отличия параметров спектрального индекса и фрактальной размерности ЭЭГ по сравнению с здоровыми лицами. Установлена тесная корреляционная связь степени выраженности изменений указанных параметров, длительности заболевания и частоты эпилептических припадков. В группе больных с синкопальными состояниями в динамическом наблюдении на протяжении 5 лет выявлены пациенты с развившейся клинической картиной эпилепсии, у которых в отличие от остальных пациентов данной группы, отмечались стабильно измененные параметры спектрального индекса и фрактальной размерности, что позволяет предположить возможность применения данных показателей для выделения группы риска по развитию эпилепсии.

7. Фрактальный анализ ЭЭГ обеспечил выявление зависимости между выраженностью изменений спектрального индекса и фрактальной размерности и степенью нарушений при геморрагических инсультах и ушибах головного мозга, что позволяет использовать динамику данных параметров в качестве дополнительных критериев степени тяжести и, возможно, прогноза для качества жизни пациентов.

1. Айрапетьянц М. Г., Вейн А. М. Неврозы в эксперименте и клинике./ М.Г. Айрапетьянц, A.M. Вейн. - М.: Наука, 1982. - 272 с.

2. Алиева 3. С. Слуховые вызванные потенциалы детей раннего возраста/ 3. С. Алиева, Л. А. Новикова // Сенсорные системы. 1988. - Т. 2. - Вып. 1. С. 83—89.

3. Анохин П. К. Очерки по физиологии функциональных систем./ П.К. Анохин. М.: Медицина, 1975. - 447 с.

4. Астафьева Н. М. Вейвлет-анализ: основы теории и примеры применения/ Н. М. Астафьева //Успехи физических наук. 1998,- Т. 166, № 11.-С. 1145-1170.

5. Астафьева Н. М. Вейвлет-преобразования. Основные свойства и примеры применения. / Н.М. Астафьева М.: ИКИ РАН. 1994. - № 1891. -56 с.

6. Ахметханов Р.С. Применение теории фракталов и вейвлет-анализа для выявления особенностей временных рядов при диагностике систем/ Ахметханов Р.С.// Вестник научно-технического развития.- 2009. № 1.-С.26-31

7. Банин А. В., Гаевый О. В., Артарян А. А., Галкина И. С. Закрытая тяжелая черепно-мозговая травма у детей/А.В. Банин, О.В. Гаевый, А.А. Артарян, И.С. Галкина// Всесоюзный съезд нейрохирургов, 4-й: Тез. докл. М., 1988.- С. 7-8.

8. Благосклонова Н. К. Влияние аминазинотерапии на функциональное состояния мозга детей с нарушениями поведения/ Н.К. Благосклонова // Журн. нервопатол. 1989.-№ 1.- С. 112-116.

9. Благосклонова Н. К. Исследование ориентировочной реакции у детей с нарушениями поведения аффективно-возбудимого типа/ Н.К. Благосклонова// Журн. невропатол. 1987. - № 10. - С. 1539-1543.

10. Геладзе Т. Ш., Тоидзе О ILL, Ломашвили И. Д. Важность своевременной диагностики доброкачественной эпилепсии детского возраста с роландическими пиками /Т. Ш. Геладзе, О. Ш. Тоидзе, И. Д. Ломашвили // Журн. невропатол. 1983. Т. 83, № 10. - С. 1429-1496.

11. Гнездицкий В.В. Обратная задача ЭЭГ и клиническая электроэнцефалография;/ В.В. Гнездицкий Таганрог: Изд. ТРТУ. 2002.-640с.

12. Гриндель О. М. Электроэнцефалограмма человека при черепно-мозговой 1 травме./ О. М. Гриндель М.: Наука, 1988. - 200 с.

13. Гусельников В. И., Супин А. Я. Ритмическая активность головного мозга./ В. И. Гусельников, А. Я. Супин М.: МГУ. - 1968. - 253 с.

14. Добеши И. Десять лекций по вейвлетам. / И. Добеши Ижевск: НИЦ «Регулярная и хаотическая»динамика», 2001. — 464с.

15. Дорофеюк А.А. Алгоритмы автоматической классификации/ А.А. Дорофеюк // Проблемы расширения; возможностей автоматов (Труды Инта пробл. управ. АН СССР).- М., ИПУ АН СССР, 1971.- Выш 1- С. 5-41.,

16. Дубикатис Ю. В., Полякова В. Б. Биоэлектрическая активность головного мозга у больных с черепно-мозговой- травмой при ирритации стволовых структур/ Ю. В. Дубикатис, В. Б. Полякова// Вопр. нейрохир. -1983.-№3.-С. 14-18.

17. Дьяконов В.П. MATLAB. Обработка сигналов и изображений. Специальный справочник. / В.П. Дьяконов, И.В. Абраменкова — СПб.: Питер, 2002. 608с.

18. Дьяконов В.П. Вейвлеты. От теории к практике. / В.П. Дьяконов -M.:COJIOH. Р. - 2002. 448 с.

19. Егорова И. С. Электроэнцефалография./ И. С. Егорова М.: Медицина, 1973. - 296 с.

20. Жирмунская Е. А. Клиническая электроэнцефалография./ Е. А. Жирмунская М.: Мэйби, 1991. - 78 с.

21. Зенков Л. Р. Электроэнцефалография/Л. Р. Зенков, М. А. Ронкин// Функциональная диагностика нервных болезней (руководство для врачей). М.: Медицина, 1991. - С. 7-146.

22. Зенков Л.Р. Клиническая электроэнцефалография (с элементами эпилептологии). Руководство для врачей. / Л.Р. Зенков М.: МЕДпресс-информ, 2004. - 368с.

23. Зозуля Е.П. Методы автоматического анализа биосигналов с хаотическими свойствами для медицинских компьютерных систем: автореф.дис.канд.тех. наук/Е.П. Зозуля ; С.-Петерб. гос.электротех. ун-т «ЛЭТИ» им. В.И.Ульянова (Ленина) СПб., 2009.-20с.

24. Интенсивная терапия тяжелой черепно-мозговой травмы/ Потапов А. А. и др. // Интенсивная терапия, реанимация и анестезиология в нейрохирургии. М., 1982. - С. 68-79.

25. Карлов В. А. Эпилепсия/ В. А. Карлов // М.: Медицина, 1980. 336 с.

26. Кетков Ю.Л. MATLAB 6.x.: программирование численных методов. / Ю.Л. Кетков, А.Ю. Кетков, М.М. Шульц СПб.: БХВ-Петербург, 2004. -672с.

27. Клиническая нейрофизиология / Под. ред. Н.П. Бехтерев. Л.: Наука, 1972.- 720с.

28. Короновский А.А. Непрерывный вейвлетный анализ и его приложения. /А.А. Короновский, А.Е. Храмов М.: ФИЗМАТЛИТ, 2003. - 176с.

29. Курчакова М.С. Психофизиологические механизмы эмоционального реагирования в норме и при психической травме: автореф. дис.канд. психол. наук/М.С. Курчакова; И-нт психологии РАН М., 2008.-28с.

30. Латам Л. П. Гипоталамус, приспособительная активность и электроэнцефалограмма. М.: Наука, 1968. - 296 с.

31. Марьенко Л. Б. «Роландический» вариант оперкулярной эпилепсии/Л. Б. Марьенко// Журн. невропатол. 1985. - Т. .85, № 10. - С. 1486- 1490.

32. Нейротравматология. Справочник./Под ред. А.Н1 Коновалова, Л.Б. Лихтермана, А.А. Потапова.- Ростов-н-Д: "Феникс".-1999, изд 2-ое.- 576 с.

33. Никифоров А.С. Клиническая неврология. Учебник. В 3 томах./ А.С. Никифоров, А.Н. Коновалов, Е.И. Гусев, Т. II. М.: Медицина, 2002. - 792 с.

34. Новиков И.Я. Основы теории всплесков/ И .Я. Новиков, С.Б. Стечкин // Успехи матем. наук, 1998, т. 53, №6. С. 53-128.

35. Орлов А.И. Эконометрика./ Орлов А.Н. М.: Экзамен, 2002. - 576с.

36. Пенфилд У. Эпилепсия и функциональная анатомия головного мозга человека/ Пенфилд У., Джаспер Г.: Пер. с англ. М.: Иностран. лит., 1958.482 с.

37. Петрухин А. С. Эпилептология детского возраста/ Петрухин А. С., Мухин К. Ю. М., 2003. - 624 с.

38. Поллард Дж. Справочник по вычислительным методам статистики./Дж. Поллард. М.: Финансы и статистика. 1982. - 344 с.

39. Полякова В. Б. Биоэлектрическая активность головного мозга детей в возрасте от 2 до 15 лет с легкой черепно-мозговой травмой/ В.Б. Полякова// В сб.: Актуальные вопр. нейрохирургии детского возраста. Л.: Наука, 1990. - С. 101-105.

40. Прохорский A.M. Сочетанная краниоцервикальная травма (патогенез, клинические формы, лечебная тактика)./А.М.Прохорский //Сб. тр. Современные проблемы неврол., нейрохир. и пограничной психиатрии. -Ставрополь. 1998. - т. 1. - с. 211-223.

41. Рогулов В. А., Яцук С. Л. Височная эпилепсия после родовой травмы с атрофией затылочной доли мозга/В. А.Рогулов, С. Л. Яцук// Журн. невропатол.- 1986. Т. 86, № 6.- С. 833-835.

42. Росси Д. Ретикулярная формация ствола мозга/ Росси Д., Цанкети А.: Пер. с англ. -М.: Иностр. лит., 1960,-263 с.

43. Сараджишвили П. М., Геладзе Т. Ш. Эпилепсия. — М.: Медицина, 1977. — 304 с.

44. Светик М.В. Роль высокочастотной активности головного мозга — гамма-ритма в восприятии времени: автореф. дис.канд. биол.наук/М.В. Светик; ГОУ ВПО ТГУ Томск, 2009.-20с.

45. Селицкий Г. В. Функциональное состояние коры головного мозга при эпилепсии/ Г. В.Селицкий, Н. Е. Свидерская // Пат. физиол.-1986.- № 4. -С. 42-44.

46. Семенова Н.Ю., Захаров В.Н' Фрактальный анализ" и поиск детерминизма в данных ЭЭГ./ Семенова Н.Ю., Захаров В.Н.// Труды «Новые информационные технологии в медицине и экологии» Гурзуф.-2002 г.- с.462-466.

47. Славуцкая А.В. Вызванные потенциалы зрительной коры мозга человека при экспозиции целых фигур и составляющих их элементов: автореф.дис.канд.биол.наук/A.B. Славуцкая; И-нт ВНД РАН М., 2009.-24с.

48. Смоленцев Н.К. Основы теории вейвлетов. Вейвлеты в MATLAB. / Н.К. Смоленцев М.: ДМК Пресс, 2005. - 304с.

49. Терминологический справочник (словарь терминов, используемых в электроэнцефалографии)/ Е. А. Жирмунская, и др.// Физиология человека. -1978.- Т. 4, №85. С. 926-954.

50. Труш В.Д., Кориневский А.В. ЭВМ в нейрофизиологических исследованиях. М., Наука, 1978, с. 239.

51. Уолтер В.Г. Живой мозг. М., Мир, 1966, 290 с.

52. Урицкий В.М. Фрактальная диагностика нарушения альфа-ритма, при эпилепсии./ В.М. Урицкий и др.//Биофизика.-1999.-т. 44, №6.-С. 11091114.

53. Федер Е. Фракталы./ Е. Федер: Пер. с англ. М.: Мир, 1991.-254с.

54. Фролов А.А. О точности пространственной локализации источников биоэлектрической активности мозга в модели однородной неограниченной среды./ А.А. Фролов, В.Н. Пономарев// Журнал ВНД, 1988, т.58, в.5, с. 897-903.

55. Шевелев Hi А. Функциональное картирование мозга;/ И. А. Шевелев// Успехи физических наук, 1987, т. 18, №2, с. 16-36.

56. Штульман Д.Р. Лёгкая черепно-мозговая травма./ Д.Р. Штульман, О.С. Левин //Неврологический журн. 1999: - т. 4. - № 1. - с. 4 - 10.

57. Эфрон Б. Нетрадиционные методы многомерного статистического анализа/ Эфрон Б.- М.: Финансы и статистика, 1988.- 263 с. '

58. Panuszka R. Fractal EEG analysis with Higuchi's algorithm of low-frequency noise exposition on humans/R. Panuszka, Z. Damijan, C.Kasprzak// J. Acoust.

59. Soc. Am.- 2004.-vol.115, issue 5.-P. 2388-2388

60. A novel quantitative EEG injury measure of global cerebral ischemia/ Geocadin RG et al. // Clin. Neurophysiol.- 2000.-vol.l 11.-P. 1779-1787

61. Advanced spectral, methods for climatic time, series./ M Ghil et al:. // Rev. Geophys.- 2002.-vol.40.-P. 1003

62. Alper J. EEG+MRI: a sum greater than the parts./J. Alper// Science.-1993.vol.261-P.559

63. Alpha oscillations in brain functioning: an integrative theory./ Basar.E. et al.// International Journal of Psychophysiology.- 1997.- vol. 26.- P. 5-29t

64. Anderer P. Low-resolution brain electromagnetic tomography revealed simultaneously active frontal and parietal sleep spindle sources in the humank rcortex/ P.Anderer, G.Kloesch, G. Gruber // Neuroscience.-2001.- vol. 103, N3.-P. 581-592.

65. Barry RJ1. A review of electrophysiology in, attention-deficit/hyperactivity disorder: II. Event-related potentials./ RJ Barry, SJ Johnstone, AR Clarke. // Clin. Neurophysiol.-2003.-vol. 114.-P. 184-198

66. Barry RJA review of electrophysiology in attention-deficit/hyperactivity disorder. I. Qualitative and quantitative electroencephalography./ RJ Barry, AR Clarke, SJ Johnstone. // Clin. Neurophysiol.- 2003-vol.l 14.-P. 171-183

67. Bassetti CL. Sleep electroencephalogram changes in acute hemispheric stroke./ Bassetti CL, Aldrich MS. // Sleep Med.- 2001- vol.2.-P. 185-194

68. Berger H. U. ber das Elektrenkephalogramm des Menschen (On the EEG in humans)/Berger H. U.//Arch. Psychiatr. Nervenkr.-1929.-vol.87-P.527-570

69. Bezerianos A. Tsallis entropy estimation of EEG rhythm changes following brain ischemia./A Bezerianos, S Tong, N Thakor.//Ann. Biomed. Eng. 2003.-vol.31.-P.221-232

70. Bhattacharya J. Complexity analysis of spontaneous EEG./ Bhattachaiya J.// Acta Neurobiol. Exp.-2000.-vol.60.-P.495-501

71. Blinowska K. Unbiased high resolution method of EEG analysis in time-frequency space/ Blinowska K, Durka P.//Acta Neurobiol. Exp.-2001.-vol.61,-P. 157-174

72. Bonnet MH. Impact of activity and arousal upon spectral EEG parameters./ MH Bonnet, DL Arand.//Physiol. Behav. 2001,vol.74.-P. 291-298

73. Bruhn J: Approximate entropy as an electroencephalographic measure, of anesthetic drug effect during desflurane anesthesia./ J Bruhn, H Ropcke, A Hoeft.//Anesthesiology.- 2000.-vol.92.- P.715-726

74. Chaos or noise in EEG signals: dependence on state and brain site./ J Pijn et al.// Electroencephalogr. Clin. Neurophysiol.-1991.-vol.79.-P.371-381

75. Chen ACN. Human, brain measures of clinical pain—a review (1,2). Topographic mappings./ ACN Chen. // Pain 2002 vol.54-P. 115-144

76. Cohen B.A. Quantification of computer analyzed serial EEGs from1 stroke patients./ B.A. Cohen, E.J. Bravo-Fernandez, Anthony J. Sances// Electroencephalogr. Clin.Neurophysiol.-1976.- voL41.-P. 379-386

77. Cuffin B. N. EEG localization accuracy improvements using realistically shaped head models/B. N. Cuffin// IEEE Transactions on Biomedical Engineering.- 1996.- vol. 43, N. 3.-P. 299-303.

78. Decker DA. The EEG in intrinsic supratentorial brain tumors: a comparative evaluation./DA Decker, JR. Knott//Electroencephalogr. Clin. Neurophysiol.-1972.-vol.33.-P. 303-310

79. Detecting EEG bursts after hypoxic-ischemic injury using energy operators/ DL Sherman et al. // Proc. 19th Annu. Int. Conf. IEEE Eng. Med. Biol. Soc.-Chicago.- 1997.-vol. 3.-P.1188-1190

80. Diagnostic value of quantitative EEG in Alzheimer's disease./ Bennys Ket al.// Neurophysiol. Clin./Clin. Neurophysiol.-2001.-vol.31.-P. 153-160

81. Digital period analysis of sleep EEG in depression./ Armitage R et al.// Biol. Psychiatry.- 1992.-N31.- P. 52-68

82. Dipole location errors in electroencephalogram source analyssis due to volume conductor model errors/ B. Vanrumste et al.// Medical and Biological Engineering and Computing.-2000.-vol. 38, N. 5, P. 528-534.

83. Dipole-tracing of abnormal slowbrain potentials after cerebral stroke—EEG, PET, MM correlations./ Y Nakajima et al. //Neurosci. Lett, -1990.-vol.112.-P.59-64

84. Dolisi C. Quantitative EEG abnormalities and asymmetries in patients with intracranial tumors./ С Dolisi, G Suisse, E Delpont. // Electroencephalogr. Clin. Neurophysiol.-1990.-vol.76.-P. 13-18

85. Dominant frequency analysis of EEG reveals brain's response during injury and recovery/ V Goel et al.//IEEE Trans. Biomed. Eng.-1996.-vol.43.-P.1083-1092

86. Duhamel P. Fast Fourier transforms: a tutorial review and a state of the art./ P Duhamel, M Vetterli. // Signal Process.-1990.-vol.l9.-P.259-299

87. Durka P. A unified time-frequency parametrization of EEGs./ P. Durka, K.

88. Blinowska // IEEE Eng. Med. Biol. Mag.- 2001.-vol. 20.- P.47-53

89. Durka P. Analysis of EEG transients by means of matching pursuit./ P Durka, K. Blinowska//Ann. Biomed. Eng.- 1995.-vol. 23.-P.608-611

90. EEG brain mapping in schizophrenics with predominantly positive and negative symptoms. Comparative studies with remoxipride/haloperidol. / В Saletu et al. //Eur. Neuropsychopharmacol.-1990.-vol.l.- P.27-36

91. EEG correlates of acute and chronic paroxetine treatment in depression/ V Knott et al.// J. Affect. Disord.-2002.-vo.69.-P. 241-249

92. EEG discriminant analyses of mild head trauma./ RW Thatcher et al. // Electroencephalogr. Clin. Neurophysiol.-1989.-vol.73.-P.94-106

93. EEG power, frequency, asymmetry and coherence in male depression./V. Knott et al.//Psychiatiy Res. Neuroimaging 2001.-106.-P. 123-140

94. EEG signal modeling using adaptive Markov process amplitude./ Al-Nashash H. et al. // IEEE Trans. Biomed. Eng. 2004.- vol. 51.- P.744-751

95. EEG sleep studies in patients with generalized anxiety disorder. / GN. Papadimitriou et al.//Psychiatry Res.-1988.-vol.26.-P. 183-190

96. EEG source imaging/ M.C. Michel et al. // Clinical Neurophysiolog.- 2004.-vol. 115, N.10.-P. 2195-2222.

97. EEG spectral analysis and topographic mapping in Wilson's disease./ N-S Chu et al.. // J. Neurol. Sci.- 1991.-vol.106.-P. 1-9

98. EEG-brain mapping. A method to optimize therapy in schizophrenics using absolute power and center frequency values./ R Schellenberg et al. Schizophr. Res. 1992. 8: p.21-29

99. Effects of local skull inhomogeneities on EEG source estimation / J. O. Ollikainen ey al. // Medical Engineering and Physics.-1999.-vol. 21, N. 3, P. 143-154.

100. Electrocorticographic gamma activity during word production in spoken and sign language./N Crone et al. //Neurology.- 2001.-vol. 57.-P.2045-2053

101. Electrophysiological correlates of affective blindsight/ Andino S. L. Gonzalezet al. // Neurolmage, 2009,- vol. 44, N2, P. 581-589.

102. Emergency EEG and brain trauma./ В Legros et al. // Clin. Neurophysiol.-1998.-vol.28.- P.l 11-120

103. Epileptic seizures can be anticipated by non-linear analysis./ J Martinerie et al.// Nat. Med. -1998.-vol.4.-P.l 173-1176

104. Evaluation of acute ischemic stroke using quantitative EEG: a comparison with conventional EEG and CT Scan./ L. Murri L et al. //Neurophysiol. Clin.-1998.-vol.28.-P.249—257

105. Freeman W. J. Chaos in the brain: Possible roles in biological intelligence/ W. J. Freeman // International Journal of Intelligent Systems. 1995. - Vol. 10. -P. 71-88.

106. Gabriel C. The dielectric properties of biological tissues I: literature survey/C. Gabriel, S. Gabriel, E. Corthout/ZPhysics in Medicine and Biology/- 1996.- vol. 41, N.ll.-P. 2231-2249.

107. Geddes L. A. The specific resistance of biological material a compendium of data for the biomedical engineer and physiologist/L. A. Geddes, L. E. Baker//Medical & Biological Engineering.-1967.-vol.5, N.3, P. 271-293.

108. Gencer N. G. Sensitivity of EEG and MEG measurements to tissue conductivity/ N. G. Gencer, С. E. Acar // Physics in Medicine and Biology.-2004.- vol. 49, N.5.- P. 701-717.

109. Hamalainen M. S. Realistic conductivity geometry model of the human head for interpretation of neuromagnetic data/ M. S. Hamalainen, J. Sarvas/ЛЕЕЕ Transactions on Biomedical Engineering.-1989.-vol.36,N.2, P. 165-171.

110. High resolution study of sleep spindles. / J Zygierewicz et al. // Clin. Neurophysiol.-1999.-vor. 110.-P.213 6-2147

111. Hoekema R. Measurement of the conductivity of skull, temporarily removed during epilepsy surgery/ R. Hoekema, G. H.Wieneke, F. S. S. Leijten // Brain Topography.-2003.-vol. 16, N1, P. 29-38.

112. Horwitz В How can EEG/MEG and fMRI/PET data be combined?/ В

113. Horwitz, D Poeppel I I Hum. Brain Mapp.-2002. vol.17.-P.l-3

114. How well does a three-sphere model predict positions of dipoles in a realistically shaped head/ B. J. Roth et al.// Electroencephalography and Clinical Neurophysiology.-1993.-vol. 87,N.4, P. 175-184.

115. Hughes JR, Conventional and quantitative electroencephalography in psychiatry./ Hughes JR, John ER.//J. Neuropsychiatry Clin. Neurosci.-1999.-vol.ll.-P.190—208

116. Iasemidis Leon D. Epileptic Seizure Prediction and Control/ Leon D. Iasemidis // IEEE Transactions on Circuits and Systems.-2003.- Vol. 50, N. 5.-P. 549-558.

117. Indications of nonlinear deterministic and finite dimensional structures in time series of brain electrical activity: Dependence on recording region and brain state/ Andrzejak R. G. et al. // Phys. Rev. E. 2001. - Vol. 64. - P. 1907.

118. Induced electrocorticographic gamma activity during auditory perception./ N. Crone et al.// Clin. Neurophysiol.-2001.-vol.112.-P. 565-582

119. Influence* of tissue resistivities on neuromagnetic fields and'electric potentials studied with a finite element model of the head/ J. Haueisen et а1./ЛЕЕЕ Transactions on Biomedical Engineering.-1997.-vol.44,N8, P. 727-735.

120. Information transmission in human cerebral cortex./ J Xu et al.// Physica D.-1997,-vol. 106.-P.363-3 74

121. Investigation of EEG non-linearity in dementia and Parkinson's disease./ С Stam et al.// Electroencephalogr. Clin. Neurophysiol.-1995.- vol.95.-P.309-320

122. Jeong J. Mutual information analysis of the EEG in patients with Alzheimer's disease./ J. Jeong, J.C. Gore, B.S. Peterson. // Clin. Neurophysiol. 2001.-vol. 112.- P. 827-835

123. Kaiser JF. On a simple algorithm to calculate the 'energy' of a signal./ JF. Kaiser/ZProc. Int. Conf. Acoustics, Speech, Signal Process., Albuquerque, 1990.-NM.- P. 381-384

124. Kaspar F Easily calculable measure for the complexity of spatiotemporal patterns./F Kaspar, H. Schuster//Phys.Rev.-1987.A36.- P.842-848

125. Kowalik ZJ Changes of chaoticness in spontaneous EEG/MEG;/ ZJ Kowalik, T. Elbert//Integr. Physiol. Behav. Sci.-1994.-vol.29.-P.270-282

126. Lazar A.-M., Further Applications of the Fractal Spectra of the EEG Signals/ A.-M.Lazar, R. Ursulean // Electronics And Electrical Engineering.-2008.-N.2-P.45-48

127. Leal A. J. R. Analysis of the EEG dynamics of epileptic activity in gelastic seizures using decomposition in independent components/ A.J.R. Leal, A. L Dias, J. P. Vieira // Clinical Neurophysiology.-2006.-vol.l 17.-N. 7.- P. 15951601.

128. Lempel A. Complexity of finite sequences./ A Lempel, J.Ziv // IEEE Trans. Inf. Theory.-1976.-vol.22.- P.75-81

129. Litt B. Prediction of epileptic seizures/ B. Litt, J. Echauz// Lancet Neurology. -2001.-Vol. l.-P. 22-30.

130. Liu H. S. A Multistage, Multimethod Approach for Automatic Detection and Classification of Epileptiform EEG/ H. S. Liu, T. Zhang, F. S. Yang // IEEE Transactions on Biomedical Engineering. 2002. - Vol. 49, N. 12. - P. 15571566.

131. Lu X-CM. Quantitative electroencephalography spectral analysis and' topographic mapping in a rat model of middle cerebral artery occlusion. / X-CM Lu, AJ Williams, FC Tortella. // Neuropathol. Appl. Neurobiol.-2001.-vol.27.-P.481-495

132. Mallat SG. Matching pursuits with time-frequency dictionaries./ SG Mallat, Z

133. Zhang. // IEEE Trans. Signal Process.-1993.-vol.41.-P.3397-3415

134. Mapping cognitive brain function with modern high-resolution electroencephalography/Gevins et al.//Trends inNeurosciences.-1995.- vol.18, N. 10, P. 429-436.

135. Measuring the complexity of time series: an application to neurophysiological signals./ Andino SLG et al. // Hum. Brain Mapp.-2000. -vol.11.-P.46-57

136. Menendez Grave de Peralta R. Figures of merit to compare distributed linear inverse solutions/Grave de Peralta R. Menendez, Andino S. L. Gonzalez, B. Lutkenhoner/ZBrain Topography.-1996.-vol.9,N 2, P. 117-124.

137. Multichannel matching pursuit and EEG inverse solutions/ Durka P. et al.// Journal ofNeuroscience Methods.- 2005.- vol. 148, N. l.-P. 49-59.

138. Multistage System to Detect Epileptiform Activity in the EEG/ A. Dingle et al. // IEEE Transactions on Biomedical Engineering. -1993. -vol. 40, N. 12. -P. 1260-1268.

139. Muthuswamy J. Higher-order spectral analysis of burst patterns in, EEG./ J Muthuswamy, DL Sherman, NV Thakor. // IEEE Trans. Biomed. Eng. 1999.-vol.46.-P.92-99

140. Muthuswamy J. Spectral analysis methods for neurological signals./ J Muthuswamy, NV Thakor. // J. Neurosci. Methods.-1998.-vol.83.- P. 1-14

141. Nevsimalova S. An EEG study of Wilson's disease. Findings in patients and heterozygous relatives./ S Nevsimalova, Z Marecek, В Roth. // Electroencephalogr. Clin. Neurophysiol.-1986.-vol.64.-p. 191-198

142. Nikias CL. Signal processing with higher-order spectra./ CL Nikias, JM Mendel. // IEEE Signal Process. Mag.-1993 .-vol. 10.-P. 10-37

143. Nitish V. Thakor Advances in quantitative electroencephalogram analysis methods/ Thakor V. Nitish, S. Tong//Annu. Rev. Biomed. Eng.-2004.-vol.6.-P453—95

144. Nonextensive entropy measure of EEG following brain injury from cardiac arrest./ S Tong et al.//Physica A-2002.-vol.305.-P.619-28

145. Nonlinear EEG analysis in epilepsy: its possible use for interictal focus localization, seizure anticipation, and prevention./ К Lehnertz et al. // J.Clin. Neurophysiol.-2001.-vol. 18.-P. 209-222

146. Okogbaa OG. On the investigation of the neurophysiological correlates of knowledge worker mental fatigue using the EEG signal./ OG. Okogbaa, RL Shell, D. Filipusic //Appl. Ergon.-1994.-vol.25.-P. 355-365

147. Oostendorp T. F. The conductivity of the human skull: results of in vivo andin vitro measurements/ T. F. Oostendorp, J. Delbeke, D. F. Stegeman // IEEE

148. Transactions on Biomedical Engineering.-2000.-vol. 47, N. 11.- P. 1487-1492.

149. Palus M. Nonlinear in normal human EEG: cycles, temporal asymmetry, nonstationarity and randomness, not chaos./ M. Palus // Biol. Cybern.-1996.-vol.75.-P.389-396

150. Paninski L. Estimation of entropy and mutual information./ L. Paninski //Neural Comput.-2003 l-vol. 15 .-P. 1191-1253

151. Parameterized entropy analysis of EEG following hypoxic-ischemic brain-injury./ S Tong et al. //Phys. Lett. A-2003.-vol.314.-P. 354-361

152. Parametric modeling of somatosensory evoked potentials using discrete cosine transform/ Bai O. et al.// IEEE Transactions on Biomedical Engineering.- 2001.- vol. 48, N11.- P.1347-1351.

153. Pardey J. A review of parametric modeling techniques for EEG analysis./ J Pardey, S Roberts, L.Tarassenko // Med. Eng. Phys.-1996.-vol.18.-P.2-l 1

154. Penzel T. Computer based sleep recording and analysis./ T. Penzel, R. Conradt // Sleep Med. Rev.-2000:-vol.4.-P. 131-148

155. Pezard L. Investigation of non-linear properties of multichannel EEG in the early stages of Parkinson's disease./ L Pezard, R Jech, E Ruzicka. // Clin. Neurophysiol.-2001.-vol.112.-P. 38-45

156. Phase synchronization of the ongoing EEG and auditory EP generation/ В. H. Jansen et al.// Clinical Neurophysiology.- 2003.- vol. 114, N 1, P. 79-85.

157. Pincus S. Approximate entropy (ApEn) as a complexity measure. / S. Pincus

158. Chaos.-1995.-vol.5 .-P. 110-117

159. Plonsey R. The nature of sources of bioelectric and biomagnetic fields/ R. Plonsey // Biophysical Journal.-1982.-vol. 39, N. 3, P. 309-312.

160. Pritchard W. Measuring chaos in the brain: a tutorial review of nonlinear dynamical EEG analysis./ W. Pritchard, D. Duke // Int. J. Neurosci.-1992.-vol.67.-P. 31-80

161. Pritchard W. Measuring chaos in the brain—a tutorial review of EEG dimension estimation./ W. Pritchard, К .Krieble, D. Duke // Brain Cogn.-1995.-vol.27.-P. 353-397

162. Propofol anesthesia induces phase synchronization changes in EEG/ M Koskinen et al.// Clin. Neurophysiol-2001.-vol.112.- P. 386-392

163. Quality of EEG in simultaneous EEG-fMRI for epilepsy./Benar С et al.// Clin. Neurophysiol.- 2003.-vol.l 14.- P. 569-580

164. Quantification of injury-related, EEG signal changes ' using distance measures./X Kong et al.// IEEE Trans. Biomed. Eng.-1999.-vol.43.-P.189-197

165. Quantified EEG analysis monitoring in a novel model of general anaesthesia in rats./ P Bo, et al.// Brain Res. Protoc.-2003vol. 11.-P. 155-161

166. Radich В. M. EEG dipole localization bounds and MAP algorithms for head models with parameter uncertainties/ В. M. Radich, К. M. Buckley //IEEE Transactions on Biomed. Engin.-1995.-vol.42,N.3.-P.233-241.

167. Rafay M. F. Predictive Value of Clinical and EEG Features in the Diagnosis of Stroke and Hypoxic Ischemic Encephalopathy in Neonates With Seizures/ Rafay M. F. et al//Stroke. 2009. -. Vol.40.- P.2402-2407

168. Removal' of ECG interference from the'EEG recordings in small animals using independent component analysis. / S Tong et al. // J. Neurosci. Methods.-2001.-vol.l08.-P.ll-17

169. Removal of eye activity artifacts from visual event-related potentials in normal and clinical subjects./ T. Junget al.// Clin. Neurophysiol.-2000.-vol.lll.-P. 1745-1758

170. Rush S. EEG electrode sensitivity—anapplication of reciprocity/ S. Rush, D. A. Driscoll // IEEE Transactions on Biomed. Engin.-1969.-vol. 16, N1, P. 1522.

171. Sarbadhikari S. Chaos in the brain: a short review alluding to epilepsy, depression, exercise and lateralization./ S Sarbadhikari, K. Chakrabarty // Med. Eng.,Phys.-2001.-vol.23 .-P.445-455

172. Silipo R. Brain tumor classification based on EEG hidden dynamics./ R Silipo, G Deco, H. Bartsch // Intell. Data Anal.-1999.-vol.3.-P. 287-306

173. Simultaneous EEG and functional MRI of epileptic activity: a case report./ Baudewig J et al.//Clin. Electroencephalogr.- 2001.- vol.l 12.-P.1196-1200

174. Spatial enhancement of EEG data by surface Laplacian estimation: the use of magnetic resonance imagingbased head models/ Babiloni F et al.// Clinical Neurophysiology.- 2001.- vol. 112, N.5.-P.724-727.

175. Subasi. A. Automatic recognition of alertness level from EEG by using neural network and, wavelet coefficients./ A. Subasi.// Expert Systems With-Applications.- 2005.-vol.28.-P701-711.

176. Subasi. A. Epileptic seizure detection using dynamic wavelet network. / A. Subasi. // Expert Systems With Applications.-2005.-vol.29.-P.343-355.

177. Tatsuaki W When non-extensive entropy becomes extensive./ W Tatsuaki, S. Takeshi // Physica A.- 2001.-vol.301.-P.284-290

178. Tatsuaki W. The additivity of the pseudo-additive conditional entropy for a proper Tsallis' entropic index./ W Tatsuaki, S., Takeshi // Physica A.-2002.-vol.305.- P. 186-189

179. Thakor, NV. Biomedical problems in time-frequency-scale analysis—new challenges./ NV Thakor, DL Sherman. // Proc. IEEESP Int. Symp. Time-Frequency Time-Scale Anal.-Philadelphia.- 1994.-P. 536-539

180. The diagnostic value of EEG in Alzheimer disease correlation with the severity of mental impairment/ J Kowalski et al.// J. Clin. Neurophysiol.-2001-vol.l8.-P. 570-575

181. The effects of vagus nerve stimulation on sleep EEG in depression: a preliminary report./ Armitage R et al.// J. Psychosom. Res.-2003.-vol.54.-P.475-482

182. The influence of CSF on EEG sensitivity distributions of multilayered head models/ K. Wendel et al. // IEEE Transactions on Biomedical Engineering.-2008.-vol. 55, N. 4, P. 1454-1456.

183. The interaction between fentanyl and propofol during emergence from anesthesia: monitoring with the EEG-Bispectral IndexTM./ W Mi et al.// J. Clin. Anesth.-2003-vol.15.- P. 103-107

184. The largest Lyapunov exponent of the EEG during ЕСТ seizures as a measure of ЕСТ seizure adequacy./ A Krystalet al. // Electroencephalogr. Clin. Neurophysiol.-1997.-vol. 103 .-P.599-606

185. The localization of spontaneous brain activity: first results in patients with cerebral tumors./A de Jongh, et al..//Clin. Neurophysiol.-2001.-vol.112.-P. 378-385

186. The need for correct realistic geometry in the inverse EEG problem/ G.

187. Huiskamp et al. // IEEE Transactions on Biomedical Engineering, 1999, vol.t46, N11, P. 1281-1287.

188. The nonlinear dynamical analysis of the EEG in schizophrenia with temporal and spatial embedding dimension./ YJ Leenet al.// J. Med. Eng. Technol.-2001.-vol.25.- P.79-83

189. Thomsen C. Quantitative EEG in assessment of anaesthetic depth: comparative study of methodology/ С Thomsen, P Prior. // Br. J. Anaesth.-1996.-vol.77.-P. 172-178

190. Thomson D. Spectrum, estimation and harmonic-analysis./ D. Thomson // Proc. IEEE.- 1982.-vol.70.-P. 1055-1096

191. Time-frequency analysis of electroencephalogram series (Ш): wavelet packets and information cost function./ S Blanco et al.//Phys. Rev.-1998.-vol.57.-P.932-940

192. Time-frequency representation of electrocorticograms in temporal lobe epilepsy./ HP Zaveri et al.// IEEE Trans. Biomed. Eng.-1992.-vol.39.-P.502-509

193. Van Cott A. Epilepsy and EEG in the elderly./ A. Van Cott // Epilepsia. -2002.-vol.43 .-P. 94-102

194. Van Leeuwen WS. EEG in metastatic brain tumour before, during and after radiation treatment/ WS. Van Leeuwen // Electroencephalogr. Clin. Neurophysiol.-1950.-vol. 2.-P. 331-332

195. Volf NV. EEG mapping in seasonal affective disorder./ NV Volf, NR. Passynkova // J. Affect. Disord.-2002.-vol.72.-P.61-69

196. Volume conduction effects in EEG and MEG/ S. P. van den Broek, et al.// Electroenceph. and Clin. Neurophys.-1998.-vol. 106, N.6, P. 522-534.

197. Walpaw J. Brain-Computer Interface Research at the Wadsworth Center / J. Walpaw, D. McFarland, T. Vaughan // IEEE Transactions on Rehabilitation Engineering. -June, 2000. vol.8. - P. 222-226.

198. Wavelet entropy analysis of eventrelated potentials indicates modality independent theta dominance./ J Yordanova et al. // J. Neurosci. Methods 2002.-vol.117.-P.99-l 09

199. Wavelet entropy for subband segmentation of EEG during injury and recovery./Al-Nashash H. et al. //Ann. Biomed. Eng. 2003.- vol. 31: p. 653658с

200. Wavelet entropy: a new tool for analysis, of short duration brain electrical signals. / Rosso OA et al.//J. Neurosci. Methods.-2001.-vol.105.- P.65-75

201. Wavelets and statistical analysis of functional magnetic resonance images of the human brain/ Bullmore et al.//StatisticalMethods in Medical Research.-2003 .-vol. 12.-P375-399

202. Williams WJ. Time-frequency analysis of electrophysiology signals in epilepsy./ WJ Williams, HP Zaveri, JC Sackellares. // IEEE Eng. Med. Biol. Mag.- 1995.-vol. 14.-R133-143v