Przedmiotem niniejszej analizy jest fragment rzeczy-wistego zapisu eeG z zarejestrowanym we wszystkich kanałach artefaktem sieciowym oraz artefaktem ocznym najwyraźniej objawiającym się w kanałach: Fp1 -F3 oraz Fp2 -F4.
Ryc. 2. (od lewej) komponenty otrzymane w wyniku zastosowania reguły adaptacyjnej danej zależnością (1), czułość zapisu wynosi 100 μVp−p.Wykres
gęstości widmowej mocy komponentu nr 2
Ryc. 3. (od lewej) komponenty otrzymane w wyniku zastosowania reguły adaptacyjnej danej zależnością (2), czułość zapisu wynosi 100 μVp−p. Wykres
gęstości widmowej mocy komponentu nr 2
Ocenę dokładności odseparowania składowych niepo-żądanych od zarejestrowanych sygnałów eeG dokonuje się na podstawie uzyskanych wartości współczynnika jako-ści separacji PI. Na rycinie 4 zamieszczono wykres ram-kowy, który przedstawia rozłożenie przeciętnych wartości współczynnika PI otrzymanych dla prezentowanych reguł adaptacyjnych.
uzyskanie dokładniejszego odseparowania sygnałów eeG od składowych uznanych za niepożądane. Zastosowanie nowej propozycji reguły adaptacyjnej przyczyniło się także do zwiększenia szybkości zbieżności algorytmu infomax do poprawnego rozwiązania problemu separacji sygnałów EEg.
Dzięki eliminacji komponentu nr 2 wyodrębnionego w procesie separacji przez zaproponowaną nową regułą adaptacyjną, która osiągnęła najmniejszą wartość współ-czynnika PI, otrzymano fragment rzeczywistego zapisu eeG pozbawionego artefaktu sieciowego. W prezento-wanym zapisie eeG jest widoczna kolejna niepożądana składowa będąca artefaktem ocznym powstałym wskutek otwarcia oczu.
Ryc. 4. Wykres ramkowy przedstawiający wartości współczynnika jakości separacji PI uzyskane dla dwóch reguł adaptacyjnych danych zależnościami:
(1) i (2), oznaczonych na wykresie kolejno jako a oraz b. Liczba powtórzeń procesu separacji l = 100
Do oceny szybkości zbieżności poszczególnych reguł adaptacyjnych do poprawnego rozwiązania problemu sepa-racji sygnałów eeG posłużyły przebiegi wartości średnich współczynnika PI w funkcji iteracji, które przedstawiono poniżej.
Ryc. 5. Wykres wartości średniej współczynnika jakości separacji PI w funkcji iteracji dla dwóch reguł adaptacyjnych: (1) i (2), oznaczonych na wykresie
kolejno jako a oraz b. Liczba powtórzeń procesu separacji l = 100
Wskutek przeprowadzenia procesów separacji sygna-łów eeG za pomocą prezentowanych reguł adaptacyjnych algorytmu infomax, dokonano wydzielenia tylko jednego komponentu, który można było uznać za artefakt sieciowy.
Jednak z przedstawionego wykresu ramkowego wynika, że zaproponowana nowa reguła adaptacyjna algorytmu info-max osiągnęła znacznie mniejszą wartość średnią współ-czynnika jakości separacji PI niż reguła dotychczas sto-sowana w toolboxie eeGLAB, co w rezultacie oznacza
Ryc. 6. Fragment rzeczywistego zapisu eeG, z którego usunięto artefakt sieciowy wyodrębniony w procesie separacji przez regułę adaptacyjną daną zależnością (2),fp = 200 Hz, LF = 1 Hz, HF = 70 Hz. Czułość zapisu wynosi 100 μVp−p
Ponowne wykorzystanie reguł adaptacyjnych danych zależnościami: (1) oraz (2) umożliwiło wydzielenie z anali-zowanego zapisu eeG komponentów niezależnych z widocz-nymi artefaktami oczwidocz-nymi.
Dokładność procesu separacji oraz szybkość zbieżno-ści poszczególnych reguł adaptacyjnych do poprawnego rozwiązania problemu separacji sygnałów eeG przedsta-wiono poniżej.
Ryc. 7. komponenty otrzymane w wyniku zastosowania reguł adaptacyjnych danych zależnościami (od lewej): (1) oraz (2). Czułość zapisu wynosi 100 μVp−p
Ryc. 8. Wykres ramkowy przedstawiający wartości współczynnika jakości separacji PI uzyskane dla dwóch reguł adaptacyjnych danych zależnościami:
(1) i (2), oznaczonych na wykresie kolejno jako a oraz b. Liczba powtórzeń procesu separacji l = 100
Ryc. 9. Wykres wartości średniej współczynnika jakości separacji PI w funkcji iteracji dla dwóch reguł adaptacyjnych: (1) i (2), oznaczonych na wykresie
kolejno jako a oraz b. Liczba powtórzeń procesu separacji l = 100
PI w porównaniu z regułą daną zależnością (1), a także szybszej zbieżności algorytmu do poprawnego rozwiąza-nia problemu separacji sygnałów.
Dokonanie procesu separacji omówionymi regułami adaptacyjnymi spowodowało ekstrakcję artefaktu ocznego w postaci dwóch komponentów, które następnie usunięto.
Rezultat eliminacji artefaktu ocznego uzyskanego wsku-tek zastosowania reguł adaptacyjnych: (1) oraz (2) został umieszczony na rycinie 10.
Z powyższego zestawienia rezultatów eliminacji arte-faktu ocznego wynika, że w największym stopniu usunięto składowe niepożądane uznane za artefakty oczne wskutek dokonania procesu separacji nową zaproponowaną regułą adaptacyjną algorytmu infomax.
wnioski
Dokonanie procesów separacji na fragmencie rzeczy-wistego zapisu eeG zawierającym artefakt fizjologiczny oraz techniczny, wykazało, że w przypadku wykorzysta-nia nowej propozycji sigmoidalnej funkcji algebraicznej w uogólnionej regule rozszerzonego algorytmu infomax, otrzymano znacznie mniejsze wartości średnie współczyn-nika jakości separacji PI niż w przypadku reguły adaptacyj-nej obecnie stosowaadaptacyj-nej w toolboxie eeGLAB. Osiągnięcie mniejszych wartości współczynnika PI jest równoznaczne z uzyskaniem większej dokładności przeprowadzonych procesów separacji, co bezpośrednio wpływa na zwięk-szenie dokładności eliminacji składowych sygnału eeG uznanych za artefakty. Niezależnie od rodzaju artefaktu zarejestrowanego w zapisie eeG, zastosowanie nowej funk-cji nieliniowej umożliwia również zwiększenie szybkości zbieżności algorytmu infomax do poprawnego rozwiązania problemu separacji sygnałów.
Piśmiennictwo tematu wykorzystane i sugerowane
Fisch B.J
1. .: Fisch and Spehlmann’s eeG primer – Basic principles of digital and analog eeg. elsevier, Philadelphia 1999.
Quigg M
2. .: eeG w praktyce klinicznej. Urban & Partner, Wrocław 2008.
Górecka J
3. .: Przetwarzanie i analiza sygnałów eeG pod kątem separacji artefaktów. Rozprawa doktorska. Wydział elektryczny, Zachodniopo-morski Uniwersytet Technologiczny w Szczecinie, Szczecin 2010.
elektroencefalografia kliniczna. Red. J. Majkowski. PZWL, Warsza-4.
wa, 1986.
Ferdjallah M., Barr R.E
5. .: Adaptive digital notch filter design on the unit circle for the removal of powerline noise from biomedical signals.
Ieee Trans Biomed eng. 1994, 41, 6, 529–536.
Zhang A., Li W
6. .: Adaptive noise cancellation for removing cardiac and respiratory artifacts from eeG recordings. 5th World Congress on Intelligent Control and Automation. 2004, 6, 5557–5560, Olguiñ D.O., Bouchereau F., Martiñez S
7. .: Adaptive notch filter for eeG
signals based on the LMS algorithm with variable step -size parameter, 39th International Conference on Information Sciences and Systems. The Johns Hopkins University, Baltimore, USA, March, 2005, 128–132 Ryc. 10. Porównanie wyników eliminacji z kanałów: Fp1 -F3 oraz Fp2 -F4
komponentów niezależnych uznanych za artefakty oczne, otrzymanych w wyniku dokonania procesów separacji regułami adaptacyjnymi: (1) i (2),
oznaczonymi kolejno jako a oraz b. Czułość zapisu wynosi 100 μVp−p
Zastosowanie nowej propozycji reguły adaptacyjnej algorytmu infomax do procesu separacji sygnałów eeG zawierających artefakt fizjologiczny umożliwiło osiągnięcie mniejszej wartości średniej współczynnika jakości separacji
Sanei S., Chambers J.A
8. .: eeG signal processing. John Wiley & Sons, Chichester 2007.
Woestenburg J.C., Verbaten M.N., Slangen J.L
9. .: The removal of the
eye -movement artifact from the eeG by regression analysis in the frequency domain. Biol Physiol. 1983, 16, 127–147.
Croft R.J., Barry R.J
10. .: eOG correction: Which regression should we use? Psychophysiology. 1999, 37, 123–125.
Wallstrom G., Kass R., Miller A., Cohn J., Fox N
11. .: Correction of ocular
artifacts in the eeG using Bayesian adaptive regression splines. Bayes-ian Statistics, vol. 6. Springer -Verlag, New york, 2002.
Sreenivas T.V., Unnikrishnan V.S., Narayana Dutt D.
12. : Pruned neural
network for artifact reduction in eeG signal. Ieee engi Med Biol Soc. 1991, 13, 3, 1411–1412.
Yoko S., Akutagawa M., Kaji Y., Shichijo F., Nagashino H., Kinouchi Y
13. .:
Simulation study on artifact elimination in eeG signals by artificial neural network. World Congress on Medical Physics and Biomedical engineering. IFMBe Proc. 2007, 14, 8, 1164–1166.
Miyazaki R., Ohshiro M., Nishimura T., Tsubai M
14. .: A novel neural
net-work with non -recursive IIR filters on eeG artifacts elimination. 27th annual international conference of the Ieee engineering in medicine and biology society, Ieee -eMBS. 2005, 2048–2051.
Advances in independent component analysis: Perspectives in neural 15. computing. Red. M. Girolami. Springer, London 2000.
Inuso G., La Foresta F., Mammone N., Morabito F.C
16. .: Brain
activ-ity investigation by eeG processing: wavelet analysis, kurtosis and renyi’s entropy for artifact detection. Int Conference on Information Acquisition, ICIA. 2007, 195–200.
Krishnaveni V., Jayaraman S., Aravind S., Hariharasudhan V., Rama-17.
doss K.: Automatic identification and removal of ocular artifacts from eeG using wavelet transform, measurement science review. 2006, 6, 2, 4, 45–57.
Senthil Kumar P., Arumuganathan R., Sivakumar K., Vimal C
18. .:
Re-moval of ocular artifacts in the eeG through wavelet transform without using an eOG reference channel. Int J Open Probl Comput Sci Math.
2008, 1, 3, 188–200.
Jung T.P., Makeig S., Humphries C., Lee T.W., McKeown M.J., Iragui V.
19. i wsp.: Removing electroencephalographic artifacts by blind source separation, Psychophysiology. 2000, 37, 163–178.
Cichocki A
20. .: Generalized component analysis and blind source sepa-ration methods for analyzing multichannel brain signals, version of a chapter in the monograph. W: Statistical and process models of cog-nitive neuroscience aging. Red. M.J. Wenger, C. Schuster. Lawrence erlbaum Assoc Inc., New Jersey 2007.
Fitzgibbon S.P., Powers D.M. W., Pope K.J., Clark C.R
21. .: Removal of
eeG noise and artifact using blind source separation. J Clin Neuro-physiol. 2007, 24, 3, 232–243.
Jung T.P., Humphries C., Lee T.W., Makeig S., McKeown M.J., Iragui 22.
V. i wsp.: extended ICA removes artifacts from electroencephalographic recordings. W: Advances in neural information processing systems.
Red. M. Jordan, M. kearns, S. Solla. MIT Press, Cambridge 1998, 894–900
Delorme A., Sejnowski T., Makeig S
23. .: enhanced detection of artifacts
in eeG data using higher – order statistics and independent component analysis. NeuroImage. 2007, 34, 1443–1449.
Tran Y., Thuraisingham R.A., Craig A., Nguyen H
24. .: evaluating the
efficacy of an automated procedure for eeG artifact removal. Conf Proc Ieee eng Med Biol Soc. 2009, 1, 376–379.
Viola F.C., Thorne J., Edmonds B., Schneiger T., Eichele T., Debener S
25. .:
Semi -automatic identification of independent components representing eeG artifact. Clin Neurophysiol. 2009, 120, 868–877.
Hyvärinen A., Karhunen J., Oja E
26. .: Independent component analysis.
John Wiley & Sons, New york 2001.
Bell A.J., Sejnowski T.J
27. .: An information -maximisation approach to blind separation and blind deconvolution, Technical Report no. INC -9501.
Institute for Neural Computation, San Diego 1995.
Makeig S.
28. : eeGLAB: ICA toolbox for psychophysiological research.
Swartz Center for Computational Neuroscience, Institute of Neural Computation, University of San Diego, California. http://sccn.ucsd.
edu/eeglab/ (dostęp: 29.08.2011).
94–105
mAŁGoRzATA koLAn
zABURzEnIA FUnkCJI PoznAwCzyCH A CHoRoBy nIEdokRwIEnnE mÓzGU*
* Praca pod kierunkiem prof. dr. hab. n. med. Przemysława Nowackiego
Choroby niedokrwienne mózgu, takie jak udar niedo-krwienny czy choroby małych naczyń, wiążą się z szere-giem objawów, spośród których największą uwagę skupiają zwykle wszelkiego rodzaju deficyty ruchowe i czuciowe.
W pracy poruszony został temat wynikających z chorób niedokrwiennych mózgu objawów poznawczych. Objawy te, choć nie wybijają się na pierwszy plan, mogą czasem obniżyć jakość życia pacjenta w stopniu równie poważnym co niedowład ruchowy. Takie procesy jak pamięć, uwaga czy działanie funkcji wykonawczych są zaangażowane niemal w każde ludzkie działanie – od jego planowania, poprzez nadzorowanie wykonania, po ocenę efektów i wyciągnię-cie wniosków na przyszłość.