УДК 004.8.032.26 ЛАВРЕНТЬЕВА Светлана Владимировна

БЕЛОРУССКИЙ ГОСУДАРСТВЕННЫЙ УНИВЕРСИТЕТ
УДК 004.8.032.26
ЛАВРЕНТЬЕВА
Светлана Владимировна
НЕЙРОСЕТЕВЫЕ АЛГОРИТМЫ ОБРАБОТКИ
ЭЛЕКТРОЭНЦЕФАЛОГРАММ ДЛЯ ДИАГНОСТИКИ ЭПИЛЕПСИИ
Автореферат диссертации на соискание ученой степени
кандидата технических наук
по специальности 05.13.17 – теоретические основы информатики
Минск 2010
Работа выполнена в Учреждении образования
«Брестский государственный технический университет».
Научные руководители:
ГОЛОВКО Владимир Адамович, доктор технических наук,
профессор,
заведующий
кафедрой
интеллектуальных
информационных технологий УО «Брестский государственный
технический университет»;
ЕВСТИГНЕЕВ Виктор Владимирович, доктор медицинских
наук, профессор, профессор кафедры неврологии и
нейрохирургии УО «Белорусская медицинская академия
последипломного образования».
Официальные оппоненты:
САДЫХОВ Рауф Хосровович, доктор технических наук,
профессор, заведующий
кафедрой
электронных
вычислительных машин УО «Белорусский государственный
университет информатики и радиоэлектроники»;
ОБРАЗЦОВ Владимир Алексеевич, кандидат физикоматематических
наук,
доцент,
доцент
кафедры
математического обеспечения автоматизированных систем
управления Белорусского государственного университета.
Оппонирующая организация – Государственное научное учреждение
«Объединенный институт проблем информатики Национальной академии
наук Беларуси».
Защита состоится 10 декабря 2010 г. в 12.00 часов на заседании совета по
защите диссертаций Д 02.01.02 при Белорусском государственном
университете по адресу: г. Минск, ул. Ленинградская 8 (корпус юридического
факультета БГУ), ауд. 407. Телефон ученого секретаря: 209-57-09.
С диссертацией можно ознакомиться в Фундаментальной библиотеке БГУ.
Автореферат разослан «____» ноября 2010 г.
Ученый секретарь совета
по защите диссертаций
кандидат физ.-мат. наук доцент
Е.С. Чеб
0
КРАТКОЕ ВВЕДЕНИЕ
Электроэнцефалография,
открытая
австрийским
психиатром
и
психофизиологом Хансом Бергером в 1924 году, и сегодня является основным
методом исследования функциональной активности головного мозга человека.
Электроэнцефалограмма (ЭЭГ) представляет собой запись суммарной
электрической активности мозга, которая позволяет судить о его
физиологической зрелости, функциональном состоянии, общемозговых
расстройствах и их характере. С развитием технологий появилось множество
вспомогательных исследований, таких как компьютерная томография,
магнитно-резонансная томография, позитронно-эмиссионная томография,
которые позволяют производить уточнение диагноза эпилепсии.
Эпилепсия – хроническое неврологическое заболевание различной
этиологии, характеризующееся повторными припадками, которые возникают в
результате чрезмерных нейронных разрядов (эпилептические припадки).
Эпилепсия является одним из наиболее распространенных нервно-психических
заболеваний, и охватывает около 1% человечества. Эффективность лечения и
прогноз дальнейшего течения данного заболевания сильно зависит от того,
насколько точно определена форма эпилепсии при диагностике.
Разработано множество методов для изучения и анализа сигналов ЭЭГ с
целью выявления патологических изменений мозга во время эпилептических
припадков. Многие из этих методов уже используются в клиниках, однако
являются
малоэффективными.
Для
автоматического
обнаружения
эпилептической активности по сигналам ЭЭГ в основном используются
линейные (частотно-временные, математические и статистические) методы, в
которых не учитывается нелинейность исследуемого сигнала.
Несмотря на проведение широких исследований в области анализа ЭЭГ,
самым эффективным считается метод визуальной оценки. При этом даже
опытные врачи расходятся во мнении, принимая один и тот же паттерн за
аномальную активность либо за артефакт. Также не существует единого мнения
о том, где фиксировать начало появления эпилептической активности и где она
завершается. Все вышеописанное приводит к идее оценить ЭЭГ сигнал какойто величиной, которая могла бы характеризовать изменения функциональной
активности, то есть фиксировать появление аномалий изменением этой
величины.
ЭЭГ описывает поведение сложной динамической системы, и характер
нормальной активности сигналов является хаотическим, поэтому применение
линейных методов анализа является малоэффективным. При возникновении во
1
время регистрации ЭЭГ вспышек эпилептической активности отмечается
снижение хаоса в ЭЭГ сигналах. Для оценки таких изменений эффективным
является применение теории хаоса и нелинейной динамики. В качестве
характеристических
величин
можно
использовать
корреляционную
размерность аттрактора и старший показатель Ляпунова. Для обнаружения
эпилептической активности необходимо разработать робастные алгоритмы
определения хаотичности ЭЭГ сигналов.
Искусственные нейронные сети позволяют анализировать хаотические
процессы при небольшом объеме входных данных и выявлять в них аномалии.
Поскольку сигналы электроэнцефалограммы при нормальной работе мозга
является хаотическими, а при появлении эпилептической активности
происходит переход от хаоса к порядку, то, используя нейросетевой подход,
возможно обнаружение эпилептической активности как аномалии в
хаотическом процессе.
Все вышеописанное свидетельствует об актуальности решения задачи
автоматического обнаружения эпилептической активности нейросетевыми
методами, так как это позволит повысить качество диагностического процесса,
следить за эффективностью проводимой терапии, и даст возможность, с
определенной долей вероятности, предсказать возникновение эпилептического
припадка.
ОБЩАЯ ХАРАКТЕРИСТИКА РАБОТЫ
Связь работы с крупными научными программами (проектами) и
темами
Диссертационная работа выполнена на кафедре интеллектуальных
информационных
технологий
учреждения
образования
«Брестский
государственный технический университет» в рамках следующих научных тем
и программ:
– ГКПНИ «Инфотех» Республики Беларусь по теме «Разработать методы и
алгоритмы обработки изображений и распознавания объектов в системах
технического зрения» (№ госрегистрации 200114813) 2005 г.
– ГКПНИ «Инфотех» Республики Беларусь по теме «Методы
математического моделирования процессов самоорганизации в активных
средах» (№ госрегистрации 20063567) 2006 - 2009 гг.
– НИР МОРБ «Нейросетевая система анализа электроэнцефалограмм для
обнаружения
и
распознавания
эпилептиформной
активности»
(№
госрегистрации 20090433) 2009 г.
2
– Задание 15 ГППИ "Разработка и обоснование системы мер для снижения
рисков и смягчения последствий чрезвычайных ситуаций природного и
техногенного характера в Республике Беларусь" по теме "Разработка
мобильных измерительных методов и средств регистрации и компьютерного
прогнозирования паводковой волны" (№ госрегистрации 20062654) 2008 г.
Тема диссертационной работы соответствует приоритетным направлениям
фундаментальных и прикладных исследований Республики Беларусь в области
информационных технологий, создания современной информационной
инфраструктуры.
Цель и задачи исследования
Основной целью диссертационной работы является разработка
эффективных
нейросетевых
алгоритмов
анализа
сигналов
электроэнцефалограмм для автоматического обнаружения эпилептической
активности нейронов головного мозга.
Задачи исследования:
1. Провести анализ существующих методов обнаружения эпилептической
активности на основе анализа сигналов ЭЭГ.
2. Разработать нейросетевой алгоритм обнаружения эпилептической
активности на основе анализа сигналов ЭЭГ.
3. Разработать структуру нейронной сети и алгоритм для анализа
сигналов ЭЭГ с целью обнаружения эпилептической активности.
4. Разработать нейросетевой алгоритм адаптивной сегментации сигналов
ЭЭГ на условно-стационарные участки.
5. Разработать на основе предложенных алгоритмов диагностическую
систему
обнаружения
эпилептической
активности
и
провести
экспериментальные исследования эффективности разработанных алгоритмов.
Объектом исследования диссертационной работы являются сигналы
электрической активности головного мозга (сигналы ЭЭГ). Предметом
исследования являются методы анализа ЭЭГ и нейросетевые алгоритмы
обнаружения эпилептической активности в сигналах ЭЭГ. Выбор предмета и
объекта исследования обоснован низкой эффективностью существующих
методов анализа электроэнцефалограмм для диагностики эпилепсии.
Положения, выносимые на защиту
1. Структура нейросетевого модуля для расчета старшего показателя
Ляпунова сигналов ЭЭГ. Модуль состоит из многослойного слабосвязного
3
персептрона с одним скрытым слоем и арбитра, что позволяет параллельно
осуществить эволюцию двух точек на фазовой траектории и соответственно
ускорить расчет старшего показателя Ляпунова, который применяется для
определения степени хаотичности сегментов электроэнцефалограммы.
2. Алгоритм обнаружения эпилептической активности в сигнале ЭЭГ,
основанный на расчете старшего показателя Ляпунова при помощи нейронной
сети. Основной функцией данного алгоритма является классификация в
автоматическом режиме фрагментов ЭЭГ данных на два состояния: нормальная
и эпилептическая активность.
3. Алгоритм адаптивной сегментации сигналов электроэнцефалограмм на
основе искусственных нейронных сетей, применение которого позволяет
снизить вероятность ложного обнаружения. Отличительной особенностью
алгоритма является возможность выделять сегменты малой длительности, что
сделало возможным не только обнаруживать одиночные разряды
эпилептической активности, такие как спайки и одиночные волны, но и
выделить четкие границы участков с патологической активностью.
4. Структура диагностической системы, которая состоит из четырех
модулей: предобработка, сегментация, расчет старшего показателя Ляпунова,
обнаружение,  что позволяет анализировать сигналы ЭЭГ, осуществлять
локализацию эпилептических вспышек в группе сигналов одной регистрации и
выявлять те сигналы, в которых раньше других происходит появление
эпилептической активности.
Личный вклад соискателя
Основные положения диссертации получены соискателем лично и
отражены в 28 публикациях. Соавторами в некоторых из них являются научный
руководитель д.т.н., профессор Головко В.А., который осуществлял постановку
задачи и рекомендовал методы для ее решения, и научный руководитель от
Белорусской медицинской академии последипломного образования д.м.н.,
профессор Евстигнеев В.В., осуществлявший координацию диссертационной
работы в медицинской сфере, с которой плотно пересекается тема
исследований.
Апробация результатов диссертации
Основные
результаты
диссертационных
исследований
были
представлены соискателем на 18 научных конференциях и семинарах: IV
республиканская научная конференция молодых ученых и студентов
4
«Современные проблемы математики и вычислительной техники» (Брест, 28-30
ноября
2005г.);
международная
научно-практическая
конференция
«Современная радиоэлектроника: научные исследования, подготовка кадров»
(Минск, 20-21 апреля 2006г.); VI международная межвузовская научнотехническая
конференция
студентов,
магистрантов
и
аспирантов
«Исследования и разработки в области машиностроения, энергетики и
управления» (Гомель, 4-5 мая 2006г.); 4th International Conference on Neural
Networks and Artificial Intelligence (ICNNAI’2006) (Brest, May 31-June 2, 2006);
VIII международная школа-семинар аспирантов, магистрантов и студентов
«Современные информационные технологии» (Браслав, 2-8 июля 2006г.); IX
всероссийская научно-техническая конференция «Нейроинформатика-2007»
(Москва, 23-26 января 2007г.); VII международная межвузовская научнотехническая
конференция
студентов,
магистрантов
и
аспирантов
«Исследования и разработки в области машиностроения, энергетики и
управления» (Гомель, 3-4 мая 2007г.), доклад отмечен дипломом; The
International Joint Conference on Neural Networks 2007 (IJCNN 2007) (Orlando,
Florida, USA, August 12-17, 2007); IV IEEE International Workshop on Intelligent
Data Acquisition and Advanced Computing Systems: Technology and Applications
(IDAACS 2007) (Dortmund, Germany, September 6-8, 2007); IX International PhD
Workshop (OWD 2007) (Wisla, Poland, October 20-23, 2007); V республиканская
научная конференция молодых ученых и студентов «Современные проблемы
математики и вычислительной техники» (Брест, 28-30 ноября 2007г.); X
всероссийская научно-техническая конференция «Нейроинформатика-2008»
(Москва, 22-25 января 2008г.); 5th International Conference on Neural Networks
and Artificial Intelligence (ICNNAI 2008) (Minsk, May 27-30, 2008), доклад
отмечен
дипломом;
Международная
конференция
«Современные
информационные компьютерные технологии mcIT-2008» (Гродно, 21–24
апреля, 2008); X International PhD Workshop (OWD 2008) (Wisla, Poland, October
18-21, 2008) доклад отмечен дипломом; Х International Conference of Pattern
Recognition And Information Processing (PRIP’2009) (Minsk, Belarus, May 19 – 21,
2009); XI International PhD Workshop (OWD 2009) (Wisla, Poland, October 17-20,
2009); VI республиканская научная конференция молодых ученых и студентов
«Современные проблемы математики и вычислительной техники» (Брест, 26-28
ноября 2009г.).
Опубликованность результатов диссертации
Результаты диссертации опубликованы в 28 научных работах, из которых
6 – статьи в научных изданиях в соответствии с п. 18 Положения о
5
присуждении ученых степеней и присвоении ученых званий в Республике
Беларусь (общим объемом 2,6 авторского листа), 2 статьи в рецензируемых
научных журналах, 1 статья в сборнике научных трудов, 10 статей в сборниках
материалов научных конференций и 9 тезисов.
Структура и объем диссертации
Диссертационная работа состоит из перечня условных обозначений,
введения, общей характеристики работы, четырех глав, заключения,
библиографического списка. Полный объем диссертации составляет 126
страниц, в том числе 50 рисунков на 25 страницах, 18 таблиц на 6 страницах,
библиографический список из 120 наименований, включая 28 публикаций
соискателя, на 11 страницах.
Во введении обоснована актуальность задач, решаемых в диссертационной
работе. В первой главе представлен обзор существующих методов анализа и
обработки ЭЭГ сигналов, выполнена постановка задачи исследования. Во
второй главе описан алгоритм обнаружения эпилептической активности в
сигналах ЭЭГ, представлена структура нейросетевого модуля, позволяющего
ускорить расчет старшего показателя Ляпунова. В третьей главе представлен
алгоритм сегментации сигналов электроэнцефалограмм при помощи
прогнозирующей нейронной сети, рассмотрен способ решения проблемы
выбора временного масштаба. В четвертой главе представлена структура
диагностической системы на основе разработанных алгоритмов, описано
взаимодействие модулей, представлены результаты экспериментальных
исследований.
ОСНОВНОЕ СОДЕРЖАНИЕ
Первая глава содержит обзор существующих методов анализа сигналов
электроэнцефалограмм, их преимущества и недостатки, полнота решения
проблемы. Рассмотрены стандартные методы и методы нелинейной обработки.
К стандартным относятся метод визуальной оценки, Фурье-анализ и
статистический анализ. Фурье-анализ позволяет производить спектральный
анализ сигнала, однако имеет ряд существенных недостатков. Фурье-анализ
предназначен для работы с линейными процессами и при обработке
нестационарного сигнала, когда происходит смена состояний в системе, дает
усредненные показатели для всего анализируемого сигнала. Нелинейными
методами, применяемыми для анализа ЭЭГ, являются вейвлет-анализ и анализ
сигнала как хаотического процесса. Использование вейвлет-анализа позволяет
6
решить проблему обработки нестационарных сигналов. Однако он требует
применения методов распознавания образов, которые получаются в результате
преобразования. Результаты применения вейвлет-анализа для исследования
ЭЭГ сигналов показывают, что данный метод не позволяет отличить
патологическую активность от артефактов (проявление мускульной и другой
активности на ЭЭГ), а также не всегда обнаруживает аномалии в сигналах.
Анализ хаотического процесса позволяет обнаруживать аномалии в ЭЭГ
сигналах при изменении уровня хаоса в сигнале, однако применение методов
для определения степени хаотичности сигнала требует большого объема
данных.
Рассмотрены также методы предобработки и сегментации сигналов ЭЭГ.
Предложено использовать метод независимых компонент для предобработки и
фильтрации сигналов ЭЭГ. В качестве критерия обнаружения эпилептической
активности
выбран
старший
показатель
Ляпунова,
позволяющий
контролировать уровень хаотичности сигнала.
Предложено использовать методы сегментации для выделения участков с
различной степенью хаоса в сигнале. Определена задача поиска оптимального
размера окна сегментации.
Вторая глава посвящена применению нейросетевых методов для
диагностики эпилепсии. Разработан алгоритм анализа сигналов ЭЭГ,
позволяющий обнаруживать пароксизмальную активность по значению
старшего показателя Ляпунова. Схема алгоритма представлена на рисунке 1 и
включает следующие этапы обработки набора сигналов ЭЭГ:
1) Строится модель прогнозирующей искусственной нейронной сети
(ИНС) в соответствии с характеристическими величинами входных данных:
временная задержка  и размер пространства вложения m.
2) Сигнал ЭЭГ разбивается на последовательные фрагменты
длительностью N, при этом N может быть как фиксированной так и переменной
величиной. Пусть сформировано L фрагментов, тогда для каждого l-го
фрагмента ( l  1, L ) выполняется следующее:
а) Из l-го фрагмента формируется обучающая выборка Х, состоящая
из N-k образов размерностью k.
б) ИНС обучается и выполняет расчет старшего показателя
Ляпунова. При этом значения старшего показателя Ляпунова
рассчитываются для каждой точки обучающей выборки, и в результате
получается следующий фрагмент ряда:
Lmax (l )  ( Lmax 1 , Lmax 2 , ..., Lmax N ) ,
7
(1)
3) После того, как весь ряд ЭЭГ данных обработан, то результаты
расчетов объединяются в общий ряд данных, где каждый элемент является
характеристикой степени хаотичности исходного ряда в заданной точке:
Lmax (t )  {Lmax (1), Lmax (2),...Lmax ( L)}  ( Lmax 1 , Lmax 2 , ..., Lmax NL )
Обнаружение эпиактивности (EEG(t))
.
(2)
Входными данными является
временной ряд ЭЭГ данных
Усреднение ряда
Lmax(t)
Инициализация НС
Цикл
l от 1 до L
L - количество
фрагментов ряда
EEG(t)
Формируется
обучающая выборка
Х
На сонове l-ого
фрагмента ряда
EEG(t)
N - длина
фрагмента
Цикл
i от 1 до NL
e - константа
Lmax i > e
Нет
Да
Расчет
показателя
Lmax(l)
нормальная
активность
Конец цикла
по l
Конец цикла
по i
эпилептическая
активность
Конец
Рисунок 1 – Схема алгоритма обнаружения эпилептической активности
4) Производится усреднение Lmax(t) в скользящем окне размерностью
r = 10 точек (значение подобрано экспериментально). В результате получаем
новый ряд Lmax (t ) элементы которого вычисляются следующим образом:
Lmax i [r / 2] 
Lmax i  Lmax i 1  ...  Lmax i  r 1
,
r
8
(3)
где i  1, LN  r  1, r – окно, в котором производится усреднение значений.
5) Эпилептическая активность в сигнале ЭЭГ определяется по снижению
значения Lmax i в ряду Lmax (t ) ниже порогового значения е согласно критерию:
Lmax  e, нормальная активность;

Lmax  e, эпилептическая активность.
(4)
Определение порогового значения е выполняется экспериментально.
На рисунке 2 изображен пример обнаружения эпилептической
активности в отфильтрованном сигнале ЭЭГ.
1000
Амплитуда ЭЭГ сигнала
500
Время, с
0
0.56
1.12
1.68
2.24
2.8
-500
0.3
Старший пок азатель Ляпунова
0.15
Время, с
0
0.6
1.2
1.8
2.4
3
-0.15
-0.3
Рисунок 2 - Пример обнаружения эпилептической активности в сигнале с
двумя спайками
Проведен сравнительный анализ трех моделей прогнозирующих
нейронных сетей: многослойный персептрон, рекуррентная сеть Элмана, сеть с
радиальнобазисной функцией активации (см. таблицу 1).
9
Таблица 1 – Сравнительный анализ обнаружения эпилептической активности
при использовании различных моделей нейронных сетей
Модель нейронной
сети
Многослойный
персептрон
Рекуррентная сеть
Элмана
Сеть с радиальнобазисной функцией
активации
Обнаружено
верно
КолиПроцент
чество
Количество
вспышек эпилептической
активности
Обнаружено
ложно
КолиПроцент
чество
30
29
96.7 %
4
12.1 %
30
24
80.0 %
15
38.5 %
30
28
93.3 %
7
20.0 %
Результаты экспериментальных исследований по предложенной методике,
представленные в таблице 1, показали, что для решения задачи обнаружения
эпилептической активности наиболее эффективным является многослойный
персептрон.
В третьей главе рассматриваются методы сегментации сигналов ЭЭГ в
задаче выделения сегментов по уровню хаоса. Произведен анализ
эпилептической активности, определяемой по сигналам ЭЭГ. Определена
задача необходимости сегментации сигнала ЭЭГ на условно-стационарные
сегменты. Разработан алгоритм адаптивной сегментации ЭЭГ сигналов на
основе прогнозирующих нейронных сетей, который предполагает определение
значения характеристического параметра в движущемся по сигналу «окне».
При этом при изменении значения этого параметра фиксируется смена
сегментов исходного сигнала. В данном исследовании характеристическим
параметром выступает старший показатель Ляпунова. Степень сходства
определяется путем прогнозирования фиксированного участка исходного
сигнала. Суть метода заключается в том, что выборка будет анализироваться до
тех пор, пока прогноз будет удовлетворять заданному отклонению от эталонной
траектории сигнала, и далее на величину точного прогноза будет производиться
смещение временного окна. Если прогноз с первой точки резко расходится со
значениями исходного ряда, следовательно, обнаружена граница сегментов.
Для решения проблемы выбора временного масштаба обучающей выборки
проанализированы длительности разрядов эпилептической активности в
сигналах ЭЭГ. Определены минимальная длительность аномальной активности
и самый маленький период ее повторения в сигнале. Так как данные
10
временного ряда выбираются для обработки с временной задержкой , то
размер обучающей выборки N можно определить согласно следующему
выражению:
N
Tmin

.
(5)
Произведен сравнительный анализ различных способов сегментации на
смешанных сигналах: методом фиксированных интервалов, методом
фиксированных интервалов с наложением, адаптивная сегментация при
помощи нейронных сетей. Разработанный алгоритм показал самые точные
результаты выделения сегментов с различными уровнями хаоса в смешанных
сигналах. Экспериментально выявлено, что пороговое значение старшего
показателя Ляпунова при классификации сегментов на нормальную и
эпилептическую активность равно нулю (e = 0). Исследование применимости
алгоритма сегментации на основе нейронных сетей для анализа сигналов ЭЭГ
показало возможность определять начало участка аномальной активности и
длительность этого участка, выявлять количество пароксизмальных вспышек в
сигнале. На рисунке 3 изображен результат адаптивной сегментации и
последующего анализа каждого сегмента по значению старшего показателя
Ляпунова для фрагмента ЭЭГ сигнала, представленного на рисунке 2.
0.3
Старший пок азатель Ляпунова
I
I
II
I
II
I
0.2
0.1
Время, с
0
-0.1
0.5
1
1.5
I - Нормальная ак тивность
2
2.5
II- Эпилептиформная ак тивность
3
3.5
4
б.
Рисунок 3 – Результат адаптивной сегментации фрагмента сигнала ЭЭГ
при помощи нейронных сетей
Применение нейронных сетей для сегментации сигналов позволяет
снизить вероятность ложного обнаружения, выделять сегменты малой
длительности, что делает возможным не только обнаруживать одиночные
эпилептические разряды, такие как спайки и одиночные волны, но и выделить
четкие границы участков с аномальной активностью. При этом становится
возможным определить, в каких сигналах раньше других появляются разряды
11
патологической активности. На основе этого предложено анализировать все
ЭЭГ сигналы одной регистрации, что позволяет получать двумерные карты,
отображающие наличие патологических активностей сразу во всех сигналах.
Четвертая глава посвящена разработке структуры диагностической
системы. Структура системы и взаимодействие ее модулей представлено на
рисунке 4.
Разработанная система
ЭЭГ-2000
Модуль 1
Предобработка и
фильтрация
Модуль 2
Сегментация
Сегменты
Модуль 3
Расчет старшего
показателя Ляпунова
Файл ЭЭГ
данных
Файл
результатов
обнаружения
Значения старшего
показателя Ляпунова
Модуль 4
Обнаружение
аномалий
Вывод
результатов
обнаружения
Рисунок 4 - Структура диагностической системы
Система состоит из четырех модулей. Входными данными для системы
являются несколько ЭЭГ записей одной регистрации, которые читаются из
текстового файла. Данные сохраняются в файлы при помощи существующего
программного обеспечения «ЭЭГ-2000», которое используется для регистрации
и анализа ЭЭГ данных. Данное программное обеспечение предоставлено
Республиканским научно-практическим центром психического здоровья (г.
Минск) для проведения исследований. Задача этапа предобработки заключается
в фильтрации сигналов, позволяющей избавиться от артефактов и помех
регистрирующих приборов. В результате предобработки каждой группы
входных сигналов получается один сигнал, пригодный для последующей
обработки. Далее ЭЭГ сигнал подвергается сегментации для выделения
участков, которые можно считать условно-стационарными. На каждом из
сегментов производится расчет значения старшего показателя Ляпунова Lmax. В
12
результате на выходе третьего модуля получаем временной ряд Lmax(t). Этот
временной ряд используется для обнаружения аномалий, то есть в зависимости
от значения Lmax система фиксирует наличие аномалии в сегменте, либо
нормальную активность.
При обнаружении аномальной активности система выдает участки
(сегменты), на которых эта активность обнаружена. Это свидетельствует о
необходимости детального изучения и исследования этих участков.
Произведено тестирование системы на реальных ЭЭГ данных (см. рисунок 5).
Рисунок 5 – Результаты работы экспериментальной системы в виде
двумерных карт обнаружения эпилептической активности по значению
старшего показателя Ляпунова Lmax
Экспериментальное исследование проводилось на 21 наборе ЭЭГ сигналов
(регистраций), записанных у 8 пациентов различного возраста. Каждая
регистрация представляла собой 16-канальную ЭЭГ длительностью по 8
секунд. Результаты экспериментов сведены в таблицы 2 и 3.
Таблица 2 – Результаты экспериментального исследования на обнаружение
эпилептической активности разработанной системой
Количество
эпилептических
разрядов
Процент от общего
количества
Общее количество в
сигналах
Обнаружено
Не обнаружено
32
29
3
100%
90,6%
9,4%
13
Таблица 3 – Результаты экспериментального исследования на классификацию
сегментов разработанной системой
-
Общее количество
сегментов
Правильная
классификация
Неправильная
классификация
Количество
сегментов
1775
1768
7
Процент от общего
количества
100%
99,6%
0,4%
Основные преимущества описанной в данной главе системы по сравнению
с другими существующими: высокий показатель правильной классификации;
обнаружение эпилептической активности в процессе сканирования ЭЭГ
сигнала; классификация без предварительного обучения на эталонном наборе;
способность обнаруживать эпилептическую активность различной формы и
длительности; устойчивость к шумам в сигналах ЭЭГ.
ЗАКЛЮЧЕНИЕ
Основные научные результаты диссертации
1. Разработан алгоритм обнаружения эпилептической активности в
сигналах электроэнцефалограмм по значению старшего показателя Ляпунова
[1, 2, 9, 10, 20, 23]. Показатель рассчитывается при помощи многослойного
персептрона,
что
позволяет
анализировать
небольшие
участки
электроэнцефалограмм, полученные в результате сегментации. Основной
функцией данного алгоритма является классификация в автоматическом
режиме фрагментов ЭЭГ данных на два состояния: нормальная и
эпилептическая активность. Проведены экспериментальные исследования
разработанного метода для решения задачи диагностики эпилепсии.
Исследованы различные данные ЭЭГ с чисто-эпилептическими активностями
(спайки, острые волны), с медленно-волновой активностью (характеризует не
только эпилепсию), а также без патологической активности [3, 13, 21, 22, 25].
Полученные результаты подтверждают целесообразность применения старшего
показателя Ляпунова в качестве диагностического критерия, а также
возможность определять как одиночные вспышки активности, так и целый ряд
следующих один за другим эпилептических событий при помощи
разработанного алгоритма.
14
2. Разработана структура нейросетевого модуля для расчета старшего
показателя Ляпунова сигналов ЭЭГ. Модуль состоит из многослойного
слабосвязного персептрона с одним скрытым слоем и арбитра, что позволяет
параллельно осуществить эволюцию двух точек на фазовой траектории и
соответственно ускорить расчет старшего показателя Ляпунова на 10%.
Предложены и исследованы различные прогнозирующие нейронные сети для
расчета старшего показателя Ляпунова, который применяется в качестве
диагностического критерия при анализе сигнала электроэнцефалограммы.
Проведены вычислительные эксперименты и сравнительный анализ
эффективности различных прогнозирующих нейронных сетей в задаче
диагностики эпилепсии [4, 11, 12, 14]. Наилучший результат по обнаружению
эпилептической активности (96.7 %) получен для многослойного персептрона,
который также показал самый низкий процент ложных обнаружений.
3. Разработан
алгоритм
адаптивной
сегментации
сигналов
электроэнцефалограмм на основе прогнозирующей нейронной сети [4, 15, 16,
26, 27]. Сегментация позволяет снизить вероятность ложного обнаружения,
выделять сегменты малой длительности. Выполнен сравнительный анализ
различных методов сегментации. Проведены экспериментальные исследования
этих методов для решения задачи идентификации хаотических процессов на
смешанных сигналах. Наилучший результат получен для адаптивного метода с
использованием нейронных сетей при известном размере наименьшего
сегмента [4, 15].
4. Предложен способ выбора временного масштаба при помощи
исследования сегментируемых рядов и выделения возможного наименьшего
размера сегмента, что сделало возможным выделить четкие границы участков с
аномальной активностью [5, 16, 24]. Выполнена оптимизация работы
нейросетевого алгоритма адаптивной сегментации ЭЭГ данных [19, 28]. Для
сегментации сигналов ЭЭГ с целью обнаружения эпилептической активности
эмпирически определен оптимальный размер элементарного интервала N = 70.
Рассчитано пороговое значение старшего показателя Ляпунова равное нулю, по
которому происходит классификация сегментов согласно критерию (4).
5. Предложена структура диагностической системы на основе теории
хаоса и теории нейронных сетей для обнаружения эпилептической активности
[6, 7, 8, 17, 18, 27]. Входными данными системы является набор сигналов
электроэнцефалограммы одной регистрации. В результате обработки данных
система генерирует двумерную карту, отражающую очаги эпилептических
вспышек, если таковые присутствуют в анализируемых сигналах. Тестирование
на реальных данных показало работоспособность предложенной системы [6, 7,
8, 17, 18, 27]. Результаты экспериментальных исследований показали, что
15
система обнаружила эпилептическую активность в 90,6 % случаев, при этом
правильное соотнесение сегментов к нормальной либо эпилептической
активности выполнено в 99,6 % из всех проанализированных сегментов.
Полученные результаты анализа ЭЭГ демонстрируют эффективный способ
отображения и локализации очагов эпилептической активности.
Рекомендации по практическому использованию результатов
Результаты диссертационной работы позволяют автоматически
обнаруживать эпилептическую активность на основе анализа сигналов ЭЭГ с
высокой точностью. Разработанная нейросетевая система обнаружения
эпилепсии может быть использована в учреждениях здравоохранения для
повышения качества диагностирования. Разработанные в диссертационной
работе алгоритмы могут также применяться для анализа других типов сигналов
с целью обнаружения аномалий. Нейросетевой алгоритм анализа ЭЭГ
используется на кафедре неврологии и нейрохирургии Белорусской
медицинской
академии
последипломного
образования.
Результаты
проведенных научных исследований используются в учебном процессе на
кафедре неврологии и нейрохирургии Белорусской медицинской академии
последипломного образования в материалах лекций на циклах современные
технологии в неврологии, а также на кафедре интеллектуальных
информационных технологий в Брестском государственном техническом
университете.
СПИСОК ПУБЛИКАЦИЙ ПО ТЕМЕ ДИССЕРТАЦИИ
Статьи в журналах и сборниках научных трудов
1. Головко, В.А. Нейросетевой подход к детектированию эпилепсии / В.А.
Головко, С.В. Безобразова // Вестник БрГТУ. Серия физика, математика,
информатика. – 2005. – № 5(39). – C.58–61.
2. Безобразова, С.В. Нейронные сети для анализа электроэнцефалограмм:
обнаружение эпилептиформной активности / С.В. Безобразова, В.А. Головко //
Инженерный вестник. – 2006. – №1(21)/1. – С. 33-39.
3. Безобразова, С.В. Нейросетевой подход в задаче диагностики
эпилепсии / С.В. Безобразова, В.А. Головко // Вестник БрГТУ. Серия физика,
математика, информатика. – 2006. – № 5(41). – C.36–40.
4. Безобразова,
С.В.
Адаптивная
сегментация
сигналов
электроэнцефалограмм на основе нейронных сетей / С.В. Безобразова, В.А.
16
Головко, В.В. Лаврентьев // Вестник БрГТУ. Серия физика, математика,
информатика. – 2007. – № 5. – C.22–26.
5. Bezobrazova, S. Neural-network segmentation of electroencephalogram
signals for epileptiform activity detection / S. Bezobrazova, V. Golovko //
Computing. – 2008. – Vol 7, Issue 3. – P.30–37.
6. Безобразова, С.В. Вспомогательная диагностическая система для
анализа ЭЭГ нейросетевыми методами / С.В. Безобразова, В.А. Головко, В.В.
Евстигнеев // Вестник БрГТУ. Серия физика, математика, информатика. – 2008.
– № 5 (53). – C.70–76.
7. Безобразова, С.В. Применение нейросетевых методов для анализа
электроэнцефалограмм / С.В. Безобразова, В.А. Головко // Современные
информационные компьютерные технологии: сб. науч. ст. в 2 ч. / ГрГУ им. Я.
Купалы; редкол.: Е.А. Ровба, А.М. Кадан [и др.]. – Гродно: ГрГУ, 2008. – Ч. 1. –
C. 11-15.
8. Лаврентьева, С.В. Диагностическая экспериментальная система для
анализа эпилептической активности по данным электроэнцефалограммы / С.В.
Лаврентьева, О.В. Кистень, В.А. Головко, В.В. Евстигнеев // Новости медикобиологических наук. – Минск, 2010. – № 1(1). – С. 114-123.
9. Евстигнеев, В.В. Нейросетевое моделирование и теория хаоса:
возможности построения прогнозно-диагностических медицинских систем /
В.В. Евстигнеев, В.А. Головко, А.С. Мастыкин, Е.И. Апанель, О.В. Кистень,
С.В. Лаврентьева // Вести Национальной академии наук Беларуси. Серия
медицинских наук. – Мн.: Белорусская наука, 2010. – № 3. – C.109–118.
Статьи в материалах конференций
10. Golovko, V.A. Neural networks for chaotic signal processing: application to
the electroencephalogram analysis for epilepsy detection / V.A. Golovko, S.V.
Bezobrazova // International Conference on Neural Networks and Artificial
Intelligence (ICNNAI’2006) : Proceedings of the 4th International Conference /
BrSTU. – Brest, 2006. – P.136-139.
11. Bezobrazova, S. Comparative Analysis of Forecasting Neural Networks in
the Application for Epilepsy Detection / S. Bezobrazova, V. Golovko // Intelligent
Data Acquisition and Advanced Computer Systems: Technology and Application
IDAACS’2007: Proceedings of the 4 IEEE Workshop, Dortmund, Germany, 6–9
September, 2007. – Dortmund, 2007. – P. 202–207.
12. Безобразова, С.В. Сравнительный анализ эффективности различных
нейронных сетей для диагностики эпилепсии. / С.В. Безобразова, В.А. Головко
// Нейроинформатика–2007: материалы IX всероссийской научно-технической
17
конференции, Москва, 23–26 января 2007г.: в 3 ч./ МИФИ – М., 2007. – Ч.2. – C.
202-210.
13. Golovko, V. Application of Neural Networks to the Electroencephalogram
Analysis for Epilepsy Detection / V. Golovko, S. Bezobrazova, S. Bezobrazov, U.
Rubanau // The International Joint Conference on Neural Networks (IJCNN 2007):
Proceedings of the International Conference, Orlando, FL, USA. – Orlando, 2007. –
P. 2707–2711.
14. Bezobrazova, S. Forecasting neural networks and chaos theory in the
application for epilepsy detection / S. Bezobrazova // IX International PhD Workshop
OWD’2007: Conference Archives. – PTETiS, 2007. – Vol. 23. – P. 47–51.
15. Безобразова,
С.В.
Нейросетевая
модель
сегментации
электроэнцефалограмм в задаче обнаружения эпилептиформной активности. /
С.В. Безобразова, В.А. Головко // Нейроинформатика–2008: материалы X
всероссийской научно-технической конференции, Москва, 22–25 января 2008г.:
в 2 ч./ МИФИ. – М., 2008. – Ч.1. – C. 89–98.
16. Bezobrazova, S. Adaptive Segmentation of Electroencephalogram Signals
Based on Neural Networks / S. Bezobrazova, V. Golovko // Proceedings of the Fifth
International Conference on Neural Networks and Artificial Intelligence
(ICNNAI’2008), Minsk, Belarus, May 27-30, 2008. – Minsk: Propilei, 2008. –
P.136-140.
17. Bezobrazova, S. Assistant Diagnostic System for EEG Analysis by Artificial
Neural Network Technique / S. Bezobrazova // X International PhD Workshop
OWD’2008: Conference Archives. – PTETiS, 2008. – Vol. 25. – P. 121–126.
18. Laurentsyeva, S. Electroencephalogram Analysis Based on Artificial Neural
Network and Adaptive Segmentation / S. Laurentsyeva, V. Golovko, V. Evstigneev //
Proceedings of the Tenth International Conference of Pattern Recognition And
Information Processing (PRIP’2009), Minsk, Belarus, 19 – 21 May, 2009. – Minsk,
2009. – P. 327–331.
19. Laurentsyeva, S. Neural Net System For EEG Analysis And Automatic
Epileptiform Activity Detection / S. Laurentsyeva // XI International PhD Workshop
OWD’2009: Conference Archives. – PTETiS, 2009. – Vol. 26. – P. 197–201.
Тезисы докладов
20. Безобразова, С.В. Диагностика эпилепсии на основе анализа
энцефалограмм. / С.В. Безобразова, В.А. Головко // Сборник конкурсных работ
студентов и аспирантов – 2005 / БГТУ. – Брест, 2005. – С. 91-94.
21. Безобразова, С.В. Прогнозирование приступов эпилепсии / С.В.
Безобразова // Современные проблемы математики и вычислительной техники:
18
материалы IV республиканской научной конференция молодых ученых и
студентов, Брест, 28–30 ноября 2005г. / БрГТУ. – Брест, 2005. – С. 5–7.
22. Безобразова,
С.В.
Исследование
хаоса
в
сигнале
электроэнцефалограммы при различных формах активности эпилепсии / С.В.
Безобразова // Современная
радиоэлектроника: научные исследования,
подготовка кадров: труды международной научно-практической конференции,
Минск, Беларусь, 20–21 апреля 2006 г. – Минск, 2006. – С. 203–206.
23. Безобразова, С.В. Нейросетевой подход для обнаружения эпилепсии /
С.В. Безобразова // Новые математические методы и компьютерные технологии
в проектировании, производстве и научных исследованиях: материалы
конференции / ГГУ. – Гомель, 2006 – С. 259.
24. Безобразова, С.В. Влияния параметров нейросетевой системы на
точность идентификации эпилепсии / С.В. Безобразова // Исследования и
разработки в области машиностроения, энергетики и управления: материалы VI
международной межвузовской научно-техническая конференции студентов,
магистрантов и аспирантов, Гомель, 4-5 мая 2006 г. / ГГТУ им. П.О. Сухого. –
Гомель, 2006. – С. 389–393.
25. Безобразова, С.В. Нейросетевые методы для диагностики эпилепсии на
основе анализа электроэнцефалограмм / С.В. Безобразова // Исследования и
разработки в области машиностроения, энергетики и управления: материалы
VII международной межвузовской научно-техническая конференции студентов,
магистрантов и аспирантов, Гомель, 3–4 мая 2007 г. / ГГТУ им. П.О. Сухого. –
Гомель, 2007. – С. 413–416.
26. Безобразова, С.В. Повышение точности обнаружения аномалий в
сигналах электроэнцефалограмм / С.В. Безобразова // Современные проблемы
математики и вычислительной техники: материалы V республиканской научной
конференция молодых ученых и студентов, Брест, 28–30 ноября 2007г. / БрГТУ.
– Брест, 2007. – С. 6–8.
27. Безобразова, С.В. Применение нейросетевых методов и теории хаоса
для обнаружения эпилептиформной активности / С.В. Безобразова, В.А.
Головко, В.В. Евстигнеев
// Современные
информационные
и
телемедицинские технологии для здравоохранения (AITTH-2008): материалы
конференции, Минск, 1-3 октября 2008 г. – Минск, 2008. – С. 133–137.
28. Лаврентьева, С.В. Оптимизация нейросетевой системы для анализа
электроэнцефалограмм / С.В. Лаврентьева // Современные проблемы
математики и вычислительной техники: материалы IV республиканской
научной конференция молодых ученых и студентов, Брест, Беларусь, 26 – 28
ноября 2009. – Брест: БрГТУ, 2009. – С. 20–23.
19
РЭЗЮМЭ
Лаўрэнцьева Святлана Уладзіміраўна
Нейрасеткавыя алгарытмы апрацоўкі электраэнцэфалаграм
для дыягностыкі эпілепсіі
Ключавыя словы: аналіз электраэнцэфалаграм, штучная нейронавая сетка,
старэйшы паказчык Ляпунова, адаптыўная сегментацыя сігналаў, дыягностыка
эпілепсіі.
Мэтай дысертацыйнай работы з'яўляецца распрацоўка эфектыўных
нейрасеткавых алгарытмаў аналізу сігналаў электраэнцэфалаграм для
аўтаматычнага выяўлення эпілептычнай актыўнасці нейронаў галаўнога мозгу.
У ходзе даследаванняў распрацаваны нейрасеткавы алгарытм выяўлення
эпілептычнай актыўнасці ў сігналах электраэнцэфалаграм па значэнні
старэйшага паказчыка Ляпунова. Праведзены вылічальныя эксперыменты і
параўнальны аналіз эфектыўнасці розных прагназуючых нейронавых сетак у
задачы дыягностыкі эпілепсіі. Распрацавана структура нейрасеткавага модуля,
якая дазваляе паскорыць разлік старэйшага паказчыка Ляпунова. Распрацаваны
алгарытм адаптыўнай сегментацыі сігналаў электраэнцэфалаграм на аснове
штучнай нейронавай сеткі. Выкарыстаньне нейронавай сеткі пры сегментацыі
дазваляе знізіць верагоднасць фальшывага выяўлення, вылучаць сегменты
малой працягласці, што зрабіла магчымым выяўляць адзіночныя ўспышкі
эпілептычнай актыўнасці. Разгледжаны спосаб вырашэння праблемы выбару
часовага маштабу пры дапамозе даследавання сегментируемых шэрагаў.
Распрацавана структура дыягнастычнай сістэмы на аснове тэорыі хаосу і тэорыі
нейронавых сетак для выяўлення эпілептычнай актыўнасці. Праведзена
эксперыментальнае даследаванне распрацаванай сістэмы, якое пацвярджаець
эфектыўнасць прапанаваных алгарытмаў аналізу электраэнцэфалаграм.
Атрыманыя вынікі могуць быць выкарыстаны для стварэння
дыягнастычнай сістэмы з мэтай павышэння якасці дыягностыкі эпілепсіі.
20
РЕЗЮМЕ
Лаврентьева Светлана Владимировна
Нейросетевые алгоритмы обработки электроэнцефалограмм для
диагностики эпилепсии
Ключевые слова: анализ электроэнцефалограмм, искусственная нейронная
сеть, старший показатель Ляпунова, адаптивная сегментация сигналов,
диагностика эпилепсии.
Целью диссертационной работы является разработка эффективных
нейросетевых алгоритмов анализа сигналов электроэнцефалограмм для
автоматического обнаружения эпилептической активности нейронов головного
мозга. В ходе исследований разработан нейросетевой алгоритм обнаружения
эпилептической активности в сигналах электроэнцефалограмм по значению
старшего показателя Ляпунова. Проведены вычислительные эксперименты и
сравнительный анализ эффективности различных прогнозирующих нейронных
сетей в задаче диагностики эпилепсии. Разработана структура нейросетевого
модуля, позволяющая ускорить расчета старшего показателя Ляпунова.
Разработан алгоритм адаптивной сегментации сигналов электроэнцефалограмм
на основе искусственной нейронной сети. Использование нейронной сети при
сегментации позволяет снизить вероятность ложного обнаружения, выделять
сегменты малой длительности, что сделало возможным обнаруживать
одиночные вспышки эпилептической активности. Рассмотрен способ решения
проблемы выбора временного масштаба при помощи исследования
сегментируемых рядов. Разработана структура диагностической системы на
основе теории хаоса и теории нейронных сетей для обнаружения
эпилептической активности. Проведено экспериментальное исследование
разработанной системы, которые подтверждают эффективность предложенных
алгоритмов анализа электроэнцефалограмм.
Полученные результаты могут быть использованы для создания
диагностической системы с целью повышения качества диагностики
эпилепсии.
21
RESUME
Svetlana V. Laurentsyeva
Neural network algorithms of the electroencephalograms processing for the
epilepsy diagnostics
Keywords: electroencephalograms analysis, artificial neural network, the largest
Lyapunov’s exponent, adaptive segmentation of signals, the epilepsy diagnostics.
A purpose of thesis is development of effective neural network algorithms for
electroencephalograms signal analysis for an epileptic activity of neurons in the brain
automated detection. In the course of researches the neural network algorithm for
epileptic activity detection in EEG signals by the largest Lyapunov’s exponent is
designed. Computational experiments and comparative analysis of various
forecasting neural networks in the problem of epilepsy diagnostics are performed.
The structure of the neural network module is developed that allows to expedite the
calculation of the largest Lyapunov’s exponent. The adaptive segmentation of EEG
signals algorithm based on an artificial neural network is designed. Using the neural
network for the segmentation allows to decrease probability of false detection, to
mark out segments of short duration, that made it possible to detect single events of
epileptic activity. The method of solving the time scale choosing problem by
investigating segmenting series is considered. The structure of diagnostic system
based on the chaos theory and the theory of neural networks for the epileptic activity
detection is designed. An experimental research of the developed system is executed,
that confirm the effectiveness of the proposed algorithms for the
electroencephalograms analysis.
The findings would be used for the diagnostics system creating with a purpose
of the epilepsy diagnostics improving.
22