Prezentace se nahrává, počkejte prosím

Prezentace se nahrává, počkejte prosím

Metody počítačové elektroencefalografie (číslicového zpracování signálu a umělé inteligence) realizované ve spolupráci s FNB, SZÚ, ČVUT FEL, PCP Praha,

Podobné prezentace


Prezentace na téma: "Metody počítačové elektroencefalografie (číslicového zpracování signálu a umělé inteligence) realizované ve spolupráci s FNB, SZÚ, ČVUT FEL, PCP Praha,"— Transkript prezentace:

1 Metody počítačové elektroencefalografie (číslicového zpracování signálu a umělé inteligence) realizované ve spolupráci s FNB, SZÚ, ČVUT FEL, PCP Praha, VŠB-TU Ostrava doc. Ing. Vladimír Krajča, CSc. ČVUT FBMI a oddělení neurologie Fakultní nemocnice Na Bulovce tel

2 Biomedicínské inženýrství - indterdisciplinární obor, nutná spolupráce FNB - Fakultní nemocnice Na Bulovce FNB - Fakultní nemocnice Na Bulovce FBMI - Fakulta biomedicínského inženýrství ČVUT FBMI - Fakulta biomedicínského inženýrství ČVUT SZÚ - Státní zdravotní ústav Praha SZÚ - Státní zdravotní ústav Praha ČVUT FEL - Fakulta elektrotechnická, katedra kybernetiky ČVUT FEL - Fakulta elektrotechnická, katedra kybernetiky PCP Praha - Psychiatrické centrum Praha PCP Praha - Psychiatrické centrum Praha VŠB - TU - Vysoká škola báňská -Technická universita Ostrava VŠB - TU - Vysoká škola báňská -Technická universita Ostrava

3 Cíle počítačové analýzy EEG Podpora lékařova hodnocení Rozšíření jeho schopností poskytnutím objektivních dat Prezentace dat v názorném grafickém tvaru Rozlišení normální/abnormální aktivity Klasifikace záznamů Hodnocení trendů Redukce a archivace dat Kvantifikace - zjištění přesné hodnoty dominantní frekvence Zjištění a extrakce skryté informace nepostižitelné pouhým okem Usnadnění orientace v dlouhodobých záznamech - soustředění pozornosti na ”zajímavé” úseky a přeskočení ”nezajímavé” aktivity

4 Metody: Dlouhodobé x detailní zpracování Dlouhodobé EEG detekce významných událostí hledání významných grafoelementů sledování trendů klasifikace spánkových stavů detekce epileptických hrotů detekce záchvatů Detailní analýza topografické mapování výkonu frekvenčních pásem mapování lokální koherence posuv ve spektru rozklad na zdrojové a šumové složky analýza dipólů fázové spektrum - lokalizace epi ložiska kordance

5 Přehled metod realizovaných ve FNB EEG SIGNAL PRE-PROCESSING DIGITAL FILTERING TRENDS REMOVING LONG - TERM PROCESSING DETAILED ANALYSIS SPECTRUM ANALYSIS LOCAL COHERENCE WAVE FINDER SPIKE DETECTION CSA BRAIN MAPPING CORDANCE PRINCIPAL COMPONENT ANALYSIS INDEPENDENT COMPONENT ANALYSIS NEURAL NETWORKS PHASE MAPPING PCA SEGMENT ATION ARTEFACT ELIMINATION POWER SPECTRUM Photic driving 3D PROJECTION LORETA NEONATAL SLEEP ANALYSIS

6 Cooperation with SZÚ Spolupráce Cooperation with Psychiatric Center Prague Cooperation with Academy of Science Cooperation with Technical University Ostrava EEG SIGNAL PRE-PROCESSING DIGITAL FILTERING TRENDS REMOVING LONG - TERM PROCESSING DETAILED ANALYSIS SPECTRUM ANALYSIS LOCAL COHERENCE WAVE FINDER SPIKE DETECTION CSA BRAIN MAPPING CORDANCE PRINCIPAL COMPONENT ANALYSIS INDEPENDENT COMPONENT ANALYSIS NEURAL NETWORKS ICA decomposition PCA SEGMENT ATION ARTEFACT ELIMINATION POWER SPECTRUM Photic driving Cooperation with ČVUT FEL and ÚPMD 3D PROJECTION LORETA NEONATAL SLEEP ANALYSIS 3D splines NEONATAL SLEEP ANALYSIS 3D splines

7 Spektrální analýza – 3D brain mapping - sférické splajny Gerstnerova laboratoř ČVUT FEL

8

9

10  CSA – compressed spectral arrays  Seřazení spektrálních křivek z 2 sec úseků jako kulisy v divadle  Visualizace trendů a posuvu ve spektru u dlouhodobých záznamů a monitorování Analýza/monitorování dlouhodobých EEG záznamů : CSA - spektrální kulisy

11 Analýza dlouhých záznamů CSA: příklad - epileptický záchvat

12 CSA změna pohledu

13 Photic driving u pracovníků vystavených rtuťovým parám – spolupráce s Doc. Urbanem, SZÚ  Photic driving – reakce EEG na fotostimulaci pro různé frekvence stroboskopu (vybudí se odezva pro harmonické složky stimulace).  Cílem – zjistit potenciál CSA pro indikaci PD u raných neurotoxických efektů u dělníků vystavených parám rtuti.  Změny u PD ve srovnání s kontrolní skupinou ještě před klinickými obtížemi

14 CSAs in a person with well expressed photic driving Background  activity Driving on the fundamental frequency Driving on the 1 st harmonic frequency Driving on the 2 nd harmonic frequency

15 CSAs in a person with absent photic driving Background  activity

16 Protokol generovaný počítačem pro zjištění raných neurotoxických efektů Kvantitativní parametry

17 SZÚ doc. Urban

18  Hierarchický systém automatizovaného zpracovávání EEG  segmentace  extrakce příznaků  automatická klasifikace  visualizace a kvantifikace Analýza dlouhých záznamů: identifikace významných grafoelementů. Aplikace v neonatologii (ÚPMD)

19 Blokové schéma

20 Automatická klasifikace EEG grafoelementů   Motivace - snaha odhalit strukturu, která může být skryta v datech, identifikovat EEG grafoelementy.   Metoda – shluková analýza   hledá přirozenou strukturu dat   učení bez učitele - žádná a priori informace o datech   data v tomtéž shluku (třídě) jsou si v určitém smyslu ”bližší” než data v různých shlucích   V současnosti - výzkum aplikace učících se klasifikátorů (neuronové sítě - učené genetickými algoritmy, inicializace vah - simulované žíhání)

21 Příklad barevné identifikace epileptických grafoelementů – klasifikace pomocí adaptivní segmentace a shlukové analýzy

22 Příklad klasifikace klasické Klasická třída č. 6 obsahující objekty typu třídy 5 (řádek 7). Klasická třída č.5.

23 Příklad fuzzy eliminace hybridních segmentů Fuzzy klasifikace a eliminace EMG artefaktů (odstraněné hybridní segmenty s členstvím nižším než mez alfa=0.5 znázorněny světle šedou barvou)

24 Zhuštěná sumární informace Typické, reprezentativní segmenty (nejblíže těžišti) a jejich procentuální zastoupení - multikanálová sumární informace Časový profil ukazuje členství segmentu ve třídě v průběhu času Třídy seřazeny podle velikosti amplitudy Barva - indikuje třídu segmentu v originálním EEG záznamu

25 Automatická grafická identifikace signifikantních grafoelementů v EEG Třídy EEG grafoelementů jsou záměrně seřazeny podle velikosti amplitudy segmentů. Každému typu EEG aktivity (třídy) je přiřazena barva - význačné typy EEG grafoelementů jsou automaticky identifikovány barvou přímo v originálním digitalizovaném EEG záznamu. Do obrázku jsou promítnuty hranice segmentů.

26 Strukturální schématický popis EEG – časový profil záznamu Lékař má k dispozici efektivní nástroj, umožňující pomocí kursoru vybrat příslušnou část originálního záznamu a pokračovat v prohlížení. Buďto v časové oblasti EEG, nebo ve schematickém diagramu. K tomu může zobrazit sumární multikanálovou informaci o typu EEG aktivity

27 Příklad zpracování dlouhodobých EEG

28 Analýza spánkového grafu (1.5 hod na stránce, 1 kanál) V systému je možné zadat automatické rolování signálu a zastavit na stránce se segmenty zvolené třídy (barvy)

29 Srovnání s dalšími metodami - CSA - metoda zhuštěných spektrálních kulis - informace pouze ve frekvenční oblasti-ztrácíme tvar grafoelementů

30 Výsledkem spolupráce několik společných impaktovaných publikací VÝBĚR

31 UPMD Podolí: detekce spánkových stavů a detekce mozkové dysfunkce

32 ČVUT FEL, ÚPMD, FNB

33 (PET, SPECT, fMRI) (PET, SPECT, fMRI) + velmi dobré až výborné prostorové rozlišení -finančně nákladné, špatné časové rozlišení, invazivita, radiace, klaustrofobické… -finančně nákladné, špatné časové rozlišení, invazivita, radiace, klaustrofobické… Funkční metody - použití v psychiatrickém výzkumu (EEG, MEG) + vynikající časové rozlišení, levné (ne MEG), neinvazivní, možnost opakovaných vyšetření i dlouhodobých záznamů, snadno proveditelné + vynikající časové rozlišení, levné (ne MEG), neinvazivní, možnost opakovaných vyšetření i dlouhodobých záznamů, snadno proveditelné - špatné prostorové rozlišení, značná citlivost k rušení /technické i biologické artefakty/… - špatné prostorové rozlišení, značná citlivost k rušení /technické i biologické artefakty/…

34 Psychiatrické Centrum Praha. Aplikace spektrální analýzy

35 Kordance (cordance)  Kvantitativní EEG veličina, kterou navrhli Leuchter, Cook v roce 1994  Představuje integraci informace z absolutního a relativního výkonového spektra.  kombinace informací z absolutního a relativního spektra korelují s metabolismem/perfuzí (SPECT/PET) lépe než samotné absolutní anebo relativní spektrum samo o sobě  Vytvořena v UCLA QEEG Laboratory pro studium regionální mozkové aktivity - které oblasti mozku jsou více či méně za určitých okolností aktivní.  Zvláště dobré výsledky byly při studiu deprese.  Kordance je také softwarový algoritmus patentovaný na University of California; je poskytován bez poplatků akademickým institucím pro výzkumné účely

36 Psychiatrické Centrum Praha - predikce odezvy na antidepresiva pomocí kordance

37 LORETA LOw REsolution Tomography Analysis LOw REsolution Tomography Analysis autor R. Pascual-Marqui, 1994 autor R. Pascual-Marqui, 1994 zjišťuje distribuci neuronální elektrické aktivity (proudové hustoty) v 3D prostoru hlavy (analýza dipólů) zjišťuje distribuci neuronální elektrické aktivity (proudové hustoty) v 3D prostoru hlavy (analýza dipólů)

38 LORETA a WF -> integrovaná do systému

39

40 LORETA, PCP, změny metabolismu a EEG u schizofreniků

41 PCP, FBMI, FNB, červenec 2010, IF

42 Kapitola v knize FEL, FNB,VŠB

43 Učební texty VŠB a FNB, Žilinská universita

44 Vladimír Krajča ČVUT FBMI a FNB Poděkování za spolupráci FBMI Kladno : Peter Kneppo, Jiří Hozman ČVUT FEL : Lenka Lhotská,Václav Gerla,Vladana Djordjevic ÚPMD Podolí : Karel Paul VŠB-TU Ostrava : Jitka Mohylová Ústav informatiky AV : Petr Tichavský PCP Praha : Martin Brunovský, Martin Bareš, Jiří Horáček, Cyril Höschl, Tomáš Novák,Miloslav Kopeček, Peter Sos, Pavla Stopková, Barbora Tišlerová, Pavel Mohr, Jiří Kožený, Lucie Závěšická


Stáhnout ppt "Metody počítačové elektroencefalografie (číslicového zpracování signálu a umělé inteligence) realizované ve spolupráci s FNB, SZÚ, ČVUT FEL, PCP Praha,"

Podobné prezentace


Reklamy Google