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. +420-2-6608 2307 e-mail krajcav@fnb.cz Fsdafdsaf

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

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

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

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

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

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

Analýza/monitorování dlouhodobých EEG záznamů : CSA - spektrální kulisy 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 dlouhých záznamů CSA: příklad - epileptický záchvat

CSA změna pohledu

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

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

CSAs in a person with absent photic driving Background  activity

Protokol generovaný počítačem pro zjištění raných neurotoxických efektů Kvantitativní parametry

SZÚ doc. Urban

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

Blokové schéma

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)

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

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

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)

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

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.

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

Příklad zpracování dlouhodobých EEG

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)

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

Výsledkem spolupráce několik společných impaktovaných publikací VÝBĚR

UPMD Podolí: detekce spánkových stavů a detekce mozkové dysfunkce

ČVUT FEL, ÚPMD, FNB

Funkční metody - použití v psychiatrickém výzkumu (PET, SPECT, fMRI) + velmi dobré až výborné prostorové rozlišení - finančně nákladné, špatné časové rozlišení, invazivita, radiace, klaustrofobické… (EEG, MEG) + 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/…

Psychiatrické Centrum Praha. Aplikace spektrální analýzy

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

Psychiatrické Centrum Praha - predikce odezvy na antidepresiva pomocí kordance

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

LORETA a WF -> integrovaná do systému

LORETA, PCP, změny metabolismu a EEG u schizofreniků

PCP, FBMI, FNB, červenec 2010, IF. 3.661

Kapitola v knize FEL, FNB,VŠB

Učební texty VŠB a FNB, Žilinská universita

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