�eské vysoké u£ení technické v PrazeFakulta elektrotechnickáKatedra °ídicí techniky

Bakalá°ská práce

Vizualizace EEG dat

Kumpánová Kristýna

Vedoucí práce: Ing. Gerla Václav, Ph.D.

Studijní program: Kybernetika a robotika, Bakalá°ský

Obor: Systémy a °ízení

23. kv¥tna 2016

České vysoké učení technické v Praze Fakulta elektrotechnická

katedra řídicí techniky

ZADÁNÍ BAKALÁ ŘSKÉ PRÁCE

Student: Kristýna Kumpánová

Studijní program: Kybernetika a robotika Obor: Systémy a řízení

Název tématu: Vizualizace EEG dat

Pokyny pro vypracování:

Cílem bakalářské práce je sestavit sadu skriptů v prostředí programu MATLAB, které umožní odhad a zobrazení výkonových spekter a koherencí pro multikanálové EEG záznamy. Pokyny: 1. Seznamte se se základními typy vizualizací používaných v EEG. 2. Implementujte algoritmus pro odhad a zobrazení výkonového spektra. Ve spektru barevně odlište frekvenční pásma, která jsou typická při analýze EEG. 3. Implementujte algoritmus, který umožní přehledně zobrazit výsledky spektrální analýzy pro více EEG kanálů současně. 4. Implementujte algoritmus pro odhad a zobrazení EEG koherencí. 5. Ověřte realizované řešení nad reálnými EEG záznamy.

Seznam odborné literatury:

[1] Ernst Niedermeyer, Fernando Lopes da Silva (2005) Electroencephalography: Basic Principles, Clinical Applications, and Related Fields, 5th Edition, Lippincott Williams & Wilkins. [2] Michael ten Caat (2008) Multichannel EEG Visualization, Ph.D. thesis, http://irs.ub.rug.nl/ppn/306087987

Vedoucí: Ing. Václav Gerla, Ph.D.

Platnost zadání: do konce zimního semestru 2016/2017

L.S.

prof. Ing. Michael Šebek, DrSc. vedoucí katedry

prof. Ing. Pavel Ripka, CSc. děkan

V Praze dne 14. 7. 2015

v

Pod¥kování

Chci pod¥kovat vedoucímu bakalá°ské práce Ing. Václavu Gerlovi, Ph.D. za konzultace, radya cenné p°ipomínky.

vi

vii

Prohlá²ení

Prohla²uji, ºe jsem p°edloºenou práci vypracovala samostatn¥ a ºe jsem uvedla ve²kerépouºité informa£ní zdroje v souladu s Metodickým pokynem o dodrºování etických princip·p°i p°íprav¥ vysoko²kolských záv¥re£ných prací.

V Praze 23. kv¥tna, 2016 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

viii

Abstract

The goal of this bachelor thesis was to create set of scripts in MATLAB enviroment, which(1) provides estimate of power spectral density and coherences and (2) provides display ofmultichannel results of analysis. In this thesis two types of multichannel visualization wereimplemented. The �rst type consists of several graphs each of which represents certain EEGelectrode in one picture � which can be used to visualize power spectral density. Secondtype uses colored lines connecting two electrodes to display relation between them � whichcan be used to visualize coherences. In addition to coherences and power spectral density,correlations, spectrograms and average powers among frequency band commonly used inEEG were implemented. The solution was veri�ed on real EEG data.

Abstrakt

Cílem této bakalá°ské práce bylo v prost°edí programu MATLAB vytvo°it sadu skript·,které (1) umoºní odhad výkonových spekter a koherencí a (2) umoºní multikanálové zobra-zení výsledk· analýzy. V práci byly implementovány dva typy multikanálového zobrazení.První typ sestává z vícero graf· reprezentujících vlastnosti signál· z jednotlivých EEG elek-trod do jednoho obrázku � £ehoº se dá vyuºít pro vizualizaci výkonových spekter. Druhýtyp umoº¬uje zobrazení vztah· mezi elektrodami (EEG kanály) pomocí barevných £ar spo-jujících p°íslu²né elektrody � £ehoº se dá vyuºít pro vizualizaci koherencí. Krom¥ koherencía výkonových spekter bylo navíc implementováno zobrazení korelací, spektrogram· a pr·-m¥rných výkon· p°es frekven£ní pásma, která se pouºívají v souvislosti s EEG. Realizované°e²ení bylo ov¥°eno na reálných EEG záznamech.

ix

x

Obsah

1 Úvod 1

2 Elektroencefalogra�e 32.1 EEG elektrody . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 32.2 Frekven£ní pásma pouºívaná v EEG . . . . . . . . . . . . . . . . . . . . . . . 32.3 Analýza EEG v £asové oblasti . . . . . . . . . . . . . . . . . . . . . . . . . . . 42.4 Analýza EEG ve frekven£ní oblasti . . . . . . . . . . . . . . . . . . . . . . . . 5

3 Základní typy vizualizací pouºívaných v EEG 7

4 Implementované vícekanálové vizualizace 114.1 Zobrazení vztah· mezi kanály . . . . . . . . . . . . . . . . . . . . . . . . . . . 114.2 Multigrafové zobrazení . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 134.3 Odhad a zobrazení koherencí . . . . . . . . . . . . . . . . . . . . . . . . . . . 144.4 Odhad a zobrazení výkonového spektra . . . . . . . . . . . . . . . . . . . . . . 14

5 Ov¥°ení nad reálnými EEG záznamy 195.1 19 kanál· . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 195.2 Novorozenecké EEG . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 24

6 Záv¥r 33

A Obsah p°iloºeného CD 37

xi

xii OBSAH

Seznam obrázk·

2.1 Rozloºení elektrod v systému 10�20. (Zdroj: Wikipedia Commons http://commons.wikimedia.org) 4

3.1 P°íklad jednoduchého EEG grafu s horizontální £asovou osou a nap¥tím navertikální ose. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7

3.2 Spektrogram ze zpr·m¥rovaných EEG záznam· spících novorozenc·. . . . . . 83.3 Topogra�cká mapa frekven£ního pásma theta ze zpr·m¥rovaných EEG zá-

znam· spících novorozenc·. . . . . . . . . . . . . . . . . . . . . . . . . . . . . 93.4 Ná£rt zobrazení koherencí mezi elektrodami. . . . . . . . . . . . . . . . . . . . 9

4.1 Rozloºení elektrod de�nované v této práci. . . . . . . . . . . . . . . . . . . . . 124.2 Layout obrázk· v multikanálovém zobrazení vztah· mezi kanály v závislosti

na po£tu vykreslovaných obrázk·. . . . . . . . . . . . . . . . . . . . . . . . . . 124.3 Ná£rt zcela vykresleného multigrafového zobrazení s legendou. . . . . . . . . . 134.4 Koherence v pásmu theta z EEG záznamu dosp¥lého £lov¥ka. Zobrazeno 19

elektrod, treshold 0,3. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 154.5 Spektrogramy v multigrafovém zobrazení z EEG záznam· dosp¥lého £lov¥ka.

Segment o délce 60 vte°in. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17

5.1 Koherence v první sad¥ dat pro pásma delta, theta, alpha a beta. Zpr·m¥ro-váno z 10�ti 30�ti vte°inových segment·. Treshold 0,3. . . . . . . . . . . . . . 20

5.2 Výkonová spektra v první sad¥ dat. 30�ti vte°inový segment. . . . . . . . . . 215.3 Pr·m¥rný výkon v první sad¥ dat. 30�ti vte°inový segment. . . . . . . . . . . 215.4 Topogra�cké mapování výkonu v první sad¥ dat. 30�ti vte°inový segment. . . 225.5 Spectrogramy z první sady dat. Segment o délce 8 minut. . . . . . . . . . . . 235.6 Korelace v první sad¥ dat. 30�ti vte°inový segment, treshold 0,3. . . . . . . . 245.7 Koherence v pásmech delta a theta z druhé sady dat. Fáze QS. . . . . . . . . 255.8 Koherence v pásmech delta a theta z druhé sady dat. Fáze AS. V theta pásmu

lze pozorovat vy²²í koherence v £elní a centrální oblasti oproti fázi QS. . . . . 255.9 Koherence v pásmech alpha a beta z druhé sady dat. Fáze QS. . . . . . . . . 265.10 Koherence v pásmech alpha a beta z druhé sady dat. Fáze AS. V alpha pásmu

lze pozorovat vy²²í koheren£ní koe�cienty v £elní a centrální oblasti neº v QSfázi. v beta pásmu lze pozorovat vy²²í koherence v centrální a týlní oblasti. . . 26

5.11 Výkonová spektra z druhé sady dat. Z obrázk· se nedá vy£íst ºádný zásadnírozíl mezi fázemi QS a AS. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 27

5.12 Pr·m¥rný výkon na pásmo z druhé sady dat. Na pásmu delta jsou zjevné vy²²ívýkony ve fázi QS. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 27

xiii

xiv SEZNAM OBRÁZK�

5.13 Topogra�cké mapování pr·m¥rného výkonu z druhé sady dat. Pásmo delta.Výkony ve fázi QS jsou vy²²í neº ve fázi AS. Maxima dosahují výkony vcentrální oblasti u obou fází. Minima dosahují výkony v týlní oblasti ve fáziQS a ve spánkové oblasti ve fázi AS. . . . . . . . . . . . . . . . . . . . . . . . 28

5.14 Topogra�cké mapování pr·m¥rného výkonu z druhé sady dat. Pásmo theta.Výkony ve fázi QS jsou vy²²í neº ve fázi AS. Maxima dosahují výkony vcentrální oblasti u obou fází. Minima dosahují výkony v týlní oblasti v oboufázích. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 28

5.15 Topogra�cké mapování pr·m¥rného výkonu z druhé sady dat. Pásmo alpha.Výkony ve fázi QS jsou vy²²í neº ve fázi AS. Maxima dosahují výkony vcentrální oblasti v obou fázích a minima v £elní oblasti v obou fázích. . . . . . 29

5.16 Topogra�cké mapování pr·m¥rného výkonu z druhé sady dat. Pásmo beta.Výkony ve fázi QS jsou vy²²í neº ve fázi AS. Maxima dosahují výkony v levétýlní oblasti ve fázi QS a pravé týlní oblasti ve fázi AS. Minima pak v levé£elní oblasti ve fázi QS a pravé £elní oblasti ve fázi AS. . . . . . . . . . . . . . 29

5.17 Spectrogramy z druhé sady dat. Na spektrogramech ve fázi QS jsou vid¥t vy²²ívýkony v pásmech theta a alpha neº ve fázi AS. . . . . . . . . . . . . . . . . . 30

5.18 Korelace z druhé sady dat. Treshold 0,3. Korela£ní koe�cienty jsou vy²²í vefázi AS nap°í£ v²emi oblastmi hlavy. . . . . . . . . . . . . . . . . . . . . . . . 30

Kapitola 1

Úvod

Vizualizace EEG dat umoº¬uje léka°·m a jiným expert·m t¥mto dat·m porozum¥t a zís-kat z nich pot°ebné informace. �asto se EEG záznamy hodnotí bez jakékoli matematické £istatistické analýzy pouhým pohledem na £asový záznam z jednotlivých elektrod. AnalýzaEEG a její multikanálová vizualizace p°iná²í mnoho uºite£ných informací, které se klasickýmzp·sobem hodnocení EEG záznam· nedají získat, a v poslední dob¥ tak získávají stále vícena d·leºitosti [1],[2]. Analýza ve frekven£ní oblasti má výpov¥dní hodnotu nap°íklad u pa-cient· s Alzheimerovou nemocí [3], p°i klasi�kaci spánkových záznam· u novorozenc· [4] idosp¥lých [5] nebo detekci epileptických záchvat· [6].

V oblasti vizualizace multikanálových EEG dat p°isp¥l nap°íklad ten Caat p°edstavenímTiled Parallel Coordinate map [7] pro vizualizaci potenciál· pro velký po£et kanál· neboFunctional Unit map [8],[9] pro zobrazení koherencí pro velký po£et kanál·.

Krom¥ samotných metod zobrazování se v komer£ní i akademické sfé°e vyvíjí softwareschopný provád¥t analýzu EEG dat a vytvá°et její vizualizace. P°íkladem m·ºe být apli-kace VisBrain [10] nebo open-source software MNE [11] tvo°ený v jazyce Python. Dále jsouvyvíjeny £etné toolboxy jako nap°íklad EEGLAB [12], FieldTrip [13] nebo Brainstorm [14],které jsou implementovány v prost°edí MATLAB.

Metody implementované v této práci se stanou sou£ástí ²ir²ího °e²ení, které je vyvíjeno vrámci toolboxu PSGLab [15]. P°ínos této práce spo£ívá v multikanálovém zobrazování dat,coº by byla pro PSGLab nová vlastnost.

V kapitole 2 je popsána stru£ná teorie k EEG a analýze pot°ebná pro tuto práci. Kapitola 3se v¥nuje b¥ºným zp·sob·m vizualizace EEG dat. Popisují se v ní základní typy nejpou-ºíván¥j²ích zobrazení, jak vypadají a k £emu se dají vyuºívat. V kapitole 4 jsou popsányzobrazení a odhady, které byly implementovány. Nad dv¥ma sadami dat s r·znými po£tyelektrod byly spu²t¥ny vytvo°ené skripty a výsledné obrázky jsou ke shlédnutí v kapitole 5,kde jsou také popsány zmín¥né sady dat.

1

2 KAPITOLA 1. ÚVOD

Kapitola 2

Elektroencefalogra�e

Elektroencephalogra�e (EEG) je vy²et°ovací metoda, p°i které se zaznamenává elektrickáaktivita mozku snímáním elektrického potenciálu pomocí elektrod p°ipevn¥ných k povrchuhlavy pacienta vodivým gelem, jehoº ú£el je sníºit impedanci. Výstup vy²et°ení jsou pak dis-krétní hodnoty elektrického potenciálu na jednotlivých elektrodách v £ase daném vzorkovacífrekvencí fs.

2.1 EEG elektrody

Nejpouºívan¥j²í a doporu£ovaný systém pro rozmíst¥ní elektrod je systém 10�20. Vyzna£ujese tím, ºe se jednotlivé elektrody kladou na hlavu ve vzdálenostech 10 % nebo 20 % ²í°ehlavy od sebe [16]. To dovoluje porovnávat záznamy lidí s r·znou velikostí hlavy (narozdílod systém·, ve kterých jsou vzdálenosti mezi elektrodami absolutní). K p°esnému umíst¥níse pouºívají anatomické orienta£ní body. Systém 10�20 byl navrºen pro 21 elektrod, ale dá seroz²í°it o v¥t²í po£et elektrod. Kaºdá elektroda má své unikátní ozna£ení, které je kombinacípísmen a £íslic. Písmena referují k laloku, který je k elektrod¥ nejblíºe, a £ísla referují kevdálenosti od st°edu mezi hemisférami a stran¥ mozku, na které se elektroda nachází. Bliº²ípopis je uveden v tabulce 2.1 a rozloºení elektrod v systému 10�20 na obrázku 2.1.

2.2 Frekven£ní pásma pouºívaná v EEG

V EEG záznamech jsou uºite£né frekvence od 0.1 Hz do 100 Hz. Pro ú£ely analýzy a in-terpretace EEG rozeznáváme 5 základních frekven£ních pásem � delta, theta, alpha, beta agamma. P°ehled je v tabulce 2.2 [17].

Alpha frekvence jsou p°ítomné v bd¥lém stavu v zadních £ástech hlavy, obvykle s vy²²íamplitudou v týlních oblastech (occipital). Nejlépe se pozorují p°i zav°ených o£ích a fyzickéi mentální relaxaci. P°i zvý²ené pozornosti, otev°ení o£í ve sv¥tle, nebo mentálním úsilí do-chází k poklesu amplitudy v alpha pásmu.

3

4 KAPITOLA 2. ELEKTROENCEFALOGRAFIE

Znak VýznamC centrální rýha (central �ssure)F £elní lalok (frontal lobe)P temenní lalok (parietal lobe)T spánkový lalok (temporal lobe)O týlní lalok (occipital lobe)Fp prefrontální elektrody1, 3, 5, 7, 9 levá hemisféra2, 4, 6, 8, 10 pravá hemisféraz na st°edu mezi hemisférami

Tabulka 2.1: Ozna£ení elektrod v systému 10�20.

Cz T4C4C3T3

Pz

Fz

T6

O2

T5

F7 F8

O1

Fp1 Fp2

F4F3

P3 P4

A1 A2

INION

NASION

Obrázek 2.1: Rozloºení elektrod v systému 10�20. (Zdroj: Wikipedia Commonshttp://commons.wikimedia.org)

Beta frekvence se vyskytují hlavn¥ v £elní (frontal) a centrální oblasti. Beta frekvence vcentrální oblasti jsou obvykle potla£itelné motorickou aktivitou nebo hmatovou stimulací.

Theta frekvence jsou d·leºité v EEG záznamech novorozenc· a d¥tí a p°i stavech ospalostia spánku. U dosp¥lých lidí v bd¥lém stavu je p°ítomnost theta frekvencí povaºována za ab-normální.

Delta frekvence se objevují v £elní oblasti ve stavu hlubokého spánku [18].

2.3 Analýza EEG v £asové oblasti

K ohodnocení EEG signálu v £asové oblasti se m·ºe pouºít samotný EEG záznam s na-m¥°eným potenciálem na vertikální ose a horizontální £asovou osou. Kvali�kovaná osoba

2.4. ANALÝZA EEG VE FREKVEN�NÍ OBLASTI 5

Název Frekven£ní rozsah (Hz)Delta < 3.5Theta 4 � 7.5Alpha 8 � 13Beta 14 � 30Gamma > 30

Tabulka 2.2: Rozd¥lení frekven£ních pásem v teorii EEG.

je schopná v takovém grafu rozeznat známé vzory, jako k-komplexy, spánková v°etena aartefakty, nebo jinak podle tvaru signálu rozli²it normální a abnormální EEG záznamy vzávislosti na v¥ku a fyziologickém stavu pacienta.

Dal²í moºností analýzy EEG v £asové oblasti je odhad vzájemné korelace, která ur£uje po-dobnost signál· f a g pomocí vztahu (f ? g)(n) =

∑m f∗(m)g(n+m), kde f∗(m) je signál

komplexn¥ sdruºený k f . Korelace nabývá reálných hodnot od -1 do 1.

2.4 Analýza EEG ve frekven£ní oblasti

Pro analýzu ve frekven£ní oblasti se informace o jednotlivých harmonických X(m) o frek-vencích f(m) tvo°ících signál získávají pomocí diskrétní Fourierovy transformace (DFT) [19]

X(m) =

N−1∑n=0

x(n)e−j2πnm/N , (2.1)

kde j je imaginární jednotka,N je po£et vzork· v diskretizovaném signálu x, n ∈ {0, 1, . . . N−1} je po°adí vzorku a m ∈ {0, 1, . . . N−1} je po°adí harmonické s frekvencí f(m).

Hodnota frekvence f(m) pro m�tou harmonickou se získá výpo£tem

f(m) =m · fsN

, (2.2)

kde fs je vzorkovací frekvence. Pro ú£ely analýzy jsou významné harmonické s m od 0 do N2 ,

coº zhruba odpovídá frekvenci fs2 , která by podle Nyquistova�Shannonova teorému m¥la býtnejvy²²í moºná frekvence vyskytující se v signálu, aby p°i transformaci nedo²lo k aliasingu.

X(m) je komplexní £íslo, které nese informace o harmonické s frekvencí f(m). Jeho absolutníhodnota odpovídá magnitud¥ harmonické Xmag(m) = |X(m)| a jeho argument odpovídá fá-

zovému posunu harmonické Xφ(m) = tan−1(Im(X(m))Re(X(m))

), kde Im(X(m)) je imaginární a

Re(X(m)) je reálná sloºka X(m). Výkonem harmonické se pak rozumí druhá mocnina její

6 KAPITOLA 2. ELEKTROENCEFALOGRAFIE

magnitudy XPS(m) = Xmag(m)2.

Pro pot°eby vizualizace je vhodné výkony zobrazovat v logaritmickém mé°ítku

XdB(m) = 10 · log10 (XPS(m)) (2.3)

a normalizované

XdBnorm(m) = 10 · log10(XPS(m)

PSref

), (2.4)

kde PSref je n¥jaká referen£ní hodnota výkonu.

Krom¥ samotných výkon· jednotlivých harmonických nebo celých frekven£ních pásem se proanalýzu EEG signál· vyuºívá odhad podobnosti signál· ve frekven£ní oblasti � koherence.

Kapitola 3

Základní typy vizualizací pouºívanýchv EEG

Vizualizovat EEG záznam lze jednodu²e vynesením nam¥°ených hodnot z jedné elektrody dografu oproti £asové ose. P°íklad takového grafu je na obrázku 3.1. Záznamy z více elektrodse pak dají zobrazit pod sebe jako samostatné grafy se shodnou £asovou osou pro moºnostporovnání.

0 10 20 30 40 50 60−100

0

100

čas (s)

Napět

í (µ

V)

Obrázek 3.1: P°íklad jednoduchého EEG grafu s horizontální £asovou osou a nap¥tím navertikální ose.

Dal²í moºností vizualizace je Butter�y plot, který je podobný prvnímu vý²e popsanému zp·-sobu s tím rozdílem, ºe se oproti horizontální £asové ose vykreslují nap¥tí ze v²ech elektrodzárove¬, a tedy není moºné rozli²it individuální kanály. Toho se vyuºívá nap°íklad v analýzeevokovaných potenciál·.

Ve frekven£ní oblasti pak lze zobrazovat frekven£ní spektra � magnitudy harmonických navertikální a frekvence na horizontální ose, nebo výkonová spektra � výkony na vertikální afrekvence na horizontální ose.

Dal²í moºností zobrazení informací o EEG signálu je spektrogram. Spektrogram je vizuálníreprezentace pr·m¥rného výkonu harmonické (nebo skupiny harmonických) za £asový inter-val. Na horizontální ose bývá vynesen £as a na vertikální ose frekvence. Hodnota výkonu pak

7

8 KAPITOLA 3. ZÁKLADNÍ TYPY VIZUALIZACÍ POU�ÍVANÝCH V EEG

odpovídá barv¥ segmentu ve spektrogramu. P°íklad takového grafu je na obrázku 3.2.

5 10 15 20 250

5

10

15

20

25

30

35

čas (s)

Fre

kven

ce (

Hz)

Obrázek 3.2: Spektrogram ze zpr·m¥rovaných EEG záznam· spících novorozenc·.

Pouºívaná zobrazovací metoda je také topogra�cká mapa (viz obrázek 3.3). Jedná se o ob-rázek hlavy s body na pozicích elektrod. Kaºdému bodu je p°i°azena ur£itá barva. Prostormezi elektrodami se pak vybarví pomocí interpolace. Barva p°i°azená kaºdé elektrod¥ odpo-vídá n¥jaké skalární hodnot¥ reprezentující vlastnost dané elektrody. M·ºe to být nap°íkladpr·m¥rný výkon, potenciál a podobn¥.

Koherence se pak zobrazují zp·sobem, kdy je op¥t kaºdá elektroda reprezentovaná bodemna pozici shodné s pozicí elektrody a jednotlivé elektrody jsou mezi sebou spojené £arou.Tato spojovací £ára n¥jakým zp·sobem vypovídá o hodnot¥ koheren£ního koe�cientu mezielektrodami. M·ºe to být barva nebo odstín £áry, £i její tlou²´ka. Ná£rt takového zobrazeníje na obrázku 3.4.

9

−36

−36

−37

−37

−37

Výk

on (

dB

/Hz)

Obrázek 3.3: Topogra�cká mapa frekven£ního pásma theta ze zpr·m¥rovaných EEG záznam·spících novorozenc·.

Cz T4C4C3T3

Pz

Fz

T6

O2

T5

F7 F8

O1

Fp1 Fp2

F4F3

P3 P4

INION

NASION

1

0

0.5

Obrázek 3.4: Ná£rt zobrazení koherencí mezi elektrodami.

10 KAPITOLA 3. ZÁKLADNÍ TYPY VIZUALIZACÍ POU�ÍVANÝCH V EEG

Kapitola 4

Implementované vícekanálovévizualizace

V této práci jsou implementovány dva typy vícekanálového zobrazení. Jeden sestává z ob-rázku hlavy s vyzna£enými elektrodami. Je ur£en pro zobrazování vztah· reprezentovanýchskalárním £íslem mezi jednotlivými elektrodami. Druhé zobrazení sestává z vícero graf· rozlo-ºených na obrázku hlavy na pozicích p°íslu²ných elektrod. V této práci je de�nováno rozloºeníelektrod pro 75 elektrod (viz obrázek 4.1). K vizualizaci se pak dá pouºít jakákoli podmno-ºina de�novaných kanál·. Výb¥r podmnoºiny kanál· ze systému 10�20 pak p°ímo odpovídározloºení v tomto systému. V kapitole 5 Ov¥°ení nad reálnými EEG záznamy bude pro vi-zualizaci pouºito 19 a 8 elektrod. Polohy elektrod jsou de�novány v souboru electrodes.m.

4.1 Zobrazení vztah· mezi kanály

Tento typ zobrazení je v práci pouºit pro vizualizaci koherencí a korelací. P°ed vykreslovánímtohoto typu zobrazení se projdou data a zjistí se kolik obrázk· se bude vykreslovat najed-nou. Toho se u zobrazování koherencí dá vyuºít k zobrazení koherencí ve vícero frekven£níchpásmech najednou, u korelací pak nap°íklad pro r·zné £asové intervaly. Podle po£tu obrázk·se nastaví layout (viz obrázek 4.2). Layout pro po£et obrázk· od 1 do 4 je pevn¥ daný. Vp°ípad¥ vy²²ího po£tu obrázk· m se po£et °ádk· r a po£et sloupc· c °ídí vztahy r =

√m a

c =⌈mr

⌉.

Za ú£elem zmen²ení mezer mezi jednotlivými obrázky byla k uspo°ádání obrázk· v jednomokn¥ místo subplot pouºita voln¥ dostupná funkce panel.

Podle zvoleného layoutu a velikosti obrazovky se vypo£ítá optimální velikost okna s obrázky.V p°ípad¥ p°epínání mezi obrazovkami r·zných velikostí tady m·ºe dojít k chyb¥, kdy siMATLAB pamatuje rozli²ení obrazovky, která byla nastavena jako hlavní p°i jeho spou²t¥ní.

Vykreslování kaºdého obrázku v okn¥ probíhá ve t°ech krocích. Nejprve se vykreslí obryshlavy a nastaví se osy. Dále se projdou data pro daný obrázek a mezi body de�nované jako

11

12 KAPITOLA 4. IMPLEMENTOVANÉ VÍCEKANÁLOVÉ VIZUALIZACE

CZ

FCZ

FZ

AFZ

FPZ

CPZ

PZ

POZ

OZ

C1 C2C3 C4C5 C6T7 T8T9 T10

CP1 CP2

FC2FC1

CP4

FC4FC3

CP3

O2O1

FP2FP1

PO8PO7

AF7 AF8

P8P7

F7 F8

TP8TP7

FT7 FT8 FT10

F10

FT9

F9

TP9

P9

TP10

P10P5 P3 P1 P2 P4 P6

F5 F3 F1 F2 F4 F6

PO9

O9 O10

PO10

PO3 PO4

AF3 AF4

FC6FC5

CP5 CP6

Obrázek 4.1: Rozloºení elektrod de�nované v této práci.

1 obrázek 2 obrázky 3 obrázky

4 obrázky 5 obrázků 6 obrázků

Obrázek 4.2: Layout obrázk· v multikanálovém zobrazení vztah· mezi kanály v závislosti napo£tu vykreslovaných obrázk·.

4.2. MULTIGRAFOVÉ ZOBRAZENÍ 13

pozice elektrod se vykreslí £áry p°íslu²ných barev a tlou²t¥k. Ve t°etím kroku se vykreslujísamotné elektrody a jejich ozna£ení.

V samostatném kroku se pak do dolního rohu okna vykreslí legenda (colorbar). Pro uloºeníokna do souboru pdf je v práci pouºita voln¥ dostupná funkce save2pdf.

4.2 Multigrafové zobrazení

Metoda vykreslování samostatných graf· na pozicích elektrod je pouºita pro zobrazení vý-kon· a spektrogram·.

Pro vykreslení vícero graf· do jednoho obrázku je pot°eba v²echny grafy zvlá²´ nejprvevykreslit do samostatného okna a do£asn¥ uloºit na disk jako �gure. P°i vykreslování dospole£ného obrázku se pak postupn¥ otev°ou v²echny p°ipravené grafy, nastaví se jim poºa-dovaná velikost, osy a pozice a zkopírují se do spole£ného obrázku na místo elektrody, kteroureprezentují.

V p°ípad¥ generování více multigrafových zobrazení najednou, je t°eba dbát na to, aby sevytvo°ené grafy k r·zným obrázk·m (multigrafovým zobrazením) navzájem nep°epsaly.

Podobn¥ jako v p°edchozím p°ípad¥ se vypo£te optimální velikost okna, ale v tomto p°ípad¥se tato velikost oknu rovnou nastaví a vypne se moºnost m¥nit velikost okna.

osa x

osa

y

0

20

3015

legenda

Obrázek 4.3: Ná£rt zcela vykresleného multigrafového zobrazení s legendou.

Legenda se op¥t vykresluje zvlá²´ aº nakonec a obrázek se uloºí do souboru pdf pomocífunkce save2pdf. V rámci legendy se v levém dolním rohu vykreslí prázdné okénko o veli-kosti graf·. Toto prázné okénko je opat°eno ve²kerými popisky os, které ve stejném m¥°ítkuplatí pro v²echny vykreslené grafy. U výkonových spekter a pr·m¥rných výkon· se dále v

14 KAPITOLA 4. IMPLEMENTOVANÉ VÍCEKANÁLOVÉ VIZUALIZACE

pravém dolním rohu vykreslí barevná legenda pro frekven£ní pásma. U spektrogram· se vpravém dolním rohu vykreslí colorbar. Ná£rt multigrafového zobrazení opat°eného legendouje na obrázku 4.3.

4.3 Odhad a zobrazení koherencí

Pro zobrazení korelace signál· z jednotlivých elektrod mezi sebou na kaºdé frekvenci se po-uºívá odhad koherence. V této práci je k odhadu pouºita funkce mscohere [20] ze SignalProcessing Toolboxu. Koherence Cxy(m) mezi signály x a y se odhaduje podle vztahu

Cxy(m) =|Pxy(m)|2

Pxx(m)Pyy(m), (4.1)

kde Pxx(m) s Pyy(m) jsou výkonové spektrální hustoty signál· x a y a Pxy(m) je vzájemnávýkonová spektrální hustota mezi signály x a y. Koherence Cxy(m) nabývá reálných hodnotod 0 do 1.

Výpo£et koherencí a korelací je £asov¥ náro£ná operace. Pro zrychlení procesu byl ve skrip-tech pouºit p°íkaz parfor, díky kterému se výpo£et rozloºí p°es v²echny jádra po£íta£e. Nadvoujádrovém stroji se výpo£et koherencí z 1 minutového záznamu zrychlil ze 60�ti na 30vte°in.

Koherence se zobrazují pro libovoln¥ de�novaná frekven£ní pásma od 0.14 Hz do fs2 . P°es

vzorky Cxy(m), které odpovídají zadaným frekven£ním pásm·m, se vypo£ítá mean hodnotaa ta se p°evede na barvu a tlou²´ku £áry, kterou se na obrázku spojí p°íslu²né elektrody.

P°i zobrazování koherencí (podobn¥ i u korelací) se dá nastavit libovolný treshold (reálné£íslo mezi 0 a 1), coº bude mít za následek vykreslení pouze koherencí s hodnotou vy²²í neºje treshold. Koherencím s hodnotou t¥sn¥ nad tresholdem pak bude odpovídat sv¥tle ºlutábarva a koherencím o hodnot¥ 1 barva tmav¥ zelená. Barvy p°i°azené jednotlivým hodno-tám koherence se tak budou m¥nit v závislosti na tresholdu. Koherence zobrazená pomocízobrazení vztah· mezi kanály pro 19 elektrod je na obrázku 4.4.

4.4 Odhad a zobrazení výkonového spektra

Pro výpo£et diskrétní Fourierovy transformace je pouºita základní funkce fft, která vyuºíváalgoritmus fast Fourier transform (FFT), konkrétn¥ FFTW [21] implementaci Cooleyova-Tukeyova FFT algoritmu. Algoritmy FFT mají niº²í výpo£etní náro£nost neº klasická DFT.

4.4. ODHAD A ZOBRAZENÍ VÝKONOVÉHO SPEKTRA 15

4 − 8 Hz

FZ

CZC3 C4

FP1 FP2

F3 F4F7 F8

T7 T8

P3P7

PZP4

P8

O1 O2

1

0.3

Obrázek 4.4: Koherence v pásmu theta z EEG záznamu dosp¥lého £lov¥ka. Zobrazeno 19elektrod, treshold 0,3.

Diskretizované hodnoty EEG signálu x(n) kde n ∈ {0, 1, . . . , N−1} jsou funkcí fft p°eve-deny na frekven£ní spektrum X(m) podle vztahu

X(m) =

N−1∑n=0

x(n)e−j2πnm/N , (4.2)

kde m ∈{0, 1, . . . ,

⌊N−12

⌋}.

P°evodu X(m) na výkonové spektrum XPS(m) [22] se pak docílí vztahem

XPS(m) =

{ |X(m)|2N ·fs pro m ∈

{0,⌊N−12

⌋}2 · |X(m)|2

N ·fs pro m ∈{1, 2, . . . ,

⌊N−12

⌋−1} . (4.3)

Výkony jsou p°evedeny do logaritmického m¥°ítka

XdB(m) = 10 · log10 (XPS(m)) . (4.4)

Takto získané výsledky jsou dále vyhlazeny [23]. Pro vyhlazení se zadávají parametry smoothSpan(celé £íslo) a smoothMethod (°et¥zec). Parametr smoothMethod je název metody pouºité pro

16 KAPITOLA 4. IMPLEMENTOVANÉ VÍCEKANÁLOVÉ VIZUALIZACE

vyhlazení, odpovídá parametru method ve funkci smooth která je sou£ástí Curve FittingToolboxu. M·ºe tedy nabývat hodnot {'moving', 'lowess','loess','sgolay', 'rlowess','rloess'}. P°i ov¥°ování realizovaného °e²ení v kapitole 5 byla pouºita metoda 'moving'.Tato metoda nahradí kaºdý vzorek pr·m¥rem smoothSpan nejbliº²ích vzork·. P°i ov¥°ováníbyl pouºit smoothSpan roven 51. Pro smoothSpan roven 5-ti by proces vyhlazení vypadalnásledovn¥:

XPSsmooth(0) = XdB(0)XPSsmooth(1) = (XdB(0) +XdB(1) +XdB(2))/3XPSsmooth(2) = (XdB(0) +XdB(1) +XdB(2) +XdB(3) +XdB(4))/5XPSsmooth(3) = (XdB(1) +XdB(2) +XdB(3) +XdB(4) +XdB(5))/5

. . .

Z takto upravených dat se vybírá maximum PSmax nap°í£ v²emi porovnávanými záznamya elektrodami. P°i vykreslování jsou data normalizována.

Xnorm(m) = XPSsmooth(m)− PSmax. (4.5)

Takto vypo£ítaná výkonová spektra se pak dají p°ímo vykreslit do graf· a pouºít v mul-tigrafovém zobrazení. V této práci jsou u tohoto typu vizualizace barevn¥ odli²eny jednotliváfrekven£ní pásma de�novaná v tabulce 2.2. Stejným zp·sobem jsou do graf· vykresloványpr·m¥rné výkony p°es daná frekven£ní pásma. Ze v²ech vzork· XPSsmooth(m), které náleºídanému frekven£nímu pásmu se vypo£ítá mean hodnota a ta se zobrazí ve sloupkovém grafu.

Dal²í moºností jak vizualizovat výkony v EEG je topogra�cké mapování (viz obrázek 3.3). Kvykreslení topogra�ckých map je v práci pouºit skript z Polysomnographic Data ProcessingMatlab Toolboxu [15].

Pro zobrazení topogra�cké mapy jsou z kaºdé elektrody získány mean hodnoty výkon· nap°í£zadaným frekven£ním pásmem. Tyto hodnoty jsou normalizovány a je jim p°i°azena barvapodle barevného schématu. Bod na míst¥ elektrody se vybarví p°íslu²nou barvou a zbytekplochy hlavy se vybarví pomocí interpolace mezi jednotlivými elektrodami.

Výkony se dále vizualizují pomocí spektrogram·. K vytvo°ení spektrogram· byla v prácipouºita funkce spectrogram ze Signal Processing Toolboxu. Spektrogramy v multigrafovémzobrazení jsou na obrázku 4.5.

4.4. ODHAD A ZOBRAZENÍ VÝKONOVÉHO SPEKTRA 17

Obrázek 4.5: Spektrogramy v multigrafovém zobrazení z EEG záznam· dosp¥lého £lov¥ka.Segment o délce 60 vte°in.

18 KAPITOLA 4. IMPLEMENTOVANÉ VÍCEKANÁLOVÉ VIZUALIZACE

Kapitola 5

Ov¥°ení nad reálnými EEG záznamy

K ov¥°ení byly pouºity dv¥ sady dat. První sada sestává z EEG záznam· snímaných z hlavybdícího dosp¥lého £lov¥ka vzorkovací frekvencí 512 Hz. Z této sady dat se pro zobrazení pou-ºilo 19 kanál· � Fp1, Fp2, Fz, Cz, Pz, F3, F4, F7, F8, C3, C4, T7, T8, P3, P4, P7, P8, O1 a O2.

Druhá sada dat pochází z Ústavu pro pé£i o matku a dít¥. Jedná se o EEG spících novoro-zenc· kolem 40�tého týdne. K dispozici bylo 22 záznam· (22 r·zných novorozenc·). Z tohobylo zpr·m¥rováno 30 segment· ozna£ených jako klidný spánek a 56 segment· ozna£enýchjako aktivní spánek. V²echny segmenty byly dlouhé 30 vte°in. Vzorkovací frekvence této sadydat je 128 Hz. P°i zobrazování bylo pouºito 8 elektrod � Fp1, Fp2, C3, T3, C4, T4, O1 aO2. U novorozenc· se rozli²ují dv¥ spánkové fáze � aktivní spánek (AS) a klidný spánek(QS). Aktivní spánek je fáze, která se vyzna£uje rychlými o£ními pohyby a nepravidelnýmdýcháním [24]. Novorozenci stráví v¥t²inu spánku ve fázi aktivního spánku.

5.1 19 kanál·

Koherence na obrázku 5.1 jsou vypo£ítané z 10�ti segment· o délce 30 vte°in odebranýchnáhodn¥ ze záznamu a zpr·m¥rovaných. Koherence jsou vykreslené s tresholdem 0,3 (kohe-rence pod 0,3 se nezobrazují).

Vypo£ítané výkonové spektrum je vyhlazeno metodou 'moving' se spanem 51. Výkonovéspektrum je na obrázku 5.2 a z toho pr·m¥rné výkony na pásmo jsou na obrázku 5.3. Naobrázku 5.4 jsou pr·m¥rné výkony na pásmo zobrazené pomocí topogra�ckého mapování.

19

20 KAPITOLA 5. OV��ENÍ NAD REÁLNÝMI EEG ZÁZNAMY

0.14 − 4 Hz

FZ

CZC3 C4

FP1 FP2

F3 F4F7 F8

T7 T8

P3P7PZ P4 P8

O1 O2

4 − 8 Hz

FZ

CZC3 C4

FP1 FP2

F3 F4F7 F8

T7 T8

P3P7PZ P4 P8

O1 O2

8 − 13 Hz

FZ

CZC3 C4

FP1 FP2

F3 F4F7 F8

T7 T8

P3P7PZ P4 P8

O1 O2

13 − 30 Hz

FZ

CZC3 C4

FP1 FP2

F3 F4F7 F8

T7 T8

P3P7PZ P4 P8

O1 O2

1

0.3

Obrázek 5.1: Koherence v první sad¥ dat pro pásma delta, theta, alpha a beta. Zpr·m¥rovánoz 10�ti 30�ti vte°inových segment·. Treshold 0,3.

5.1. 19 KANÁL� 21

0 15 30−69

−35

0

frequency (Hz)

pow

er (

dB/H

z)

DeltaThetaAlphaBeta

Obrázek 5.2: Výkonová spektra v první sad¥ dat. 30�ti vte°inový segment.

0 15 30−66

−50

−34

frequency (Hz)

pow

er (

dB/H

z)

DeltaThetaAlphaBeta

Obrázek 5.3: Pr·m¥rný výkon v první sad¥ dat. 30�ti vte°inový segment.

22 KAPITOLA 5. OV��ENÍ NAD REÁLNÝMI EEG ZÁZNAMY

−39

−39

−40

−41

−42

pow

er (

dB/H

z)

(a) Pásmo delta

−44

−46

−47

−48

−49

pow

er (

dB/H

z)

(b) Pásmo theta

−46

−47

−49

−50

−52

pow

er (

dB/H

z)

(c) Pásmo alpha

−55

−56

−57

−58

−59

pow

er (

dB/H

z)

(d) Pásmo beta

Obrázek 5.4: Topogra�cké mapování výkonu v první sad¥ dat. 30�ti vte°inový segment.

5.1. 19 KANÁL� 23

Spektrogramy na obrázku 5.5 jsou zobrazené pro 8-mi minutový vzorek záznamu.

Obrázek 5.5: Spectrogramy z první sady dat. Segment o délce 8 minut.

24 KAPITOLA 5. OV��ENÍ NAD REÁLNÝMI EEG ZÁZNAMY

Korelace na obrázku 5.6 je vypo£ítaná z 30�ti vte°inového vzorku ze záznamu. Korelace jsouvykreslené s tresholdem 0,3.

FZ

CZC3 C4

FP1 FP2

F3 F4F7 F8

T7 T8

P3P7

PZP4

P8

O1 O2

1

0.3−0.3

−1

Obrázek 5.6: Korelace v první sad¥ dat. 30�ti vte°inový segment, treshold 0,3.

5.2 Novorozenecké EEG

Na obrázcích 5.9 a 5.10 jsou zobrazeny koherence v pásmech delta a theta. Na obrázcích 5.9a 5.10 jsou koherence v pásmech alpha a beta. V²echny koherence jsou zobrazeny s treshol-dem 0,3.

Na obrázku 5.11 je zobrazeno výkonové spektrum ve fázích QS a AS. Na obrázku 5.12 jsouzobrazeny pr·m¥rné výkony na pásmo. Pr·m¥rné výkony jsou zobrazeny ve stejném m¥°ítkujako výkonová spektra. Mají shodné PSmax. Dále jsou na obrázku 5.13 topogra�cky ma-pované pr·m¥rné výkony v pásmu delta, na obrázku 5.14 v pásmu theta, na obrázku 5.15 vpásmu alpha a na obrázku 5.16 beta.

5.2. NOVOROZENECKÉ EEG 25

0.14 − 4 Hz

FP1 FP2

T3 C3 C4 T4

O1 O2

4 − 8 Hz

FP1 FP2

T3 C3 C4 T4

O1 O2

1

0.3

Obrázek 5.7: Koherence v pásmech delta a theta z druhé sady dat. Fáze QS.

0.14 − 4 Hz

FP1 FP2

T3 C3 C4 T4

O1 O2

4 − 8 Hz

FP1 FP2

T3 C3 C4 T4

O1 O2

1

0.3

Obrázek 5.8: Koherence v pásmech delta a theta z druhé sady dat. Fáze AS. V theta pásmulze pozorovat vy²²í koherence v £elní a centrální oblasti oproti fázi QS.

26 KAPITOLA 5. OV��ENÍ NAD REÁLNÝMI EEG ZÁZNAMY

8 − 13 Hz

FP1 FP2

T3 C3 C4 T4

O1 O2

13 − 30 Hz

FP1 FP2

T3 C3 C4 T4

O1 O2

1

0.3

Obrázek 5.9: Koherence v pásmech alpha a beta z druhé sady dat. Fáze QS.

8 − 13 Hz

FP1 FP2

T3 C3 C4 T4

O1 O2

13 − 30 Hz

FP1 FP2

T3 C3 C4 T4

O1 O2

1

0.3

Obrázek 5.10: Koherence v pásmech alpha a beta z druhé sady dat. Fáze AS. V alpha pásmulze pozorovat vy²²í koheren£ní koe�cienty v £elní a centrální oblasti neº v QS fázi. v betapásmu lze pozorovat vy²²í koherence v centrální a týlní oblasti.

5.2. NOVOROZENECKÉ EEG 27

0 15 30−64

−32

−0

frequency (Hz)

pow

er (

dB/H

z)

DeltaThetaAlphaBeta

(a) QS

0 15 30−64

−32

−0

frequency (Hz)

pow

er (

dB/H

z)

DeltaThetaAlphaBeta

(b) AS

Obrázek 5.11: Výkonová spektra z druhé sady dat. Z obrázk· se nedá vy£íst ºádný zásadnírozíl mezi fázemi QS a AS.

0 15 30−60

−43

−25

frequency (Hz)

pow

er (

dB/H

z)

DeltaThetaAlphaBeta

(a) QS

0 15 30−60

−43

−25

frequency (Hz)

pow

er (

dB/H

z)

DeltaThetaAlphaBeta

(b) AS

Obrázek 5.12: Pr·m¥rný výkon na pásmo z druhé sady dat. Na pásmu delta jsou zjevné vy²²ívýkony ve fázi QS.

28 KAPITOLA 5. OV��ENÍ NAD REÁLNÝMI EEG ZÁZNAMY

−27

−28

−30

−31

−32

pow

er (

dB/H

z)

(a) QS

−27

−28

−30

−31

−32

pow

er (

dB/H

z)

(b) AS

Obrázek 5.13: Topogra�cké mapování pr·m¥rného výkonu z druhé sady dat. Pásmo delta.Výkony ve fázi QS jsou vy²²í neº ve fázi AS. Maxima dosahují výkony v centrální oblasti uobou fází. Minima dosahují výkony v týlní oblasti ve fázi QS a ve spánkové oblasti ve fáziAS.

−36

−37

−38

−39

−40

pow

er (

dB/H

z)

(a) QS

−36

−37

−38

−39

−40

pow

er (

dB/H

z)

(b) AS

Obrázek 5.14: Topogra�cké mapování pr·m¥rného výkonu z druhé sady dat. Pásmo theta.Výkony ve fázi QS jsou vy²²í neº ve fázi AS. Maxima dosahují výkony v centrální oblasti uobou fází. Minima dosahují výkony v týlní oblasti v obou fázích.

5.2. NOVOROZENECKÉ EEG 29

−44

−45

−46

−47

−48

pow

er (

dB/H

z)(a) QS

−44

−45

−46

−47

−48

pow

er (

dB/H

z)

(b) AS

Obrázek 5.15: Topogra�cké mapování pr·m¥rného výkonu z druhé sady dat. Pásmo alpha.Výkony ve fázi QS jsou vy²²í neº ve fázi AS. Maxima dosahují výkony v centrální oblasti vobou fázích a minima v £elní oblasti v obou fázích.

−53

−54

−54

−55

−55

pow

er (

dB/H

z)

(a) QS

−53

−54

−54

−55

−55

pow

er (

dB/H

z)

(b) AS

Obrázek 5.16: Topogra�cké mapování pr·m¥rného výkonu z druhé sady dat. Pásmo beta.Výkony ve fázi QS jsou vy²²í neº ve fázi AS. Maxima dosahují výkony v levé týlní oblasti vefázi QS a pravé týlní oblasti ve fázi AS. Minima pak v levé £elní oblasti ve fázi QS a pravé£elní oblasti ve fázi AS.

30 KAPITOLA 5. OV��ENÍ NAD REÁLNÝMI EEG ZÁZNAMY

Na obrázku 5.17 jsou zobrazeny spektrogramy.

Na obrázku 5.18 jsou zobrazeny korelace s tresholdem 0,3.

(a) QS (b) AS

Obrázek 5.17: Spectrogramy z druhé sady dat. Na spektrogramech ve fázi QS jsou vid¥tvy²²í výkony v pásmech theta a alpha neº ve fázi AS.

FP1 FP2

T3 C3 C4 T4

O1 O2

1

0.3−0.3

−1

(a) QS

FP1 FP2

T3 C3 C4 T4

O1 O2

1

0.3−0.3

−1

(b) AS

Obrázek 5.18: Korelace z druhé sady dat. Treshold 0,3. Korela£ní koe�cienty jsou vy²²í vefázi AS nap°í£ v²emi oblastmi hlavy.

5.2. NOVOROZENECKÉ EEG 31

Výsledky pro aktivní a klidný spánek novorozenc· jsou velmi podobné. Je vid¥t mírn¥ vy²²íkorelace mezi kanály u aktivního spánku, coº odpovídá zji²t¥ní zmín¥ném Ernstem Nie-dermeyerem [25]. B¥hem klidného spánku mají být amplitudy vy²²í neº b¥hem aktivníhospánku [26]. Tuto skute£nost m·ºeme pozorovat na topogra�ckých mapách, kde jsou výkonyve v²ech pásmech ve fázi klidného spánku p°ibliºn¥ o 3 dB/Hz vy²²í neº ve fázi aktivníhospánku. To odpovídá rozdílu zhruba 1000 µV2.

32 KAPITOLA 5. OV��ENÍ NAD REÁLNÝMI EEG ZÁZNAMY

Kapitola 6

Záv¥r

V rámci této práce byla vytvo°ena sada skript· v prost°edí MATLAB, které umoº¬ují vizuali-zaci EEG v multikanálovém zobrazení, tzn. zobrazení dat z více kanál· (elektrod) najednouve stejném obrázku. Vytvo°ené skripty °e²í nejen samotné zobrazení, ale i analýzu a zpraco-vání dat.

Pro multikanálovou vizualizaci byly vytvo°eny dva typy zobrazení. Prvním typem bylo mul-tigrafové zobrazení, ve kterém se do jednoho obrázku vykreslí n¥kolik graf· najednou, znichº kaºdý reprezentuje data z jedné elektrody. Toto zobrazení je vhodné pro vizualizacirozdílných vlastností signál· snímaných z jednotlivých elektrod. V²echny grafy proto majítotoºné osy £i mapování barev (nap°. u spektrogram·).

Pro tento typ zobrazení byly vytvo°eny skripty na odhad výkonového spektra a pr·m¥rnéhovýkonu na pásma delta, theta, alpha a beta. Dále byly v tomto zobrazení pouºity spektro-gramy. Odhad výkonového spektra vyºaduje p°evod signálu z £asové do frekven£ní oblasti,kde pak kaºdý vzorek výkonového spektra odpovídá ur£ité frekveci v závislosti na vzorkovacífrekveci a po£tu vzork· v p·vodním signálu. P°i pokusu vizualizovat výkony na segmentechs nízkým po£tem vzork· pak dochází k nep°esnostem. M·ºe dojít k situaci, kdy n¥kterápásma nejsou reprezentovaná dostate£ným po£tem vzork·.

V hrani£ním p°ípad¥, kdybychom cht¥li analyzovat segment p·vodního signálu o po£tuvzork· N = 100 a vzorkovací frekvenci fs = 500Hz, z diskrétní Fourierovy trasformace byvy²lo frekven£ní spektrum X(m), kde 500�tý vzorek p°edstavuje frekvenci f(N) = 500Hz aprvní vzorek p°edstavuje frekvenci f(1) = 5Hz. Tedy první vzorek by reprezentoval celé deltapásmo a £ást theta pásma, tudíº by se nedaly zobrazit výkony pro samotné delta pásmo. Vest°ídm¥j²ích p°ípadech bude s £ím men²ím po£tem vzork· a £ím v¥t²í vzorkovací frekvencídocházet k tím v¥t²ím chybám ve vizualizaci dat ve frekven£ní oblasti.

Druhý typ implementovaného zobrazení je vhodný k vizualizaci vztah· mezi kanály. V tétopráci byl zmín¥ný typ zobrazení pouºit k vizualizaci koherencí a korelací. P°i vykreslováníje moºné nastavit treshold na libovolnou hodnotu mezi 0 a 1, £ímº se dá zvý²it rozli²ení.

33

34 KAPITOLA 6. ZÁV�R

Pro rozmíst¥ní graf· a elektrod bylo v práci pouºito rozloºení v systému 10�20. Z celko-vého po£tu 75 elektrod je k vizualizaci moºné pouºít libovolnou podmnoºinu de�novanýchelektrod. Pro ú£ely ov¥°ení metod byly pouºity podmnoºiny 19�ti a 8�mi elektrod. Pro obapo£ty bylo pot°eba nastavit r·zné velikosti oken graf·, textu a £ar. Tato nastavení jsou za�-xována v kódu. Pro v¥t²í po£ty graf· v multigrafovém zobrazení bude obrázek nep°ehledný.Ideální by bylo najít zp·sob jak velikosti oken graf· nastavovat automaticky v závislosti napo£tu a rozloºení graf· na obrázku. V zobrazení vztah· mezi kanály pak p°i zobrazování víceobrázk· v jenom okn¥ dochází k úbytku prostoru pro jednotlivé obrázky a písmo se musízmen²ovat. P°i po£tu 7 a více obrázk· v okn¥ by ozna£ení elektrod bylo ne£itelné a proto jepro zachování p°ehlednosti vypnuto.

U obou vý²e zmín¥ných typ· vizualizace se v kapitole 5 daly rozli²it rozdíly mezi porovná-vanými fázemi spánku u novorozenc·, jak je blíºe popsáno v záv¥ru kapitoly 5.

Bibliogra�e

[1] Christoph M. Michela a Micah M. Murray. �Towards the utilization of EEG as a brainimaging tool�. In: NeuroImage Vol. 61 (2012), s. 371�385.

[2] Scott Makeig et al. �Mining event-related brain dynamics�. In: Trends in CognitiveSciences Vol. 8 (2004), s. 204�210.

[3] Jaeseung Jeong. �EEG dynamics in patients with Alzheimer's disease�. In: ClinicalNeurophysiology Vol. 115 (2004), s. 1490�1505.

[4] Vladana Djordjevic et al. �Feature extraction and classi�cation of EEG sleep recor-dings in newborns�. In: 9th International Conference on Information Technology andApplications in Biomedicine (2009).

[5] Khald A. I. Aboalayon, Helen T. Ocbagabir a Miad Faezipour. �E�cient Sleep StageClassi�cation Based on EEG Signals�. In: Systems, Applications and Technology Con-ference (2014).

[6] Alexandros T. Tzallas, Markos G. Tsipouras a Dimitrios I. Fotiadis. �Epileptic Sei-zure Detection in EEGs Using Time�Frequency Analysis�. In: IEEE Transactions onInformation Technology in Biomedicine Vol. 13 (2009), s. 703�710.

[7] Michael ten Caat, Natasha M. Maurits a Jos B. T. M. Roerdink. �Design and Eva-luation of Tiled Parallel Coordinate Visualization of Multichannel EEG Data�. In:IEEE Transactions on Visualization and Computer Graphics Vol. 13 (2007), s. 70�79.

[8] Michael ten Caat, Natasha M. Maurits a Jos B. T. M. Roerdink. �Data-Driven Visua-lization and Group Analysis of Multichannel EEG Coherence with Functional Units�.In: IEEE Transactions on Visualization and Computer Graphics Vol. 14 (2008), s. 756�771.

[9] Michael ten Caat et al. �High-density EEG coherence analysis using functional unitsapplied to mental fatigue�. In: Journal of Neuroscience Methods Vol. 171 (2008), s. 271�278.

[10] Olga Sourina, Alexei Sourin a Vladimir Kulish. �EEG Data Driven Animation and ItsApplication�. In: Computer Vision/Computer Graphics CollaborationTechniques Vol.5496 (2009), s. 380�388.

[11] Alexandre Gramfort et al. �MNE software for processing MEG and EEG data�. In:NeuroImage Vol. 86 (2014), s. 446�460.

[12] Arnaud Delorme a Scott Makeig. �EEGLAB: an open source toolbox for analysis ofsingle-trial EEG dynamics including independent component analysis�. In: Journal ofNeuroscience Methods Vol. 134 (2004), s. 9�21.

35

36 BIBLIOGRAFIE

[13] FieldTrip. 2016. url: http://www.fieldtriptoolbox.org/.

[14] François Tadel et al. �Brainstorm: A User-Friendly Application for MEG/EEG Ana-lysis�. In: Computational Intelligence and Neuroscience Vol. 2011.ID 879716 (2011).

[15] Polysomnographic Data Processing Matlab Toolbox. 2016. url: http://bio.felk.cvut.cz/psglab/.

[16] Edward L. Reilly. �EEG Recording and Operation of the Apparatus�. In: Electroen-cephalography: Basic Principles, Clinical Applications, and Related Fields. Ed. ErnstNiedermeyer a Fernando Lopes da Silva. 2005, s. 139�159.

[17] Ernst Niedermeyer. �The Normal EEG of the Waking Adult�. In: Electroencephalogra-phy: Basic Principles, Clinical Applications, and Related Fields. Ed. Ernst Niedermeyera Fernando Lopes da Silva. 2005, s. 167�192.

[18] Ernst Niedermeyer. �Sleep and EEG�. In: Electroencephalography: Basic Principles,Clinical Applications, and Related Fields. Ed. Ernst Niedermeyer a Fernando Lopes daSilva. 2005, s. 193�207.

[19] Richard G. Lyons. Understanding Digital Signal Processing. 1997.

[20] mscohere. 2016. url: http://www.mathworks.com/help/signal/ref/mscohere.html.

[21] M. Frigo a S. G. Johnson. �FFTW: An Adaptive Software Architecture for the FFT.�In: Proceedings of the International Conference on Acoustics, Speech, and Signal Pro-cessing. Vol. 3 (1998), s. 1381�1384.

[22] Power Spectral Density Estimates Using FFT. 2016. url: http://www.mathworks.com/help/signal/ug/psd-estimate-using-fft.html.

[23] Filtering and Smoothing Data. 2016. url: http : / / www . mathworks . com / help /

curvefit/smoothing-data.html.

[24] Samuel Koszer, Solomon L Moshe a Gregory L Holmes. Visual Analysis of NeonatalEEG. 2015. url: http://emedicine.medscape.com/article/1139599.

[25] Ernst Niedermeyer. �Maturation of the EEG: Development of Waking and Sleep Pat-terns�. In: Electroencephalography: Basic Principles, Clinical Applications, and RelatedFields. Ed. Ernst Niedermeyer a Fernando Lopes da Silva. 2005, s. 209�234.

[26] Mark S. Scher. �Electroencephalography of the Newborn: Normal and Abnormal Fea-tures�. In: Electroencephalography: Basic Principles, Clinical Applications, and RelatedFields. Ed. Ernst Niedermeyer a Fernando Lopes da Silva. 2005, s. 937�989.

P°íloha A

Obsah p°iloºeného CD

� Skripty scripts/.

� Text této bakalá°ské práce Bp_2016_kumpanova_kristyna.pdf.

37