CC BY
52
1. Регистрируем первые 3 отсчёта.
2. В рассмотрение берётся очередной отсчёт исходного сигнала; рассматривается интервал [, +1 ]; первая производная в этом отсчёте вычислена на предыдущем шагу (или является исходными данными).
3. Из предыстории упакованного сигнала вычисляются основные параметры аппроксимирующей функции:
• т - количество поворотов;
• п - коэффициент учащения;
• а - величина кванта модуляции.
4. Строится аппроксимирующая функция:
a. Оценивается Е 3 и Е3+, для этого рассматриваются «знакопостоянные» последовательности дельта-битов, рассчитывается размах аппроксимирующей функции, рамьш [т1п; утаХ ].
b. Если не выполняется условие У.+1 е [ут1п; утах ], то модулируемая точка
кодируется автономно и осуществляется переход к пункту 5, иначе продолжается обработка и начинается спуск по всем уровням дерева вариантов (производится позиционирование на верхнем уровне дерева).
c. В рассмотрение берётся очередной уровень дерева, и рассматриваются интервалы по двум веткам, учитывая имеющиеся на данный момент сохранённые дельта-биты верхних уровней
• Первый интервал: \save А,00,...0; шуеА,01,..Л];
• Второй интервал: [шуеА,10,...0; шуеА,11,..Л];
± Выбирается интервал, в который попала модулируемая точка Ум , и сохраняется первый из двух прогнозируемых дельта-битов.
е. Если ещё не достигнут нижний уровень дерева, то осуществляется переход на очередной нижний уровень дерева и выполняется последовательность действий начиная с пункта с.
5. Согласно результатам построения аппроксимирующей функции, сохраняется массив дельта-бит или регистрируется автономно кодируемый отсчёт.
6. Если не конец сигнала, то переход к пункту 2.
7. Выход.
БИБЛИОГРАФИЧЕСКИЙ СПИСОК
1. Кравченко П.П. Основы теории оптимизированных дельта-преобразований второго порядка. Цифровое управление, сжатие и параллельная обработка информации. - Таганрог: Изд-во ТРТУ, 1997.
2. Бай К.А. Разработка алгоритмов компрессии биомедицинских сигналов с использованием дельта-преобразований второго порядка. - Таганрог, 2003.
А.А. Скоморохов, Е.С. Захаров
ПОЛИСОМНОГРАФИЧЕСКИЕ ИССЛЕДОВАНИЯ И ЗАДАЧА АВТОМАТИЗИРОВАННОГО ПОСТРОЕНИЯ ГИПНОГРАММЫ
Сомнологическое исследование проводится с целью изучения сна, выявления его патологии, выбора методов лечения нарушений сна и сопутствующих синдромов. Обработка исследований требует использования стандартизованного и физиологически обоснованного алгоритма выделения различных функциональных
состояний - построения гипнограммы. Общепризнанным стандартом для регистрации сна является полисомнография (ПСГ). Анализ полисомнограмм и определение стадий сна осуществляются в соответствии с критериями, предложенными группой экспертов под руководством A. Rechtschaffen и A. Kales (Manual of Standardized Terminology, Techniques, and Criteria for the Scoring of Stages of Sleep and Wakefullness of Human Subjects. - Washington, DC: US Government Printing Office, 1968. - NIH publication № 204).
Обеспечение качественного длительного мониторирования многоканальной ЭЭГ и других физиологических сигналов для дифференциальной диагностики при различных неврологических заболеваниях и нарушениях сна в процессе обычной жизнедеятельности пациента является технически сложной и многогранной задачей. В НПКФ «Медиком МТД» серийно выпускается оригинальный портативный электроэнцефалограф-регистратор «Энцефалан-ЭЭГР-19/26», в котором реализуется новая технология, позволяющая совместить процесс амбулаторного монито-рирования ЭЭГ с автономной записью на твердотельный накопитель, а также ра-диотелеметрической (BlueTooht) передачей данных в компьютер. Возможен телеметрический контроль качества регистрируемых сигналов, а также доступ к данным, уже записанным на CompactFlash, без остановки исследования для оперативного анализа возможных пароксизмальных проявлений. Эта технология включает регистрацию обязательных для ПСГ физиологических сигналов и предоставляет новые возможности исследования сна в естественных условиях для пациента. При проведении исследований в стационарных условиях в медицинском учреждении возможно применение оперативного синхронизированного ЭЭГ-видеомонито-ринга с целью наблюдения за поведением и состоянием пациента. Однако при исследовании сна в естественных для пациента домашних условиях, бывает достаточно и информации о положении пациента, поступающей со встроенного двухкоординатного акселерометра. Последний представляет особый интерес, так как позволяет чётко выявить и привязать различные наблюдаемые на трендах паттерны к движениям пациента и положению его тела. Свобода и приемлемый комфорт для пациента на время сна обеспечивается за счет беспроводного канала связи, внутреннего накопителя ЭЭГ-данных на Compact Flach Card, батарейного питания, малых габаритов и веса (менее 400 г) прибора и оригинального комплекта электродов и тканевых шапочек «Энцефалан-КЭ». Кроме того, для обеспечения регистрации необходимых данных и проведения полисомнографических исследований на практике используется и стационарный электроэнцефалограф-анализатор «ЭНЦЕФАЛАН-131-03» с проводным каналом связи, но с более богатым набором полиграфических каналов.
Требования по необходимости и достаточности количества и типа полиграфических каналов для ручного или автоматического построения гипнограммы подразумевают наличие 19 каналов ЭЭГ, каналов ЭОГ, ЭМГ (или ОЭМГ). Кроме указанных физиологических сигналов во время сна обязательно регистрируются сигналы ЭКГ, дыхания (респираторный пояс или оронозальный датчик) и положения тела пациента с помощью двухкоординатного акселерометра. Дополнительно осуществляется непрерывная регистрация значений подэлектродного импеданса по каждому электроду и межэлектродных потенциалов для исключения артефактов при анализе ЭЭГ и сверхмедленной активности мозга. При проведении исследований могут быть записаны речевые комментарии (дневник событий) на цифровой диктофон с последующим анализом комментариев и соответствующих фрагментов записи ЭЭГ. Благодаря широким возможностям программного обеспечения «ЭНЦЕФАЛАН» имеется возможность одновременно с анализом сна производить исследование на предмет выявления эпилепсии с использованием алгорит-
мов, позволяющих автоматизировано выявлять соответствующие паттерны и производить их классификацию. Такая функция очень актуальна и востребована совместно с полисомнографическими исследованиями в связи с тем, что в ряде случаев припадки имеют свойства происходить в ранние утренние часы или в другое время в процессе сна.
В настоящее время нами решается вопрос выбора наиболее оптимального алгоритма, который бы позволил реализовать автоматизированное построение гипнограммы - временного графика прогрессии сна, иллюстрирующего смену различных стадий сна и бодрствования согласно общепринятым шкалам. На вертикальной оси гипнограммы обычно отмечаются стадии сна, на горизонтальной - астрономическое время. Общепринятое обозначение шкал гипнограммы следующее:
U - Неопределенная стадия сна, например, время движения;
W - Бодрствование;
R - REM-стадия от английского Rapid Eyes Movements.
51 - Стадия 1 (поверхностный сон);
52 - Стадия 2 (поверхностный сон);
53 - Стадия 3 (глубокий сон);
54 - Стадия 4 (глубокий сон);
AS - Стадия спокойного сна;
QS - Стадия активного сна.
Наиболее подходящим для построения гипнограмм является метод, описанный в [1]. Он включает в себя следующие шаги:
1. Автоматическую разбивку полисомнографической записи на стационарные сегменты с помощью оператора расчета частотно-взвешенной энергии (FWE) по ЭЭГ и ЭМГ (трем) каналам. В статье приведены формулы расчета FWE. Требуется смоделировать расчет FWE и подобрать пороги выделения «бросков» энергии, индицирующих области нестационарности.
2. Автоматическое построение для каждого сегмента характеристического вектора, включающего 13 параметров:
а) амплитуда, доминирующая частота и FWE по ЭЭГ - и ЭМГ - (трем) каналам;
б) наличие веретен в центральной области: скачок мощности в сигма-диапазоне;
в) ASI-индекс в затылочной области: соотношение мощностей Альфа / Дельта + Тета;
г) TSI-индекс в центральной области: соотношение мощностей Тета / Дельта + Альфа;
д) наличие движений глаз: значимый амплитудный скачок по двум реверсивным ЭРГ-каналам.
3. Автоматическое объединение сегментов в кластеры с гомогенными свойствами (на основе характеристического вектора). Получаемое число кластеров заведомо больше, чем их ожидаемое число согласно списку стадий сна. Критерий кластеризации, описанный в статье, требует моделирования и уточнения.
4. Автоматическая редукция числа кластеров до их ожидаемого (в физиологическом смысле) числа. Авторы предлагают 8 (6 стадий сна + 2 «лишних», например, 2 полтипа второй стадии) Проводится согласно «k-means» кластерного алгоритма, описанного в статье [2].
5. Автоматическое присвоение каждой эпохе стандартного размера (авторы предлагают - 20 с), на которые разбивается все исследование, метки кластера, сегменты которого максимально представлены в данной эпохе.
6. Ручное присвоение меткам кластеров соответствующих имен стандартных стадий сна. Производится для 5 репрезентативных эпох каждого кластера. Дальше процесс продолжается автоматически.
7. Автоматическое уточнение дифференцировки каждой стадии согласно правил R-K. Псевдокод процедуры уточнения поблочно (по каждой стадии) приведен в приложении.
Предпочтительная схема отведений для данного метода - из ЭЭГ-каналов анализируются центральные (C3-A2) и затылочные (O2-A1) отведения; 2 ЭОГ-канала: правый и левый; 1 ЭМГ-канал: подбородочная мышца.
Частотные диапазоны: Дельта - 0,5-3,5 Гц; Тета - 3,5-8 Гц; Альфа - 8-11Гц; Сигма - 11,5-15 Гц.
Моделируемый нами алгоритм учитывает изложенные принципы при обработке записи сна и распознавании стадий сна с использованием записанных физиологических данных и должен обеспечить автоматизированное построение гипнограммы и формирование необходимых статистических отчетов по распределению стадий сна в виде таблиц и круговой диаграмм.
БИБЛИОГРАФИЧЕСКИЙ СПИСОК
1. R. Agarwal and J. Gotman. Computer-Assisted Sleep Staging. IEEE TRANSACTIONS ON BIOMEDICAL ENGINEERING, VOL. 48, NO. 12, DECEMBER 2001.
2. K. Agarwal, H.S. Deogun, D. Sylvester, and K. Nowka. Power gating with multiple sleep modes. ACM/IEEE International Symposium on Quality Electronic Design, January, 2006.
В.И.Усачев, С.С.Слива, В.Е.Беляев, Г.А.Переяслов, П.Е.Печорин
НОВАЯ МЕТОДОЛОГИЯ ОБРАБОТКИ СТАБИЛОМЕТРИЧЕСКОЙ ИНФОРМАЦИИ И ПРОБЛЕМЫ ШИРОКОГО ВНЕДРЕНИЯ ЕЕ В
ПРАКТИКУ
Прошло 15 лет со времени разработки ОКБ «РИТМ» ТРТИ первого серийного отечественного стабилографа с компьютерной обработкой стабилометрического сигнала. По своим техническим параметрам он соответствует лучшим зарубежным образцам, а по некоторым из них и превосходит зарубежные аналоги.
Тем не менее, серьезной проблемой стала разработка медицинского программного обеспечения стабилометрии. Зарубежный опыт в этом направлении оказался весьма ограниченным. Как правило, применялся лишь традиционный тест Ромберга с открытыми и закрытыми глазами. По зарубежным нормативам стабилометри-ческих показателей здоровых лиц в большинстве случаев не представлялось возможным отличить значения стабилометрических показателей больного человека от здорового. Это, по нашему мнению, связано с большой дисперсией стабиломет-рических показателей в норме.
Несмотря на усилия руководителя отдела компьютерной стабилометрии ОКБ «РИТМ» С.С.Сливы заинтересовать научные коллективы в необходимости сотрудничества и разработки медицинского программного обеспечения стабиломет-рии, на этот призыв откликнулась лишь кафедра отоларингологии Военномедицинской академии. Правда стабилографические реабилитационные тренажеры, программы для которых были разработаны Г.А.Переясловым в ОКБ «РИТМ», с успехом использовались в НИИ неврологии РАМН для реабилитации постин-сультных больных, а также в учреждениях спортивной медицины для тренировки функциональной системы равновесия тела.
С целью расширения круга специалистов, заинтересованных в использовании стабилометрии, в стабилометрическую платформу были введены дополнительные
