Анализ связи различных патологий со степенью мультифрактальности электрической активности мозга

Обложка

Цитировать

Полный текст

Открытый доступ Открытый доступ
Доступ закрыт Доступ предоставлен
Доступ закрыт Только для подписчиков

Аннотация

Обзор посвящен анализу связи динамических изменений в паттернах электрической активности мозга при возникновении психических расстройств в форме параноидной шизофрении и депрессии и в паттернах активности мозга при сердечно-сосудистой патологии, связанной с фибрилляцией предсердий постоянной формы, а также показателей мультифрактальности исследуемых паттернов. Для оценки этих показателей электроэнцефалографических паттернов описаны метод мультифрактального анализа на основании поиска максимумов модулей вейвлет-коэффициентов, а для выделения в спектре мощности фрактальной компоненты паттерна – метод автоспектрального анализа с нерегулярной передискретизацией. Показано, что основные отличия мультифрактальных свойств электрической активности мозга в норме и при патологии заключаются в разной ширине спектра мультифрактальности и его расположении, связанном с различными типами последовательных значений паттернов. В связи с этим показатели мультифрактальности могут служить информативными маркерами нейрональных нарушений и могут быть включены в комплекс тестов для исследования различных патологий.

Полный текст

Доступ закрыт

Об авторах

О. Е. Дик

Институт физиологии им. И.П. Павлова РАН

Автор, ответственный за переписку.
Email: dickviola@gmail.com
Россия, 199034, Санкт-Петербург

Список литературы

  1. Дик О.Е. Анализ степени мультифрактальности различных компонент электроэнцефалограмм при сердечно-сосудистой патологии // Интегративная физиология. 2022. Т. 3, № 4. С. 463–473.
  2. Дик О.Е., Ноздрачев А.Д. Механизмы изменения динамической сложности паттернов физиологических сигналов: научная монография. СПб.: Изд-во Санкт-Петербургского университета, 2019. 200 с. ISBN 978-5-288.
  3. Acharya UR, Faust O, Kannathal N, Chua T, Laxminarayan S. Affiliations expand. Non-linear analysis of EEG signals at various sleep stages // Comput. Methods Programs Biomed. 2005. V. 80. P. 37–45.
  4. Alamian G., Lajnef T., Pascarella A., et al. Altered brain criticality in schizophrenia: new insights from magnetoencephalography // Front. Neural Circuits. 2022. V. 16. P. 167–178. https://doi.org/10.3389/fncir.2022.630621
  5. Arneodo A, Bacry E, Muzy J.F. The thermodynamics of fractals revisited with wavelets // Physica A. 1995. V. 213. P. 232–275.
  6. Bachmann M., Suhhova A., Lass J., et al. Detrended fluctuation analysis of EEG in depression // In: Roa Romero, L. (eds) XIII Mediterranean conference on medical and biological engineering and computing. 2013. IFMBE Proc. 41. Springer, Cham.
  7. Bacry E, Muzy JF, Arneodo A. Singularity spectrum of fractal signals: exact results // J. Statist. Phys. 1993. V. 70. P. 635–674.
  8. Begic D., Hotujac L., Jokic-Begic N. Quantitative EEG in 'positive' and 'negative' schizophrenia // Acta Psychiatrica Scandinavica. 2000. V. 101. P. 307–311.
  9. Dick O.E. From healthy to pathology through a fall in dynamical complexity of involuntary oscillations of the human // Neurocomputing. 2017. V. 243. P. 142–154.
  10. Dick O.E., Mochovikova I.A. Multifractal and wavelet analysis of epileptic seizures // In: Skiadas C.H., Dimotikalis I., Skiadas C, eds. Chaos Theory: Modeling, Simulation and Applications, World Scientific Publishing. 2011. P. 159–166.
  11. Dick O.E., Svyatogor I.A. Potentialities of the wavelet and multifractal techniques to evaluate changes in the functional state of the human brain // Neurocomputing. 2012. V. 82. P. 207–215.
  12. Dick O.E., Murav’eva S.V., Lebedev V.S., Shelepin Yu.E. Fractal structure of brain electrical activity of patients with mental disoders // Front. Physiol. 2022. V. 13. P. 1–13.
  13. Eke A., Hermann P., Kocsis L., Kozak L.R. Fractal characterization of complexity in temporal physiological signals // Physiol. Meas. 2002. V. 23. P. 1–38.
  14. Eke A., Herman P., Bassingthwaighte J.B, et al. Physiological time series: distinguish fractal noises from motions // Eur. J. Physiol. 2000. V. 439. P. 403–414.
  15. Harris A., Melkonian D., Williams L., Gordon E. Dynamic spectral analysis findings in first episode and chronic schizophrenia // Int. J. Neuroscience. 2006. V. 116. P. 223–246.
  16. Harris A.W.F., Bahramali H., Slewa-Younan S. et al. The topography of quantified electroencephalography in three syndromes of schizophrenia // Int. J. Neuroscience. 2001. V. 107. P. 265–278.
  17. Ihlen E.A.F. Introduction to multifractal detrended fluctuation analysis in Matlab // Front. Physiol. 2012. V. 3. P. 141–159.
  18. Ihlen E.A.F., Vereijken B. Interaction dominant dynamics in human cognition: beyond 1/fα fluctuations // J. Exp. Psychol. Gen. 2010. V. 139. P. 436–463.
  19. Ivanov PC, Amaral LA, Goldberger AL, et al. Multifractality in human heartbeat dynamics // Nature. 1999. V. 399. P. 461–465.
  20. John J.P., Rangaswamy M., Thennarasu K., et al. EEG power spectra differentiate positive and negative subgroups in neuroleptic-naive schizophrenia patients // J. Neuropsych. Clin. Neurosci. 2009. V. 21. P. 160–172.
  21. Knott V., Labelle A., Jones B., Mahoney C. Quantitative EEG in schizophrenia and in response to acute and chronic clozapine treatment // Schizophrenia Res. 2001. V. 50. P. 41–53.
  22. Kwok C.S., Loke Y.K., Hale R. et al. Atrial fibrillation and incidence of dementia: a systematic review and meta-analysis // Neurology. 2011. V. 76. P. 914–922.
  23. Lee Y.J., Huang S.Y., Lin C.P. et al. Alteration of power law scaling of spontaneous brain activity in schizophrenia // Schizophr. Res. 2021. V. 238. P. 10–19.
  24. Mielke M.M., Rosenberg P.B., Tschanz J. et al. Vascular factors predict rate of progression in Alzheimer disease // Neurology. 2007. V. 69. P. 1850–1858.
  25. Mukli P., Nagy Z., Racz F.S., Herman P., Eke A. Impact of healthy aging on multifractal hemodynamic fluctuations in the human prefrontal cortex // Front. Physiol. 2018. V. 9. P. 1072–1085.
  26. Muzy J.F., Bacry E., Arneodo A. Multifractal formalism for fractal signals: the structure-function approach versus the wavelet-transform modulus-maxima method // Phys. Rev. 1993. V. 47. P. 875–884.
  27. Nikulin V.V., Jönsson E.G., Brismar T. Attenuation of long-range temporal correlations in the amplitude dynamics of alpha and beta neuronal oscillations in patients with schizophrenia // NeuroImage. 2012. V. 61. P. 162–169.
  28. Nurujjaman M., Narayanan R., Iyengar S. Comparative study of nonlinear properties of EEG signals of normal persons and epileptic patients // Nonlinear Biomed. Physics. 2009. V. 3. P. 6–12.
  29. Pavlov A.N., Anishenko V.C. Multifractal analysis of complex signals // Phys.-Uspekhi. 2007. V. 177. P. 859–876.
  30. Popivanov D., Stomonyakov V., Minchev Z. et al. Multifractality of decomposed EEG during imaginary and real visual-motor tracking // Biol. Cyber. 2006. V. 94. P. 149–156.
  31. Qianli M.A., Xinba N., Jun W., Bian C. A new measure to characterize multifractality of sleep electroencephalogram // Chinese Science Bulletin. 2006. V. 51. P. 3059–3064.
  32. Racz F.S., Stylianou O., Mukli P., Eke A. Multifractal and entropy-based analysis of delta band neural activity reveals altered functional connectivity dynamics in schizophrenia // Front. Syst. Neurosci. 2020. V. 14. P. 49–53.
  33. Racz F.S, Farkas K., Stylianou O., et al. Separating scale-free and oscillatory components of neuralactivity in schizophrenia // Brain Behav. 2021. V. 11. P. 47–58.
  34. Ranlund S., Nottage J., Shaikh M., et al. Resting EEG in psychosis and at-risk populations -A possible endophenotype? // Schizophrenia Research. 2014. V. 153. P. 96–102.
  35. Santangeli P., Di Biase L., Bai Rong et al. Atrial fibrillation and the risk of incident dementia: a meta-analysis // Heart Rhythm. 2012. V. 9. P. 1761–1780.
  36. Sassi R., Signorini M.G., Cerutti S. Multifractality and heart rate variability // Chaos. 2009. V. 19. P. 028507-1-5.
  37. Scafetta N., Moon R.E., West B.J. Fractal response of physiological signals to stress conditions, environmental changes, and neurodegenerative diseases // Complexity. 2007. V. 12. P. 12–17.
  38. Scafetta N., Marchi D., West B.J. Understanding the complexity of human gait dynamics // Chaos. 2009. V. 19. P. 026108-1-10.
  39. Slezin V., Korsakova E.A., Dytjatkovsky M.A. et al. Multifractal analysis as an aid in the diagnostics of mental disorders // Nordic J. Psych. 2007. V. 61. P. 339–342.
  40. Song I.H., Lee D.S. Fluctuation dynamics in electroencephalogram time series // In: Mira J., Alvarez J.R., eds. IWINAC: Springer-Verlag Berlin Heidelberg. 2005. P..281–304.
  41. Suckling J., Wink A.M., Bernard F.A., Barnes A., Bullmore E. Endogenous multifractal brain dynamics are modulated by age, cholinergic blockade and cognitive performance // J. Neurosci. Methods. 2008. V. 17. P.2 92–300.
  42. Takahashi T., Kosaka H., Murata T., et al. Application of a multifractal analysis to study brain white matter abnormalities of schizophrenia on T2-weighted magnetic resonance imaging // Psychiatry Res. Neuroimaging. 2009. V. 171. P. 177–188.
  43. Tislerova B., Brunovsky M., Horacek J. et al. LORETA functional imaging in antipsychotic-naive and olanzapine-, clozapine-and risperidone-treated patients with schizophrenia // Neuropsychobiology. 2008. V. 58. P. 1–10.
  44. Wang W., Zhang S., Ning X. A significant increase of multifractal behavior of schizophrenia's EEG // Chinese Biomed. Engin. Trans. 2004. V. 23. P. 511–515.
  45. Watters P.A., Martin F. A method for estimating long-range power law correlations from the electroencephalogram // Biol. Psychol. 2004. V. 66. P..79–89.
  46. Wen H.G., Liu Z.M. Separating fractal and oscillatory components in the power spectrum of neurophysiological signa // Brain Topography. 2016. V. 29. P. 13–26.
  47. Wend H., Abry P. Multifractality tests using bootstrapped wavelet leaders // IEEE Trans. Signal Process. 2007. V. 55. P. 4811–4820.
  48. Wink A.M., Bullmore E., Barnes A., Bernard F., Suckling J. Monofractal and multifractal dynamics of low frequency endognous brain oscillations in functional MRI // Human Brain Mapping. 2008. V. 29. P. 791–801.

Дополнительные файлы

Доп. файлы
Действие
1. JATS XML
Скачать
2. Рис. 1. Примеры спектров мощности для ЭЭГ здорового человека (а, г, ж), больного шизофренией (б, д, е) и депрессией (в, е, к) (отведение O2). Исходные (смешанные) спектры мощности (а–в), усредненные смешанные спектры (голубые кривые) и фрактальные составляющие спектров (красные кривые) (г–е), колебательные спектры (ж–к) (данные из [12]).

Скачать (1MB)
Метаданные
3. Рис. 2. Зависимости h(q) (а) и спектры сингулярности (б) для лобных отведений (F3, Fz, F4) (голубые кривые) и для центральных (C3, C4), затылочных (O1, O2), теменных (P3, P4 и Pz) и височных (Т5 и Т6) отведений (красные кривые) для паттернов ЭЭГ здорового человека (данные из [12]).

Скачать (1MB)
Метаданные
4. Рис. 3. Зависимости h(q) (а, в) и спектры сингулярности (б, г) для паттернов ЭЭГ больного шизофренией (а, б) и депрессией (в, г). Лобные и центральные отведения (F3, Fz, F4, C3, C4) (голубые кривые), затылочные (O1, O2), теменные (P3, P4, Pz) и (T5, T6) височные отведения (красные кривые) (данные из [12]).

Скачать (1MB)
Метаданные
5. Рис. 4. Примеры спектров мощности ЭЭГ для здорового человека (a–в) и пациента с фибрилляцией предсердий (г–е). Исходные (смешанные) спектры мощности (a, д), усредненные смешанные спектры отмечены синим цветом, фрактальные составляющие спектров – красным цветом (б, д), усредненные колебательные спектры (в, е). Отведение О1 (данные из [1]).

Скачать (1MB)
Метаданные
6. Рис. 5 Усредненные спектры сингулярности D(h) для ЭЭГ здорового человека для различных отведений (a–в) и для больного с фибрилляцией предсердий (г–е) (данные из [1]).

Скачать (1MB)
Метаданные

© Российская академия наук, 2024

Данный сайт использует cookie-файлы

Продолжая использовать наш сайт, вы даете согласие на обработку файлов cookie, которые обеспечивают правильную работу сайта.

О куки-файлах